열화상과 실화상을 이용한 향상된 YOLOv6 기반의 화재 감지

Abstract

국내에서 매해 화재 발생 건수와 인명피해 수는 일정 범위 내에서 꾸준히 발생하고 있고 재산피해는 매년 기하급수적으로 증가하는 추세이다. 이것으로 보아 지금까지 해오는 방식은 화재 안전 예방의 한계를 보여주는 것이라고 생각되며 화재 대응 방법에 변화가 필요하다. 기존의 화재 대응의 방법중의 하나인 화재 감지기로 사용되는 센서는 감지 범위가 좁고 여러가지 노후화로 인해 오경보율이 높다는 문제점이 있다. 이러한 문제점을 개선하기 위해 딥러닝 기반으로 화재 감지 성능을 개선하려고 한다. 딥러닝 기반의 객체 검출(object detection) 기술은 합성곱 신경망(Convolution Neural Network, CNN) 기반으로 발전해왔으며 제조업, 자율주행, 의료 서비스, 방위 및 보안 등 카메라가 내장된 분야에서 활용이 가능하다. 따라서 실화상과 열화상 이미지를 통합한 데이터셋을 만들어서 일반적으로 많이 사용하는 실화상 기반의 감지와 더불어 열화상을 통한 감지도 가능하게 한다. 최종적으로 카메라 타입에 제한 없이 화재 탐지의 정확성을 높이고 추론시간을 향상시킨다. 본 연구에서 딥러닝 모델 중에서 실시간 객체 감지에 좋은 성능을 보이는 YOLO 모델을 개선하여 향상된 화재 감지를 제안한다. 이미지 전처리와 증강 기법(data argumentation)을 통해 데이터셋을 강화하고 손실함수, 옵티마이저와 같은 하이퍼 파라미터(hyper parameter) 성능 비교를 통해 최적화한다. 그 결과로 객체 탐지의 정확성은 증가하고 손실율은 감소하였다. 열화상과 실화상 이미지 타입에 제한 없이 화재 탐지의 높은 성능을 보인다 |The number of fires and casualties in Korea every year is steadily occurring within a certain range, and property damage is increasing exponentially every year. From this, it is thought that the method that has been done so far shows the limitations of fire safety prevention, and the method of fire response needs to be changed. Sensors used as a fire detector, one of the existing fire response methods, have a narrow detection range and a high false alarm rate due to various aging. To improve this problem, we try to improve fire detection performance based on deep learning. Deep learning-based object detection technology has developed based on convolution neural network (CNN) and can be used in areas with built-in cameras such as manufacturing, autonomous driving, medical services, defense, and security. Therefore, by creating a dataset that integrates real and thermal images, it enables detection through thermal images as well as real image-based detection, which is commonly used. Finally, we increase the accuracy of fire detection and improve inference time without limitation to the camera type. In this study, we propose improved fire detection by improving the YOLO model, which shows good performance for real-time object detection among deep learning models. We reinforce datasets through image preprocessing and augmentation techniques and optimize them by comparing hyperparameter performance such as loss functions and optimizers. As a result, the accuracy of object detection increased and the loss rate decreased. High performance of fire detection without restriction on thermal and real image types