경량화 기술 기반 컨볼루션 신경망 모델의 화재 감지 성능 분석에 관한 연구

A Study on the Performance Analysis of Fire Detection Using a Lightweight Convolutional Neural Network Model

최근 다양한 화재와 비화재 상황을 신속히 감지할 수 있는 AI 기반 화재 감지 기술의 필요성이 커지고 있다. 본연구에서는 다양한 CNN 기반 모델을 활용하여 구름, 안개, 굴뚝 연기, 실내화재, 실외화재, 산불 등 9개의 화재 이벤트에 대하여 화재 감지 및 분류 성능을 비교하였다. 본 연구에서 각 모델의 학습은 총 27,000개의 화재 이미지 데이터를 대상으로 수행하였고, 실험 결과 depthwise separable convolution layer 구조를 반영한 MobileNet v1 모델의 크기가 54.6 MB로 가장 가벼웠으며, 상대적으로 높은 정확도(accuracy 0.660)를 나타냈다. 또한, confusion matrix를 통해화재 이벤트를 세부적으로 분석한 결과, 실화재를 비화재로 또는 비화재를 실화재로 인식하는 오류는 3.78%로 낮게나타났다. 따라서, 제안된 MobileNet v1 기반 화재 감지 모델은 실화재와 비화재에 대한 매우 높은 분류 성능과 경량화 모델의 특징을 가지고 있어, 엣지 컴퓨팅 시스템에서 실시간 화재 감지가 적합하다고 판단된다.

The demand for AI-based fire detection technologies that can swiftly identify various fire and non-fire scenarios isincreasing. This study compared the fire detection and classification performances of several CNN-based models across ninefire-related events: clouds, fog, chimney smoke, wildfires, building fires, and indoor fires. Each model was trained usinga dataset comprised of 27,000 fire-related images. The experimental results indicated that the MobileNet v1 model, whichincorporates a depthwise separable convolution layer structure, was the most lightweight (54.6 MB) while demonstratingmoderate classification accuracy (66.0%) in distinguishing between fire and non-fire events. Additionally, a detailed analysisusing the confusion matrix revealed a low error rate of 3.78% for misclassifying actual fires as non-fire events, and viceversa. These findings suggest that the proposed MobileNet v1-based fire detection model offers high classificationperformance for real and non-real fire scenarios, along with the advantages of a lightweight structure, making it well-suitedfor real-time fire detection in edge computing systems.