孫海松

摘 要：提出了一種高效的基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的火災(zāi)探測(cè)系統(tǒng)，用于在實(shí)驗(yàn)室的監(jiān)控視頻中進(jìn)行火災(zāi)檢測(cè)。本系統(tǒng)使用了輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)（DNN），該DNN沒有密集的全連接層，因此具有極低的計(jì)算開銷。實(shí)驗(yàn)評(píng)估結(jié)果表明，與現(xiàn)有技術(shù)相比，該系統(tǒng)具有更好的綜合性能，適用于在資源受限的物聯(lián)網(wǎng)環(huán)境中實(shí)施火災(zāi)探測(cè)。

關(guān)鍵詞： 移動(dòng)邊緣計(jì)算;5G;實(shí)驗(yàn)室火災(zāi)檢測(cè)

【Abstract】 This paper presents an efficient convolutional neural network （CNN）-based fire detection system for fire detection in laboratory surveillance video. The system uses a lightweight deep neural network （DNN） that has no dense fully connected layers and has very low computational overhead. The experimental evaluation results show that the system has better comprehensive performance than the prior art， which is suitable for implementing fire detection in a resource-constrained Internet of Things environment.

【Key words】 ?mobile edge calculation; 5G; laboratory fire detection

0 引 言

觸覺互聯(lián)網(wǎng)可以通過移動(dòng)邊緣計(jì)算和5G的數(shù)據(jù)傳輸實(shí)現(xiàn)智能化，并已應(yīng)用于電子健康、智能監(jiān)控等多種應(yīng)用中[1-2]。在智能監(jiān)控領(lǐng)域中，邊緣智能在安全和災(zāi)難管理中發(fā)揮著重要作用，對(duì)于異常情況的快速預(yù)警有利于制定快速的應(yīng)急響應(yīng)行動(dòng)?；谶吘壷悄艿腃NN火災(zāi)檢測(cè)方法具有較高的準(zhǔn)確性。然而現(xiàn)有的方法未能在不確定的物聯(lián)網(wǎng)環(huán)境中準(zhǔn)確地檢測(cè)火災(zāi)，此外對(duì)于資源受限的設(shè)備而言，基于CNN的方法會(huì)帶來巨大的開銷，從而影響性能。本次研究探討在實(shí)驗(yàn)室環(huán)境中的火災(zāi)檢測(cè)系統(tǒng)，設(shè)計(jì)了輕量級(jí)的深度CNN，以實(shí)現(xiàn)高效的火災(zāi)檢測(cè)。

1 系統(tǒng)框架

火災(zāi)探測(cè)是一項(xiàng)繁瑣的工作，尤其是當(dāng)監(jiān)視環(huán)境有遮擋物或者火災(zāi)很小時(shí)。在這種情況下，傳統(tǒng)的火災(zāi)探測(cè)系統(tǒng)會(huì)產(chǎn)生大量的錯(cuò)誤警報(bào)。研究者們提出了基于CNN的火災(zāi)探測(cè)方法，但這些方法的運(yùn)行時(shí)間、運(yùn)算規(guī)模使得其不適用于資源受限的監(jiān)控網(wǎng)絡(luò)。因此，提出了基于CNN的有效改進(jìn)方法，利用監(jiān)控視頻進(jìn)行火災(zāi)探測(cè)。使用輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)，沒有密集的全連接層，系統(tǒng)架構(gòu)如圖1所示。

CNN能夠很好地解決現(xiàn)實(shí)中的問題（如圖像分類、物體檢測(cè)、動(dòng)作識(shí)別[3]。通過卷積層、池化層和全連接層，CNN可以自動(dòng)從數(shù)據(jù)集中學(xué)習(xí)到豐富的特征。對(duì)于火災(zāi)檢測(cè)，CNN中的全連接層具有2個(gè)類別：火災(zāi)和非火災(zāi)。

經(jīng)過大量實(shí)驗(yàn)，發(fā)現(xiàn)MobileNet比主流的CNN模型好（如AlexNet[4]和GoogleNet[5]）。因此，針對(duì)火災(zāi)探測(cè)問題，基于MobileNet進(jìn)行改進(jìn)。與AlexNet等模型類似，原始MobileNet模型在ImageNet數(shù)據(jù)集上進(jìn)行訓(xùn)練，并將對(duì)象劃分為1 000類。為此，將原始MobileNet模型最后一層的神經(jīng)元數(shù)量修改為2，以此區(qū)分火災(zāi)和非火災(zāi)場(chǎng)景。通過添加擴(kuò)展層來對(duì)MobileNet的體系結(jié)構(gòu)進(jìn)行修改，修改后的結(jié)構(gòu)如圖2所示。

在將輸入數(shù)據(jù)傳遞到卷積層之前，擴(kuò)展層會(huì)擴(kuò)展輸入數(shù)據(jù)中的通道數(shù)。擴(kuò)展量可以通過擴(kuò)展因子控制，其默認(rèn)值為6。第二個(gè)卷積層過濾輸入，投影層會(huì)減少通道數(shù)。對(duì)于每一層的輸出，采用線性整流函數(shù)ReLU6作為激活函數(shù)，對(duì)輸出進(jìn)行歸一化。激活函數(shù)ReLU6在低精度的計(jì)算中具有魯棒性。投影層后面沒有任何激活函數(shù)，因?yàn)槠漭敵鍪堑途S數(shù)據(jù)，并且使用激活函數(shù)可能影響輸出結(jié)果。

在災(zāi)害管理等關(guān)鍵應(yīng)用中，輕微的延遲都會(huì)造成巨大損失。因此，模型選擇是一個(gè)關(guān)鍵問題。與其它CNN模型相比，MobileNet適用于內(nèi)存和帶寬受限的硬件架構(gòu)。例如， FPGA、智能傳感器和樹莓派（Raspberry Pi）。同時(shí)，MobileNet適用于基于5G的移動(dòng)邊緣計(jì)算范式。

2 實(shí)驗(yàn)評(píng)估與結(jié)果分析

本節(jié)進(jìn)行實(shí)驗(yàn)評(píng)估，將文中方法MECFire、基于CNN的方法（即CNNFire[6]、EFDFire[7]）進(jìn)行比較，對(duì)系統(tǒng)的魯棒性進(jìn)行評(píng)估。從基準(zhǔn)數(shù)據(jù)集[8]中構(gòu)建了一個(gè)新數(shù)據(jù)集，其中的圖像可以分為火災(zāi)和非火災(zāi)兩個(gè)類別。新數(shù)據(jù)集包含了20 885張圖像。為了訓(xùn)練和測(cè)試系統(tǒng)，使用20%的數(shù)據(jù)集數(shù)據(jù)進(jìn)行訓(xùn)練，剩下的80%進(jìn)行測(cè)試。表1列出了訓(xùn)練和測(cè)試數(shù)據(jù)的相關(guān)信息。由于篇幅所限，僅展示了數(shù)據(jù)集中的部分圖像，如圖3所示。

本系統(tǒng)是一個(gè)輕量級(jí)的體系結(jié)構(gòu)，每秒百萬浮點(diǎn)操作（MFLOPS）更少，模型的大小也更合理，對(duì)比結(jié)果見表4。與其它模型相比，本系統(tǒng)處理一個(gè)圖像所需的MFLOPS更少，因此在相同的時(shí)間內(nèi)，本系統(tǒng)能處理更多的圖像。同樣，所采用的模型更小，易于在資源受限的設(shè)備上實(shí)施部署。本系統(tǒng)可以很容易地部署運(yùn)行在諸如樹莓派這樣的設(shè)備上。綜上所述，在總體性能評(píng)估指標(biāo)、模型大小和MFLOPS等方面，與現(xiàn)有的火災(zāi)探測(cè)系統(tǒng)相比，本文研發(fā)的系統(tǒng)是早期火災(zāi)探測(cè)的最佳選擇。

3 結(jié)束語

眾所皆知，CNN近年來在眾多問題的求解上取得了可觀進(jìn)步，故而研究人員將其應(yīng)用于火災(zāi)等異常事件檢測(cè)。早期發(fā)現(xiàn)火災(zāi)對(duì)于災(zāi)害管理系統(tǒng)非常重要。本文提出了一種基于CNN的高效方法，用于實(shí)驗(yàn)室監(jiān)控視頻中的火災(zāi)探測(cè)。與現(xiàn)有的方法相比，本系統(tǒng)具有更小的模型結(jié)構(gòu)，并表現(xiàn)出較好的綜合性能。未來的研究工作將監(jiān)控視頻與傳感器探測(cè)（如煙霧探測(cè)器）相結(jié)合，開發(fā)出混合檢測(cè)系統(tǒng)。后期則將本系統(tǒng)與工業(yè)系統(tǒng)物聯(lián)網(wǎng)相結(jié)合，以實(shí)現(xiàn)更高效的自動(dòng)化檢測(cè)。

參考文獻(xiàn)

[1]MAIER M， CHOWDHURY M， RIMAL B P， et al. The tactile internet： vision， recent progress， and open challenges[J]. IEEE Communications Magazine， 2016， 54（5）： 138-145.

[2]SIMSEK M， AIJAZ A， DOHLER M， et al. 5G-enabled tactile internet[J]. IEEE Journal on Selected Areas in Communications， 2016， 34（3）： 460-473.

[3]ULLAH A， AHMAD J， MUHAMMAD K， et al. Action recognition in video sequences using deep bi-directional LSTM with CNN features[J]. IEEE Access， 2018， 6： 1155-1166.

[4]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Image Net classification with deep convolutional neural networks[J]. Communications of the ACM， 2017，60（6）： 84-90.

[5]SZEGEDY C， LIU Wei， JIA Yangqing， et al. Going deeper with convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Boston， MA， USA： IEEE，2015： 1-12.

[6]MUHAMMAD K， AHMAD J， LV Zhihan， et al. Efficient deep CNN-based fire detection and localization in video surveillance applications[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2018 （99）： 1-16.

[7]MUHAMMAD K， AHMAD J， BAIK S W. Early fire detection using convolutional neural networks during surveillance for effective disaster management[J]. Neurocomputing， 2018， 288： 30-42.

[8]FOGGIA P， SAGGESE A， VENTO M. Real-time fire detection for video-surveillance applications using a combination of experts based on color， shape， and motion[J]. IEEE Transactions on Circuits and Systems for Video Technology， 2015， 25（9）： 1545-1556.