Flame Guardian : 딥 러닝 기반 화재 탐지 시스템

소개

가족의 안전을 보장 할 때 연기 냄새, 심장 경주를 깨우는 것을 상상해보십시오. 조기 탐지는 매우 중요하며 딥 러닝 구동 화재 탐지 시스템 인 "Flame Guardian"은 생명을 구하는 차이를 만드는 것을 목표로합니다. 이 기사는 데이터 수집 및 증강에서 모델 구성 및 미세 조정에 이르기까지 CNN 및 Tensorflow를 사용 하여이 기술을 만드는 것을 안내합니다. 기술 애호가이든 전문가이든, 최첨단 기술을 활용하여 생명과 재산을 보호하는 방법을 발견하십시오.

학습 결과

• 이미지 데이터 세트를 준비, 구성 및 증강시키는 기술을 습득하여 모델 성능을 최적화합니다.
• 효과적인 이미지 분류 작업을 위해 Convolutional Neural Networks를 구성하고 미세 조정하는 방법을 배우십시오.
• 메트릭과 시각화를 사용하여 모델 성능을 평가하고 해석하는 기능을 개발하십시오.
• 실제 응용 프로그램을 위해 DL (딥 러닝) 모델을 배포하고 조정하는 방법을 배우고 화재 감지와 같은 실제 문제에서 유용성을 보여줍니다.

이 기사는 Data Science Blogathon 의 일부로 출판되었습니다 .

목차

• 화재 탐지에서 딥 러닝의 혁명
• 화재 탐지의 도전
• 데이터 세트 개요
• 환경 설정
• 데이터 준비
• 이미지 분포 시각화
• 화재 및 비 화재 이미지 표시
• 증강 기술로 교육 데이터 향상
• 화재 감지 모델 구성
• 모델 피팅 : 컨볼 루션 신경 네트워크 훈련
• 모델 평가
• 예제 사용 : 새로운 이미지의 화재 예측
• 자주 묻는 질문

화재 탐지에서 딥 러닝의 혁명

최근에, The Teep Learning은 건강 관리에서 금융에 이르기까지 화려한 분야에 혁명을 일으켰으며 현재 안전 및 재난 운영을 진전시키고 있습니다. 딥 러닝의 특히 불안정한 운영은 화재 발견의 영역에 있습니다. 전 세계적으로 백 파이어의 빈도와 융통성을 추가하면 효과적이고 신뢰할 수있는 화재 발견 시스템을 개발하는 것이 그 어느 때보 다 중추적입니다. 이 포괄적 인 동반자에서는 CNN (Convolutional Neural Networks) 및 Tensorflow를 사용하여 중요한 화재 발견 시스템을 만드는 과정을 안내합니다. "Flame Guardian"이라는 이름 의이 시스템은 진미가 높은 이미지의 화재를 식별하여 초기 발견과 넓은 화재 손상의 삼인기를 파악하는 것을 목표로합니다.

산불이나 구조 화재에 관계없이 화재는 생명, 재산 및 환경에 중대한 위협이됩니다. 조기 발견은 화재의 치명적인 영향을 완화시키는 데 중요합니다. 심도있는 기반 화재 탐지 시스템은 방대한 양의 데이터를 빠르고 정확하게 분석하여 화재 사고가 확대되기 전에 식별 할 수 있습니다.

화재 탐지의 도전

딥 러닝을 사용하여 화재를 감지하면 몇 가지 과제가 있습니다.

• 데이터 변동성 : 화재 이미지는 색상, 강도 및 주변 환경 측면에서 크게 다를 수 있습니다. 강력한 탐지 시스템은이 변동성을 처리 할 수 ​​있어야합니다.
• 잘못된 긍정 : 불필요한 공황 및 자원 배치를 피하기 위해 잘못된 긍정적 (불 소화상 이미지를 불로 잘못 식별)을 최소화하는 것이 중요합니다.
• 실시간 처리 : 실제 사용을 위해 시스템은시기 적절한 경고를 제공하여 이미지를 실시간으로 처리 할 수 ​​있어야합니다.
• 확장 성 : 시스템은 큰 데이터 세트를 처리하고 다른 작업을 수행 할 수 있도록 확장 가능해야합니다.

데이터 세트 개요

Flame Guardian Fire Detection System에 사용되는 데이터 세트는 "Fire"와 "Non-Fire"의 두 클래스로 분류 된 이미지로 구성됩니다. 이 데이터 세트의 주요 목적은 CNN (Convolutional Neural Network) 모델을 훈련하여 화재가 포함 된 이미지와 그렇지 않은 이미지를 정확하게 구별하는 것입니다.

화재 및 비 화재 이미지의 구성

• 화재 이미지 : 이 이미지에는 화재가있는 다양한 시나리오가 포함되어 있습니다. 데이터 세트에는 산불, 구조 화재 및 제어 화상의 이미지가 포함되어 있습니다. 이 이미지의 화재는 크기, 강도 및 존재하는 환경이 다를 수 있습니다. 이 다양성은 모델이 화재의 다른 시각적 특성을 배우는 데 도움이됩니다.
• 비정규 이미지 : 이 이미지에는 화재가 포함되어 있지 않습니다. 여기에는 화재가없는 풍경, 건물, 숲 및 기타 자연 및 도시 환경과 같은 광범위한 시나리오가 포함됩니다. 다양한 비 불화 이미지를 포함 시키면 모델이 비 불이익 상황에서 화재를 거짓으로 식별하지 않도록합니다.

여기에서 데이터 세트를 다운로드 할 수 있습니다.

환경 설정

먼저 필요한 라이브러리와 도구로 지형을 설정해야합니다. GPU 지원을 제공하는 액세스 가능한 플랫폼을 제공 하므로이 디자인에 Google Collab을 사용할 것입니다. 우리는 이전에 데이터 세트를 다운로드하여 드라이브에 업로드했습니다.

 #mount Drive
Google.Colab Import Drive에서
drive.mount ( '/content/drive')

#필요한 라이브러리를 포함합니다
Numpy를 NP로 가져옵니다
팬더를 PD로 가져옵니다
matplotlib.pyplot을 plt로 가져옵니다
SABORN을 SNS로 수입하십시오
px로 plotly.express를 가져옵니다
GO에 따라 plotly.graph_objects를 가져옵니다
Plotly에서 Subplots import make_subplots를 가져옵니다
OS 가져 오기
텐서 플로우를 tf로 가져옵니다
Tensorflow.keras에서 가져 오기 절차 이미지
tensorflow.keras.preprocessing.image import imagedatagenerator


#세트 스타일 그리드 
sns.set_style ( 'darkgrid')

데이터 준비

알고리즘을 훈련시키기 위해서는 화재 및 비 화기 스크립트 사진이 포함 된 데이터 세트가 필요합니다. 빈 데이터 프레임과 Google 드라이브의 이미지를 추가 할 수있는 기능이 생성됩니다.

 # 빈 데이터 프레임을 만듭니다
df = pd.dataframe (열 = [ 'path', 'label'])))

# 함수 데이터 프레임에 이미지를 추가 할 수 있습니다
def add_images_to_df (디렉토리, 레이블) :
    dirname, _, os.walk (디렉토리)의 파일 이름 :
        파일 이름의 파일 이름 :
            df.loc [len (df)] = [os.path.join (dirname, filename), 레이블]

# 화재 이미지 추가
add_images_to_df ( '/content/drive/mydrive/fire/fire_dataset/fire_images', 'fire')

# 비 불신 이미지 추가
add_images_to_df ( '/content/drive/mydrive/fire/fire_dataset/non_fire_images', 'non_fire')

# 데이터 세트를 셔플합니다
df = df.sample (frac = 1) .reset_index (drop = true)

이미지 분포 시각화

화재 및 비 화재 이미지의 분포를 시각화하면 데이터 세트를 더 잘 이해할 수 있습니다. 우리는 대화식 플롯에 줄거리를 사용합니다.

이미지 분포를위한 원형 차트 생성

이제 이미지 분포를위한 파이 차트를 작성하겠습니다.

 # 산점도를 만듭니다
그림 = px.scatter (
    data_frame = df,
    x = df.index,
    y = '레이블',
    color = 'label',
    title = '화재 및 비 불화 이미지의 분포'
))

# 마커 크기를 업데이트합니다
그림 update_traces (Marker_size = 2)

fig.add_trace (go.pie (value = df [ 'label']. value_counts (). to_numpy (), labels = df [ 'label']. value_counts (). index, marker = dict ( 'lightblue', 'pink'])), 행 = 1, col = 2)

화재 및 비 화재 이미지 표시

이제 화재 및 비 화재 이미지를 표시하기위한 코드를 작성하겠습니다.

 def visualize_images (레이블, 제목) :
    data = df [df [ 'label'] == label]
    사진 = 6 # 사진 수를 설정합니다
    그림, Ax = plt.subplots (int (pics // 2), 2, figsize = (15, 15))
    Plt.Suptitle (제목)
    ax = ax.ravel ()
    범위의 i ((pics // 2) * 2) :
        path = data.sample (1) .loc [:, 'path']. to_numpy () [0]
        img = image.load_img (경로)
        img = image.img_to_array (img) / 255
        도끼 [i]. imshow (IMG)
        Ax [i] .axes.xaxis.set_visible (false)
        ax [i] .axes.yaxis.set_visible (false)
Visualize_images ( 'Fire', '이미지가있는 이미지')
Visualize_images ( 'non_fire', '이미지가없는 이미지') 

화재 및 비 화기 카테고리의 일부 샘플 이미지를 표시함으로써 우리는 우리 모델이 무엇을 사용할 것인지를 알게 될 것입니다.

증강 기술로 교육 데이터 향상

우리는 교육 데이터를 개선하기 위해 이미지 추가 방법을 적용 할 것입니다. 회충, 드론 및 전단과 유사한 임의의 이미지 적응을 적용하는 것을 첨가라고합니다. 보다 강력하고 다른 데이터 세트를 생성 함으로써이 절차는 새로운 이미지로 일반화 할 수있는 모델의 용량을 향상시킵니다.

 tensorflow.keras에서 모드를 순차적으로 가져옵니다
Tensorflow.keras.layers에서 Concl2d, MaxPool2d, 평평하고 밀도가 높습니다

Generator = ImageAtagenerator (
    rotation_range = 20,
    width_shift_range = 0.1,
    height_shift_range = 0.1,
    shear_range = 2,
    Zoom_Range = 0.2,
    재생산 = 1/255,
    validation_split = 0.2,
))
rain_gen = generator.flow_from_dataframe (df, x_col = 'path', y_col = 'label', images_size = (256,256), class_mode = 'binary', subset = 'training')
val_gen = generator.flow_from_dataframe (df, x_col = 'path', y_col = 'label', images_size = (256,256), class_mode = 'binary', subset = 'validation')
class_indices = {}
train_gen.class_indices.keys ()의 키
    class_indices [train_gen.class_indices [key]] = 키
    
print (class_indices)

증강 된 이미지 시각화

우리는 훈련 세트에 의해 생성 된 증강 이미지 중 일부를 시각화 할 수 있습니다.

 sns.set_style ( 'Dark')
사진 = 6 # 사진 수를 설정합니다
그림, Ax = plt.subplots (int (pics // 2), 2, figsize = (15, 15))
Suptitle Plt ( '훈련 세트에서 이미지 생성')
ax = ax.ravel ()
범위의 i ((pics // 2) * 2) :
    ax [i] .imshow (train_gen [0] [0] [i])
    Ax [i] .axes.xaxis.set_visible (false)
    ax [i] .axes.yaxis.set_visible (false)

화재 감지 모델 구성

우리의 모델은 여러 개의 컨볼 루션 층에 해당하며 각각 최대 풀링 서브 캐스트가 이어집니다. Convolutional Layers는 CNN의 핵심 구조 블록으로, 모델이 이미지에서 공간 스케일의 기능을 배울 수 있습니다. 최대 풀링 레이어는 포인트 맵의 치수를 줄여 모델을보다 효과적으로 만듭니다. 또한 모델 끝에 완전히 연결된 (두꺼운) 레이어를 추가합니다. 이 레이어는 Convolutional Layers에서 배운 기능을 결합하고 최종 괄호 결정을 내립니다. Affair 서브 캐스트는 Sigmoid 활성화 기능을 갖는 단일 뉴런을 가지며, 이는 이미지에 화재가 포함되어 있는지 여부를 나타내는 확률 점수를 얻습니다. 모델 전기자를 정의한 후 각 서브 캐스트의 구조 및 매개 변수 수를 검토하기위한 요약을 게시합니다. 이 단계는 모델이 올바르게 구성되도록하는 데 중요합니다.

 tensorflow.keras에서 모드를 순차적으로 가져옵니다
Tensorflow.keras.layers에서 Concl2d, MaxPool2d, 평평하고 밀도가 높습니다

model = 순차 ()
model.add (conv2d (필터 = 32, kernel_size = (2,2), activation = 'relu', input_shape = (256,256,3)))))
model.add (maxpool2d ())
model.add (conv2d (필터 = 64, kernel_size = (2,2), activation = 'relu')))
model.add (maxpool2d ())
model.add (conv2d (필터 = 128, kernel_size = (2,2), activation = 'relu')))
model.add (maxpool2d ())
model.add (flatten ())
model.add (밀도 (64, activation = 'relu')))
model.add (고밀도 (32, 활성화 = 'Relu')))
model.add (고밀도 (1, activation = 'sigmoid')))
model.summary ()

최적화 및 손실 기능으로 모델을 컴파일합니다

다음으로 Adam Optimizer 및 Binary Cross-Entropy Loss Function을 사용하여 모델을 컴파일합니다. Adam Optimizer는 효율성과 적응 학습 속도에 딥 러닝에서 널리 사용됩니다. 이진 크로스-엔트로피는 이진 분류 문제 (화재 대 비 불이익)에 적합합니다.

또한 훈련 및 검증 중 모델의 성능을 평가하기 위해 정확도, 리콜 및 곡선 (AUC)과 같은 추가 메트릭을 지정합니다.

최적의 교육을 위해 콜백 추가

콜백은 Tensorflow의 강력한 기능으로 교육 과정을 모니터링하고 제어 할 수 있습니다. 우리는 두 가지 중요한 콜백을 사용할 것입니다.

• EarlyStopping : 검증 손실이 개선이 중지 될 때 교육을 중단하여 과적이지 않습니다.
• READELRONPLATEAU : 검증 손실 고원이 될 때 학습 속도를 줄여 모델이 더 나은 솔루션으로 수렴 할 수 있도록 도와줍니다.

 #compiling 모델
Tensorflow.keras에서 Metrics 가져 오기 리콜, AUC
tensorflow.keras.utils에서 plot_model을 가져옵니다

model.compile (Optimizer = 'Adam', loss = 'binary_crossentropy', metrics = [ '정확도', reform (), auc ()])))

#정의 콜백
tensorflow.keras.callbacks earlystopping, redelronplateau를 가져옵니다
early_stoppping = aleerstopping (monitor = 'val_loss', patience = 5, restore_best_weights = true)
READE_LR_ON_PLATEAU = READELRONPLATEAU (Monitor = 'Val_Loss', Factor = 0.1, Patience = 5)

모델 피팅 : 컨볼 루션 신경 네트워크 훈련

모델 피팅은 데이터 세트에서 머신 러닝 모델을 교육하는 과정을 말합니다. 이 과정에서 모델은 손실 함수를 최소화하기 위해 매개 변수 (가중치 및 바이어스)를 조정하여 데이터의 기본 패턴을 학습합니다. 딥 러닝의 맥락에서, 여기에는 교육 데이터를 넘어서 앞뒤로의 여러 시대가 포함됩니다.

 model.fit (x = train_gen, batch_size = 32, epochs = 15, validation_data = val_gen, callbacks = [early_stoppping, reter_lr_on_plateau])))

모델 평가

훈련 후, 우리는 검증 세트에서 모델의 성능을 평가합니다. 이 단계는 모델이 새로운 데이터에 얼마나 잘 일반화되는지 이해하는 데 도움이됩니다. 우리는 또한 훈련 기록을 시각화하여 시간이 지남에 따라 손실과 지표가 어떻게 진화했는지 알아 보겠습니다.

 eval_list = model.evaluate (val_gen, return_dict = true)
eval_list.keys ()의 메트릭의 경우 :
    print (metric f ": {eval_list [metric] :. 2f}")
   
eval_list = model.evaluate (val_gen, return_dict = true)
eval_list.keys ()의 메트릭의 경우 :
    print (metric f ": {eval_list [metric] :. 2f}")

예제 사용 : 새로운 이미지의 화재 예측

마지막으로, 훈련 된 모델을 사용하여 새로운 이미지에 불이 포함되어 있는지 예측하는 방법을 보여줍니다. 이 단계에는 이미지를로드하고 모델의 입력 요구 사항과 일치하도록 전처리하고 모델을 사용하여 예측을합니다.

이미지 다운로드 및로드

인터넷에서 샘플 이미지를 다운로드하고 TensorFlow의 이미지 처리 기능을 사용하여로드합니다. 이 단계에는 이미지 크기 조정 및 픽셀 값 정규화가 포함됩니다.

예측

훈련 된 모델을 사용하여로드 된 이미지를 예측합니다. 이 모델은 확률 점수를 출력하며 이진 분류 (화재 또는 비 불이익)를 얻기 위해 반올림합니다. 또한 클래스 지수를 사용하여 예측을 해당 레이블에 매핑합니다.

 # 이미지 다운로드
! curl https://static01.nyt.com/images/2021/02/19/world/19storm-briefing-texas-fire/19storm-briefing-texas-fire-articlelarge.jpg-output predict.jpg
#이미지로드
img = image.load_img ( 'prodict.jpg')
IMG

img = image.img_to_array (img)/255
img = tf.image.resize (IMG, (256,256))
img = tf.expand_dims (img, axis = 0)

print ( "이미지 모양", img.shape)

예측 = int (tf.round (model.predict (x = img)). numpy () [0] [0])
print ( "예측 값은 :", 예측, ", 예측 된 레이블은 :", class_indices [prediction])입니다. 

결론

"Flame Guardian"과 같은 딥 러닝 기반 화재 탐지 시스템을 개발하면 실제 문제를 해결하는 데있어 딥 러닝의 변형 가능성을 보여줍니다. 데이터 준비 및 시각화에서 모델 구축, 교육 및 평가에 이르기까지 각 단계를 세 심하게 따르면 이미지에서 화재를 감지하기위한 강력한 프레임 워크를 만들었습니다. 이 프로젝트는 딥 러닝과 관련된 기술적 복잡성을 강조 할뿐만 아니라 안전 및 재난 예방을위한 기술을 활용하는 것의 중요성을 강조합니다.

결론적으로, DL 모델이 화재 감지 시스템을 크게 향상시켜보다 효율적이고 신뢰할 수 있으며 확장 가능하게 만들 수 있음이 분명합니다. 전통적인 방법에는 장점이 있지만 딥 러닝의 통합은 새로운 수준의 정교함과 정확성을 도입합니다. “Flame Guardian”을 개발하는 여정은 현대 기술의 엄청난 능력을 보여주는 깨달았고 보람이 있습니다.

주요 테이크 아웃

• 데이터 처리 및 시각화 기술을 이해했습니다.
• 적절한 데이터 수집 및 증강은 효과적인 모델 교육 및 일반화를 보장합니다.
• 모델 빌딩 및 모델 평가를 구현했습니다.
• Earlystopping 및 Redonronplateau와 같은 콜백을 이해하여 교육을 최적화하고 과응을 방지합니다.
• CNN을 사용한 화재 탐지를위한 건물 컨볼 루션 신경망을 배웠습니다.

자주 묻는 질문

Q1. "Flame Guardian"이란 무엇입니까?

A. "Flame Guardian"은 CNN (Convolutional Neural Networks)과 Tensorflow를 사용하여 높은 정확도로 이미지의 화재를 식별하는 화재 탐지 시스템입니다.

Q2. 조기 화재 탐지가 중요한 이유는 무엇입니까?

A. 조기 화재 탐지는 광범위한 손상을 예방하고 생명을 구하고 화재의 환경 영향을 줄이는 데 중요합니다. 빠른 반응은 산불과 구조 화재의 치명적인 영향을 상당히 완화시킬 수 있습니다.

Q3. 딥 러닝을 사용하여 화재 탐지 시스템을 구축하는 데 어떤 어려움이 있습니까?

A. 문제에는 데이터 변동성 (색상, 강도 및 환경의 차이), 오 탐지 최소화, 실시간 처리 기능 보장 및 대규모 데이터 세트를 처리하기위한 확장 성이 포함됩니다.

Q4. 이미지 확대는 모델 훈련에 어떻게 도움이됩니까?

A. 이미지 증강은 회전, 줌 및 전단과 같은 임의의 변환을 적용하여 훈련 데이터 세트를 향상시킵니다. 이를 통해 모델은 다양한 시나리오에 노출되어 견고성을 향상시켜 더 나은 일반화에 도움이됩니다.

Q5. 모델의 성능을 평가하는 데 사용되는 메트릭은 무엇입니까?

A. 모델은 정확도, 리콜 및 곡선 아래 영역 (AUC)과 같은 메트릭을 사용하여 평가됩니다. 이러한 메트릭은 모델이 화재 및 비 불 이미지와 전반적인 신뢰성을 얼마나 잘 구별하는지 평가하는 데 도움이됩니다.

이 기사에 표시된 미디어는 분석 Vidhya가 소유하지 않으며 저자의 재량에 따라 사용됩니다.

위 내용은 Flame Guardian : 딥 러닝 기반 화재 탐지 시스템의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!