بررسی معماری های مختلف شبکه های عصبی عمیق برای تشخیص آتش

تشخیص آتش به عنوان یکی از مهم ترین مولفه های سامانه های ایمنی هوشمند در محیط های شهری، صنعتی و طبیعی مطرح است. روش های سنتی مبتنی بر حسگرهای دود و حرارت معمولا با مشکلاتی مانند تاخیر در تشخیص، هزینه بالای نصب و محدودیت پوشش فضا مواجه اند. در سال های اخیر با پیشرفت چشمگیر الگوریتم های یادگیری عمیق و شبکه های عصبی کانولوشنی امکان شناسایی آتش بر پایه ی تحلیل بصری تصاویر فراهم شده است. در این پژوهش یک مطالعه ی مقایسه ای جامع بر چهار معماری برجسته ی شبکه های عصبی شامل VGG۱۶، InceptionV۳، ResNet۵۰ و MobileNetV۲ انجام شده است. برای ارزیابی عملکرد از سه مجموعه داده معتبر شامل FiSmo، FireNet و یک مجموعه داده ی اختصاصی گردآوری شده استفاده شد. معیارهای ارزیابی شامل دقت، صحت، بازخوانی، امتیاز F۱ و سرعت استنتاج بوده اند. نتایج نشان دادند در حالی که شبکه های عمیق تر مانند ResNet۵۰ و InceptionV۳ از نظر دقت برتری قابل توجهی دارند، معماری سبک وزن MobileNetV۲ با سرعت و کارایی محاسباتی بالاتر گزینه ای مناسب برای سامانه های نظارت بلادرنگ و بسترهای IoT محسوب می شود. یافته های این تحقیق می تواند مبنایی برای طراحی سامانه های تشخیص آتش در محیط های هوشمند مبتنی بر Edge AI باشد.

کلیدواژه ها:

یادگیری عمیق ، تشخیص آتش ، شبکه عصبی کانولوشنی ، بینایی ماشین ، شبکه سبک وزن ، هوش لبه ای