New possibilities of fire detection

Keywords: machine learning, cameras, fire, python, pytorch

Abstract

In this paper I explore new machine learning-based methods for detecting fires and technical rescues using visual information. My goal was to use artificial intelligence methods to extract information from street camera images that only humans could do before. This information was then used for fire protection purposes, i.e. automatic detection of damage. In my research, I used images downloaded from the internet to train a model to recognise fires and traffic accidents. I implemented the model in Python using the Pytorch framework. The model I created has become robust enough to automatically detect events with high confidence that require firefighter intervention.

References

https://hu.wikipedia.org/wiki/Big_data

https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neuralnetworks-

the-eli5-way-3bd2b1164a53

https://www.kdnuggets.com/2016/11/intuitive-explanation-convolutional-neuralnetworks.

html/3

Shankar, V., Roelofs, R., Mania, H., Fang, A., Recht, B. & Schmidt, L.. (2020). Evaluating Machine Accuracy on ImageNet. Proceedings of the 37th International Conference on Machine Learning , in Proceedings of Machine Learning Research 119:8634-8644

K. He, X. Zhang, S. Ren and J. Sun, "Deep Residual Learning for Image Recognition," in CVPR, 2016.

Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/h0042519

Yosinski J, Clune J, Bengio Y, Lipson H. How transferable are features in deep neural networks? In: Advances in neural information processing systems, vol 27; 2014.

https://github.com/fastai/fastai

https://hu.wikipedia.org/wiki/Internetprotokoll

Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D. & Batra, D. (2017).

Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization.. ICCV (p./pp. 618-626), : IEEE Computer Society. ISBN: 978-1-5386-1032-9

Ren, S., He, K., Girshick, R. B. & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks.. In C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama & R. Garnett (eds.), NIPS (p./pp. 91-99),

ÁBRAJEGYZÉK

ábra Tűztorony modell Forrás: készítette a szerző

ábra Konvolúciós neurális hálózat

Forrás: https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neuralnetworks-

the-eli5-way-3bd2b1164a53

ábra Konvolúciós neurális hálózat rétegeinek vizualizációja

Forrás: https://www.kdnuggets.com/2016/11/intuitive-explanation-convolutional-neuralnetworks.

html/3

ábra ResNet34

Forrás: K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition.

In Proceedings of the IEEE conferenceon computer vision and pattern recognition, pages

–778, 2016

ábra Perceptron modell

Forrás: https://jameskle.com/writes/neural-networks-101

ábra Lineáris szeparáció

Forrás: készítette a szerző

ábra Néhány kép az ImageNet tanítóhalmazból

Forrás: https://cs.stanford.edu/people/karpathy/cnnembed/

ábra Néhány kép az általam gyűjtött tanítóhalmazból

Forrás: DuckDuckGo.com

ábra ResNet-50 confusion mátrixa

Forrás: készítette a szerző

ábra Ipari forradalmak

Forrás: https://digitalizationindustry.com/hu/2017/07/26/a-negyedik-ipari-forradalom/

ábra Valószínűségek értelmezése

Forrás: Pécsi Hivatásos Tűzoltóság képarchívuma

ábra Valószínűségek értelmezése

Forrás: Goole utcakép

ábra Aktivációs térképek

Forrás: készítette a szerző

ábra R-CNN objetum detektálás

Forrás: https://towardsdatascience.com/faster-rcnn-object-detection-f865e5ed7fc4

Published
2023-11-30
How to Cite
KarsaR. (2023). New possibilities of fire detection. Defence Science, 8(1), 1-24. Retrieved from https://ojs.mtak.hu/index.php/vedelemtudomany/article/view/13522
Section
Articles