KR20230075647A - 앙상블 지도 학습 기반 화재 상황 감지 방법 - Google Patents

앙상블 지도 학습 기반 화재 상황 감지 방법 Download PDF

Info

Publication number
KR20230075647A
KR20230075647A KR1020210162039A KR20210162039A KR20230075647A KR 20230075647 A KR20230075647 A KR 20230075647A KR 1020210162039 A KR1020210162039 A KR 1020210162039A KR 20210162039 A KR20210162039 A KR 20210162039A KR 20230075647 A KR20230075647 A KR 20230075647A
Authority
KR
South Korea
Prior art keywords
fire
neural network
detection
occurrence
image data
Prior art date
Application number
KR1020210162039A
Other languages
English (en)
Inventor
구기원
이정기
양철승
박상용
Original Assignee
한국전자기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020210162039A priority Critical patent/KR20230075647A/ko
Publication of KR20230075647A publication Critical patent/KR20230075647A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36—Indoor scenes

Abstract

앙상블 지도 학습 기반 화재 상황 감지 방법이 제공된다. 본 발명의 실시예에 따른 화재 감지 방법은, 텍스트 데이터를 분석하여 화재 발생을 감지하도록 학습된 제1 신경망을 이용하여 화재 발생을 감지하고, 획득된 이미지 데이터를 분석하여 화재 발생을 감지하도록 학습된 제2 신경망을 이용하여 화재 발생을 감지하며, 제1 신경망의 감지 결과와 제2 신경망의 감지결과를 기초로 화재 발생을 최종 감지한다. 이에 의해, 앙상블 모델 기반의 화재 상황 감지를 통해, 화재 발생 여부를 보다 빠르고 정확하게 감지할 수 있게 된다.

Description

앙상블 지도 학습 기반 화재 상황 감지 방법{Ensemble supervised learning-based fire situation detection method}
본 발명은 화재 감지 기술에 관한 것으로, 더욱 상세하게는 건물 내 발생하는 화재 상황을 빠른 시간 내에 감지하는 방법에 관한 것이다.
기존 화재 감시 장치의 경우, 연기 또는 불꽃 등의 소수의 센서 데이터를 바탕으로 화재 감지를 수행하고 있는데, 해당 정보를 관제 서버로 송신한 후 화재 발생 여부를 판단하므로 시간이 오래 걸리게 된다.
그러므로, 최초 발화 1분 이후인 화재 2단계에 이르러서야 화재를 감지하게 되므로, 연기와 화염 등으로 인해 초기 진압과 대처가 매우 어렵다는 문제가 있다. 게다가 위 방법의 경우, 오경보율이 34~50%로 매우 높게 발생하고 있다는 문제도 있다.
이에 따라, 화재 상황을 보다 빠른 시간 내에 정확하게 감지하기 위한 방안이 필요하다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 화재 발생 여부를 보다 빠르고 정확하게 감지하기 위한 방안으로, RNN(Recurrent Neural Network)-CNN(Convolutional Neural Network) 앙상블 기반의 화재 상황 감지 방법 및 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 화재 감지 방법은, 텍스트 데이터를 획득하는 단계; 이미지 데이터를 획득하는 단계; 획득된 텍스트 데이터를 분석하여 화재 발생을 감지하도록 학습된 제1 신경망을 이용하여 화재 발생을 감지하는 제1 감지단계; 획득된 이미지 데이터를 분석하여 화재 발생을 감지하도록 학습된 제2 신경망을 이용하여 화재 발생을 감지하는 제2 감지단계; 제1 감지단계에서의 감지 결과와 제2 감지단계에서의 감지결과를 기초로, 화재 발생을 최종 감지하는 단계;를 포함한다.
텍스트 데이터는, 시간, 계절, 온도, 습도, 불꽃, 먼지농도 및 연기 중 적어도 하나에 대한 데이터를 포함하고, 이미지 데이터는, 카메라 이미지, 레이더 이미지, 적외선 이미지 중 적어도 하나를 포함할 수 있다.
본 발명의 실시예에 따른 화재 감지 방법은, 화재 발생을 최종 감지하면, 인체를 감지하는 단계; 및 인체가 감지되면, 감지 결과를 관제 센터로 전송하는 단계;를 더 포함할 수 있다.
제1 신경망은, RNN(Recurrent Neural Network)이고, 제2 신경망은, CNN(Convolutional Neural Network)일 수 있다.
최종 감지 단계는, 제1 감지단계에서의 감지 결과에 제1 가중치를 부여하고, 제2 감지단계에서의 감지결과에 제2 가중치를 부여하여, 가중합 결과가 기준치를 초과하였는지 여부를 기초로, 화재 발생을 최종 감지할 수 있다.
제1 신경망의 파라미터, 제2 신경망의 파라미터, 제1 가중치 및 제2 가중치는, 제1 신경망에 텍스트 데이터를 입력하고, 제2 신경망에 이미지 데이터를 입력한 경우의 최종 감지 결과와 GT(Ground Truth) 간의 손실이 줄어드는 방향으로 결정될 수 있다.
제1 신경망의 파라미터, 제2 신경망의 파라미터, 제1 가중치 및 제2 가중치는, 오감지 데이터를 이용한 재학습을 통해 갱신될 수 있다.
한편, 본 발명의 다른 실시예에 따른, 화재 감지 시스템은, 텍스트 데이터를 획득하는 텍스트 획득부; 이미지 데이터를 획득하는 이미지 획득부; 획득된 텍스트 데이터를 분석하여 화재 발생을 감지하도록 학습된 제1 신경망을 이용하여 화재 발생을 감지하는 제1 신경망 처리부; 획득된 이미지 데이터를 분석하여 화재 발생을 감지하도록 학습된 제2 신경망을 이용하여 화재 발생을 감지하는 제2 신경망 처리부; 제1 신경망 처리부의 감지 결과와 제2 신경망 처리부의 감지결과를 기초로, 화재 발생을 최종 감지하는 감지부;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, RNN-CNN 앙상블 기반의 화재 상황 감지를 통해, 화재 발생 여부를 보다 빠르고 정확하게 감지할 수 있게 된다.
또한, 본 발명의 실시예들에 따르면, 화재 감지 후에 화재 현장에서 사람을 빠르게 감지하여 인명 피해를 최소화할 수 있고, 오감지 데이터를 이용한 재학습을 통해 RNN-CNN 앙상블 모델의 예측 정확도를 사후적으로 향상시킬 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 화재 감지 시스템의 구성을 도시한 도면,
도 2는, 도 1에 도시된 화재 감지 서버의 상세 블럭도, 그리고,
도 3은 본 발명의 다른 실시예에 따른 화재 감지 학습 및 추론 방법의 설명에 제공되는 흐름도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
소방청 화재 발생건 통계 연보에 따르면 지난 10년간 화재 감지기 설치 의무화로 감지기 설치율은 늘어났지만 화재 발생 건수는 여전히 줄어들지 않고 있다. 이는 화재가 발생했을 경우, 빠른 화재 확산 속도에 비해 느린 화재 감지 시간과 높은 오경보율로 인한 낮은 신뢰도 등이 이유가 된다.
미국표준기술연구소(NIST)에 따르면 화재는 불꽃 발생에서 최성기까지 3분정도로 확산속도가 매우 빠르다. 또한 사람이 사용하는 불과 이로 인한 연기, 수증기, 전열기 등에 의한 오경보율이 높아, 일반인들이 화재경보에 대한 신뢰도가 낮다는 문제점이 있다.
따라서 빠른 화재 감지 속도와 낮은 오경보율을 갖는 화재 감지를 위한 방안으로, 본 발명의 실시예에서는 앙상블 지도 학습 기반 화재 상황 감지 방법을 제시한다.
본 발명의 실시예에서는, 인위적으로 생성되는 불꽃/연기와 화재로 인해 발생되는 불꽃/연기를 빠른 시간 안에 정확하게 구분할 수 있도록, 텍스트 데이터와 이미지 데이터를 이용한 CNN-RNNRNN(Recurrent Neural Network)-CNN(Convolutional Neural Network) 앙상블 모델을 사용한다.
또한, 화재가 발생한 경우, 레이더, 카메라, 적외선 카메라 등을 이용한 인체 감지 결과를 관제센터로 송신하여 인명 피해를 최소화하며, 오감지/오경보 데이터를 기반으로 CNN-RNN 앙상블 모델을 재학습시켜 갱신한다.
도 1은 본 발명의 일 실시예에 따른 화재 감지 시스템의 구성을 도시한 도면이다. 본 발명의 실시예에 따른 화재 감지 시스템은, 도시된 바와 같이, 텍스트 데이터 획득부(110), 이미지 데이터 획득부(120), 화재 감지 서버(130) 및 인체 감지 서버(140)를 포함하여 구성된다.
텍스트 데이터 획득부(110)는 화재 감지에 필요한 텍스트 데이터를 획득한다. 텍스트 데이터에는, 시간, 계절, 온도, 습도, 불꽃, 먼지농도, 연기 등을 포함한다. 텍스트 데이터 획득부(110)는 환경 데이터를 수집하기 위한 센서들, 타이머, 기상청 API 등을 포함한다.
텍스트 데이터 획득부(110)에 의해 획득된 텍스트 데이터는 실시간 통신을 통해 화재 감지 서버(130)로 전송된다.
이미지 데이터 획득부(120)는 화재 감지와 인체 감지에 필요한 이미지 데이터를 획득한다. 이미지 데이터 획득부(120)는 카메라, 레이더, 적외선 카메라 등을 포함한다.
이미지 데이터 획득부(120)에 의해 획득되는 이미지 데이터도 실시간 통신을 통해 화재 감지 서버(130)로 전송된다.
화재 감지 서버(130)는 텍스트 데이터 획득부(110)에서 획득된 텍스트 데이터와 이미지 데이터 획득부(120)에서 획득된 이미지 데이터로부터 화재 발생을 감지하기 위한 서버이다.
도 2는, 도 1에 도시된 화재 감지 서버(130)의 상세 블럭도이다. 도시된 바와 같이, 화재 감지 서버(130)는 텍스트 수신부(131), 이미지 수신부(132), 텍스트 전처리부(133), 이미지 전처리부(134), RNN 처리부(135), CNN 처리부(136) 및 화재 발생 감지부(137)를 포함하여 구성된다.
텍스트 수신부(131)는 텍스트 데이터 획득부(110)로부터 실시간으로 텍스트 데이터를 수신하고, 이미지 수신부(132)는 이미지 데이터 획득부(120)로부터 실시간으로 이미지 데이터를 수신한다.
텍스트 전처리부(133)는 텍스트 수신부(131)를 통해 전달되는 텍스트 데이터에 대한 전처리(정규화 등)를 수행하고, 이미지 전처리부(134)는 이미지 수신부(132)에 의해 획득된 이미지 데이터에 대한 전처리(정규화 등)를 수행한다.
RNN 처리부(135)는 텍스트 전처리부(133)에서 전처리된 텍스트 데이터를 분석하여 화재 발생을 감지하도록 학습된 RNN을 이용하여 화재 발생을 감지한다. RNN은 LSTM(Long Short-Term Memory) 네트워크로 구현가능한데, 그 밖의 다른 네트워크로 구현하는 것을 배제하지 않는다.
CNN 처리부(136)는 이미지 전처리부(134)에 의해 전처리된 이미지 데이터를 분석하여 화재 발생을 감지하도록 학습된 CNN을 이용하여 화재 발생을 감지한다.
화재 발생 감지부(137)는 RNN 처리부(135)에 의한 화재 발생 감지 결과와 CNN 처리부(136)에 의한 화재 발생 감지 결과를 기초로, 화재 발생 여부를 최종 감지한다.
이를 위해, 화재 발생 감지부(137)는 앙상블 기법을 이용한다. 구체적으로, 화재 발생 감지부(137)는 RNN 처리부(135)에 의한 화재 발생 감지 결과에 제1 가중치를 부여하고, CNN 처리부(136)에 의한 화재 발생 감지 결과를 부여하여, 가중합 결과가 기준치를 초과하였는지 여부를 기초로, 화재 발생을 최종 감지한다.
다시, 도 1을 참조하여 설명한다.
화재 감지 서버(130)에 의해 화재 발생이 감지되면, 인체 감지 서버(140)는 이미지 데이터 획득부(120)에서 획득된 이미지 데이터로부터 인체를 감지하여, 화재 현장에 사람이 있는지 확인한다. 인체가 감지되면, 화재 감지 서버(130)는 경보를 발생시키고 감지 정보를 관제 센터로 전송한다.
이하에서는, 도 1에 도시된 시스템이 동작하는 과정에 대해, 도 3을 참조하여 상세히 설명한다. 도 3은 본 발명의 다른 실시예에 따른 화재 감지 학습 및 추론 방법의 설명에 제공되는 흐름도이다.
RNN-CNN 앙상블 지도 학습을 위해, 먼저 텍스트 학습 데이터와 이미지 학습 데이터를 획득한다(S210).
다음, S210단계에서 획득된 학습 데이터에 대해, 화재 감지 서버(130)의 텍스트 전처리부(133)와 이미지 전처리부(134)는 정규화 등의 전처리를 수행한다(S220).
이후, S220단계에서 전처리된 텍스트 데이터와 이미지 데이터를 이용하여, RNN 처리부(135)와 CNN 처리부(136)가 학습되고, 화재 발생 감지부(137)가 적용할 가중치들이 결정되어, RNN-CNN 앙상블 모델이 생성된다(S230).
구체적으로, S230단계에서는 RNN 처리부(135)에 전처리된 텍스트 데이터를 입력하고 CNN 처리부(136)에 전처리된 이미지 데이터를 입력한 경우 화재 발생 감지부(137)에서 출력되는 최종 감지 결과와 GT(Ground Truth) 간의 손실(Loss)이 줄어드는 방향으로, RNN의 파라미터와 CNN의 파라미터 그리고 제1 가중치와 제2 가중치가 결정된다.
다음, 텍스트 데이터 획득부(110)와 이미지 데이터 획득부(120)는 화재/인체 감지에 필요한 텍스트 데이터와 이미지 데이터를 획득하며, 화재 감지 서버(130)는 화재를 감지하고 인체 감지 서버(140)는 인체를 감지한다(S240).
그리고, 오감지/오경보 데이터를 이용하여, 화재 감지 서버(130)의 RNN-CNN 앙상블 네트워크를 재학습(Re-Training)시켜, RNN의 파라미터와 CNN의 파라미터 그리고 제1 가중치와 제2 가중치를 갱신하여, 최종 앙상블 네트워크를 갱신/저장한다.
지금까지, 앙상블 지도 학습 기반 화재 상황 감지 방법에 대해 바람직한 실시예를 들어 상세히 설명하였다.
본 발명의 실시예에서는, RNN-CNN 앙상블 기반의 화재 상황 감지를 통해, 화재 발생 여부를 보다 빠르고 정확하게 감지할 수 있고, 화재 감지 후에 화재 현장에서 사람을 빠르게 감지하여 인명 피해를 최소화할 수 있으며, RNN-CNN 앙상블 모델의 재학습을 통해 예측 정확도를 사후적으로 향상시킬 수 있도록 하였다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : 텍스트 데이터 획득부
120 : 이미지 데이터 획득부
130 : 화재 감지 서버
131 : 텍스트 데이터 수신부
132 : 이미지 데이터 수신부
133 : 텍스트 전처리부
134 : 이미지 전처리부
135 : RNN(Recurrent Neural Network) 처리부
136 : CNN(Convolutional Neural Network) 처리부
137 : 화재 발생 감지부
140 : 인체 감지 서버

Claims (8)

  1. 텍스트 데이터를 획득하는 단계;
    이미지 데이터를 획득하는 단계;
    획득된 텍스트 데이터를 분석하여 화재 발생을 감지하도록 학습된 제1 신경망을 이용하여 화재 발생을 감지하는 제1 감지단계;
    획득된 이미지 데이터를 분석하여 화재 발생을 감지하도록 학습된 제2 신경망을 이용하여 화재 발생을 감지하는 제2 감지단계;
    제1 감지단계에서의 감지 결과와 제2 감지단계에서의 감지결과를 기초로, 화재 발생을 최종 감지하는 단계;를 포함하는 것을 특징으로 하는 화재 감지 방법.
  2. 청구항 1에 있어서,
    텍스트 데이터는,
    시간, 계절, 온도, 습도, 불꽃, 먼지농도 및 연기 중 적어도 하나에 대한 데이터를 포함하고,
    이미지 데이터는,
    카메라 이미지, 레이더 이미지, 적외선 이미지 중 적어도 하나를 포함하는 것을 특징으로 하는 화재 감지 방법.
  3. 청구항 1에 있어서,
    화재 발생을 최종 감지하면, 인체를 감지하는 단계; 및
    인체가 감지되면, 감지 결과를 관제 센터로 전송하는 단계;를 더 포함하는 것을 특징으로 하는 화재 감지 방법.
  4. 청구항 1에 있어서,
    제1 신경망은,
    RNN(Recurrent Neural Network)이고,
    제2 신경망은,
    CNN(Convolutional Neural Network)인 것을 특징으로 하는 화재 감지 방법.
  5. 청구항 1에 있어서,
    최종 감지 단계는,
    제1 감지단계에서의 감지 결과에 제1 가중치를 부여하고, 제2 감지단계에서의 감지결과에 제2 가중치를 부여하여, 가중합 결과가 기준치를 초과하였는지 여부를 기초로, 화재 발생을 최종 감지하는 것을 특징으로 하는 화재 감지 방법.
  6. 청구항 5에 있어서,
    제1 신경망의 파라미터, 제2 신경망의 파라미터, 제1 가중치 및 제2 가중치는,
    제1 신경망에 텍스트 데이터를 입력하고, 제2 신경망에 이미지 데이터를 입력한 경우의 최종 감지 결과와 GT(Ground Truth) 간의 손실이 줄어드는 방향으로 결정되는 것을 특징으로 하는 화재 감지 방법.
  7. 청구항 6에 있어서,
    제1 신경망의 파라미터, 제2 신경망의 파라미터, 제1 가중치 및 제2 가중치는,
    오감지 데이터를 이용한 재학습을 통해 갱신되는 것을 특징으로 하는 화재 감지 방법.
  8. 텍스트 데이터를 획득하는 텍스트 획득부;
    이미지 데이터를 획득하는 이미지 획득부;
    획득된 텍스트 데이터를 분석하여 화재 발생을 감지하도록 학습된 제1 신경망을 이용하여 화재 발생을 감지하는 제1 신경망 처리부;
    획득된 이미지 데이터를 분석하여 화재 발생을 감지하도록 학습된 제2 신경망을 이용하여 화재 발생을 감지하는 제2 신경망 처리부;
    제1 신경망 처리부의 감지 결과와 제2 신경망 처리부의 감지결과를 기초로, 화재 발생을 최종 감지하는 감지부;를 포함하는 것을 특징으로 하는 화재 감지 시스템.
KR1020210162039A 2021-11-23 2021-11-23 앙상블 지도 학습 기반 화재 상황 감지 방법 KR20230075647A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210162039A KR20230075647A (ko) 2021-11-23 2021-11-23 앙상블 지도 학습 기반 화재 상황 감지 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210162039A KR20230075647A (ko) 2021-11-23 2021-11-23 앙상블 지도 학습 기반 화재 상황 감지 방법

Publications (1)

Publication Number Publication Date
KR20230075647A true KR20230075647A (ko) 2023-05-31

Family

ID=86543836

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210162039A KR20230075647A (ko) 2021-11-23 2021-11-23 앙상블 지도 학습 기반 화재 상황 감지 방법

Country Status (1)

Country Link
KR (1) KR20230075647A (ko)

Similar Documents

Publication Publication Date Title
CN112287816B (zh) 一种基于深度学习的危险工作区事故自动检测报警方法
CN107911653A (zh) 驻所智能视频监控模组、系统、方法以及存储介质
CN112364696B (zh) 一种利用家庭监控视频提高家庭安全的方法及系统
CN113223264B (zh) 基于qpso-bp神经网络的火灾智能预警系统及方法
CN109815904B (zh) 一种基于卷积神经网络的火灾识别方法
US11860038B2 (en) Method, apparatus and system for passive infrared sensor framework
CN111986436B (zh) 一种基于紫外、深度神经网络的综合火焰检测方法
CN110378265A (zh) 一种早期火灾检测方法、计算机可读介质及系统
CN110737201B (zh) 一种监护方法、装置、存储介质及空调
CN112002095A (zh) 一种矿山洞内的火灾预警方法
CN113516820B (zh) 一种火灾预警方法和预警系统
US7541923B2 (en) Method for and system of intrusion detection by using ultrasonic signals
CN110428579B (zh) 基于图像识别的室内监控系统、方法及装置
CN209433517U (zh) 一种基于多火焰图像与组合判据的火灾识别报警装置
CN110930632A (zh) 一种基于人工智能的预警系统
CN112633262B (zh) 通道监测方法、装置、电子设备及介质
CN114255562A (zh) 基于物联网的智慧消防预警系统
KR20230075647A (ko) 앙상블 지도 학습 기반 화재 상황 감지 방법
CN115049988A (zh) 一种用于配电网监测及预判的边缘计算方法及装置
CN114973135A (zh) 一种基于头肩的时序视频睡岗识别方法、系统及电子设备
Fastykovsky et al. Autonomous Seismic Sensor with a New Temporal Method of a Moving Person Detection
CN117496423A (zh) 一种基于深度学习的低复杂度实时火灾与烟雾检测方法
TWI793581B (zh) 空間動態狀態之偵測方法及偵測系統
Alagarsamy et al. Smart System Using Back Propagation Networks for Detection of Fire and Alert to the Users
KR20220135021A (ko) 영상기반 연기 감지 시스템 및 방법