• 대한안전경영과학회:학술대회논문집
• /
• 대한안전경영과학회 2013년 춘계학술대회
• /
• pp.471-484
• /
• 2013

Large and complicated firefighting environment is accelerating in the early activities in the field of fire officials at the time limit situation leads to people's lives and property damage, as well as the loss of the Fire Service. Therefore, the state-of-the-art technology that can respond to rapidly changing fire environment urgently in the field of fire fighting have been introduced should be utilized. These intelligent firefighting robots build daegukmin firefighting safety net that can be used when. Other advanced technology industries, the most effective ways that can be introduced into the firefighting shall be provided in the current situation of the industry's initial firefighting robots.

• 한국인터넷방송통신학회논문지
• /
• 제23권1호
• /
• pp.65-70
• /
• 2023

본 논문에서는 화재로부터 실시간으로 화염과 연기를 감지하고 분할하기 위해 딥러닝 모델을 사용하였다. 이를 위해 의미론적 분할에서 우수한 성능을 보이는 U-NET을 사용하고 다중 클래스를 이용하여 화재의 불꽃과 연기를 구분 하였다. 제안된 기법을 이용하여 학습한 결과, 손실 오차와 정확도 값이 각각 0.0486과 0.97996으로 매우 양호하였다. 객체 감지에 사용되는 IOU 값도 0.849로 매우 좋았다. 학습된 모델을 이용하여 학습에 사용하지 않은 화재 이미지를 예측한 결과, 화재의 불꽃과 연기가 잘 감지되고 분할되었으며, 연기의 색상도 잘 구분되었다. 제안된 기법을 이용하여 화재 예측 및 감지 시스템 구축 등에 사용될 수 있다.

• 한국산학기술학회논문지
• /
• 제21권12호
• /
• pp.320-330
• /
• 2020

화재는 높은 비정형성으로 인해 딥러닝 모델을 이용한 영상인식 분야에서도 좋은 성능을 내기가 어려운 대상 중 하나이다. 특히 지하공동구 내 화재는 딥러닝 모델의 학습을 위한 화재 데이터 확보가 어렵고 열약한 영상 조건 및 화재로 오인할 수 있는 객체가 많아 화재 검출이 어렵고 성능이 낮다. 이러한 이유로 본 연구는 딥러닝 기반의 지하공동구 내 화재 탐지 모델을 제안하고, 제안된 모델의 성능을 평가하였다. 기존 합성곱 인공신경망에 GoogleNet의 Inception block과 ResNet의 skip connection을 조합하여 어두운 환경에서 발생되는 화재 탐지를 위한 모델 구조를 제안하였으며, 제안된 모델을 효과적으로 학습시키기 위한 방법도 함께 제시하였다. 제안된 방법의 효과를 평가하기 위해 학습 후 모델을 지하공동구 및 유사환경 조건의 화재 문제와 화재로 오인할 수 있는 객체를 포함한 이미지에 적용해 결과를 분석하였다. 또한 기존 딥러닝 기반 화재 탐지 모델의 정밀도, 검출률 지표와 비교함으로써 모델의 화재 탐지 성능을 정량적으로 평가하였다. 제안된 모델의 결과는 어두운 환경에서 발생되는 화재 문제에 대해 높은 정밀도와 검출률을 나타내었으며, 유사 화재 객체에 대해 낮은 오탐 및 미탐 성능을 가지고 있음을 보여주었다.

• 한국전자통신학회논문지
• /
• 제13권6호
• /
• pp.1257-1262
• /
• 2018

본 논문에서는 보안 감시 카메라 영상을 활용하여 화재 검출을 위한 효과적인 심층학습 방안을 제안한다. AlexNet 모델을 기준으로 효과적인 화재 검출을 위한 커널 크기와 커널 이동 간격의 변화에 따른 분류 성능을 비교 분석한다. 학습을 위한 데이터셋은 정상과 화재 2가지 클래스로 분류한다, 정상 영상에는 구름과 안개 낀 영상을 포함하고, 화재 영상에는 연기와 화염을 각각 포함한다. AlexNet 모델의 첫 번째 계층의 커널 크기와 이동 간격에 따른 분류 성능 분석 결과 커널의 크기는 크고, 이동 간격은 작을수록 화재 분류 성능이 우수한 것을 확인할 수 있다.

• 한국화재소방학회논문지
• /
• 제9권1호
• /
• pp.3-9
• /
• 1995

This paper is a study to dectect the tracking owing to deterioration of indoor wiring, and to prevent the electrical fire. After analysing the harmonics of waveshapes in load current and tracking current by FFT, a method of identifying the tracking was developed by using neural network. Fluoscent lamp, witch was mostly used in indoor, was chosen as the load used in this study. When the learning number in neural network was more then 30,000 times, an excellent neural net-work which could correctly identify the tracking was established. Therefore, the result of this study can be utilized as a basic material in various measuring instruments, such as an hotline inslation tester, earth tester in vehicles, and tracking fire alarm device, witch can detect the tracking under the condition of hotline.

• 한국화재소방학회:학술대회논문집
• /
• 한국화재소방학회 2005년도 공동추계학술논문발표회 논문집
• /
• pp.316-320
• /
• 2005

• Nuclear Engineering and Technology
• /
• 제49권2호
• /
• pp.342-348
• /
• 2017

Precursor analysis is widely used in the nuclear industry to judge the significance of events relevant to safety. However, in case of events that may damage equipment through effects that are not ordinary functional dependencies, the analysis may not always fully appreciate the potential for further evolution of the event. For fires, which are one class of such events, this paper discusses modelling challenges that need to be overcome when performing a probabilistic precursor analysis. The events used to analyze are selected from the Organisation for Economic Cooperation and Development (OECD) Fire Incidents Records Exchange (FIRE) Database.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2024년도 춘계학술발표대회
• /
• pp.719-720
• /
• 2024

센서 기반의 자동화재탐지설비의 역할을 지원할 목적으로, 합성곱 신경망 기반의 AI 화재 감시장비등이 연구되어왔다. ai 기반 화재 감지에 사용되는 알고리즘은 전이학습을 주로 이용하고 있고, 이는 화재 감지에 기여도가 낮은 프로세스가 내장되어 있을 가능성이 존재하여, 딥러닝 모델의 복잡성을 가중시키는 원인이 될 수 있다. 본 연구에서는 이러한 모델의 복잡성을 개선하고자 다양한 딥러닝 및 해석 기술들을 분석하였고, 분석 결과를 토대로 화재 감지에 최적화된 아키텍처인 "IF2bNet" 을 제안한다. 구현한 아키텍처의 성능을 비교한 결과 동일한 성능을 내면서, 파라미터를 약 0.1 배로 경량화 하여, 복잡성을 완화하였다.

• 정보처리학회 논문지
• /
• 제13권9호
• /
• pp.444-452
• /
• 2024

본 연구는 Layer Importance Evaluation을 통해 도출된 화재 감지에 최적화된 딥러닝 아키텍처를 제안한다. 기존의 합성곱 신경망(Convolutional Neural Network, CNN) 기반 화재 감지 시스템의 불필요한 복잡성과 연산을 초래하는 문제점을 해결하기 위해, Layer Importance Evaluation 기법을 통해 가중치 및 활성화 값에 근거한 모델의 내부 레이어의 동작을 분석하고, 화재 감지에 기여도가 높은 레이어를 식별한 뒤, 식별한 레이어만으로 모델을 재구성하여, 기존 모델과의 성능 지표를 비교 분석하였다. Xception, VGG19, ResNet, EfficientNetB5 등 네 가지 전이 학습 모델을 사용하여 화재 데이터를 학습시킨 후, Layer Importance Evaluation기법을 적용하여 각 레이어의 가중치와 활성화 값을 분석한 뒤 기여도가 가장 높은 상위 랭크 레이어들을 선별하여 새로운 모델을 구축하였다. 연구 결과, 구현된 아키텍처는 기존 모델 대비 약 80% 가량 경량화 된 파라미터로도 동등한 성능을 유지하며, 약 3~5배가량 신속한 학습 속도를 가지면서도 기존의 복잡한 전이학습 모델에 비해 정확도, 손실, 혼동행렬 지표에서 동등한 성능을 출력함으로써, 화재 감시 장비의 효율성을 높이는 데 기여할 수 있음을 확인하였다.

• Nuclear Engineering and Technology
• /
• 제53권4호
• /
• pp.1157-1166
• /
• 2021

In this study, a numerical sensitivity analysis was performed to determine the fire suppression time for a large number of water mist nozzles in a large fire compartment. Fire simulations were performed using FDS (Fire dynamics simulator) 6.5.2 under the same condition as the test scenario 5 of the International Maritime Organization (IMO) 1165 test protocol. The sensitivities of input parameters including cell size, extinguishing coefficient (EC), droplets per second (DPS), and peak heat release rate (HRR) of fuel were investigated in terms of the normalized HRR and temperature distribution in the compartment. A new method of determining the fire suppression time using FDS simulation was developed, based on the concept of the cut-off time by cut-off value (COV) of the heat release rate per unit volume (HRRPUV) and the cooling time by the HRR cooling time criteria value (CTCV). In addition, a method was developed to determine the average EC value for the simulation input, using the cooling time and cut-off time.