[2022] Fire & Smoke Object Detection

1. Introduction

건조한 기후와 사람들의 작은 실수 하나로 거대한 산불이 일어났다는 뉴스를 많이들 듣습니다.

또한, 일상 생활이나 산업 시설 어디서든 화재 위험은 잠재되어 있지만 사람이 항상 그 위험을 주시하는 것은 어렵습니다.

이러한 화재는 초기에 빠르게 진압하지 않으면 돌이킬 수 없이 번져 이를 해결하는데 많은 인력과 비용이 소비됩니다.

본 프로젝트는 인공지능 컴퓨터 비전 분야의 Object Detection 기술을 사용하여

실시간으로 불 또는 연기를 검출할 수 있는 인공지능 모델을 설계하고 실사용이 가능한지 확인하는 것이 목표입니다.

\(\rightarrow\) 인공지능 모델로는 실시간 검출에서 좋은 성능을 가진 YOLO 알고리즘을 선택하였습니다.

---

2. Tech Stack

• Python
• YOLO

---

3. Train Frame Work

학습을 진행하면서 다양한 Frame Work를 사용해 보았습니다. 개인적으로 Pytorch가 더욱 사용하기 편리 했습니다.

 

Darknet

Darknet 설치 및 학습&테스트 방법

[Ubuntu] YOLO Darknet(AlexeyAB) 학습 환경 구축

 

Pytorch

Pytorch에서 학습&테스트 방법

[Ubuntu] Pytorch 에서 YOLO 사용하기 (ultralytics)

---

4. Train Data

• 직접 수집한 약 2,000 장의 이미지 데이터
• AI-HUB 화재 발생 예측 영상 약 170 만장의 이미지 데이터

AI-Hub

---

5. Train

 

1. 직접 수집한 이미지 데이터

Darknet에서 직접 수집한 이미지 데이터를 학습시킨 결과 정리

Custom Data(직접 수집한) Train Result

Pytorch에서 직접 수집한 이미지 데이터를 학습시킨 결과 정리

Custom Data Train Result

 

(좌) Darknet    (우) Pytorch

\(\rightarrow\) Darknet의 경우 작은 이미지를 더 세밀하게 검출하는 것을 확인할 수 있다.

 

2. AI-HUB 이미지 데이터

Pytorch에서 AI-HUB 이미지 데이터를 학습시킨 결과

AI-HUB Train Result

• 학습 도중 GPU util이 100% \(\rightarrow\) 0%로 뛰는 현상
• 학습이 잘 되어지지 않는 이유 고찰 및 해결 방안
• 학습 결과 등을 정리했습니다.

---

6. Result

여러개의 동영상으로 모델의 성능을 직관적으로 확인하였을 때 AI-HUB 이미지 데이터로 학습시킨 모델의 성능이 확실히 좋았다.

그러한 이유를 생각하자면 첫째, 불과 연기는 흐름을 가지고 실시간으로 형태나 색이 조금씩 변합니다. 이에 반해 제가 직접 수집한 이미지 데이터는 순간 순간 다른 환경에서 촬영한 배경, 모양, 색이 전부 다른 이미지 데이터를 수집하였기 때문에 불과 연기에 대한 흐름을 파악하지 못하여 검출 영역이 자주 끊기는 것을 확인하였습니다.

둘째, 직접 수집한 이미지 데이터의 경우 투명한 연기의 Bounding Box의 영역을 지정할 때 제대로된 기준이 잡혀있지 않아 영역을 직접 수정할 때 많은 의구심이 들었고 이는 곧 연기 이외 부분까지 검출하는 오류를 보였습니다.

같은 영상 검출 결과 : (좌) AI-HUB (우) 직접 수집

 

실사용하기에는 불안한 요소가 많고 환경적으로 직접 확인하기 어려워 프로젝트는 여기에서 마무리 하였습니다.

아쉬운 점으로는 Segmantic Segmentation을 사용하여 학습을 해보고 싶었고, 본 프로젝트와 관련지어 학부생 논문을 작성해보고 싶었는데 부족한 점이 많아 진행하지 못하였던 것이 아쉽습니다.

 

감사합니다.