چکیده مقاله
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
کلیدواژهها
نویسندگان
مهدی پناهی
دانشجوی کارشناسی مهندسی کامپیوتر مجتمع آموزش عالی فنی و مهندسی اسفراین
حجت اله موید
استادیار گروه مهندسی کامپیوتر دانشکده مهندسی برق، کامپیوتر و صنایع مجتمع آموزش عالی فنی و مهندسی اسفراین
شیوه ارجاع
پناهی، مهدی و موید، حجت اله،1404،بررسی معماری های مختلف شبکه های عصبی عمیق برای تشخیص آتش،هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع،اسفراین
ارائهشده در
مجموعه مقالات هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع19 آبان 1404 · اسفراین