بررسی معماری‌های مختلف شبکه های عصبی عمیق برای تشخیص آتش

تشخیص آتش به‌عنوان یکی از مهم‌ترین مولفه‌های سامانه‌های ایمنی هوشمند در محیط‌های شهری، صنعتی و طبیعی مطرح است. روش‌های سنتی مبتنی بر حسگرهای دود و حرارت معمولاً با مشکلاتی مانند تاخیر در تشخیص، هزینه بالای نصب و محدودیت پوشش فضا مواجه‌اند. در سال‌های اخیر، با پیشرفت چشمگیر الگوریتم‌های یادگیری عمیق و شبکه‌های عصبی کانولوشنی، امکان شناسایی آتش بر پایه‌ی تحلیل بصری تصاویر فراهم شده است. در این پژوهش، یک مطالعه‌ی مقایسه‌ای جامع بر چهار معماری برجسته‌ی شبکه‌های عصبی شامل vgg16، resnet50، inceptionv3 و mobilenetv2 انجام شده است. برای ارزیابی عملکرد، از سه مجموعه‌داده معتبر شامل firenet، fismo و یک مجموعه‌داده‌ی اختصاصی گردآوری‌شده استفاده شد. معیارهای ارزیابی شامل دقت، صحت، بازخوانی، امتیاز f1 و سرعت استنتاج بوده‌اند. نتایج نشان دادند درحالی‌که شبکه‌های عمیق‌تر مانند resnet50 و inceptionv3 از نظر دقت برتری قابل‌توجهی دارند، معماری سبک‌وزن mobilenetv2 با سرعت و کارایی محاسباتی بالاتر، گزینه‌ای مناسب برای سامانه‌های نظارت بلادرنگ و بسترهای iot محسوب می‌شود. یافته‌های این تحقیق می‌تواند مبنایی برای طراحی سامانه‌های تشخیص آتش در محیط‌های هوشمند‌‌ مبتنی بر edge ai باشد.