Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/39452
Tipo: | Dissertação |
Título: | Um sistema automático de detecção de incêndios baseado em aprendizado profundo para dispositivos de baixo poder computacional |
Título(s) alternativo(s): | An automatic fire detection system based on deep learning for low computing-power devices |
Autor(es): | Pedro Vinícius Almeida Borges de Venâncio |
Primeiro Orientador: | Adriano Vilela Barbosa |
Primeiro Coorientador: | Adriano Chaves Lisboa |
Primeiro membro da banca : | Cristiano Leite de Castro |
Segundo membro da banca: | Artur Jordão Lima Correia |
Terceiro membro da banca: | Hani Camille Yehia |
Resumo: | Incêndios de grandes proporções vêm sendo frequentemente noticiados pelas imprensas nacional e internacional nos últimos anos. Os impactos decorrentes de tais catástrofes compreendem uma série de consequências irreversíveis, como perda da biodiversidade, maior emissão de gases poluentes na atmosfera, efeitos deletérios para a saúde humana e destruição de propriedades rurais e patrimônios culturais. Sob essa perspectiva, torna-se indispensável a busca por soluções eficazes de prevenção e combate a incêndios. Uma potencial solução para esse dilema seria um sistema autônomo baseado em visão computacional capaz de identificar focos de incêndio rapidamente, viabilizando a supressão para atenuação dos danos e, consequentemente, minimizando os custos operacionais de combate e restauração. O estado da arte destes sistemas utiliza redes neurais convolucionais para reconhecimento dos principais indicadores visuais de incêndio: fogo e fumaça. Entretanto, algoritmos de aprendizado profundo como esse são computacionalmente caros, apresentam milhares de parâmetros, consomem uma quantidade considerável de memória e ainda requerem um grande volume de dados rotulados para treinamento. Perante o exposto, neste trabalho é apresentada uma ferramenta de detecção automática de incêndios para dispositivos móveis e com processamento limitado. O modelo de detecção de fogo e fumaça é desenvolvido a partir do treinamento de uma rede neural convolucional em uma base de dados inédita, a qual compreende uma variedade de eventos reais de incêndio. Posteriormente, filtros convolucionais menos relevantes desse modelo são identificados e removidos, de modo a preservar o desempenho de detecção obtido em uma arquitetura otimizada. Os resultados experimentais mostram que é possível construir um detector de incêndios baseado em aprendizado profundo que seja não apenas robusto mas também computacionalmente eficiente, além de instigar um cenário de monitoramento ambiental em larga escala com processamento local distribuído e de baixo custo de infraestrutura. |
Abstract: | Large-scale fires have been frequently reported both in the national and the international press in recent years. The impacts resulting from such catastrophes comprise a series of irreversible consequences, such as biodiversity losses, greater emission of polluting gases into the atmosphere, deleterious effects on human health and destruction of rural properties and cultural heritage. From this perspective, it is essential to search for effective solutions for preventing and fighting fires. A potential solution to this dilemma is an autonomous computer vision system capable of quickly identifying fire outbreaks, enabling suppression to mitigate damages and, consequently, minimizing combat and restoration operating costs. The state of the art of these systems use convolutional neural networks to recognize the main visual indicators of wildfires: fire and smoke. However, deep learning algorithms such as these are computationally expensive, have thousands of parameters, consume a considerable amount of memory and require a large volume of labeled data for training. In this context, this work presents an automatic fire detection tool aimed at low end, mobile computing devices. The fire and smoke detection model is derived from the training of a convolutional neural network on a novel database, which comprises a variety of real fire events. Subsequently, less relevant convolutional filters in the model are identified and removed, in order to preserve the detection performance obtained in an optimized architecture. The experimental results show that it is possible to build a fire detector based on deep learning that is both robust and computationally efficient, in addition to instigating a large-scale environmental monitoring scenario with distributed local processing and low infrastructure cost. |
Assunto: | Engenharia elétrica Aprendizado profundo Incêndios Otimização multiobjetivo Redes neurais convolucionais Visão por computador |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Departamento: | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
Curso: | Programa de Pós-Graduação em Engenharia Elétrica |
Tipo de Acesso: | Acesso Aberto |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
URI: | http://hdl.handle.net/1843/39452 |
Data do documento: | 30-Jul-2021 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação - PVABV.pdf | 16.71 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons