요약:

– 이 기사는 수동 적외선 (PIR) 센서와 DNN (Deep Neural Networks)을 사용한 초기 화재 탐지 기술의 개발에 대해 논의합니다.
– PIR 센서는 갑작스런 신체 움직임에 민감하며 연속 시변 신호를 방출합니다.
– 실험 데이터는 PIR 센서를 사용하여 수집하여 인간 및 화재 운동을 감지합니다.
– 웨이블릿 변환은 수집 된 신호에서 기능 추출에 사용됩니다.
– 웨이블릿 계수는 RGB 스펙트럼 이미지로 변환되며 깊은 컨볼 루션 신경 네트워크의 입력으로 사용됩니다.
– 다양한 미리 훈련 된 DNN 아키텍처가 테스트되며 셔플 레넷 아키텍처는 87의 가장 높은 예측 정확도를 산출합니다.8%.
– 실시간 전략은 95를 달성합니다.34% 및 92.39% 화재 및 인간 운동 탐지 정확도.

질문:

1. 기사의 목적은 무엇입니까??

이 기사의 목적은 PIR 센서 및 DNN을 사용하여 조기 화재 탐지를위한 새로운 기술을 제시하는 것입니다.

2. 조기 화재 탐지가 중요한 이유는 무엇입니까??

조기 화재 감지는 화재 관련 손해를 완화하고, 인간 및 재산 손실을 예방하며, 신체적, 정신적 외상을 줄이는 데 중요합니다.

3. 제안 된 기술에 사용되는 센서 유형?

제안 된 기술은 화재 감지를 위해 수동 적외선 (PIR) 센서를 사용합니다.

4. PIR 센서는 어떻게 작동합니까??

PIR 센서는 물체에 의해 방출되는 적외선 (IR) 방사선을 감지합니다. 그것은 갑작스런 신체 운동에 민감하며 지속적인 시변 신호를 방출합니다.

5. 기술에서 웨이블릿 변환의 역할은 무엇입니까??

웨이블릿 변환은 PIR 센서가 수집 한 신호에서 기능 추출에 사용됩니다.

6. 웨이블릿 계수는 기술에 어떻게 사용됩니까??

웨이블릿 계수는 RGB 스펙트럼 이미지로 변환되어 깊은 컨볼 루션 신경 네트워크의 입력 역할을합니다.

7. DNN 아키텍처가 가장 높은 예측 정확도를 산출합니다?

셔플 레넷 아키텍처는 87의 가장 높은 예측 정확도를 산출합니다.8%.

8. 실시간 전략에서 달성 된 정확도 수준은 무엇입니까??

실시간 전략은 95를 달성합니다.34% 및 92.화재 및 인간 운동 감지의 정확도 39%.

9. 기존의 소방 센서의 한계는 무엇입니까??

기존의 화재 센서는 커버리지 영역이 제한되어 있고 넓은 방과 열린 공간에서 효율적이지 않으며 외부 교란으로 인해 잘못된 경보가 발생합니다.

10. 비전 기반 화재 탐지 기술이 항상 효과적이지 않은 이유는 무엇입니까??

비전 기반 화재 탐지 기술은 화재 확산 및 방해 배경 이벤트의 복잡성에 영향을받을 수 있으며 개인 정보 보호 문제를 제기 할 수 있습니다.

11. 적외선 (IR) 이미징 시스템은 화재 감지에서 제공하는 장점?

IR 이미징 시스템은 신뢰할 수 있으며 가시 광선 조건에서 화재를 감지하거나 화재가 배경과 혼합 될 때 화재를 감지 할 수 있습니다. 그들은 감시 비디오 역할을 할 수 있습니다.

12. 화재 탐지를 위해 카메라와 온보드 컴퓨터를 사용하는 단점은 무엇입니까??

카메라 및 온보드 컴퓨터는 확장 가능한 솔루션에 대한 비용 장벽을 제기하고 근접성 또는 기타 간섭으로 인해 잘못된 경보를 제공 할 수 있습니다.

13. 불꽃 감지에서 PIR 센서가 어떤 역할을합니까??

PIR 센서는 관찰 범위 내에서 물체 움직임으로부터 IR 방사선의 급격한 변화를 감지하는 능력으로 인해 화염 감지의 다목적입니다.

14. 딥 러닝 기반 화재 탐지와 관련된 과제?

문제에는 많은 수의 훈련 데이터가 필요, 동시 화재 식별, 조명 변경 및 화재 불꽃 및 연기 강도의 정량화가 포함됩니다.

15. 이 백서에서 화재 탐지를위한 제안 된 기술은 무엇입니까??

제안 된 기술은 밀폐 된 공간에서 화재 감지를 위해 차동 PIR 센서와 DNN을 사용합니다.

16. 화재 감지를위한 PIR 센서의 장점은 무엇입니까??

PIR 센서는 정교하고 저비용이며 IR 방사선의 갑작스러운 변화를 감지 할 수 있습니다. 그것들은 다재다능하고 화염 스프레드를 감지하는 데 적합합니다.

Pir은 무엇입니까?

웨이블릿은 평균 값이 0 인 짧은 기간 동안 지속되는 비대칭 및 불규칙한 파형입니다. 웨이블릿 분석은 어머니 웨이블릿의 다른 규모와 위치의 구성 웨이블릿을 생성한다 [20]. 따라서 연속 웨이블릿 변환 (CWT)에서 입력 신호는 선택된 웨이블릿의 지연 및 신축성 버전을 곱한 다음 신호의 시간 동안 통합됩니다. 이 프로세스는 웨이블릿 계수를 생성합니다. c. 프로세스는 다음과 같이 표시 될 수 있습니다

수동 적외선 센서 및 심층 신경망을 사용한 초기 화재 탐지 기술 개발

조기 화재 감지는 화재 관련 손해를 완화하는 데 중요합니다. 이 논문은 차등 파이로 전기 적외선 (PIR) 센서 및 DNN (Deep Neural Networks) 기반 방법을 실시간으로 감지합니다. PIR 센서는 갑작스런 신체 움직임에 민감하고 연속 시변 신호를 방출하기 때문에 PIR 센서를 사용하여 인간과 화재 운동을 수집하기위한 실험이 수행됩니다. 이 신호는 1 차원 연속 웨이블릿 변환을 사용하여 처리되어 기능 추출을 수행합니다. 해당 웨이블릿 계수는 RGB 스펙트럼 이미지로 변환 된 다음 깊은 컨볼 루션 신경 네트워크의 입력으로 사용됩니다. 다양한 미리 훈련 된 DNN 아키텍처가 배경 (모션 없음), 인간 운동 및 화재 범주에 대한 수집 된 데이터를 훈련하고 식별하기 위해 채택됩니다. 실험 결과 셔플 레넷 아키텍처가 87의 가장 높은 예측 정확도를 산출 함을 보여줍니다.8%. 초당 12 프레임의 속도로 작동하는 실시간 전략에 대한 실험 결과 95.34% 및 92.각각 39% 화재 및 인간 모션 탐지 정확도 수준.

원고 작업?

1. 소개

주거 또는 산업 건물의 조기 화재 탐지는 인간 및 재산 손실, 신체적, 정신적 외상을 예방하기 위해 적절한 조치를 취하는 것이 매우 중요합니다. 그러나 초기 단계에서 확인되면 화재를 피하거나 통제 할 수 있습니다. 화재는 과실, 전자 장치 오작동, 요리, 흡연, 가연성 액체 및 가스 누출, 방화 등과 같은 다양한 이유로 인해 발생합니다. 화재의 단계는 초기 (점화), 성장, 완전히 발달 및 부패로 묘사 될 수 있습니다 [1]. 화재 성장 및 최대 열 방출 속도는 주로 가연성 클래딩 및 내부 장식, 가구 등과 같은 가연성 (화재 부하) 유형을 포함한 건물 설계 기능에 따라 다릅니다. [2, 3]. 일반적인 건물 커뮤니케이션 표준 중 하나에 따르면 BACNET은 건물 자동화에서 가장 높은 우선 순위를 부여받습니다 [4]. 건물 운영의 복잡성이 증가함에 따라 화재 감지의 감도와 정확성을 향상시키는 것이 중요합니다 [5].

화재 사고를 줄이기 위해 개발 된 다양한 화재 감지 기술이 있습니다 [1]. 연기, 열 및 가스 센서와 같은 일반적으로 사용되는 포인트 센서는 기능이 제한적입니다 [6]. 센서에 도달하고 세트 임계 값 지점을 초과하여 경고 경보를 시작하려면 화재가 한동안 화상을 입어야합니다 [7]. 이것은 정상적인 화재가 빠르게 퍼질 수있는 충분한 공간을 제공합니다. 제한된 커버리지 영역으로 인해 기존 센서는 넓은 객실과 뒷마당, 주차장, 숲 등과 같은 열린 공간에서 효율적이지 않습니다. 또한, 그들의 정확성은 증기, 흡연, 요리로 가벼운 연기와 같은 외부 교란의 영향을 받아 오 탐지를 유발합니다. 2020 년 12 월에 끝나는 영국의 FRSS (Fire and Rescue Services)에 따르면, 거짓 화재 경보는 참석 한 사건의 42%에 달했다 [8].

기존의 화재 센서의 문제를 해결하기 위해 고급 연기 및 화재 감지 시스템을 사용하여 비디오 화재 감지 기술을 사용하여 초기 단계에서 화재를 인식합니다 [9]. 다양한 색상 분석 및 기계 학습 기술은 녹음 된 이미지 및 비디오에서 화재를 추출하고 식별하는 데 사용됩니다. 비전 기반 기술이 더 정확하고 환경에 대한 자세한 관점을 포착하더라도, 실용적인 설정에서 화재 스프레드 및 기타 간섭 배경 이벤트의 복잡성은 기능 추출 기능에 영향을 미칩니다 [10]. 또한 직장에서 카메라를 고치는 것은 개인 정보 보호 문제의 환경을 만들어 직원의 성과에 영향을 줄 수 있습니다 [11]. 적외선 (IR) 이미징 시스템은 가시 광선이나 이미지 블렌딩과 같은 문제를 해결하는 데 효과적입니다 [1]. 이 시스템은 신뢰성이 높으며 화재를 감지하기위한 감시 비디오 역할을 할 수 있습니다. 그들은 많은 장점이 있지만 특정 단점도 있습니다. 카메라 및 온보드 컴퓨터는 확장 가능한 솔루션에 대한 비용 장벽을 포장합니다. 그들은 센서의 근접성 또는 램프 조명, 열기 흐름, 워크샵 또는 산업 활동과 같은 다른 간섭에 따라 민감도에 영향을 미칩니다 [12]. IR 불꽃 감지에서 데이터 손실 및 데이터 왜곡 문제를 해결하기 위해, Takagi -Sugeno 퍼지 모델을 갖춘 방사형 기반 기능을 기반으로 한 강력한 퓨전 알고리즘이 [13]에 제안된다. 딥 러닝 (DL) 기술을 사용한 이미지 처리는 화재 감지에서 상당히 높은 성능을 제공합니다 [14]. 그러나 다양한 환경 및 화재 유형에서 수집 된 많은 수의 훈련 데이터가 필요하고 동시 화재 식별, 조명 변화 및 화재 불꽃과 연기 강도의 정량화와 같은 어려움이 있습니다 [9].

이 백서는 차동 PIR 센서 및 DNN을 사용하여 밀폐 된 공간에서 화재를 감지하는 새로운 기술을 제안합니다. PIR 센서는 물체에 의해 방출되는 IR 방사선을 감지합니다. 그것들은 정교하지만 저렴한 비용이며 시야 범위 내에서 물체 움직임으로부터 IR 방사선의 갑작스러운 변화를 감지 할 수 있습니다 [15,16,17]. 따라서 PIR 센서는 화염 스프레드를 감지하기가 다재다능합니다. 또한, PIR 센서의 차동 감지는 실내 온도 또는 햇빛 변화와 같은 시야 범위의 작지만 균일 한 IR 변화로 인한 잘못된 경보를 피하는 데 유용합니다. 이것은 센서가 두 개의 반쪽으로 분할되고 함께 연결된 센서 배열 때문입니다. 절반에서 IR 방사선이 충분히 증가하지 않는 한, 두 반쪽에서 생성 된 출력 신호는 서로를 취소합니다. 110도를 덮는 각도로 7m의 비교적 높은 시청 범위 (프레 넬 렌즈와 함께 사용될 때)로 인해 천장이 높은 넓은 방을 모니터링하는 데 적합합니다 [18]. 또한 PIR 센서 접근법은 컴퓨터 비전 (감시) 연기 또는 화재 감지 시스템과 비교하여 낮은 처리 전력을 필요로합니다 [11]. 보안 카메라와 달리 센서 출력은 단순히 디지털 또는 아날로그 신호이기 때문에 PIR 센서에서는 인간 개인 정보 침입 문제가 발생하지 않습니다 [19].

실내 환경에서의 다양한 유형의 실제 화재 스프레드와 인간 모션 데이터는 차동 PIR 센서를 사용 하여이 백서에서 수집됩니다. 이 신호는 웨이블릿 변환을 사용하여 사전 처리됩니다 [20]. 추출 된 화재 특징에 해당하는 웨이블릿 계수는 화재 및 비 불리 사건을 분류하기 위해 선택된 클래스의 DNN을 훈련시키기위한 입력으로 공급됩니다.이자형., PIR 센서의 시야 범위 내에서 화재 카테고리 및 인간 움직임. 이미지 사전 처리는 DNN의 화염 인식 속도의 정확도를 높입니다 [21, 22]. 기존의 머신 러닝 접근 방식은 기능을 추출하고 분류하며 화재 스프레드를 예측하려면 상당한 양의 전문 지식이 필요합니다. 복잡한 이미지 기능 추출 기능 및 Alexnet, Resnet, Googlenet 등과 같은 미리 훈련 된 CNN의 가용성으로 인해., DL 접근법은 화재 불꽃을 강력하게 감지하는 데 사용될 수 있습니다 [10, 12, 14, 21, 23]. 또한, NASNET-A-Mobile 및 Shufflenetv2와 같은 CNN 아키텍처의 소형 변형은 [24]에서 수정 된 층과 함께 사용하여 비 임차 화재 및 파이어 분류를 개선합니다. [24]의 제안 된 방법은 95% 풀 프레임과 94를 보여줍니다.4% 슈퍼 픽셀 기반 화재 감지. 우리의 작업에서, 채택 된 미리 훈련 된 CNN 모델도 훈련 시간에 정확도를 향상시키기 위해 수정됩니다. 가장 높은 검증 정확도를 가진 CNN 네트워크 아키텍처는 실시간 화재 예측을 보여주는 데 사용됩니다.

곤충. 2, 제안 된 방법론은 이벤트 분류, 데이터 수집, 신호 처리, 딥 러닝 프레임 워크, DNN 아키텍처 및 실시간 작업 전략에 따라 제시됩니다. 실시간 성능과 함께 화재 예측 결과는 Sect에 표시됩니다. 삼. 토론과 결론은 종파에 나와 있습니다. 4와 5.

제안 된 방법론

이 작업에서는 화재 및 비 화재 이벤트에 대한 IR 방사선의 변화가 HC-SR501 PIR 모션 센서 [25]를 사용하여 기록됩니다. 데이터를 수집하기위한 실험 설정은 그림에 나와 있습니다. 1. 모든 실험은 건강 및 안전 지침 및 화재 실험 규정에 따라 수행됩니다.

제안 된 기술에서, 차동 PIR 센서는 Arduino UNO Micro-Controller (ATMEGA328P)로 구성됩니다. 차동 PIR 센서의 데이터는 연속 시변 아날로그 신호입니다. 진폭은 뜨거운 몸체 크기, 운동 속도 및 센서와의 거리에 비례합니다. 신호는 웨이블릿 변환을 사용하여 처리됩니다. 웨이블릿 계수는 RGB (적색 녹색-블루 컬러) 스펙트럼으로 변환됩니다. RGB 공간 에서이 색상 분할 프로세스로 인해 센서의 시청 범위 내에서 발생하는 이벤트를 분류하기 위해 미리 훈련 된 DNN에 호환 가능한 입력 이미지로 화염 영역을 식별하고 공급할 수 있습니다. 그림 2는 제안 된 화재 감지 기술을 나타냅니다.

이 섹션의 나머지 부분은 이벤트 분류, 데이터 수집, 디지털 신호 처리, 데이터 사전 처리, DNN 아키텍처 및 실시간 성능 전략에 따라이 작업의 주요 영역을 설명합니다.

2.1 이벤트 분류

제안 된 화재 감지 기술은 실내 설정을위한 것이며 차동 PIR 센서는 움직임에 민감하기 때문에 센서와의 거리, 다른 인간 모션 패턴 및 움직이는 속도와 같은 변수 도이 작업에서 고려됩니다. 따라서 IR 방사선의 변화를 기록하기 위해 다음 5 가지 모션 이벤트에 대해 PIR 센서 데이터가 수집됩니다.

1. 1. 배경 (모션 없음)
2. 2. 인간 운동 (센서에서 1m 이내)
3. 삼. 인간 운동 (센서에서 1m 이상)
4. 4. 화재 카테고리 1 (작은 목재 화재)
5. 5. 화재 카테고리 2 (스프레드 목재 및 프로판 가스 화재)

센서 앞에 움직임이 없으면 배경 이벤트로 분류됩니다. 1m 이하의 인간 운동에는 범위 내에서 인간 운동을위한 센서 신호가 포함되어 있습니다.2m ~ 1m 및 1.각각 1m ~ 3m. PIR 센서는 모션에 민감하기 때문에 출력 전압의 변동은 각각 빠르거나 느린 동작의 경우 높거나 낮습니다. 따라서 인간의 느린 걷기 운동과 인간의 빠른 걷기 모션이 모두 기록됩니다. 또한 회전 의자에서의 인간 운동도 기록됩니다. 마지막으로 두 개의 화재 카테고리 이벤트가 기록됩니다 (그림 참조. 1). 화재 카테고리 1은 0 사이에 작은 목재 화재를 기록합니다.센서에서 5m 및 3m. 화재 카테고리 2는 더 크거나 통제 할 수없는 화재로 구성됩니다. 이 이벤트를 위해 목재 화재 및 프로판 가스 화재가 기록됩니다. 작은 목재 화재 및 퍼지는 목재 화재 사건 중 목재의 면적 범위는 각각 10 \ (>^\) –12 \ (>^\)이며 각각 12 \ (>^\) 이상입니다.

2.2 데이터 수집

PIR 센서 내부의 2 개의 파이로 전기 감지 요소는 따뜻한 몸체가 센서의 두 슬롯으로 둘러싸인 센서 감지 영역에 들어가거나 떠나면 양 또는 음의 차동 변화를 생성합니다. 따라서 센서는 IR 방사선 수준의 변화에 ​​따라 높은 또는 낮은 디지털 전압 신호를 생성합니다. 이 신호의 진폭은 매우 작기 때문에, 증폭 된 아날로그 신호는 센서 회로 앰프 칩 BISS000에서 직접 탭하여 PIR 센서에서 추출됩니다. 따라서 증폭 된 아날로그 신호는 Sect에 설명 된 5 가지 사건 동안 기록됩니다. 2.1. 출력 신호는도 1 및 2에 도시되어있다. 3과 4.

초점은 화재에 중점을 두므로 화염 깜박 거리는 빈도는 신호 샘플링을 위해 고려해야합니다. 불꽃 깜박임 동작은 1Hz – 13Hz를 포함하는 광대역 주파수 범위입니다 [17]. 샘플링 규칙을 고려하여 샘플링 속도는 50Hz로 선택되며 화염 깜박 거리는 주파수의 두 배 이상입니다. PIR 센서의 아날로그 신호는 Arduino UNO로 전송 된 다음 추가 신호 처리를 위해 컴퓨터로 전송됩니다. Arduino UNO는 MATLAB [26]를 사용하여 구성되어 훈련 된 DL 네트워크를 사용하여 신호 처리를 수행합니다.

그림 3과 4는 증폭 된 PIR 신호의 샘플이 시간 영역에서 고려 된 이벤트에 대해 다른 특성을 가지고 있음을 보여줍니다. 움직임이 발생하지 않는 배경 이벤트 중에 신호 진폭은 0에 따라 다릅니다.58 v ~ 0.59 v. 이 범위는 움직임이 감지 될 때 신호가 변동하는 중심선 역할을합니다. 적외선 열의 강도가 증가하면 진폭이 증가합니다 (중심선 위 또는 아래). PIR은 적외선 열 운동에 민감하기 때문에 이벤트 거리가 증가하면 진폭 변동이 감소하고 그 반대도 마찬가지입니다. 그림에서 볼 수 있습니다. 3 화재 카테고리 1 (작은 목재 화재)과 2 (목재 화재 및 프로판 가스 화재 확산) 신호는 다양한 거리와 거의 비슷한 경향을 가지고 있습니다. 예를 들어, 확산 된 목재 화재 및 프로판 가스 화재 신호는 1m 내 및 1m에서 0 v와 1 사이의 진폭 변화를 갖습니다.09 v. 그러나 거리가 증가하면 (2 및 3m에서) 화재 신호 진폭이 0 사이의 범위로 좁아집니다.5 V 및 0.8 v. 퍼진 화재 (카테고리 2)는 센서의 시야 범위 내에서 더 넓은 공간을 차지하기 때문에 작은 화재보다 더 잘 감지됩니다 (카테고리 1). 예를 들어, 1m 거리에서 작은 화재 신호 진폭은 0 사이의 범위로 떨어집니다.35 V 및 0.94V, 반면 화재 신호 진폭 확산은 0 v와 0 사이.96 v.

대조적으로, 1m 이내의 인간 운동 신호는 0 사이의 진폭 범위를 보여줍니다.08 V 및 0.83 V (그림 참조. 4). 화재 신호와 유사 하게이 범위는 거리에 따라 더 좁아집니다. 인간 느리고 빠른 걷는 모션 1m 이상의 진폭에는 눈에 띄는 차이가 없다는 것이 관찰됩니다. 또한 인간 운동과 2m 이후의 불은 비슷한 진폭 범위를 가지고 있음을 알 수 있습니다. 이로 인해 진폭 기반 이벤트 분류를 사용하여 일일 인간 활동을 화재와 차별화하는 것이 어려워집니다.

2.3 신호 처리

신호 처리는 사용자 요구 사항에 따라 신호 분석, 수정 및 합성에 중점을 둡니다 [27]. 화재 화염 방사선 수준의 역동적 인 특성으로 인해 화재 신호는 정지되지 않습니다. 푸리에 변환과 같은 널리 사용되는 신호 처리 기술은 처리중인 신호가 고정되어 있다고 가정합니다. 따라서이 작업에서 PIR 센서 신호는 웨이블릿을 사용하여 분석됩니다. 푸리에 변환과 달리 웨이블릿 분석은 시간과 주파수 영역을 모두 사용하여 시간 주파수 관계를 구축하는 데 도움이됩니다 [28]. 웨이블릿은 또한 신호에서 소음을 제거하고 푸리에 변환보다 계산 비용이 적은 내장 필터가 있습니다.

웨이블릿은 평균 값이 0 인 짧은 기간 동안 지속되는 비대칭 및 불규칙한 파형입니다. 웨이블릿 분석은 어머니 웨이블릿의 다른 규모와 위치의 구성 웨이블릿을 생성한다 [20]. 따라서 연속 웨이블릿 변환 (CWT)에서 입력 신호는 선택된 웨이블릿의 지연 및 신축성 버전을 곱한 다음 신호의 시간 동안 통합됩니다. 이 프로세스는 웨이블릿 계수를 생성합니다. c. 프로세스는 다음과 같이 표시 될 수 있습니다

$$ \ 시작 C (스케일, 위치) = \ int _<-\infty >^ <\infty >f (t) \ psi (스케일, 위치, t) dt \ end$$

여기서 \ (f (t) \)는 시간 영역에서 원래 신호 (이 경우 PIR 신호)이고 \ (\ psi (t) \)는 마더 웨이블릿 기능입니다. Haar, Daubechies, Coiflets, Symlets, Biorthogonal 등과 같은 다양한 유형의 Mother Wavelet 기능이 있습니다. 원래 PIR 센서 신호의 일시적 스파이크와 일치하도록 어머니 웨이블릿을 적절하게 선택해야합니다. 그런 다음 왜곡이없는 더 나은 소음 취소를 달성 할 수 있습니다 [28]. 웨이블릿 계수 C는 선택한 웨이블릿이 원래 신호의 섹션에서 얼마나 밀접하게 상관되는지를 나타냅니다.

이 논문에서는 Matlab Wavelet Toolbox [30]의 Morse Wavelet [29]가 사용됩니다. PIR 센서의 증폭 된 아날로그 출력은 대기 온도 변화로 인한 소음 및 신호 드리프트의 영향을받습니다. CWT 필터 뱅크는이 노이즈를 필터링하고 주파수와 관련하여 신호를 산출하는 데 사용됩니다. 일반적으로, 깜박 거리는 불꽃의 PIR 신호 진동 주파수는 움직이는 물체의 PIR 신호보다 높다 [17]. 각 이벤트에 대한 고유 한 기능을 시각화하기 위해 필터 뱅크의 다양한 매개 변수가 변경됩니다.

2.4 딥 러닝 프레임 워크

DL 프레임 워크는 알고리즘, 미리 훈련 된 모델 및 응용 프로그램을 사용하여 심층 신경망을 설계하고 훈련하기위한 빌딩 블록을 제공하며 모델 교육 진행 상황의 시각화. 널리 사용되는 DL 프레임 워크는 Tensorflow, Keras, Pytorch, Theano, Caffe 등입니다. 이 논문에서는 MATLAB의 DL 도구 상자가 사용됩니다 [31].

2.5 데이터 사전 처리 및 데이터 세트 구성

DNN의 입력 데이터 구조는 이미지 형식 (3D 어레이)이므로 데이터 사전 처리가 수행됩니다. PIR 센서에서 수집 된 데이터는 연속 시계열 형식입니다 (참조. 3, 4) 그런 다음 DNN 훈련을 위해 5 단계에서 50 개의 데이터 포인트 길이로 분할됩니다. 이 50 개의 데이터 포인트는 CWT를 통해 처리되는 데이터 세트로 지정됩니다.

그런 다음 절대 계수를 갖는 결과 2-D 행렬의 크기는 각 행과 열이 각각 스케일과 데이터 포인트에 해당하는 \ (61 \ times 50 \)입니다. 이 절대 계수는 크기 \ (61 \ times 50 \ times 3 \)의 스펙트럼으로 다시 스케일되고 변환됩니다 (\ (\ text \ tems \ text \ times \ text \)). 선택된 DNN 아키텍처 (표 4 참조)는 입력 데이터로 크기 \ (224 \ Times 224 \ Times 3 \) 배열이 필요합니다. 따라서 CWT의 스칼로그램은 RGB 이미지 형식으로 변환되며 데이터 확대 기술을 사용하여 필요한 것으로 크기가 조정됩니다.

그림 5. \ (224 \ times 224 \ times 3 \) 행렬 (스펙트럼 이미지 크기)에서 DNN은 각 클래스/이벤트에 대한 뚜렷한 기능을 추출하고 센서 앞에서 발생하는 이벤트를 인식하는 법을 배웁니다. 과적으로 문제를 피하기 위해 훈련 진행 중에 동일한 수의 데이터가 제공되어야합니다. 따라서 각 수업/이벤트 (Sect 참조. 2.1) 훈련을위한 5915 RGB 스펙트럼, 검증 용 2535, 테스트 용 1690으로 구성됩니다.

2.6 DNN 아키텍처

CNN은 데이터 패턴을 처리하고 기능을 추출하며 분류하기위한 가장 확립 된 DL 알고리즘입니다 [32]. DNN 아키텍처에는 컨볼 루션, 풀링 및 완전히 연결된 세 가지 주요 레이어가 있습니다. 컨볼 루션 층은 DNN에서 중요한 역할을합니다. 기능 추출을 수행하려면 Convolution에는 특정 크기의 커널 또는 필터가 주어진 스트라이드를 기반으로 입력 이미지 위로 미끄러 져야합니다. 두 연속 커널 사이의 거리 인 보폭은 필터가 입력 이미지에서 움직여야하는 열을 결정합니다. 프로세스 중에는 요소 별 매트릭스 곱셈이 이미지에서 기능 맵을 추출하기 위해 커널과 입력 사이의 모든 위치에서 달성됩니다. 마찬가지로, 여러 커널은 다른 기능 추출기 역할을합니다. 훈련 과정에서 훈련 데이터 세트에 대해 완전히 연결된 레이어의 컨볼 루션 레이어 및 가중치의 최상의 커널이 식별됩니다. 컨볼 루션 레이어는 입력에 가까운 층이 선, 곡선 등과 같은 낮은 레벨 기능을 학습하기 때문에 효과적입니다. 그리고 레이어가 더 깊어지면 네트워크는 모양, 특정 객체 등과 같은 높은 수준의 기능을 배웁니다. 이 작업에서 Mobilenet-V2, Shufflenet, VGG-16, Googlenet 및 사용자 정의 디자인 DNN은 데이터를 훈련시키기 위해 선택됩니다 (표 1 참조).

2.7 실시간 작업 전략

실시간 작업 전략의 개략도는 그림에 나와 있습니다. 6. 두 단계는 아래에 설명되어 있습니다.

2.7.1 수면 모드

움직임이 감지되지 않으면 일반 상태 또는 수면 모드로 알려져 있습니다. PIR 센서의 디지털 출력은 트리거 역할을합니다. 정상 상태에서는 PIR의 디지털 출력이 낮아서 신호 처리 장치와 DNN을 차단합니다. 한편 PIR 센서의 아날로그 출력은 저장 장치에 저장됩니다.

2.7.2 활성 모드

모션이 감지되면 PIR의 디지털 출력이 높아집니다. 이것은 센서의 시청 범위 내에서 발생하는 이벤트를 분류하기 위해 신호 처리 장치와 DNN을 켜는 트리거를 시작합니다. 시스템은 DNN이 배경을 분류 할 때까지 작동합니다 (모션 없음). 그런 다음 수면 모드로 돌아갑니다 (신호 처리 장치 및 DNN 모델을 종료).

따라서 모션이 감지 될 때 알고리즘이 작동합니다. 이것은 정상 상태에서 신호 처리 장치와 딥 CNN 모델에 저항하여 모델을 에너지 효율로 만듭니다. 활성 모드에서 마지막 50 개의 데이터 포인트는 신호 처리 장치와 DL 네트워크에 의해 처리되어 이벤트를 분류합니다. 결과적으로 전체 실시간 작업 전략은 PIR 센서에서 새로운 데이터 포인트가 수집 될 때마다 새로 고침되는 비디오 스트림과 유사합니다. 새로 고침 비율은 Sect에서 논의됩니다. 삼.삼.

3 실험 결과

이 섹션에서는 교육 및 CNN 검증 결과에 대해 설명합니다. 그런 다음이 작업에서 선택한 5 가지 이벤트에 대해 실시간 성능 관찰이 제시됩니다.

삼.1 교육 결과

표 1에 나열된 모든 DNN은 제어 된 환경에서 수집 된 5 가지 이벤트에 대한 실험 데이터를 사용하여 훈련됩니다 (그림 참조. 1). 해당 훈련 결과는 표 3에 나와 있습니다. 기본 드롭 아웃 계층이있는 Googlenet이 사용되면 유효성 검사 정확도는 79입니다.드롭 아웃 레이어가없는 Googlenet은 78의 검증 정확도를 제공하는 반면 91%.1%. 그러나 더 많은 드롭 아웃 층을 추가하면 (표 2 참조) 점차 표 3에 표시된 것처럼 Googlenet 모델의 정확도가 줄어 듭니다. 배치 정규화 (BN) 층이 Googlenet 아키텍처에 추가되어 교육 속도와 성능을 향상시킵니다. [34]의 지침에 따라 BN 층은 Googlenet 아키텍처에서 선형으로 스택 된 9 개의 모듈 중 마지막 4 개의 Inception 모듈 내에 추가됩니다 [35]. 그러나 Googlenet의 드롭 아웃 층이 제거되면 정확도는 76입니다.기본 Googlenet을 사용하는 것보다 덜 정확한 25%.

표 3은 미리 훈련 된 무게를 가진 셔츠가 83을 제공 함을 보여줍니다.6% 검증 정확도. 수의 층과 매개 변수가 적기 때문에 (표 1 참조) 계산 비용도 낮습니다. 따라서 셔플 레넷 -V2는이 작업의 DNN 모델로 선택되며 아키텍처는 표 4에 설명되어 있습니다. 여기서 DNN 아키텍처 입력은 RGB 스펙트럼으로 변환 된 PIR 센서 신호의 웨이블릿 계수입니다. Shufflenet-V2 아키텍처가 1 채널 PIR 센서 데이터를 사용하여 교육을 받으면 검증 정확도가 80으로 떨어집니다.83에 비해 86%.RGB 스펙트럼 사용 6%. Shufflenet-V2의 훈련 진행은 그림에 나와 있습니다. 7.

삼.2 테스트 결과

그림 8은 진정한 긍정적 (예측)이 잘못된 예측보다 높음을 보여줍니다. 각 이벤트에는 1690 개의 이미지가 있으며 배경은 99의 가장 높은 진정한 긍정적입니다.9%. 인간 운동 예측은 1m 및 89 내에 86% 정확도를 달성했습니다.1m 이상 8%. Fire Category 1 및 Fire Category 2 점수는 82의 정확도입니다.9% 및 80.각각 4%. 두 화재 범주 모두 불꽃 길이, 화염 틸트 각도 등과 같은 비슷한 기능이 있으므로. 어떤 경우에는 두 개의 화재 범주에 대한 잘못된 긍정적 인 것이 있습니다. 화재 카테고리 1에 대한 잘못된 양의 비율은 2입니다.5%, 화재 카테고리 2의 경우 1은 1입니다.8%. 인간 운동 사건에서도 비슷한 예측이 발생합니다. 그러나 잘못된 예측은 주요 범주 이벤트 내에서만 발생합니다 : 불과 인간의 움직임. 전반적으로, 진정한 예측과 잘못된 예측의 정확도는 87입니다.8% 및 12.각각 2%. 카운터 시스템이 도입되면 최종 화재 탐지는 95입니다.34%와 인간 운동 감지는 92입니다.표 6에 주어진 39%. 이 시스템에서는 인간 운동이나 배경에 대한 진동없이 화재가 3 번 이상 예측 될 때만 경보가 트리거됩니다.

삼.3 실시간 성능 관찰

실시간 성능 평가는 Intel Core i9-9980HK 2에서 수행됩니다.32GB RAM 및 NVIDIA GEFORCE RTX 2060이있는 4GHz CPU. 실시간 성능은 초당 12 프레임의 속도로 수행됩니다. 선택된 실시간 화재 이벤트에 대한 관찰은 아래에서 설명합니다. 실시간 성능 중 캡처 된 일부 모델 예측 샘플은 Fig에 나와 있습니다. 9. 예측 확률을 참조하는 열쇠는 그림에 나와 있습니다. 9 (m).

삼.삼.1 배경

그림과 같이. 8, 배경 예측의 실시간 성능은 거의 100% 진정한 긍정적 예측입니다.

삼.삼.2 인간 운동 (1m 내 및 그 이상)

이 범주에서는 인간 느리고 빠른 걷기 모션과 스위블 의자에서 인간 회전이 관찰됩니다.

• 1m 이내: 진정한 긍정적은 오 탐지보다 높습니다. 혼합 사건의 경우 (그림 참조. 9g) 작은 목재 화재와 인간 운동 (1m 이내)으로 모델은 81을 예측했습니다.인간 운동으로 8% (1m 이내) 및 화재 카테고리 1은 16%.
• 1 m – 3m에서:이 경우 진정한 긍정적 인 확률은 거의 87%입니다. 초당 12 개의 예측 내에서 진정한 예측 사이에서 잘못된 예측이 발생합니다. 허위 예측의 대부분은 인간 운동입니다 (1m 이내).

삼.삼.3 화재 카테고리 1 (작은 목재 화재)

• 1m 내/내: 알고리즘은 거의 95%의 높은 진정한 예측을 생성합니다 (그림 참조. 9a). 그러나 작은 비율 (1.8%)가 바람 때문에 작은 나무 화재가 더 빨리 움직이면 카테고리 2 화재로 잘못 분류됩니다.
• 1 m – 2 m에서: 그림과 같이 오 탐지 (14%)가 적은 높은 진정한 긍정적 (86%)을 예측합니다. 9d. 이벤트 중에 0.예측의 9%는 진정한 긍정적 예측 사이에서 인간 운동 (1 m+)으로 진동합니다.
• 2m – 3m에서: 화재로부터 2m ~ 3m 거리에서 높은 오 탐지가 주로 인간 운동 (1 m+)으로 인해 주로 나타납니다.

삼.삼.4 화재 카테고리 2 (화재 확산)

• 1m 내/내: 목재와 프로판 가스 화재가 퍼지는 경우, 실시간 성능 중에 잘못된 예측 진동없이 100% 진정한 예측이 달성됩니다 (그림 참조. 9B, C, E, H). 이 모델은 또한 그림과 같이 프로판 가스 화재 (카테고리 2)와 인간 운동 (1m)의 혼합 사건에서 잘 수행됩니다. 9J. 프로판 가스 화재는이 경우에 더 작기 때문에이 모델은 화재 범주 1, 인간 운동 (1m 이내) 및 화재 카테고리 2가 각각 37%, 25%및 18%를 예측합니다.
• 1 m – 2 m에서:이 경우 (목재 화재 및 프로판 화재 확산) 작은 목재 화재의 잘못된 예측으로 거의 90% 진정한 긍정적 인 것이 관찰됩니다 (그림 참조. 9f, i, k).
• 2m – 3m에서: 퍼지는 목재 화재 중에 높은 진정한 긍정적 인 예측이 나타납니다. 그러나 프로판 화재 중에 잘못된 예측의 높은 진동이 관찰됩니다. 먼 견해로 인해 (그림 참조. 9L), 프로판 가스 화재는 화재 카테고리 1과 2에 대해 거의 50%로 예측됩니다. 2m – 3m 거리에서 작은 화재로 프로판 가스 확산 화재를 예측할 확률이 50%입니다.

4 토론

이 백서에서는 PIR 센서를 사용하여 DNN을 훈련시키기 위해 사람, 화재 및 배경 데이터를 수집하기 위해 실험을 수행 한 다음 화재 감지를 실시간으로 테스트합니다. 셔플 레넷 -V2는 87의 가장 높은 검증 정확도를 산출합니다.초당 12 프레임 속도에서 8%, PIR 센서와 함께 실시간 화재 탐지 실험을 수행하는 데 사용됩니다. PIR 센서 기반 화재 탐지는 비디오 기반 화재 탐지 시스템의 성능에 거의 동일합니다. 그러나 비디오 기반 시스템은 비교적 비싸다. 시력 기반 화재 감지 시스템과 달리 PIR 센서는 계산 비용이 적은 1 차원 신호를 사용하여 화재를 감지 할 수 있습니다. 또한 실시간 작업 전략은 잘못된 경보를 줄이고 계산 전력을 효과적으로 사용하도록 수정됩니다. Sect에서 논의 된 바와 같이. 삼.3, 실시간 예측은 초당 12 개의 예측 내에 변동될 수 있습니다. 따라서 카운터는 3 개 이상의 예측에서 화재가 예측되면 경보를 시작하도록 만들어졌습니다.이자형., 0에 대해.인간 운동이나 배경에 대한 진동없이 25 초. 이 카운터 시스템은 표 5에 표시된 것처럼 잘못된 경보 속도를 효과적으로 감소시킵니다.

표 5 카운터 시스템이 활성화 된 제안 된 모델의 이벤트 감지 백분율

표 6 제안 된 방법 (카운터 시스템 활성화 후) 및 기타 유사한 모델의 결과 비교

문헌에서 PIR 센서는 주로 화재/불꽃 또는 인간 운동을 감지하는 데 사용됩니다 [17, 37, 38]. 제안 된 방법론에서 PIR 센서는 센서의 시청 범위 내에서 발생할 때 실시간으로 화재와 인간 움직임을 예측하는 데 사용됩니다. 표 6은 제안 된 모델 예측과 비교하여 문헌에서 발견 된 일부 화재 및 인간 운동 탐지 예측을 보여줍니다. 제안 된 모델은 화재와 인간 운동을 모두 감지하는 유망한 결과를 보여줍니다. 참조 된 모델은 화재 또는 인간 운동 패턴을 감지하기위한 것입니다. 둘 다가 아닙니다. [17, 37]에 따르면, 사건은 화재 및 비 불이행 사건으로 만 분류되며, 저자는 종이와 알코올 화재를 화재 범주로 간주합니다. [38]의 작업은 인간 모션 이벤트 감지 만 집중합니다. 우리의 제안 된 방법에서, 의도는 두 개의 다른 소방 공급원과 인간 운동 패턴을 사용하여 화재의 확산을 감지하는 것입니다. 또한 제안 된 모델은 화재를 2m 이내에 작은 화재로 차별화 할 수 있습니다 (무화과 참조. 9).

표 5는 배경 (움직임 없음), 화재 및 인간 감지 속도를 99로 보여줍니다.71%, 95.34% 및 92.각각 39%. 그림과 같이. 9, 우리의 제안 된 방법은 화재 및 인간 운동 범주를 모두 테스트합니다 : Small and Spreading Fire, PIR 센서에서 1m 이상 1m 이내의 인간 운동. 그림 3과 4는 3m에서의 작은 목재 화재가 1m 이상의 거리에서 인간 운동과 유사하다는 것을 보여줍니다. 구체적으로 3m. 이것은 서로 다른 인간 운동 패턴이 어떤 경우에는 화재 패턴과 유사한 PIR 데이터의 다른 패턴을 초래한다는 것을 보여줍니다. 표 5에 언급 된 바와 같이,이 문제는 거짓 화재 예측 또는 탐지를 확인하기 위해 카운터 시스템을 사용하여 모델에서 다루어집니다.

DNN은 인간 운동이 다양한 운동 패턴을 가지고 있기 때문에 인간 운동에 대한 제한된 데이터로 훈련을받습니다. PIR 센서는 서로 다른 인간 움직임/행동에 대해 다른 출력 데이터를 생성합니다. 예를 들어, 인간의 걷는 운동은 인간의 달리기 운동과 다릅니다. 머리 위로 흔들리는 인간의 손은 인간 춤 운동과 다릅니다. 따라서 DNN은 인간 느린 걷기, 빠른 걷기 및 회전 의자 회전에서 제한된 데이터로 훈련된다는 점이 강조됩니다. 따라서 실시간 예측 중에, 인간이 센서 앞에서 춤을 추는 것과 같은 불규칙한 움직임 (훈련 된 인간 모션 이벤트 제외)을 수행하는 경우 화재로 예측할 가능성이 더 높습니다. 그러나 위에서 언급 한 세 가지 간단한 인간 운동 패턴으로 테스트 할 때 높은 진정한 긍정적 예측이 얻어집니다.

다른 인간 모션 패턴과 화재 범주로 훈련하여 알고리즘의 정확성과 견고성을 향상시킬 수 있습니다. 더욱이,이 작업은 화재 감지 신뢰성을 향상시키기 위해 [5, 39]에 제시된 긴 단기 메모리 (LSTM)의 변형과 같은 대체 DL 네트워크를 사용하도록 확장 될 수 있습니다.

이 연구에서 PIR 센서는 폐색을 경험하지 않았습니다. 폐색이있는 물체의 시각적 인식에 관한 문헌은 폐색이있는 물체의 표지 된 이미지로 DNN의 광범위한 훈련을 사용한다 [40]. 폐색으로 화재 분류에 유사한 접근법을 사용할 수 있습니다. 연기 센서와 같은 추가 센서를 사용하여 정확도를 더욱 증가시킬 수 있습니다.

고급 첨단 기술 건물에서 모션 센서는 전력 소비를 줄이기 위해 자동 온/오프 라이트 스위치로 사용됩니다. 우리의 화재 및 인간 운동 감지 결과는 제안 된 기술이 화재 및 인간 행동 감지와 같은 여러 목적을 달성하기 위해 조명 온/오프 스위치 시스템을 통합하기 위해 확장 될 수 있음을 나타냅니다. 사람이 사무실 외부 또는 주거용 건물 밖에있을 때 켜질 수있는 도난 경보처럼 작동 할 수 있습니다.

5. 결론

이 백서에서는 차동 PIR 센서 및 DNN을 기반으로 한 화재 감지 알고리즘이 제안됩니다. 실험은 PIR 센서를 사용하여 수행하여 사람의 움직임, 작고 퍼진 목재 불 및 배경 데이터를 수집 한 다음 DNN을 훈련시키는 데 사용됩니다. 다양한 DNN 아키텍처를 통한 비교 교육 결과가 제시됩니다. 셔플 레넷 -V2는 87의 가장 높은 검증 정확도를 산출합니다.초당 12 프레임 속도에서 8%, PIR 센서로 실시간 화재 감지를 수행하는 데 사용됩니다. 이 시스템은 실시간 실험 중에 두 가지 범주의 화재와 세 가지 패턴의 인간 운동을 성공적으로 예측합니다. 배경 (움직임 없음), 화재 유형 및 인간 운동의 감지 속도는 99입니다.71%, 95.34%및 92.각각 39%. 또한 시스템에서 카운터 기술을 활성화하면 오 탐지 속도가 65로 줄어 듭니다.66%. 전반적인 잘못된 예측은 12입니다.카운터 기술 전 2%, 4로 떨어집니다.카운터 기술 후 19%. 이 연구는 제안 된 시스템이 충분히 훈련 된 경우 화재 유형과 인간 운동 패턴의 품종을 구별하는 데 사용될 수 있음을 나타냅니다.

6 보충 정보

화재 데이터를 수집하고 실시간 화재 예측을 위해 수행 된 실험을 보여주는 비디오가 원고와 함께 제출됩니다.

Pir은 무엇입니까??

PIR은 수동 인프라 레드를 나타냅니다. 수동 적외선 센서는 시야의 물체로부터 적외선 (IR) 광을 측정하는 전자 센서입니다. PIR 센서는 PIR 기반 모션 감지기에서 가장 자주 사용됩니다.

PIR 기반 모션 검출기는 사람, 동물 또는 기타 물체의 움직임을 감지하는 데 사용됩니다. 그들은 일반적으로 사용됩니다 도둑 경보 자동으로 활성화 된 조명 시스템에서. 그들은 일반적으로 간단하게 불립니다 &ldquo;피어&rdquo;, 또는 때때로 &ldquo;PID&rdquo;, ~을 위한 &ldquo;수동 적외선 검출기&rdquo;.

PIR 센서는 어떻게 작동합니까??

수동 인프라 레드 센서는 따뜻한 물체에 의해 방사 된 적외선을 감지합니다.

절대 제로 이상의 온도를 가진 모든 물체는 방사선 형태로 열 에너지를 방출합니다. 일반적 으로이 방사선은 있습니다&rsquo;t 인간의 눈에는 적외선 파장에서 방출되기 때문에 인간의 눈에 보이지만 그러한 목적을 위해 설계된 전자 장치에 의해 감지 될 수 있습니다.

PIR 모션 센서

PIR 센서는 움직이는 열원을 감지합니다. (프레즈 넬) 렌즈는 여러 부분으로 구성됩니다. 열 이미지 (적외선 방사선)가 변경되면 검출기가 응답합니다. 사람과 큰 동물이 주목됩니다. 곤충이나 거미와 같은 작은 동물은 그렇지 않습니다.

이 경우 수동적이라는 용어는 수동 인프라 레드 장치가 탐지 목적으로 에너지를 생성하거나 방출하지 않는다는 사실을 말합니다. 그들은 전적으로 물체에 의해 방출되거나 반사되는 적외선 방사선을 감지함으로써 작동합니다. 그들은 감지하거나 측정하지 않습니다 &ldquo;열&rdquo;.

잘못된 경보를 줄이는 방법

앞에서 언급했듯이 &ldquo;움직이는 열원&rdquo; 알람을 시작할 수 있습니다. 이것은 초안, 바람이 부는 지역 및 직사광선이 피할 수있는 열원임을 의미합니다. 블랙 가죽에 대한 반사로 눈부심으로 잘못된 보고서가 생성됩니다. 잘못된 경보가 발생하면 경보 시스템이 발생합니다&rsquo;S 위치 또는 센서 감도를 조정해야합니다.

많은 Mobeye 제품에는 수동 인프라 레드 센서가 포함되거나 수동 인프라 레드 센서와 함께 액세서리로 사용할 수 있습니다. 검증을위한 듀얼 탐지기가 있기 때문에 Mobeye 야외 알람 예를 들어, 탐지기는 이러한 소스의 대부분을 필터링합니다. 이것은 특히 바람이 부는 조건에서 잘 작동합니다. CMVXI-R은 OPTEX를 기반으로합니다&rsquo;PIR 기술의 세계적인 리더 인 S 시장 주도적 인 외부 PIR.

장치에는 두 가지 감지 패턴이 있으며, 알람을 트리거하려면 두 가지 모두 동시에 파손되어야합니다. 이로 인해 탐지기는 조류, 고양이, 개 등에 의해 생성 된 잘못된 경보에 면역이됩니다. 이 동물들은 상단과 하단 감지기를 동시에 트리거하지 않기 때문에.

디지털 이중 레이어 감지

두 개의 내부 PIR 센서는 이벤트의 오도하는 일치를 필터링 할 수 있도록 탐지를 독립적으로 분석합니다. 이 기술은 부지에서 작은 동물의 탐지를 사실상 제거합니다. VXI-R 모델에는 SMDA라는 디지털로 향상된 신호 인식 로직이 장착되어 있습니다. SMDA.

모션 센서에 대해 알아야 할 모든 것

모션 센서 (또는 모션 감지기)는 보안 시스템의 핵심 플레이어입니다&rsquo;S가 집에있을 때 감지하는 핵심 장치입니다&rsquo;t be. 모션 센서는 하나 이상의 기술을 사용하여 한 지역의 움직임을 알아 차립니다. 센서가 트립되면 경고 표시가 보안 시스템으로 전송됩니다&rsquo;S Console, 모니터링 장치에 연결하여 귀하와 모니터링 장치를 거주지의 가능한 위협으로 알리십시오.

가정 보안에서 모션 센서의 역할

모션 감지의 주요 점은 도둑을 감지하고 경고 표시를 제어판에 보내서 모니터링 장치를 경고하는 것입니다. 센서는 집에 없을 때 또는 시스템에 집에 없다고 말할 때 작동합니다. 일부 보안 시스템은 활동이 감지 될 때 보안 카메라를 통해 이벤트를 기록하도록 설정할 수 있습니다.

모션 센서 스탠드 가드, 거실의 움직임, 창문 또는 문을 닫거나 닫히는 등 다양한 상황에 반응 할 준비가되어 있습니다.

모션 센서는 다음과 같습니다

• 아들/딸이 통금 시간을 깰 때 경고합니다
• 누군가가 정문에 다가 갈 때 초인종을 떠납니다
• 아이들이 지하실, 운동 실 또는 약물 캐비닛과 같이 집에서 분류 된 지역에 들어갈 때 경고하십시오
• 빈 공간에서 모션 센서 조명을 사용하여 에너지 절약
• 애완 동물이 어디에나 들어가면 알려주십시오&rsquo;다시는 안됩니다

모션 센서의 유형

수동적 적외선 (PIR)

체열 감지 (적외선 에너지). 수동 적외선 센서는 가정 보안 시스템에서 가장 광범위하게 사용되는 모션입니다. 시스템이 준비되면 모션 센서가 활성화됩니다. 센서가 따뜻해지면 바로 지역의 열과 움직임을 감지하여 방어를 만듭니다 &ldquo;그리드.&rdquo; 움직이는 물체가 많은 그리드 영역을 차단하고 적외선 에너지 레벨이 빠르게 변하면 센서가 트리거됩니다.

전자 레인지 (MW)

전자 레인지 펄스를 보내고 움직이는 물체에서 신호를 측정합니다. 그들은 적외선 센서를 비교하여 큰 영역을 덮지 만 전기 침입에 취약하며 더 많은 비용이 듭니다.

이중 기술 모션 센서

모션 센서는 오 탐지를 줄이기 위해 기능을 공유 할 수 있습니다. 예를 들어, 수동 적외선 (PIR) 센서를 전자 레인지 센서와 공유 할 수 있습니다. 각각은 스케일의 여러 영역에서 작동하고 하나는 비활성이고 하나는 활성이기 때문에, 이중 기술 모션 센서는 경보가 반응하기 위해 오 탐지를 추론하는 다른 유형만큼 가능성이 높지 않습니다. 센서를 트리거해야합니다. 반면에, 이것이 아무런 이유없이 잘못된 경보를 유발한다는 의미는 아닙니다.

면적 반사 유형

LED에서 적외선 광선을 방출합니다. 해당 광선의 신호를 사용하여 센서는 개별 또는 물체까지의 거리를 측정하고 객체가 선택된 영역 내에 있는지 감지합니다.

초음파

움직이는 물체의 반사를 측정하고 초음파 파의 펄스를 보냅니다.

진동

이들은 집에서 구매하거나 문제가 없을 수 있습니다. 흔들리는 것을 감지합니다. 수제 진동 센서는 레버에 작은 질량을 사용합니다. 수제 모션 센서는 작동 할 수 있지만 예측할 수 있습니다.

다른 모션 센서 특성

무선 모션 센서

오늘날 대부분의 모션 센서는 무선입니다. 무선 센서는 설정이 매우 간단합니다. 그들은 드릴링이 필요하지 않으며 다른 보안 시스템 메커니즘과 무선으로 통신합니다.

콘택트 모션 센서 (도어/창)

많은 접촉 운동 센서가 반응성 적외선 센서입니다. 시스템이 장착되어있는 동안 보호 된 도어 나 창이 열리면 알람을 설정합니다.

PET 면역 모션 센서

수동 적외선 센서는 동물에게 명확한 무게까지주의를 기울이지 않도록 설정할 수 있습니다. 이중 기술 모션 센서는 회사가 결정한 방식으로 트리거되어야하기 때문에 동물에 의해 야기되는 오 탐지에 더 부대적입니다.

그들은 거짓 경보를 풀지 않고 큰 동물이나 수많은 작은 동물을 무시하도록 설정할 수 있습니다. 일부 애완 동물 저항 운동 센서.

비디오 모션 센서

고급 신호 처리와 비디오 카메라를 연결합니다. 일부 녹화 가능한 모션 센서가 움직임을 감지 할 때 녹음을 시작합니다. 모션 센서로 제어되는 카메라는 수천 시간의 쓸모없는 영상을 기록하지 않음으로써 메모리 스토리지를 절약 할 수 있습니다.

센서 장착 모범 사례

특수 설치가 필요한 시스템을 원한다면 설치 프로그램은 센서를 설정하는 것을 알게됩니다. 반면 DIY 홈 보안 시스템을 사용하면 센서를 설정할 책임이 있습니다. 모션 센서를 설치하기 전에 위치 권장 사항으로 구성되므로 설정 지침을 읽으십시오. 일부 DIY 시스템은 또한 전자 프롬프트를 제공하거나 설정 절차를 안내하는 영업 담당자에게 전화를 걸까요?.

모션 센서가 오류 방지되지 않으며 잘못된 경보가있을 수있는 인스턴스가 있습니다. 잘못된 경보는 전기 고장, 사용자 오류, 응용 프로그램 엔지니어링 불량, 전력 서지, 번개 및 결함 장치로 인해 발생하지 않는 경우가 많습니다. 그들은 또한 동물, 곤충 및 식물에 의해 유발 될 수 있습니다.

카테고리

• 백 플로 테스트
• 상업용 보안 카메라 시스템
• 화재 경보 시스템
• 소화기
• 소방 호스
• 화재 방지 시스템
• 화재 스프링클러 시스템
• 화재 억제 시스템
• 가정 보안 카메라 시스템

이미지 처리 및 PIR 센서로 화재 감지

무료 PDF보기 PDF를 다운로드하십시오

패턴 인식 문자

무료 PDF보기 PDF를 다운로드하십시오

이 논문에서는 이미지 분석 및 컴퓨터 비전 응용 프로그램을 위해 엔트로피 기능 기반 온라인 적응 결정 융합 (EDF) 프레임 워크가 개발되었습니다. 이 프레임 워크에서 화합물 알고리즘은 각각의 여러 하위 조정으로 구성되어 있으며, 각각의 하위 조정으로 구성되어 있으며, 각각은 특정 하위 조정의 신뢰 수준을 나타내는 자체 결정을 0을 중심으로하는 실수로 결정을 내립니다. 의사 결정 값은 하위 조정을 설명하는 볼록 세트에 대한 엔트로피 투영을 기반으로 활성 융합 방법에 따라 온라인으로 업데이트되는 가중치와 선형으로 결합됩니다. 일반적으로 인간 운영자 인 Oracle이 결정 융합 방법에 피드백을 제공한다고 가정합니다. 비디오 기반 산불 감지 시스템은 데이터가 순차적으로 도착하는 문제를 처리 할 때 알고리즘의 성능을 평가하기 위해 개발되었습니다. 이 경우 Oracle은 결합 된 알고리즘의 결정을 확인하는 Forest Lookout Tower의 경비원입니다. 시뮬레이션 결과가 제시됩니다. EADF 프레임 워크도 표준 데이터 세트로 테스트됩니다.

무료 PDF보기 PDF를 다운로드하십시오

이 백서에서는 이미지 분석 및 컴퓨터 비전 응용 프로그램을 위해 엔트로피 기능 기반 온라인 적응 결정 결정 (EDF) 프레임 워크가 개발되었습니다. 이 프레임 워크에서 화합물 알고리즘은 여러 하위 계산으로 구성된 것으로 가정되며, 각 하위 계산은 각각 특정 하위 계산의 신뢰 수준을 나타내는 0을 중심으로하는 실수로 자체 결정을 산출합니다.

무료 PDF보기 PDF를 다운로드하십시오

무료 PDF보기 PDF를 다운로드하십시오

무료 PDF보기 PDF를 다운로드하십시오

조기 경고는 생명 손실과 재산 상실을 화재로부터 줄이는 데 매우 중요합니다. 관심 영역은 CCD 카메라를 사용하여 캡처하고 무선 센서 노드의 연기 센서로 식별됩니다. 흥미로운 영역의 컬러 정보는 디지털 이미지 처리 색상 모델 알고리즘을 적용하여 얻을 수 있습니다. 화재 소스는 획득 된 특성 및 연기 수준에 따라 식별됩니다. 이 시스템은 연속 이미지 샘플링을 기반으로합니다. 실험 결과는 시스템이 화재를 정확하게 식별하고 확인할 수 있음을 보여줍니다. 비디오 센서 노드는 연기 감지 용 MQ2 센서, 온도 및 습도 감지 용 SHT75 센서, Light Sensing 용 OPT101 센서 및 CCD 카메라와 같은 센서로 설계되었습니다. 알람은 화재 이미지 및 화재 사고에 대해서만 활성화됩니다. 센서 출력을 이미지 출력과 결합하여 오 탐지 속도는 0이며 안정성을 향상시킵니다. 빛 감지 및 분석은이 이미지 처리 작업에서 화재 감지 시스템의 기초입니다. 이 화재에서 RGB, YMK 및 HSI와 같은 컬러 모델은 주어진 조건 내에서 배경에서 오렌지, 노란색 및 고등성 조명을 분리하는 데 사용됩니다. 프레임 차이는 화재의 성장과 확산을 분석하고 계산하는 데 사용됩니다. 시스템의 정확도는 확인하고 서로 비교됩니다. 제안 된 알고리즘의 사용으로 인해 데이터 처리량을 줄이고 실행 시간과 저장을 단축 할 수 있습니다.

무료 PDF보기 PDF를 다운로드하십시오

PIR 카메라는 무엇이며 어떻게 작동합니까??

비즈니스를위한 PIR 카메라 설치에 대한 질문이 있습니까?? Clearway는 CCTV 설치의 리더로 영국 전역의 비즈니스에 서비스를 제공합니다. Clearway와 연락을 취하면 귀하의 옵션을 통해 귀하에게 이야기 할 수 있습니다.

PIR 카메라에 대해 우리에게 말하십시오!

Pir (Passive Infra-Red) 탐지는 보안 시스템에서 근처 물체에서 방출 된 빛을 인식하여 움직임 또는 침입자를 감지하는 데 사용되는 기술입니다. PIR은 보안 회사가 상업 및 국내 시설에서 침입자의 존재를 감지 할 수있는 새롭고 혁신적인 방법을 찾으면서 수년간의 제품 혁신의 결과입니다.

수년에 걸쳐 PIR 센서와 카메라는 침입자를 효과적으로 감지하는 가장 성공적인 방법 중 하나 인 것으로 입증되었습니다&rsquo;그들의 결함이없는 것은 아닙니다. PIR 센서는 정확히 무엇입니까?? 그리고 그들을 그렇게 효과적으로 만드는 것은 무엇입니까?

내용물 숨다

PIR 센서는 어떻게 작동합니까??

방사선은 절대 0보다 큰 온도를 가진 모든 물체에 의해 생성됩니다. 이 에너지는 열 에너지의 형태로 표현됩니다. 열은 적외선 파장으로 발산되기 때문에이 방사선의 대부분은 인간의 눈에 보이지 않지만이 목적을 위해 특별히 구성된 전자 기기로 감지 할 수 있습니다.

수동 적외선 센서는 수동 적외선 기술을 사용하여 따뜻한 물체에 의해 방출되는 적외선을 감지합니다.

강도 경보에서 PIR 센서의 맥락 에서이 기술은 경보를 트리거하기 위해 두 개의 접점을 통과하는 회로 구성 요소 인 릴레이와 결합됩니다. PIR 센서가 움직임을 감지하면 릴레이를 활성화하여 회로를 방해하고 알람이 소리를냅니다.

PIR 센서는 가장 근본적인 수준에서 긍정적 인 차등 변화를 감지하여 작동합니다. 두 개의 적외선에 민감한 슬롯이 렌즈 앞에 있으며 감지 범위는 슬롯에 의해 결정됩니다&rsquo; 분야의 &ldquo;비전&rdquo;. 두 슬롯이 모두 있습니다 &lsquo;게으른&rsquo;, 실내에서 감지 된 적외선의 주변 양 (모든 품목에 의해 자연적으로 방출됨)은 두 슬롯에서 동일합니다 &lsquo;활동적인&rsquo;. 물체, 사람 또는 동물이 감지 영역을 통해 움직일 때, 다른 슬롯 중 하나에 의해 감지되며, 통과함에 따라 긍정적 인 차동 변화와 종료 될 때 부정적인 차동 변화가 생성됩니다.

PIR 센서가 움직임을 감지하면 경보가 경보 패널로 전송되어 알람을 활성화합니다. 실리콘과 같은 금속과 같은 외부 온도와 습도의 영향을 줄일 수있는 재료로 PIR 센서 자체를 완전히 둘러싸는 것이 중요합니다.

Pir의 이점

PIR 모션 센서는 상업 및 주거 환경에서 많은 이점을 가질 수 있습니다. PIR 카메라는 종종 모션 센서 카메라와 비교되지만 PIR은 표준 모션 감지에 대한 강력한 이점이 있습니다 – 잘못된 경보 감소. 모션 감지 카메라는 예를 들어 모든 유형의 움직임을 감지하므로 잎 움직임과 인간 침입자를 구별 할 수 없습니다. PIR은 열 변화 만 감지하여 더 신뢰할 수있는 트리거, 벌레, 바람 움직임, 잎 등과 같은 일반적인 허위 트리거가 발생합니다&rsquo;수령 – 모니터링 비용으로 시간과 비용 절감.

상업용 환경 또는 건설 현장에서 PIR 카메라의 주요 사용은 빈 공간의 보호를 돕는 것입니다. 경보는 정확히 예방 기술은 아니지만 침입자가 초기 보안 조치를 위반 해야하는 응답을 트리거하는 데 사용될 수 있습니다. PIR 기술은 원치 않는 방문객을 감지하기 위해 다음 전략적 위치에 설치할 수 있습니다

• 뒷문, 입구 및 액세스 포인트
• 조경 근처의 맹목적이거나 숨겨진 곳
• 창문 근처
• 현장 주변 및 주차장

PIR (및 표준 모션 탐지기)으로 잘못된 경보를 줄이는 방법?

PIR 센서는 침입자가 있는지 여부를 결정하는 데 좋습니다&rsquo;예를 들어 동물 일뿐입니다. 정확도 수준이 향상되고 전체적으로 잘못된 경보를 줄일 수 있습니다. 그러나 PIR 모션 센서의 잘못된 경보 위험을 더욱 줄이기 위해 일부 작은 세부 사항에주의를 기울여야합니다.

알람의 비용 또는 품질보다는 경보와 센서의 배치로 인해 많은 오 탐지가 발생합니다. 즉, 무선 모션 감지기 알람을 설치할 때는 오 탐지를 최소화하면서 효율성을 극대화하는 장소에 배열해야합니다.

근접성에서 공기를 부는 것과 같은 단순한 것 또는 바닥을 가로 질러 움직이는 설치류가 여전히 알람을 일으킬 수 있습니다.

오 탐지가 발생한 후에 알람 배치를 테스트하는 것이 가장 좋습니다. 장비 및 무선 주파수 간섭의 잘못된 피로도 잘못된 경보를 생성 할 수 있습니다. 먼저 이러한 문제를 배제하십시오. 의심스러운 경우 카메라의 위치를 ​​확인하십시오. 모션 감지기 주변의 영역을 검사하여 임의의 경보를 유발하는지 확인하십시오.

행동중인 PIR 카메라

Clearway는 CCTV 타워 설정을 포함하여 PIR 기술을 사용합니다. 우리의 CCTV 타워 카메라는 특히 건설 현장, 넓은 빈 공간 및 주차장에서 넓은 야외 공간을 모니터링하는 효과적인 솔루션입니다. 당신처럼&rsquo;다이어그램에서 볼 때, 우리의 Inview CCTV 타워는 타워에서 최대 100m까지 장착 된 8 개의 원격 무선 PIR 센서까지 연결할 수 있습니다.

침입자에 의해 PIR을 활성화하면 모니터링 스테이션에서 라이브 오디오 챌린지를 사용하여 침입자와 통신 할 수 있습니다. 탐지되면 각 PIR은 탑에 지시됩니다&rsquo;s 카메라가 회전, 확대 / 축소 및 활성화 원인에 집중할 수 있습니다. 우리의 CCTV 타워.

만약 너라면&rsquo;자산을 확보하려고, 오늘 전문가 중 한 명에게 연락하십시오 0800 085 8695 PIR 및 더 넓은 보안 기능에 대해 자세히 알아보십시오.