Echtzeit-Brand- und Raucherkennung mit Transferlernen basierend auf einer cloud-edge-kollaborativen Architektur

Abstract In den letzten Jahren hat das Interesse an objekterkennungsbasierten Anwendungen zur Branddetektion in digitalen Bildern und Videos von Edge-Geräten zugenommen. Die Komplexität und Variabilität der Umgebung führen oft zu Störungen durch Faktoren wie Brand- und Rauchmerkmale, Hintergrundgeräusche und Kameraeinstellungen wie Winkel, Schärfe und Belichtung, was die Effektivität der Branddetektionsanwendungen beeinträchtigt. Eingeschränkte Bilddaten für Brand- und Rauchszenerien stellen eine weitere Herausforderung für die Genauigkeit und Robustheit der Modelle dar, was zu hohen Falschmeldungs- und Ausfallraten führt. Um der Notwendigkeit einer effizienten Erkennung und Anpassungsfähigkeit an verschiedene Umgebungen gerecht zu werden, konzentriert sich dieses Papier auf (1) den Vorschlag einer cloud-edge-kollaborativen Architektur für die Echtzeit-Brand- und Raucherkennung, die eine iterative Transferlernmethode basierend auf Nutzerfeedback zur Verbesserung der Anpassungsfähigkeit integriert; (2) die Verbesserung der Erkennungsfähigkeiten des Basis Modells YOLOv8 durch die Verfeinerung der Datenaugmentation und die Einführung des Koordinaten-Attention-Mechanismus zur Verbesserung der globalen Merkmaleextraktion. Der verbesserte Algorithmus zeigt einen Anstieg der Genauigkeit um 2 Punkte. Nach drei Iterationen des Transferlernens in der Produktionsumgebung verbessert sich die Genauigkeit von 93,3 % auf 96,4 %, und mAP0.5:0.95 steigt um fast 5 Punkte. Dieses Programm adressiert effektiv das Problem falscher Erkennungen in Brand- und Raucherkennungssystemen und demonstriert praktische Anwendbarkeit.