Flame Detection Based on Deep Learning

Abstract

This study suggests creating a system that can detect flames and smoke in real-time using a convolutional neural network (CNN) trained on images of fire from different locations, using five versions of YOLOv8: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, and YOLOv8x. The review of different factors like precision, recall, F1-score, and mAP shows that YOLOv8m gives the best balance, with a precision of 87.3%, a recall of 66.3%, and an mAP50 of 75.8%. Conversely, YOLOv8x offers enhanced accuracy but consumes more computational resources. The employed model can identify smoke with greater precision than flames, as flames may generate false positives due to reflected light, hence diminishing accuracy.

งานวิจัยนี้เสนอพัฒนาวิธีการตรวจจับเปลวไฟและควันแบบตามเวลาจริง โดยการนำภาพถ่ายของไฟไหม้สถานที่ต่างๆ นำมาเรียนรู้ด้วยโครงข่ายประสารทเทียมชนิดคอนโวลูชัน (CNN) โดยใช้โมเดล YOLOv8 จำนวน 5 ชนิดได้แก่ YOLOv8n YOLOv8s YOLOv8m YOLOv8l และ YOLOv8x โดยการเปรียบเทียบพารามิเตอร์ต่างๆได้แก่ Precision Recall F1-Score และ mAP จากผลการทดลองพบว่า YOLOv8m มีความสมดุลดีที่สุด โดยมี Precision เท่ากับ 87.3% Recall เท่ากับ 66.3% และ mAP50 เท่ากับ 75.8% ในขณะที่ YOLOv8x ให้ความแม่นยำสูงกว่าแต่ต้องใช้ทรัพยากรคำนวณมากขึ้น นอกจากนี้โมเดลที่ใช้ยังสามารถตรวจจับควันได้แม่นยำกว่าเปลวไฟ เนื่องจากเปลวไฟอาจก่อให้เกิด False Positives จากแสงสะท้อน ทำให้ความแม่ยำลดลง