Sistema de Identificación de Incendios en Espacios Interiores
DOI:
https://doi.org/10.32870/recibe.v12i1.256Palabras clave:
Detección de incendios, redes neuronales convolucionales, prevenciónResumen
Los incendios en espacios cerrados se caracterizan por ser detonados cuando alguna instalación eléctrica está provocando un cortocircuito o por una fuente que genera una chispa en dichos espacios, además, hay presencia de combustibles como gases y materiales sólidos o líquidos altamente flamables. Esta investigación se enfoca en presentar un sistema híbrido de prevención y detección de incendios en lugares cerrados, como casa-habitación, edificios corporativos, laboratorios, entre otros. Se ha propuesto la implementación de sensores para la detección de distintos tipos de gases flamables, así como la detección de gases no flamables que son producto de un proceso de combustión, aunado a esto, se cuenta con sistema de detección por visión de computadora, el cual emplea una red neuronal profunda para la detección de fuego y humo basada en el modelo YOLO (You Only Look Once). Las variables obtenidas por el dispositivo, denominado como DRI3 (Dispositivo de reconocimiento de incendios), tiene la capacidad de almacenar los registros en un servidor local, así como subir los datos obtenidos por los sensores en la plataforma ThingSpeak para el respaldo y análisis de la información. De acuerdo con los resultados obtenidos, el sistema tuvo una capacidad de detección de gases flamables y humo en un 100%, mientras que, la red convolucional empleada para detectar fuego en imágenes digitales tuvo una capacidad de detección del 93%, adicionalmente, la emisión de alertas mediante el envío de mensajes de alerta a celulares se gestionó de forma correcta.Citas
Albassam, N., y Khan, J. (2019). Autonomous fire safety system for gas leak detection. doi:10.47611/JSR.VI.898
Anuario de Morbilidad 1984 -2015 (2015). Dirección General de Epidemiología. [Consultado 24 de julio 2022]. http://www.epidemiologia.salud.gob.mx/anuario/html/anuarios.html
Bastidas, S. E. C., & Peláez, J. M. L. (2013). Estudio de redes de sensores y aplicaciones orientadas a la recolección y análisis de señales biomédicas. Revista GTI, 12(33), 85-99.
Choi, Myoung-Young & Jun, Sunghae. (2020). Fire Risk Assessment Models Using Statistical Machine Learning and Optimized Risk Indexing. Applied Sciences. 10. 4199. 10.3390/app10124199.
CONAPCI (10 de septiembre 2020). Incendios urbanos en México [en línea]. https://conapci.org/incendios-urbanos-en-mexico/
Di Pietro, R., Guarino, S., Verde, N. V. and Domingo-Ferrer, J. (2014). Security in wireless ad-hoc networks – A survey. Computer Communications, 51, 1-20. https://doi.org/10.1016/j.comcom.2014.06.003.
ENSATU, Encuesta ENSATU 2018 (2018) https://ensanut.insp.mx/encuestas/ensanut2018/doctos/informes/ensanut_2018_informe_final.pdf
Girshick, R., Donahue, J., Darrell, T., y Malik, J. (2013). Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 10.1109/CVPR.2014.81
Goutte, C., & Gaussier, E. (2005, March). A probabilistic interpretation of precision, recall and F-score, with implication for evaluation. In European conference on information retrieval (pp. 345-359). Springer, Berlin, Heidelberg.
Guo, K., Yang, P., Guo, D., y Liu, Y. (2019). Gas leakage monitoring with mobile wireless sensor networks. Procedia Computer Science, 154 , 430-438. doi: 10.1016/j.procs.2019.06.061
Hahnemann, A., Correa, C. and Rabbani, E (2017). Evaluación de seguridad contra incendio: método alternativo aplicado a edificaciones brasileñas. Rev. ALCONPAT, 7 (2) 186-199. https://doi.org/10.21041/ra.v7i2.178.
Iqbal, M.; Setianingsih, C.; y Irawan, B. (2020). Deep Learning Algorithm for Fire Detection, 10th Electrical Power, Electronics, Communications, Controls and Informatics Seminar (EECCIS), 237-242, doi: 10.1109/EECCIS49483.2020.9263456.
Kothandapani, V., Teja, V., Kumar, S., Divya, P., y D., B. (2021). Smart gas leak detection. International Journal of Scientific Research in Science and Technology, 8 , 952-956.
Kou, L., Wang, X., Guo, X., Zhu, J. Zhang, H. (2021). Deep learning based inverse model for building fire source location and intensity estimation, Fire Safety Journal, 121. https://doi.org/10.1016/j.firesaf.2021.103310.
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., y Reed, S. (2015). SSD: Single shot multibox detector.
López-Molina, A., Vázquez-Román, R., & Díaz-Ovalle, C. (2012). Aprendizajes del Accidente de San Juan Ixhuatepec-México. Información tecnológica, 23(6), 121-128. https://dx.doi.org/10.4067/S0718-07642012000600013
Meidelfi, D., Moodutor, H., Sukma, F., y Adnin, S. (2022). Android based spark and gas leak detection and monitoring. Journal of Computer Networks, Architecture and High Performance Computing, 4 , 148-157. doi: 10.47709/cnahpc.v4i2.1489
Mock, C, Peck, M., Peden, M., Krug, E., (2008). A who plan for burn prevention and care. Geneva, World Health Organization, 2008.
Monaco, S.; Greco, S.; Farasin, A.; Colomba, L.; Apiletti, D.; Garza, P.; Cerquitelli, T.; Baralis, E. (2021). Attention to Fires: Multi-Channel Deep Learning Models for Wildfire Severity Prediction. Appl. https://doi.org/10.3390/app112211060
Muhammad, K.; Ahmad, J.; Mehmood, I.; Rho, S.; and Baik, S. W. (2018). Convolutional Neural Networks Based Fire Detection in Surveillance Videos, IEEE Access, vol. 6, 18174-18183, doi: 10.1109/ACCESS.2018.2812835.
Mwedzi, N. A., Nwulu, N. I. and Gbadamosi, S. L. (2019). Machine Learning Applications for Fire Detection in a Residential Building, 2019 IEEE 6th International Conference on Engineering Technologies and Applied Sciences (ICETAS), 1-4, doi: 10.1109/ICETAS48360.2019.9117318.
Nazir, A.; Mosleh, H.; Takruri, M.; Jallad, A.-H.; Alhebsi, H. (2022) Early Fire Detection: A New Indoor Laboratory Dataset and Data Distribution Analysis. Fire, 5(11). https://doi.org/10.3390/fire5010011.
Phung, V. H., & Rhee, E. J. (2018). A deep learning approach for classification of cloud image patches on small datasets. Journal of information and communication convergence engineering, 16(3), 173-178.
Raj, S., Ankit, T., Rishabh, S., y Saurabh, S. (2021). Gas leak detection and smart alerting using IOT. I-manager’s Journal on Information Technology, 10 (12). doi: 10.26634/jit.10.3.15052
Redmon, J., Divvala, S., Girshick, R., y Farhadi, A. (2016). You only look once: Unified, real- time object detection. IEEE 2016 conference on computer vision and pattern recognition (CVPR), p. 779-788. 10.1109/CVPR.2016.91
Rostami, A.; Shah-Hosseini, R.; Asgari, S.; Zarei, A.; Aghdami-Nia, M.; Homayouni, S. (2022) Active Fire Detection from Landsat-8 Imagery Using Deep Multiple Kernel Learning. Remote Sensors.14 (992). https://doi.org/10.3390/rs14040992
Saponara, S., Elhanashi, A.; Gagliardi, A. (2021). Real-time video fire/smoke detection based on CNN in antifire surveillance systems. J Real-Time Image Proc 18, 889–900. https://doi.org/10.1007/s11554-020-01044-0
Simonyan, K., y Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv 1409.1556.
Valis, M., Masopust, J., Hosák, L., y Urban, A. (2011). Gas leak at home. Activitas Nervosa Superior Rediviva, 53 , 59-63.
Wang, K.; Zhang, Y.; Wang, J.; Zhang, Q.; Chen, B. and Liu, D. (2018). Fire Detection in Infrared Video Surveillance Based on Convolutional Neural Network and SVM, 2018 IEEE 3rd International Conference on Signal and Image Processing (ICSIP), 162-167, doi: 10.1109/SIPROCESS.2018.8600510.
Wang, Z.a Zhang, T., Wu, X. Huang, X. (2022). Predicting transient building fire based on external smoke images and deep learning, Journal of Building Engineering, 47. https://doi.org/10.1016/j.jobe.2021.103823.
White, R. W. (1991). A sensor classification scheme. Microsensors. New York. IEEE Press, 3.
Yang, Z.; Bu, L. T. Wang, J. Ouyang and P. Yuan, "Fire Alarm for Video Surveillance Based on Convolutional Neural Network and SRU," 2018 5th International Conference on Information Science and Control Engineering (ICISCE), 2018, pp. 232-236, doi: 10.1109/ICISCE.2018.00056.
Yang, Z.; Bu, L.; Wang, T.; Yuan, P.; Jineng, O. (2020). Indoor Video Flame Detection Based on Lightweight Convolutional Neural Network. Pattern Recognition and Image Analysis. 30. 551-564. 10.1134/S1054661820030293.
