Bränder är väldigt destruktiva, och när de bryter ut påverkar de allt runt omkring. Det bästa sättet att minimera skada från bränder är att upptäcka de tidigtinnan de brytit ut ordetnligt, detta handlar ofta om sekunder som gör skillnad.Denna rapport utforskar AI’s potential att detektera brand och minska tidendet tar att upptäcka den i industriella miljöer genom en bildström medobjektdetektering. Objektdetektering har gjort stora framsteg under de senaste6 åren. Dessa framsteg gör detta och andra liknande realtidobjektdetekteringsprojekt möjligt. Neurala nätverket som tränades i dettaprojekt överträffade ett brandlarm med 26 sekunder i realistiska miljöer.Fem dataset skapades och testades. Alla dessa tränades på YoloV4 modellen.Alla YOLO modeller är av typen konvolutionerande neuralt nätverk (CNN).Vikterna från träningen flyttades till en Nvidia Jetson Nano enhet och kördesmed hjälp av TensorRT tkDNN. En precision på 99.3 och Phi koefficient på0.924 uppnåddes och detta kan troligtvis förbättras med bättre data och ellerfler utvärderingsbilder. / Fires have destructive power when they break out and affect theirsurroundings on a devastatingly large scale. The best way to minimizedamage is to detect the fire as quickly as possible before it has a chance togrow. This project looks into the potential of AI to detect and recognize fireand reduce detection time using object detection on an image stream. Objectdetection has made giant leaps in speed and accuracy over the last six years.This progress has made this thesis and similar real-time object detectionprojects possible. The models brought forward in this project managed tooutperform a fire detector by 26 seconds in realistic scenarios.Five data sets were created and tested. All these were trained on the YOLOv4model. All Yolo models employ convolutional neural networks (CNN). Theweights were transferred and run on an Nvidia Jetson Nano through Tensor rtwith tkDNN. A precision of 99.3 and a Phi coefficient of 0.924 were achieved.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:hh-47326 |
| Date | January 2022 |
| Creators | Zell, Otto, Pålsson, Joel |
| Publisher | Högskolan i Halmstad, Akademin för informationsteknologi, HMS |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0013 seconds