Ringkasan:

– Artikel ini membahas pengembangan teknik deteksi kebakaran awal menggunakan sensor inframerah pasif (PIR) dan jaringan saraf dalam (DNN).
– Sensor PIR sensitif terhadap gerakan tubuh yang tiba-tiba dan memancarkan sinyal waktu yang bervariasi terus menerus.
– Data eksperimental dikumpulkan menggunakan sensor PIR untuk mendeteksi gerakan manusia dan kebakaran.
– Transformasi wavelet digunakan untuk ekstraksi fitur dari sinyal yang dikumpulkan.
– Koefisien wavelet dikonversi menjadi gambar spektrum RGB dan digunakan sebagai input untuk jaringan saraf konvolusional yang dalam.
– Berbagai arsitektur DNN pra-terlatih diuji, dengan arsitektur Shufflenet menghasilkan akurasi prediksi tertinggi dari 87.8%.
– Strategi real-time mencapai 95.34% dan 92.Masing -masing 39% akurasi deteksi api dan gerak manusia.

Pertanyaan:

1. Apa tujuan artikel ini?

Tujuan artikel ini adalah untuk menyajikan teknik baru untuk deteksi kebakaran awal menggunakan sensor PIR dan DNNS.

2. Mengapa Deteksi Kebakaran Awal Penting?

Deteksi kebakaran awal penting untuk mengurangi kerusakan yang berhubungan dengan kebakaran, mencegah kerugian manusia dan properti, dan mengurangi trauma fisik dan mental.

3. Jenis sensor apa yang digunakan dalam teknik yang diusulkan?

Teknik yang diusulkan menggunakan sensor inframerah pasif (PIR) untuk deteksi kebakaran.

4. Bagaimana cara kerja sensor pir?

Sensor PIR mendeteksi radiasi inframerah (IR) yang dipancarkan oleh objek. Itu sensitif terhadap gerakan tubuh yang tiba-tiba dan memancarkan sinyal waktu yang bervariasi terus menerus.

5. Apa peran transformasi wavelet dalam teknik ini?

Transformasi wavelet digunakan untuk ekstraksi fitur dari sinyal yang dikumpulkan oleh sensor pir.

6. Bagaimana koefisien wavelet digunakan dalam teknik ini?

Koefisien wavelet dikonversi menjadi gambar spektrum RGB, yang berfungsi sebagai input untuk jaringan saraf konvolusional yang dalam.

7. Arsitektur DNN mana yang menghasilkan akurasi prediksi tertinggi?

Arsitektur Shufflenet menghasilkan akurasi prediksi tertinggi dari 87.8%.

8. Apa level akurasi yang dicapai dalam strategi real-time?

Strategi real-time mencapai 95.34% dan 92.39% akurasi dalam deteksi api dan gerak manusia masing -masing.

9. Apa keterbatasan sensor kebakaran konvensional?

Sensor kebakaran konvensional memiliki area cakupan terbatas, tidak efisien di kamar besar dan ruang terbuka, dan rentan terhadap alarm palsu karena gangguan eksternal.

10. Mengapa teknik deteksi kebakaran berbasis penglihatan tidak selalu efektif?

Teknik deteksi kebakaran berbasis penglihatan dapat dipengaruhi oleh kompleksitas penyebaran api dan mengganggu peristiwa latar belakang, dan dapat meningkatkan masalah privasi.

11. Keuntungan apa yang ditawarkan sistem pencitraan inframerah (IR) dalam deteksi kebakaran?

Sistem pencitraan IR dapat diandalkan dan dapat mendeteksi kebakaran dalam kondisi cahaya yang terlihat buruk atau saat api menyatu dengan latar belakang. Mereka dapat bertindak sebagai video pengintai.

12. Apa kelemahan menggunakan kamera dan komputer onboard untuk deteksi kebakaran?

Kamera dan komputer onboard menimbulkan hambatan biaya untuk solusi yang dapat diskalakan dan dapat memberikan alarm palsu karena kedekatan atau gangguan lainnya.

13. Peran apa yang dimainkan sensor PIR dalam deteksi api?

Sensor PIR serbaguna untuk deteksi nyala karena kemampuannya untuk mendeteksi perubahan mendadak dalam radiasi IR dari gerakan objek dalam kisaran tampilan mereka.

14. Tantangan apa yang terkait dengan deteksi kebakaran berbasis pembelajaran yang mendalam?

Tantangan termasuk kebutuhan akan sejumlah besar data pelatihan, identifikasi kebakaran simultan, perubahan iluminasi, dan kuantifikasi api api dan intensitas asap.

15. Apa teknik yang diusulkan dalam makalah ini untuk deteksi kebakaran?

Teknik yang diusulkan menggunakan sensor PIR diferensial dan DNN untuk deteksi kebakaran di ruang tertutup.

16. Apa keuntungan dari sensor PIR untuk deteksi kebakaran?

Sensor PIR canggih, berbiaya rendah, dan sangat mampu mendeteksi perubahan mendadak dalam radiasi IR. Mereka serba guna dan cocok untuk mendeteksi nyala api.

Apa itu pir

Wavelet adalah bentuk gelombang asimetris dan tidak teratur yang bertahan untuk jangka waktu singkat dengan nilai rata -rata nol. Analisis wavelet menghasilkan wavelet konstituen dari berbagai skala dan posisi wavelet ibu [20]. Oleh karena itu, dalam transformasi wavelet kontinu (CWT), sinyal input dikalikan dengan versi yang tertunda dan peregangan dari wavelet yang dipilih dan kemudian diintegrasikan selama durasi waktu sinyal. Proses ini menghasilkan koefisien wavelet c. Proses dapat ditampilkan sebagai:

Pengembangan teknik deteksi kebakaran awal menggunakan sensor inframerah pasif dan jaringan saraf dalam

Deteksi awal api adalah kunci untuk mengurangi kerusakan terkait kebakaran. Makalah ini menyajikan sensor inframerah piro-listrik (PIR) diferensial dan metode berbasis jaringan saraf dalam (DNN) untuk mendeteksi api secara real-time. Karena sensor PIR sensitif terhadap gerakan tubuh yang tiba-tiba dan memancarkan sinyal yang bervariasi waktu, percobaan dilakukan untuk mengumpulkan gerakan manusia dan kebakaran menggunakan sensor PIR. Sinyal-sinyal ini diproses menggunakan transformasi wavelet kontinu satu dimensi untuk melakukan ekstraksi fitur. Koefisien wavelet yang sesuai dikonversi menjadi gambar spektrum RGB yang kemudian digunakan sebagai input untuk jaringan saraf konvolusional yang dalam. Berbagai arsitektur DNN pra-terlatih diadopsi untuk melatih dan mengidentifikasi data yang dikumpulkan untuk latar belakang (tanpa gerakan), gerak manusia, dan kategori api: kebakaran kuasi-statis dan penyebaran kecil. Hasil eksperimen menunjukkan bahwa arsitektur shufflenet menghasilkan akurasi prediksi tertinggi dari 87.8%. Hasil Eksperimen untuk Strategi Real-Time yang bekerja dengan kecepatan 12 frame per detik menunjukkan 95.34% dan 92.39% tingkat akurasi deteksi gerak manusia masing -masing.

Mengerjakan naskah?

1. Perkenalan

Deteksi kebakaran awal di bangunan perumahan atau industri sangat penting untuk mengambil tindakan yang tepat untuk mencegah kehilangan manusia dan properti, trauma fisik dan mental. Namun, kebakaran dapat dihindari atau dikendalikan jika diidentifikasi pada tahap baru jadi. Kebakaran terjadi karena berbagai alasan seperti kelalaian, perangkat elektronik yang tidak berfungsi, memasak, merokok, cairan yang mudah terbakar dan kebocoran gas, pembakaran, dll. Tahap api dapat digambarkan sebagai baru baru (pengapian), pertumbuhan, sepenuhnya dikembangkan, dan pembusukan [1]. Pertumbuhan kebakaran dan laju pelepasan panas maksimum terutama tergantung pada fitur desain bangunan termasuk kelongsong yang mudah terbakar dan jenis -jenis pembakaran (beban api) seperti dekorasi interior, furnitur, dll. [2, 3]. Menurut salah satu standar komunikasi bangunan umum Bacnet, keselamatan kebakaran diberikan prioritas tertinggi dalam otomatisasi bangunan [4]. Dengan meningkatnya kompleksitas dalam membangun operasi, penting untuk meningkatkan sensitivitas dan akurasi deteksi kebakaran [5].

Ada berbagai teknologi penginderaan api yang dikembangkan untuk mengurangi kecelakaan api [1]. Sensor titik yang umum digunakan seperti asap, panas, dan sensor gas memiliki kemampuan terbatas [6]. Api harus terbakar sebentar untuk mencapai sensor dan melebihi titik ambang batas yang ditetapkan untuk memulai alarm peringatan [7]. Ini memberi banyak ruang bagi api normal untuk menyebar dengan cepat. Karena area cakupan yang terbatas, sensor konvensional tidak efisien di kamar besar dan ruang terbuka seperti halaman belakang, tempat parkir mobil, hutan, dll. Selain itu, akurasinya dipengaruhi oleh gangguan eksternal seperti uap, merokok, asap ringan dari memasak, menyebabkan alarm palsu. Menurut Fire and Rescue Services (FRSS) di Inggris untuk tahun yang berakhir Desember 2020, alarm kebakaran palsu berjumlah 42% dari insiden yang dihadiri [8].

Untuk mengatasi masalah dalam sensor kebakaran konvensional, sistem deteksi asap dan kebakaran canggih menggunakan teknik deteksi api video untuk mengenali kebakaran pada tahap awal mereka [9]. Berbagai analisis warna dan teknik pembelajaran mesin digunakan untuk mengekstrak dan mengidentifikasi api dalam gambar dan video yang direkam. Meskipun teknik berbasis penglihatan lebih akurat dan menangkap pandangan rinci tentang lingkungan, kompleksitas dalam penyebaran api dan peristiwa latar belakang yang mengganggu lainnya dalam pengaturan praktis memengaruhi kemampuan ekstraksi fitur mereka [10]. Juga dicatat bahwa memperbaiki kamera di tempat kerja dapat memengaruhi kinerja karyawan dengan menciptakan lingkungan masalah privasi pribadi [11]. Sistem pencitraan inframerah (IR) efektif untuk mengatasi masalah seperti cahaya tampak buruk atau campuran gambar dengan latar belakang [1]. Sistem ini sangat dapat diandalkan dan dapat bertindak sebagai video pengintai untuk mendeteksi kebakaran. Meskipun mereka memiliki banyak keuntungan, mereka juga memiliki kerugian tertentu. Kamera dan komputer onboard menghasilkan hambatan biaya untuk solusi yang dapat diskalakan. Mereka memberikan alarm palsu tergantung pada kedekatan dengan sensor atau gangguan lainnya seperti lampu lampu, aliran udara panas, lokakarya atau aktivitas industri, yang mempengaruhi sensitivitas [12]. Untuk mengatasi kehilangan data dan masalah distorsi data dalam deteksi api IR, algoritma fusi yang kuat berdasarkan fungsi basis radial jaringan saraf dengan model fuzzy takagi -sugeno diusulkan dalam [13]. Pemrosesan gambar menggunakan teknologi Deep Learning (DL) memberikan kinerja yang sangat tinggi dalam deteksi kebakaran [14]. Namun, ada tantangan seperti kebutuhan akan sejumlah besar data pelatihan yang dikumpulkan di berbagai pengaturan dan jenis kebakaran, identifikasi kebakaran simultan, perubahan iluminasi, dan kuantifikasi api api dan intensitas asap [9].

Makalah ini mengusulkan teknik baru untuk mendeteksi kebakaran di ruang tertutup menggunakan sensor PIR diferensial dan DNNS. Sensor PIR mendeteksi radiasi IR yang dipancarkan oleh objek. Mereka canggih, namun berbiaya rendah dan sangat mampu mendeteksi perubahan mendadak dalam radiasi IR dari pergerakan objek dalam kisaran tampilan [15,16,17]. Oleh karena itu, sensor PIR serbaguna untuk mendeteksi penyebaran nyala api. Selain itu, deteksi diferensial pada sensor PIR berguna untuk menghindari alarm palsu yang disebabkan oleh perubahan IR kecil namun seragam dalam kisaran tampilan seperti suhu dalam ruangan atau variasi sinar matahari. Ini karena pengaturan sensor di mana sensor dibagi menjadi dua bagian dan mereka disatukan bersama. Kecuali jika tidak ada peningkatan radiasi IR yang cukup untuk ditangkap dari satu setengah, sinyal output yang dihasilkan dari dua bagian akan saling membatalkan. Karena kisaran tampilan yang relatif tinggi 7 m (bila digunakan dengan lensa Fresnel) dalam sudut yang mencakup 110 derajat, cocok untuk memantau kamar -kamar besar dengan langit -langit tinggi [18]. Selain itu, pendekatan sensor PIR membutuhkan daya pemrosesan yang rendah dibandingkan dengan visi komputer (pengawasan) asap atau sistem deteksi kebakaran [11]. Tidak seperti di kamera keamanan, masalah intrusi privasi manusia tidak akan muncul dengan sensor PIR karena output sensor hanyalah sebuah sinyal digital atau analog [19].

Berbagai jenis spread api nyata dan data gerak manusia dalam pengaturan dalam ruangan dikumpulkan dalam makalah ini menggunakan sensor PIR diferensial. Sinyal-sinyal ini diproses dengan menggunakan transformasi wavelet [20]. Koefisien wavelet yang sesuai dengan fitur api yang diekstraksi diberi makan sebagai input untuk melatih kelas DNN yang dipilih untuk mengklasifikasikan peristiwa kebakaran dan non-api i.e., Kategori Kebakaran dan Gerakan Manusia, dalam kisaran tontonan sensor PIR. Pra-pemrosesan gambar meningkatkan akurasi tingkat pengenalan api dalam DNN [21, 22]. Pendekatan pembelajaran mesin konvensional membutuhkan sejumlah besar keahlian untuk mengekstrak fitur, mengklasifikasikannya, dan memprediksi penyebaran api. Karena kemampuan ekstraksi fitur gambar yang kompleks dan ketersediaan CNN pra-terlatih seperti Alexnet, ResNet, Googlenet, dll., Pendekatan DL dapat digunakan untuk mendeteksi api api dengan kuat [10, 12, 14, 21, 23]. Selain itu, varian kompak arsitektur CNN seperti Nasnet-A-Mobile dan ShuffLenetV2 digunakan dalam [24] dengan lapisan yang dimodifikasi untuk meningkatkan api non-temporal dan klasifikasi tanpa api tanpa api. Metode yang diusulkan dalam [24] menunjukkan 95% frame penuh dan 94.Deteksi Kebakaran Berbasis Superpixel 4%. Dalam pekerjaan kami, model CNN pra-terlatih yang diadopsi juga dimodifikasi untuk meningkatkan akurasi dengan biaya waktu pelatihan. Arsitektur jaringan CNN dengan akurasi validasi tertinggi digunakan untuk menunjukkan prediksi kebakaran real-time.

Serangga. 2, Metodologi yang diusulkan disajikan dalam kategorisasi acara, akuisisi data, pemrosesan sinyal, kerangka kerja pembelajaran mendalam, arsitektur DNN, dan strategi kerja real-time. Hasil prediksi kebakaran bersama dengan kinerja waktu nyata disajikan dalam sekte. 3. Diskusi dan kesimpulan diberikan dalam sekte. 4 dan 5.

2 Metodologi yang Diusulkan

Dalam karya ini, perubahan radiasi IR untuk acara api dan non-api direkam menggunakan sensor gerak HC-SR501 [25]. Pengaturan eksperimental untuk mengumpulkan data ditunjukkan pada Gambar. 1. Semua percobaan dilakukan mengikuti pedoman kesehatan dan keselamatan dan peraturan untuk percobaan kebakaran.

Dalam teknik yang diusulkan, sensor PIR diferensial dikonfigurasi dengan Arduino UNO Micro-Controller (ATMEGA328P). Data dari sensor PIR diferensial adalah sinyal analog yang bervariasi waktu. Amplitudonya sebanding dengan ukuran tubuh yang panas, kecepatan gerakan, dan jarak dari sensor. Sinyal diproses menggunakan transformasi wavelet. Koefisien wavelet dikonversi menjadi spektrum RGB (berwarna biru-hijau). Karena proses segmentasi warna ini dalam ruang RGB, kemungkinan besar daerah api dapat diidentifikasi dan diberi makan sebagai gambar input yang kompatibel untuk DNN yang terlatih untuk mengklasifikasikan peristiwa yang terjadi dalam kisaran tampilan sensor. Gambar 2 mewakili teknik deteksi kebakaran yang diusulkan.

Sisa bagian ini menjelaskan bidang-bidang utama dari karya ini di bawah kategorisasi acara, akuisisi data, pemrosesan sinyal digital, pra-pemrosesan data, arsitektur DNN, dan strategi kinerja real-time.

2.1 Kategorisasi Acara

Karena teknik deteksi kebakaran yang diusulkan dimaksudkan untuk pengaturan dalam ruangan dan sensor PIR diferensial sensitif terhadap gerakan, variabel seperti jarak dari sensor, pola gerak manusia yang berbeda, dan kecepatan bergerak juga dipertimbangkan dalam pekerjaan ini. Oleh karena itu, data sensor PIR dikumpulkan untuk lima peristiwa gerak berbeda berikut untuk mencatat perubahan mereka dalam radiasi IR.

1. 1. Latar belakang (tidak ada gerakan)
2. 2. Gerakan manusia (dalam 1 m dari sensor)
3. 3. Gerakan manusia (lebih dari 1 m dari sensor)
4. 4. Kategori Api 1 (Api Kayu Kecil)
5. 5. Kategori Api 2 (kebakaran gas kayu dan propana yang menyebar)

Ketika tidak ada gerakan di depan sensor, itu dikategorikan sebagai acara latar belakang. Gerakan manusia dalam 1 m dan di luar mengandung sinyal sensor untuk gerakan manusia dalam rentang 0.2 m hingga 1 m dan 1.1 m hingga 3 m masing -masing. Karena sensor PIR sensitif terhadap gerakan, fluktuasi tegangan output tinggi atau rendah untuk gerakan cepat atau lambat. Dengan demikian, baik gerakan berjalan lambat manusia dan gerakan berjalan cepat manusia dicatat. Selain itu, gerakan manusia di kursi putar juga dicatat. Akhirnya, dua acara kategori kebakaran direkam (lihat ara. 1). Kategori api 1 memiliki rekaman api kayu kecil antara 0.5 m dan 3 m dari sensor. Kategori api 2 terdiri dari api yang lebih besar atau tidak terkendali. Menyebarkan api kayu dan kebakaran gas propana dicatat untuk acara ini. Cakupan Area Kayu Selama peristiwa api kayu kecil dan menyebarkan api kayu adalah 10 \ (>^\) –12 \ (>^\) dan lebih dari 12 \ (>^\) masing -masing.

2.2 akuisisi data

Dua elemen penginderaan piro-listrik di dalam sensor PIR menghasilkan perubahan diferensial positif atau negatif jika tubuh yang hangat masuk atau meninggalkan area pendeteksi sensor yang dibatasi oleh dua slot pada sensor. Oleh karena itu sensor menghasilkan sinyal tegangan digital tinggi atau rendah tergantung pada variasi tingkat radiasi IR. Karena amplitudo sinyal -sinyal ini sangat kecil, sinyal analog yang diamplifikasi diekstraksi dari sensor PIR dengan mengetuk langsung dari penguat sirkuit sensor chip biss0001. Dengan demikian, sinyal analog yang diamplifikasi dicatat selama lima peristiwa yang dijelaskan dalam sekte. 2.1. Sinyal output ditunjukkan pada Gambar. 3 dan 4.

Karena fokusnya adalah pada api, frekuensi berkedip nyala harus dipertimbangkan untuk pengambilan sampel sinyal. Perilaku flicker nyala adalah rentang frekuensi wideband yang mencakup 1 Hz -13 Hz [17]. Mempertimbangkan aturan pengambilan sampel, laju pengambilan sampel dipilih sebagai 50 Hz, yang lebih dari dua kali frekuensi berkedip nyala api. Sinyal analog dari sensor PIR ditransfer ke Arduino Uno yang kemudian ditransfer ke komputer untuk pemrosesan sinyal lebih lanjut. Arduino UNO dikonfigurasi menggunakan MATLAB [26] untuk melakukan pemrosesan sinyal menggunakan jaringan DL yang terlatih.

Gambar 3 dan 4 menunjukkan bahwa sampel sinyal PIR yang diamplifikasi memiliki karakteristik yang berbeda untuk peristiwa yang dipertimbangkan dalam domain waktu. Selama peristiwa latar belakang di mana tidak ada gerakan yang terjadi, amplitudo sinyal bervariasi dari 0.58 V hingga 0.59 v. Kisaran ini bertindak sebagai garis tengah di mana sinyal berfluktuasi saat gerakan terdeteksi. Ketika intensitas panas inframerah meningkat, amplitudo meningkat (di atas atau di bawah garis tengah). Karena PIR sensitif terhadap gerakan panas inframerah, fluktuasi amplitudo berkurang ketika jarak peristiwa meningkat dan sebaliknya. Itu bisa dilihat dari ara. 3 Bahwa Kategori Kebakaran 1 (Api Kayu Kecil) dan 2 (Menyebarkan Api Kayu dan Api Gas Propana) Sinyal memiliki tren yang hampir sama dengan jarak yang bervariasi. Misalnya, kebakaran kayu yang menyebar dan sinyal kebakaran gas propana di dalam dan pada 1 m memiliki variasi amplitudo antara 0 V dan 1.09 v. Namun, ketika jarak meningkat (pada 2 dan 3 m), amplitudo sinyal api mereka menyempit ke kisaran antara 0.5 V dan 0.8 v. Karena penyebaran api (kategori 2) menempati ruang yang lebih luas dalam kisaran penonton sensor, gerakannya terdeteksi lebih baik daripada api kecil (Kategori 1). Misalnya, pada jarak 1 m, amplitudo sinyal api kecil turun ke kisaran antara 0.35 V dan 0.94 V, sedangkan amplitudo sinyal api menyebar tetap antara 0 V dan 0.96 v.

Sebaliknya, sinyal gerakan manusia dalam 1 m menunjukkan kisaran amplitudo antara 0.08 V dan 0.83 V (lihat ara. 4). Mirip dengan sinyal kebakaran, rentang ini menyempit lebih jauh dengan jarak. Diamati bahwa tidak ada perbedaan nyata dalam amplitudo untuk gerakan berjalan lambat dan cepat manusia di luar 1 m. Selain itu, dapat dilihat bahwa gerakan manusia dan api di luar 2 m memiliki rentang amplitudo yang sama. Ini membuatnya sulit untuk membedakan aktivitas manusia sehari-hari dari kebakaran menggunakan kategorisasi acara berbasis amplitudo.

2.3 Pemrosesan Sinyal

Pemrosesan sinyal berfokus pada menganalisis, memodifikasi, dan mensintesis sinyal berdasarkan persyaratan pengguna [27]. Karena sifat dinamis dari tingkat radiasi api api, sinyal api adalah non-stasioner. Teknik pemrosesan sinyal yang banyak digunakan seperti transformasi Fourier mengasumsikan sinyal yang sedang diproses adalah stasioner. Oleh karena itu, dalam karya ini, sinyal sensor PIR dianalisis menggunakan wavelet. Tidak seperti Fourier Transform, analisis wavelet membantu membangun hubungan frekuensi waktu menggunakan domain waktu dan frekuensi [28]. Wavelet juga memiliki filter inbuilt yang menghilangkan suara dari sinyal dan memiliki biaya komputasi lebih sedikit daripada transformasi Fourier.

Wavelet adalah bentuk gelombang asimetris dan tidak teratur yang bertahan untuk jangka waktu singkat dengan nilai rata -rata nol. Analisis wavelet menghasilkan wavelet konstituen dari berbagai skala dan posisi wavelet ibu [20]. Oleh karena itu, dalam transformasi wavelet kontinu (CWT), sinyal input dikalikan dengan versi yang tertunda dan peregangan dari wavelet yang dipilih dan kemudian diintegrasikan selama durasi waktu sinyal. Proses ini menghasilkan koefisien wavelet c. Proses dapat ditampilkan sebagai:

$$ \ Begin C (skala, posisi) = \ int _<-\infty >^ <\infty >f (t) \ psi (skala, posisi, t) dt \ end$$

di mana \ (f (t) \) adalah sinyal asli (sinyal pir dalam kasus ini) dalam domain waktu dan \ (\ psi (t) \) adalah fungsi wavelet ibu. Ada berbagai jenis fungsi wavelet ibu seperti Haar, Daubechies, Coiflets, Symlets, Biorthogonal, dll. Mother Wavelet perlu dipilih dengan tepat agar sesuai dengan lonjakan sementara dari sinyal sensor PIR asli. Kemudian, pembatalan kebisingan yang lebih baik tanpa distorsi dapat dicapai [28]. Koefisien Wavelet C menunjukkan seberapa dekat wavelet yang dipilih berkorelasi di seluruh bagian dari sinyal asli.

Dalam makalah ini, wavelet Morse [29] di kotak alat Wavelet MATLAB [30] digunakan. Output analog yang diamplifikasi dari sensor PIR dipengaruhi oleh noise dan penyimpangan sinyal karena variasi suhu atmosfer. Bank filter CWT digunakan untuk menyaring kebisingan ini dan menghasilkan sinyal sehubungan dengan frekuensi. Secara umum, frekuensi osilasi sinyal PIR untuk nyala api yang berkedip lebih tinggi dari sinyal PIR dari objek bergerak [17]. Berbagai parameter bank filter diubah untuk memvisualisasikan fitur yang berbeda untuk setiap acara.

2.4 kerangka kerja belajar yang mendalam

Kerangka kerja DL menyediakan blok bangunan untuk merancang dan melatih jaringan saraf yang dalam menggunakan algoritma mereka, model pra-terlatih, dan aplikasi serta visualisasi kemajuan pelatihan model. Kerangka kerja DL yang banyak digunakan adalah Tensorflow, Keras, Pytorch, Theano, Caffe, dll. Dalam makalah ini, kotak alat DL di MATLAB digunakan [31].

2.5 data pra-pemrosesan data dan konstruksi dataset

Karena struktur data input untuk DNN harus dalam format gambar (array 3-D), pra-pemrosesan data dilakukan. Data yang dikumpulkan dari sensor PIR berada dalam format deret waktu kontinu (rujuk Gambar. 3, 4) yang kemudian tersegmentasi dalam panjang 50 titik data dalam langkah 5 untuk melatih DNN. 50 titik data ini ditetapkan sebagai set data yang diproses melalui CWT.

Kemudian, ukuran matriks 2-D yang dihasilkan dengan koefisien absolut adalah \ (61 \ kali 50 \) di mana setiap baris dan kolom masing-masing sesuai dengan skala dan titik data masing-masing. Koefisien absolut ini dikerjakan ulang dan dikonversi menjadi spektrum ukuran \ (61 \ kali 50 \ kali 3 \) (\ (\ text \ kali \ teks \ kali \ teks \)). Arsitektur DNN yang dipilih (rujuk Tabel 4) memerlukan array ukuran \ (224 \ kali 224 \ kali 3 \) sebagai data input. Dengan demikian, skalogram dari CWT diubah menjadi format gambar RGB dan diubah ukurannya sesuai kebutuhan menggunakan teknik augmentasi data.

Gambar 5 menunjukkan contoh format gambar RGB dari skalogram sehubungan dengan lima peristiwa yang dihasilkan oleh CWT. Dari matriks \ (224 \ kali 224 \ kali 3 \) (ukuran gambar spektrum), DNN mengekstrak fitur yang berbeda untuk setiap kelas/peristiwa dan belajar untuk mengenali peristiwa yang terjadi di depan sensor. Untuk menghindari masalah overfitting, jumlah data yang sama harus disediakan selama kemajuan pelatihan. Dengan demikian, setiap kelas/acara (rujuk sekte. 2.1) terdiri dari 5915 spektrum RGB untuk pelatihan, 2535 untuk validasi, dan 1690 untuk pengujian.

2.6 Arsitektur DNN

CNN adalah algoritma DL yang paling mapan untuk memproses pola data, ekstrak, dan mengklasifikasikan fitur [32]. Arsitektur DNN memiliki tiga lapisan kunci: konvolusi, pengumpulan, dan terhubung sepenuhnya. Lapisan konvolusional memainkan peran penting dalam DNNS. Untuk melakukan ekstraksi fitur, konvolusi membutuhkan kernel ukuran atau filter tertentu untuk meluncur di atas gambar input berdasarkan langkah yang diberikan. Langkah yang merupakan jarak antara dua kernel berturut -turut, menentukan kolom di mana filter harus bergerak pada gambar input. Selama proses, multiplikasi matriks elemen dicapai di setiap lokasi antara kernel dan input untuk mengekstrak peta fitur dari gambar. Demikian juga, beberapa kernel bertindak sebagai ekstraktor fitur yang berbeda. Selama proses pelatihan, kernel terbaik di lapisan dan bobot konvolusi di lapisan yang sepenuhnya terhubung diidentifikasi untuk kumpulan data pelatihan. Lapisan konvolusional terbukti efektif karena lapisan yang lebih dekat ke input mempelajari fitur tingkat rendah seperti garis, kurva, dll. Dan saat lapisan berjalan lebih dalam, jaringan mempelajari fitur tingkat tinggi seperti bentuk, objek tertentu, dll. Dalam karya ini, MobileNet-V2, Shufflenet, VGG-16, Googlenet, dan DNN yang dirancang khusus dipilih untuk melatih data (lihat Tabel 1).

2.7 strategi kerja real-time

Diagram skematik dari strategi kerja real-time ditunjukkan pada ara. 6. Dua tahap dijelaskan di bawah ini.

2.7.1 mode tidur

Ketika tidak ada gerakan yang terdeteksi, ia dikenal sebagai keadaan normal atau mode tidur. Output digital dari sensor PIR bertindak sebagai pemicu. Dalam keadaan normal, output digital PIR akan rendah yang mematikan unit pemrosesan sinyal dan DNN. Sementara itu, output analog dari sensor PIR disimpan di perangkat penyimpanan.

2.7.2 mode aktif

Saat gerakan terdeteksi, output digital dari PIR akan tinggi. Ini memprakarsai pemicu yang menyalakan unit pemrosesan sinyal dan DNN untuk mengklasifikasikan peristiwa yang terjadi di dalam kisaran tampilan sensor. Sistem bekerja sampai DNN mengklasifikasikan latar belakang (tidak ada gerakan). Kemudian, kembali ke mode tidur (mematikan unit pemrosesan sinyal dan model DNN).

Dengan demikian, algoritma bekerja saat gerakan terdeteksi. Ini membuat model hemat energi dengan menolak unit pemrosesan sinyal dan model CNN dalam pada keadaan normal. Selama mode aktif, 50 titik data terakhir diproses oleh unit pemrosesan sinyal dan jaringan DL untuk mengklasifikasikan acara tersebut. Akibatnya, seluruh strategi kerja waktu nyata mirip dengan aliran video yang menyegarkan setiap kali ketika titik data baru dikumpulkan dari sensor PIR. Tingkat refresh dibahas dalam sekte. 3.3.

3 Hasil Eksperimen

Bagian ini menjelaskan hasil pelatihan dan validasi CNN. Maka pengamatan kinerja waktu nyata disajikan untuk lima peristiwa yang dipilih dalam pekerjaan ini.

3.1 Hasil Pelatihan

Semua DNN yang tercantum dalam Tabel 1 dilatih menggunakan data eksperimental untuk lima peristiwa yang dikumpulkan di lingkungan yang terkontrol (lihat Gambar. 1). Hasil pelatihan yang sesuai diberikan pada Tabel 3. Ketika Googlenet dengan lapisan dropout default digunakan, akurasi validasi adalah 79.91%, sedangkan GoogleNet tanpa lapisan putus sekolah memberikan akurasi validasi 78.1%. Namun, menambahkan lebih banyak lapisan putus sekolah (rujuk Tabel 2) secara bertahap menurunkan akurasi model Googlenet seperti yang ditunjukkan pada Tabel 3. Lapisan normalisasi batch (BN) ditambahkan ke arsitektur Googlenet untuk meningkatkan kecepatan pelatihan dan kinerja. Mengikuti pedoman dari [34], lapisan BN ditambahkan di dalam 4 modul awal terakhir dari 9 modul yang ditumpuk secara linier dalam arsitektur Googlenet [35]. Namun, ketika lapisan dropout Googlenet dihapus, akurasinya adalah 76.25% yang kurang akurat daripada menggunakan googlenet default.

Tabel 3 menunjukkan bahwa shufflenet dengan bobot terlatih memberikan 83.Akurasi validasi 6%. Karena memiliki jumlah lapisan dan parameter yang lebih rendah (rujuk Tabel 1), biaya komputasinya juga rendah. Dengan demikian, Shufflenet-V2 dipilih sebagai model DNN untuk karya ini dan arsitektur diilustrasikan dalam Tabel 4. Di sini, input arsitektur DNN adalah koefisien wavelet dari sinyal sensor PIR yang dikonversi ke spektrum RGB. Ketika arsitektur Shufflenet-V2 dilatih menggunakan data sensor PIR 1-saluran, akurasi validasi turun menjadi 80.86% dibandingkan dengan 83.6% Menggunakan Spektrum RGB. Kemajuan pelatihan Shufflenet-V2 ditunjukkan pada ara. 7.

3.2 Hasil tes

Gambar 8 menunjukkan bahwa positif (prediksi) sejati lebih tinggi dari prediksi palsu. Setiap acara memiliki 1690 gambar, di mana latar belakang memiliki positif sejati 99.9%. Prediksi gerak manusia mencapai akurasi 86% dalam 1 m dan 89.8% untuk lebih dari 1 m. Kategori Api 1 dan Kategori Api 2 Skor AKURASI 82.9% dan 80.4% masing -masing. Karena kedua kategori api memiliki fitur serupa seperti panjang api, sudut kemiringan api, dll. Pada beberapa kasus, ada positif palsu untuk dua kategori kebakaran. Tingkat positif palsu untuk Kategori Kebakaran 1 adalah 2.5%, sedangkan untuk Kategori Api 2 adalah 1.8%. Prediksi serupa juga terjadi pada peristiwa gerak manusia. Namun, prediksi palsu hanya terjadi dalam peristiwa kategori utama: Api dan Gerakan Manusia. Secara keseluruhan, tingkat akurasi prediksi sejati dan prediksi palsu adalah 87.8% dan 12.2% masing -masing. Ketika sistem penghitung diperkenalkan, deteksi kebakaran akhir adalah 95.34% dan deteksi gerak manusia adalah 92.39% seperti yang diberikan pada Tabel 6. Dalam sistem ini, alarm dipicu hanya ketika api diprediksi lebih dari tiga kali, tanpa osilasi apa pun pada gerakan atau latar belakang manusia.

3.3 observasi kinerja real-time

Evaluasi kinerja real-time dilakukan pada Intel Core I9-9980HK 2.4GHz CPU dengan 32 GB RAM dan NVIDIA GeForce RTX 2060. Kinerja real-time dilakukan dengan kecepatan 12 frame per detik. Pengamatan untuk peristiwa kebakaran real-time yang dipilih dibahas di bawah ini. Beberapa sampel prediksi model yang ditangkap selama kinerja real-time ditunjukkan pada ara. 9. Kunci untuk merujuk probabilitas prediksi diberikan dalam ara. 9 (m).

3.3.1 latar belakang

Seperti yang ditunjukkan pada ara. 8, kinerja real-time untuk prediksi latar belakang hampir 100% prediksi positif sejati.

3.3.2 Gerakan manusia (di dalam dan lebih dari 1 m)

Gerakan berjalan lambat dan cepat manusia, dan berputar manusia pada kursi putar diamati dalam kategori ini.

• Dalam 1 m: Positif sejati lebih tinggi dari false positive. Dalam kasus peristiwa campuran (lihat ara. 9g) Dengan api kayu kecil dan gerakan manusia (dalam 1 m), model tersebut meramalkan 81.8% sebagai gerak manusia (dalam 1 m) dan kategori api 1 sebagai 16%.
• Dari 1 m – 3 m: Dalam kesempatan ini, probabilitas positif sejati hampir 87%. Prediksi palsu terjadi di antara prediksi sejati dalam 12 prediksi per detik. Sebagian besar prediksi yang salah adalah gerakan manusia (dalam 1 m).

3.3.3 Kategori Api 1 (Api Kayu Kecil)

• Di dalam/pada 1 m: Algoritma menghasilkan prediksi sebenarnya yang tinggi dari hampir 95% (lihat ara. 9a). Namun, sebagian kecil (1.8%) salah diklasifikasikan untuk menembak Kategori 2 jika api kayu kecil bergerak lebih cepat karena angin.
• Dari 1 m – 2 m: Ini memprediksi positif sejati yang tinggi (86%) dengan lebih sedikit positif palsu (14%) seperti yang ditunjukkan pada Gambar. 9d. Selama acara, 0.9% dari prediksi berosilasi ke gerakan manusia (1 m+) di antara prediksi positif sejati.
• Dari 2 m – 3 m: Dalam jarak 2 m – 3 m dari api, positif palsu tinggi dicatat sebagian besar karena gerakan manusia (1 m+).

3.3.4 Kategori Api 2 (Menyebarkan Api)

• Di dalam/pada 1 m: Dalam kebakaran gas kayu dan propana yang menyebar, 100% prediksi sebenarnya dicapai tanpa osilasi prediksi palsu selama kinerja waktu nyata (lihat ara. 9b, c, e, h). Model ini juga berkinerja baik dalam peristiwa campuran api gas propana (kategori 2) dan gerakan manusia (pada 1 m) seperti yang ditunjukkan pada ara. 9J. Karena tembakan gas propana lebih kecil pada saat itu, model memprediksi Kategori 1, gerakan manusia (dalam 1 m), dan Kategori Api 2 masing -masing sebagai 37%, 25%, dan 18%.
• Dari 1 m – 2 m: Dalam kesempatan ini (menyebarkan api kayu dan api propana), hampir 90% positif sejati diamati dengan prediksi api kayu kecil yang kurang salah (lihat ara. 9f, i, k).
• Dari 2 m – 3 m: Selama kebakaran kayu yang menyebar, prediksi positif sejati yang tinggi dicatat. Namun, osilasi tinggi prediksi palsu diamati selama api propana. Karena tampilan yang jauh (lihat ara. 9l), tembakan gas propana diprediksi hampir 50% untuk kedua kategori api 1 dan 2. Ada peluang 50% untuk memprediksi api penyebaran gas propana sebagai api kecil pada jarak 2 m – 3 m.

4. Diskusi

Dalam makalah ini, percobaan dilakukan dengan menggunakan sensor PIR untuk mengumpulkan data manusia, kebakaran, dan latar belakang untuk melatih DNN dan kemudian deteksi kebakaran diuji secara real-time. Karena, Shufflenet-V2 menghasilkan akurasi validasi tertinggi dari 87.8% pada kecepatan 12 frame per detik, digunakan bersama dengan sensor PIR untuk melakukan percobaan deteksi kebakaran real-time. Deteksi kebakaran berbasis sensor PIR hampir setara dalam kinerja dengan sistem deteksi kebakaran berbasis video. Namun, sistem berbasis video relatif lebih mahal. Tidak seperti dalam sistem deteksi kebakaran berbasis penglihatan, sensor PIR dapat mendeteksi api menggunakan sinyal satu dimensi dengan biaya komputasi lebih sedikit. Selain itu, strategi kerja real-time dimodifikasi untuk mengurangi alarm palsu dan karenanya menggunakan daya komputasi secara efektif. Seperti yang dibahas di Sect. 3.3, prediksi real-time dapat berfluktuasi dalam 12 prediksi per periode detik. Oleh karena itu, penghitung dibangun untuk memulai alarm jika kebakaran diprediksi dalam lebih dari 3 prediksi, saya.e., untuk 0.25 detik, tanpa osilasi pada gerakan atau latar belakang manusia. Sistem penghitung ini secara efektif mengurangi laju alarm palsu seperti yang ditunjukkan pada Tabel 5.

Tabel 5 Persentase deteksi peristiwa dari model yang diusulkan dengan sistem penghitung diaktifkan

Tabel 6 Perbandingan hasil dari metode yang diusulkan (setelah mengaktifkan sistem penghitung) dan model serupa lainnya

Dalam literatur, sensor PIR digunakan terutama untuk mendeteksi api/nyala api atau gerakan manusia [17, 37, 38]. Dalam metodologi yang kami usulkan, sensor PIR digunakan untuk memprediksi api dan gerakan manusia secara real-time ketika terjadi dalam kisaran tampilan sensor. Tabel 6 mengilustrasikan beberapa prediksi deteksi api dan gerak manusia yang ditemukan dalam literatur dibandingkan dengan prediksi model yang diusulkan. Model yang diusulkan menunjukkan hasil yang menjanjikan dalam mendeteksi api dan gerakan manusia. Model yang direferensikan dimaksudkan untuk mendeteksi pola api atau gerak manusia; tidak keduanya. Menurut [17, 37], acara tersebut dikategorikan hanya sebagai peristiwa kebakaran dan non-api, di mana penulis menganggap tembakan kertas dan alkohol sebagai kategori api. Bekerja di [38] hanya memfokuskan deteksi peristiwa gerak manusia. Dalam metode yang kami usulkan, niatnya adalah untuk mendeteksi penyebaran api menggunakan dua sumber api yang berbeda dan pola gerak manusia. Selain itu, model yang diusulkan mampu membedakan api sebagai api kecil atau menyebar dalam 2 m (lihat ara. 9).

Tabel 5 mengilustrasikan latar belakang (tidak ada gerakan), tingkat deteksi api dan manusia sebagai 99.71%, 95.34% dan 92.39% masing -masing. Seperti yang ditunjukkan pada ara. 9, metode yang kami usulkan menguji kategori api dan gerak manusia: api kecil dan menyebar, dan gerak manusia dalam 1 m dan lebih dari 1 m dari sensor PIR. Gambar 3 dan 4 menunjukkan bahwa api kayu kecil pada 3 m mirip dengan gerakan manusia pada jarak lebih dari 1 m; khusus pada 3 m. Ini menunjukkan bahwa pola gerak manusia yang berbeda menghasilkan pola data PIR yang berbeda yang mirip dengan pola kebakaran di beberapa kasus. Seperti dicatat dalam Tabel 5, masalah ini dibahas dalam model kami menggunakan sistem penghitung untuk berhenti mengkonfirmasi prediksi atau deteksi api palsu.

DNN dilatih dengan data terbatas untuk gerakan manusia karena gerakan manusia memiliki berbagai pola gerakan. Sensor PIR menghasilkan data output yang berbeda untuk gerakan/tindakan manusia yang berbeda. Misalnya, gerakan berjalan manusia berbeda dari gerakan lari manusia; Tangan manusia melambai di atas kepala berbeda dari gerakan menari manusia. Oleh karena itu, ditekankan bahwa DNN dilatih dengan data terbatas dari berjalan lambat manusia, berjalan cepat, dan berputar di kursi putar. Dengan demikian, selama prediksi real-time, jika manusia melakukan beberapa gerakan yang tidak teratur (tidak termasuk peristiwa gerak manusia yang terlatih) seperti menari di depan sensor, ada kemungkinan yang lebih tinggi untuk memprediksi sebagai api. Tapi, prediksi positif sejati tinggi diperoleh saat pengujian dengan tiga pola gerakan manusia sederhana yang disebutkan di atas.

Keakuratan dan kekokohan algoritma dapat ditingkatkan dengan melatihnya dengan pola gerak manusia yang berbeda dan kategori kebakaran. Selain itu, pekerjaan ini dapat diperluas untuk menggunakan jaringan DL alternatif seperti variasi memori jangka pendek (LSTM) seperti yang disajikan dalam [5, 39] untuk meningkatkan keandalan deteksi kebakaran.

Dalam penelitian ini, sensor PIR tidak mengalami oklusi. Literatur tentang pengenalan visual objek dengan oklusi menggunakan pelatihan ekstensif DNNs dengan gambar berlabel objek dengan oklusi [40]. Pendekatan serupa dapat digunakan untuk kategorisasi kebakaran dengan oklusi. Akurasinya dapat ditingkatkan lebih lanjut dengan menggunakan sensor tambahan seperti sensor asap.

Pada bangunan berteknologi tinggi tingkat lanjut, sensor gerak digunakan sebagai sakelar lampu aktif/off otomatis untuk mengurangi konsumsi daya. Hasil deteksi api dan gerak manusia kami menunjukkan bahwa teknik yang diusulkan dapat diperluas untuk menggabungkan sistem sakelar lampu/off lampu untuk melayani berbagai tujuan seperti deteksi api dan aksi manusia. Deteksi manusia juga dapat bekerja seperti alarm pencuri yang dapat dihidupkan saat pengguna berada di luar kantor atau bangunan perumahan.

5. Kesimpulan

Dalam makalah ini, algoritma deteksi kebakaran berdasarkan sensor PIR diferensial dan DNN diusulkan. Eksperimen dilakukan dengan menggunakan sensor PIR untuk mengumpulkan gerakan manusia, api kayu kecil dan menyebar, dan data latar belakang yang kemudian digunakan untuk melatih DNNS. Hasil pelatihan komparatif dengan berbagai arsitektur DNN disajikan. Karena, Shufflenet-V2 menghasilkan akurasi validasi tertinggi dari 87.8% dengan kecepatan 12 frame per detik, digunakan untuk melakukan deteksi kebakaran real-time dengan sensor PIR. Sistem ini memprediksi dua kategori api dan tiga pola gerak manusia berhasil selama percobaan real-time. Tingkat deteksi untuk latar belakang (tidak ada gerakan), jenis api, dan gerakan manusia adalah 99.71%, 95.34%, dan 92.39% masing -masing. Selain itu, memungkinkan teknik penghitung dalam sistem mengurangi tingkat alarm palsu dengan 65.66%. Prediksi palsu keseluruhan adalah 12.2% sebelum teknik penghitung, dan turun menjadi 4.19% setelah teknik konter. Studi ini menunjukkan bahwa sistem yang diusulkan dapat digunakan untuk membedakan varietas jenis kebakaran dan pola gerak manusia jika cukup terlatih.

6 Informasi Tambahan

Sebuah video yang menunjukkan percobaan yang dilakukan untuk mengumpulkan data kebakaran dan untuk prediksi kebakaran real-time, diserahkan bersama dengan naskah.

Apa itu pir?

PIR berarti infra merah pasif. Sensor inframerah pasif adalah sensor elektronik yang mengukur cahaya inframerah (IR) yang memancar dari objek di bidang pandangnya. Sensor PIR paling sering digunakan dalam detektor gerak berbasis PIR.

Detektor gerak berbasis PIR digunakan untuk merasakan gerakan manusia, hewan, atau benda lain. Mereka biasanya digunakan alarm pencuri dan dalam sistem pencahayaan yang diaktifkan secara otomatis. Mereka biasa disebut sederhana &ldquo;Pir&rdquo;, atau terkadang &ldquo;Pid&rdquo;, untuk &ldquo;Detektor inframerah pasif&rdquo;.

Bagaimana cara kerja sensor pir?

Sensor merah infra pasif mendeteksi cahaya inframerah yang dipancarkan oleh benda yang hangat.

Semua objek dengan suhu di atas nol absolut memancarkan energi panas dalam bentuk radiasi. Biasanya radiasi ini bukan&rsquo;T terlihat oleh mata manusia karena memancar pada panjang gelombang inframerah, tetapi dapat dideteksi oleh perangkat elektronik yang dirancang untuk tujuan seperti itu.

Sensor gerak pir

Sensor PIR mendeteksi sumber panas yang bergerak. Lensa (Fresnel) terdiri dari beberapa bagian; Setelah gambar termal (radiasi inframerah) berubah, detektor merespons. Orang dan hewan besar diperhatikan; hewan kecil seperti serangga dan laba -laba tidak.

Istilah pasif dalam hal ini mengacu pada fakta bahwa perangkat merah infra pasif tidak menghasilkan atau memancarkan energi untuk tujuan deteksi. Mereka bekerja sepenuhnya dengan mendeteksi radiasi inframerah yang dipancarkan oleh atau dipantulkan dari objek. Mereka tidak mendeteksi atau mengukur &ldquo;panas&rdquo;.

Bagaimana mengurangi alarm palsu

Seperti yang dinyatakan sebelumnya, apapun &ldquo;Sumber panas bergerak&rdquo; mungkin menyalakan alarm. Ini berarti bahwa konsep, area berangin, dan sinar matahari langsung adalah sumber panas yang harus dihindari. Laporan yang salah juga diproduksi oleh silau sebagai refleksi pada kulit hitam. Jika alarm palsu terjadi, sistem alarm&rsquo;Posisi S atau sensitivitas sensor harus disesuaikan.

Banyak produk mobeye termasuk sensor merah infra pasif atau dapat digunakan dikombinasikan dengan sensor infra merah sebagai aksesori. Karena memiliki detektor ganda untuk verifikasi, Alarm outdoor mobeye detektor, misalnya, menyaring sebagian besar sumber ini. Ini bekerja sangat baik dalam kondisi berangin. CMVXI-R dibangun di atas optex&rsquo;PIR eksternal yang memimpin pasar, yang merupakan pemimpin dunia dalam teknologi pir.

Unit ini memiliki dua pola deteksi, yang keduanya harus rusak secara bersamaan untuk memicu alarm. Ini mengakibatkan detektor sangat kebal terhadap alarm palsu yang dibuat oleh burung, kucing, anjing dll. Karena hewan -hewan ini tidak akan memicu detektor atas dan bawah secara bersamaan.

Deteksi Lapisan Ganda Digital

Dua sensor PIR internal secara independen menganalisis deteksi sehingga kebetulan kejadian yang menyesatkan dapat disaring. Teknologi ini hampir menghilangkan deteksi hewan kecil di tempat. Model VXI-R dilengkapi dengan logika pengenalan sinyal yang ditingkatkan secara digital yang disebut SMDA. SMDA meningkatkan kekebalan terhadap berbagai faktor kebisingan seperti perubahan iklim dan vegetasi bergoyang.

Yang perlu Anda ketahui tentang sensor gerak

Sensor gerak (atau detektor gerak) adalah pemain kunci dari sistem keamanan Anda karena itu&rsquo;s Perangkat kunci yang mendeteksi ketika seseorang ada di rumah Anda saat mereka seharusnya tidak melakukannya&rsquo;t be. Sensor gerak menggunakan satu atau banyak teknologi untuk memperhatikan gerakan di suatu daerah. Jika sensor tersandung, tanda peringatan dikirim ke sistem keamanan Anda&rsquo;S konsol, yang terhubung ke perangkat pemantauan Anda yang mengingatkan Anda dan perangkat pemantauan ke kemungkinan ancaman di tempat tinggal Anda.

Peran sensor gerak dalam keamanan rumah Anda

Deteksi titik gerak utama adalah merasakan pencuri dan mengirim tanda peringatan ke panel kontrol Anda, yang mengingatkan perangkat pemantauan Anda. Sensor bekerja saat Anda tidak di rumah, atau saat Anda memberi tahu sistem bahwa Anda tidak ada di rumah. Beberapa sistem keamanan dapat diatur untuk merekam acara melalui kamera keamanan saat aktivitas terdeteksi.

Sensor gerak berjaga -jaga, siap bereaksi terhadap berbagai situasi, seperti gerakan di ruang tamu, jendela atau pintu Anda yang dibuka atau ditutup, atau jendela yang rusak.

Sensor gerak dapat:

• Beri tahu Anda dalam kejadian bahwa putra/putri Anda menghancurkan jam malam
• Menetapkan bel pintu saat seseorang mendekati pintu depan
• Peringatkan Anda saat anak -anak memasuki area rahasia di rumah, seperti ruang bawah tanah, ruang latihan, atau lemari obat
• Hemat energi dengan menggunakan pencahayaan sensor gerak di ruang kosong
• Memberi tahu Anda jika hewan peliharaan masuk ke daerah di mana mereka&rsquo;tidak seharusnya

Jenis Sensor Gerakan

Inframerah Pasif (PIR)

Mendeteksi panas tubuh (energi inframerah). Sensor inframerah pasif adalah gerakan yang paling banyak digunakan dalam sistem keamanan rumah. Saat sistem Anda disiapkan, sensor gerak Anda diaktifkan. Setelah sensor menghangat, itu bisa merasakan panas dan gerakan di area terdekat, menciptakan defensif &ldquo;kisi.&rdquo; Jika objek yang bergerak menghalangi banyak zona grid dan tingkat energi inframerah berubah dengan cepat, sensor dipicu.

Microwave (MW)

Mengirimkan pulsa microwave dan mengukur sinyal dari objek yang bergerak. Mereka mencakup area yang luas membandingkan sensor inframerah, tetapi rentan terhadap intrusi listrik dan lebih mahal.

Sensor Gerakan Teknologi Ganda

Sensor gerak dapat memiliki fitur bersama dalam upaya untuk mengurangi alarm palsu. Misalnya, sensor inframerah pasif (PIR) dapat dibagikan dengan sensor gelombang mikro. Karena masing -masing beroperasi di berbagai bidang skala, dan satu tidak aktif dan satu aktif, sensor gerakan teknologi ganda tidak mungkin seperti jenis lain yang masuk akal alarm palsu, agar alarm bereaksi. Sensor harus dipicu. Di sisi lain, ini tidak berarti bahwa mereka, tanpa alasan menyebabkan alarm palsu.

Tipe reflektif area

Memancarkan sinar inframerah dari LED. Menggunakan sinyal sinar tersebut, sensor mengukur jarak ke individu atau objek dan mendeteksi jika objek berada di dalam area yang dipilih.

Ultrasonik

Mengukur refleksi objek bergerak dan mengirimkan pulsa gelombang ultrasonik.

Getaran

Ini dapat dibeli atau tanpa kesulitan dibuat di rumah. Mendeteksi gemetar. Sensor getaran buatan sendiri menggunakan sedikit massa pada tuas, yang diaktifkan oleh kenop ke alarm saat bergetar. Sensor gerak buatan sendiri dapat bekerja, tetapi mereka juga bisa tidak dapat diprediksi.

Karakteristik sensor gerak lainnya

Sensor Gerakan Nirkabel

Saat ini, sebagian besar sensor gerak adalah nirkabel. Sensor nirkabel sangat mudah diatur. Mereka tidak membutuhkan pengeboran, dan mereka berkomunikasi dengan mekanisme sistem keamanan lainnya secara nirkabel.

Sensor gerakan kontak (pintu/jendela)

Banyak sensor gerakan kontak adalah sensor inframerah reaktif. Mereka menyalakan alarm jika pintu atau jendela yang dilindungi dibuka saat sistem dilengkapi.

Sensor gerak kekebalan hewan peliharaan

Sensor inframerah pasif dapat diatur untuk tidak memperhatikan hewan hingga berat yang pasti. Sensor gerakan teknologi ganda lebih menantang terhadap alarm palsu yang disebabkan oleh hewan karena membutuhkan dua sensor untuk dipicu dengan cara yang ditentukan oleh perusahaan.

Mereka dapat diatur untuk mengabaikan hewan besar atau banyak hewan kecil tanpa mematikan alarm palsu. Beberapa sensor gerak yang tahan hewan peliharaan memiliki tingkat sensitivitas yang dapat selaras untuk keluarga dengan hewan yang sangat aktif.

Sensor Gerakan Video

Tautan kamera video dengan pemrosesan sinyal canggih. Beberapa sensor gerak yang dapat direkam berangkat rekaman saat mereka merasakan gerakan. Kamera yang dikendalikan oleh sensor gerak dapat menghemat penyimpanan memori Anda dengan tidak merekam ribuan jam rekaman yang tidak berguna – mereka hanya menangkap informasi yang signifikan.

Praktik terbaik untuk pemasangan sensor

Jika Anda menginginkan sistem yang membutuhkan instalasi khusus, pemasang akan tahu untuk mengatur sensor Anda. Di sisi lain, Anda bertanggung jawab untuk menyiapkan sensor Anda jika Anda menggunakan sistem keamanan rumah DIY. Sebelum memasang sensor gerak, pastikan untuk membaca instruksi pengaturan, karena mereka kemungkinan akan terdiri dari rekomendasi posisi. Beberapa sistem DIY juga memberi Anda petunjuk elektronik atau telah Anda menelepon perwakilan penjualan yang akan memandu Anda melalui prosedur pengaturan.

Perlu diingat bahwa sensor gerak tidak tahan kesalahan, dan ada contoh di mana mungkin ada alarm palsu. Alarm palsu lebih sering disebabkan oleh kegagalan listrik, kesalahan pengguna, rekayasa aplikasi yang buruk, lonjakan daya, petir, dan peralatan yang salah. Mereka juga dapat dipicu oleh hewan, serangga, dan tumbuhan.

Kategori

• Pengujian balik
• Sistem Kamera Keamanan Komersial
• Sistem Alarm Kebakaran
• Pemadam api
• Selang kebakaran
• Sistem Perlindungan Kebakaran
• Sistem Sprinkler Kebakaran
• Sistem Penindasan Kebakaran
• Sistem Kamera Keamanan Rumah

Deteksi Kebakaran dengan Pemrosesan Gambar dan Sensor PIR

Unduh PDF GRATIS Lihat PDF

Huruf pengenalan pola

Unduh PDF GRATIS Lihat PDF

Dalam makalah ini, kerangka kerja Fusion Adaptive Fusion (EADF) berbasis fungsional entropi dikembangkan untuk analisis gambar dan aplikasi visi komputer. Dalam kerangka ini, diasumsikan bahwa algoritma senyawa terdiri dari beberapa sub-algoritma yang masing-masing menghasilkan keputusannya sendiri sebagai bilangan real yang berpusat di sekitar nol, mewakili tingkat kepercayaan dari sub-algoritma tertentu tersebut. Nilai keputusan secara linear dikombinasikan dengan bobot yang diperbarui secara online sesuai dengan metode fusi aktif berdasarkan melakukan proyeksi entropik ke set cembung yang menggambarkan sub-algoritma. Diasumsikan bahwa ada oracle, yang biasanya operator manusia, memberikan umpan balik untuk metode fusi keputusan. Sistem deteksi api berbasis video dikembangkan untuk mengevaluasi kinerja algoritma dalam menangani masalah di mana data tiba secara berurutan. Dalam hal ini, Oracle adalah penjaga keamanan Menara Pengawas Hutan yang memverifikasi keputusan algoritma gabungan. Hasil simulasi disajikan. Kerangka kerja EADF juga diuji dengan dataset standar.

Unduh PDF GRATIS Lihat PDF

Abstrak dalam makalah ini, kerangka kerja Fusion Dispection Fusion (EADF) berbasis entropi-fungsional dikembangkan untuk analisis gambar dan aplikasi visi komputer. Dalam kerangka ini, diasumsikan bahwa algoritma senyawa terdiri dari beberapa subalgoritma, yang masing -masing menghasilkan keputusannya sendiri sebagai bilangan real yang berpusat di sekitar nol, mewakili tingkat kepercayaan dari subalgoritma tertentu tersebut.

Unduh PDF GRATIS Lihat PDF

Unduh PDF GRATIS Lihat PDF

Unduh PDF GRATIS Lihat PDF

Peringatan dini adalah sangat penting untuk mengurangi kehilangan nyawa dan properti dari kebakaran. Wilayah yang menarik ditangkap menggunakan kamera CCD dan diidentifikasi oleh sensor asap di node sensor nirkabel. Informasi warna wilayah yang menarik dapat diperoleh dengan aplikasi algoritma model warna pemrosesan gambar digital. Sumber kebakaran diidentifikasi sesuai dengan karakteristik yang diperoleh dan tingkat asap. Sistem ini didasarkan pada pengambilan sampel gambar kontinu. Hasil eksperimen menunjukkan bahwa sistem dapat secara akurat mengidentifikasi dan mengkonfirmasi api. Node sensor video dirancang dengan sensor seperti sensor MQ2 untuk penginderaan asap, sensor SHT75 untuk penginderaan suhu dan kelembaban, sensor OPT101 untuk penginderaan cahaya dan kamera CCD. Alarm diaktifkan hanya untuk gambar api dan insiden kebakaran. Dengan menggabungkan output sensor dengan output gambar, laju alarm palsu adalah nol dan meningkatkan stabilitas. Deteksi dan analisis cahaya adalah dasar untuk sistem deteksi kebakaran dalam pekerjaan pemrosesan gambar ini. Dalam fire gambar ini, model warna seperti RGB, YMK dan HSI digunakan untuk memisahkan cahaya oranye, kuning, dan kecerahan tinggi dari latar belakang dalam kondisi tertentu untuk mendeteksi api. Perbedaan bingkai digunakan untuk menganalisis dan menghitung pertumbuhan dan penyebaran api. Keakuratan sistem diperiksa dan dibandingkan satu sama lain. Jumlah pemrosesan data dapat dikurangi karena penggunaan algoritma yang diusulkan dan dengan demikian mempersingkat waktu eksekusi dan penyimpanan.

Unduh PDF GRATIS Lihat PDF

Apa itu kamera pir dan bagaimana cara kerjanya?

Apakah Anda memiliki pertanyaan tentang instalasi kamera pir untuk bisnis Anda? Clearway adalah pemimpin dalam instalasi CCTV, melayani bisnis di seluruh Inggris. Hubungi Clearway dan kami dapat membujuk Anda melalui pilihan Anda.

Bicaralah kepada kami tentang kamera pir!

Deteksi PIR (infra-red pasif) adalah teknologi yang digunakan dalam sistem keamanan untuk mendeteksi gerakan atau penyusup dengan mengenali cahaya yang dipancarkan dari objek di dekatnya. PIR adalah hasil dari inovasi produk bertahun -tahun karena perusahaan keamanan menemukan cara baru dan inovatif untuk mendeteksi keberadaan pengganggu di fasilitas komersial dan domestik.

Selama bertahun -tahun, sensor dan kamera PIR telah terbukti menjadi salah satu cara paling sukses untuk secara efektif mendeteksi pengganggu, bagaimanapun, mereka&rsquo;bukan tanpa kekurangan mereka. Jadi apa sebenarnya sensor pir? Dan apa tentang mereka yang membuat mereka begitu efektif?

Isi bersembunyi

Bagaimana cara kerja sensor pir?

Radiasi dihasilkan oleh semua objek yang memiliki suhu lebih besar dari nol absolut. Energi ini diekspresikan dalam bentuk energi panas. Karena panas memancar sebagai panjang gelombang inframerah, banyak radiasi ini tidak terlihat oleh mata manusia, namun dapat dideteksi oleh instrumen elektronik yang telah dibangun secara khusus untuk tujuan ini.

Sensor inframerah pasif mendeteksi cahaya inframerah yang dipancarkan oleh benda hangat menggunakan teknologi inframerah pasif.

Dalam konteks sensor PIR dalam alarm pencuri, teknologi ini dikombinasikan dengan relai – komponen sirkuit yang melewati dua kontak – untuk memicu alarm. Saat sensor PIR merasakan gerakan, itu mengaktifkan relai, yang mengganggu sirkuit dan menyebabkan alarm menyuarakan.

Sensor PIR, pada tingkat yang paling mendasar, bekerja dengan mendeteksi perubahan diferensial positif. Dua slot inframerah-sensitif terletak di depan lensa, dan kisaran deteksi ditentukan oleh slot&rsquo; bidang &ldquo;penglihatan&rdquo;. Sementara kedua slot itu &lsquo;menganggur&rsquo;, Jumlah sekitar inframerah yang dirasakan di dalam ruangan (yang secara alami dipancarkan oleh semua item) adalah sama pada kedua slot saat mereka &lsquo;aktif&rsquo;. Saat objek, orang, atau hewan bergerak melalui wilayah pendeteksi, itu terasa oleh salah satu slot sebelum yang lain, menciptakan perubahan diferensial positif saat dilewati dan perubahan diferensial negatif saat keluar.

Setelah sensor PIR mendeteksi gerakan, peringatan dikirim ke panel alarm yang mengaktifkan alarm. Sangat penting untuk sepenuhnya melampirkan sensor PIR sendiri dengan bahan yang dapat mengurangi efek suhu dan kelembaban eksternal, seperti logam seperti silikon.

Manfaat PIR

Sensor gerak PIR dapat memiliki banyak manfaat dalam pengaturan komersial dan perumahan. Kamera pir sering dibandingkan dengan kamera sensor gerak, tetapi PIR memiliki manfaat kuat dibandingkan deteksi gerak standar – – Pengurangan alarm palsu. Kamera deteksi gerak tidak dapat membedakan antara gerakan daun dan penyusup manusia misalnya karena mereka hanya mendeteksi semua jenis gerakan. PIR hanya mendeteksi perubahan panas, menghasilkan pemicu yang lebih andal, pemicu palsu umum seperti serangga, gerakan angin, daun, dll aren&rsquo;t mengambil – menghemat waktu dan uang Anda untuk biaya pemantauan.

Penggunaan utama kamera PIR di pengaturan komersial atau tempat konstruksi adalah untuk membantu perlindungan ruang kosong. Sementara alarm bukanlah teknologi pencegahan, mereka dapat digunakan untuk memicu respons jika penyusup melanggar langkah -langkah keamanan awal Anda. Teknologi PIR dapat dipasang di lokasi strategis berikut untuk mendeteksi pengunjung yang tidak diinginkan:

• Pintu belakang, pintu masuk dan titik akses
• Tempat buta atau tersembunyi di dekat lansekap
• Dekat jendela
• Perimeter situs dan tempat parkir mobil

Bagaimana Anda bisa mengurangi alarm palsu dengan PIR (dan detektor gerak standar)?

Sensor PIR sangat bagus dalam menentukan apakah Anda memiliki penyusup atau itu&rsquo;hanya seekor binatang, misalnya. Mereka memiliki tingkat akurasi yang lebih baik dan dapat mengurangi alarm palsu secara keseluruhan. Namun, Anda harus memperhatikan beberapa detail kecil untuk lebih mengurangi risiko alarm palsu dari sensor gerak PIR Anda.

Banyak alarm palsu akan disebabkan oleh penempatan alarm dan sensor daripada biaya atau kualitas alarm. Ini berarti bahwa ketika memasang alarm detektor gerak nirkabel, Anda harus mengaturnya di tempat -tempat yang memaksimalkan efisiensinya sambil meminimalkan peringatan palsu.

Hal -hal sederhana seperti peniup udara di dekat atau hewan pengerat yang bergerak di lantai masih dapat mematikan alarm Anda.

Menguji penempatan alarm Anda paling baik dilakukan setelah alarm palsu terjadi. Kesalahan dalam gangguan frekuensi peralatan dan radio juga dapat membuat alarm palsu. Pertama, mengesampingkan masalah ini. Jika ragu, periksa penentuan posisi kamera. Periksa area di sekitar detektor gerak untuk melihat apakah itu menyebabkan alarm acak.

Kamera PIR Beraksi

Clearway menggunakan teknologi PIR, termasuk dalam pengaturan menara CCTV kami. Kamera menara CCTV kami adalah solusi yang efektif untuk memantau ruang luar yang besar – terutama di lokasi konstruksi, area kosong yang besar dan tempat parkir mobil. Seperti kamu&rsquo;ll lihat dari diagram, menara CCTV inview kami dapat menghubungkan hingga 8 sensor PIR nirkabel jarak jauh, dipasang hingga 100m dari menara.

Ketika PIR diaktifkan oleh penyusup, tantangan audio langsung dapat digunakan dari stasiun pemantauan untuk berkomunikasi dengan para penyusup. Setelah dideteksi, setiap pir akan menginstruksikan menara&rsquo;Kamera S untuk memutar, memperbesar dan fokus pada penyebab aktivasi. Menara CCTV kami didukung oleh baterai cadangan integral 24 jam untuk memberikan aktivasi, perekaman, dan akses jarak jauh terus menerus.

Jika kamu&rsquo;ingin mengamankan aset Anda, hubungi salah satu spesialis kami hari ini 0800 085 8695 dan pelajari lebih lanjut tentang kemampuan keamanan PIR dan yang lebih luas.