前言

家居场景下，最容易起火的原因不是私拉电线、卧床吸烟也不是发热电器，而是厨房，厨房里的油锅最容易起火。大部分油锅起火、爆燃。如果不及时处理，火势会迅速蔓延。

本系统计划使用oneAPI AI开发工具，设计一套家政离人预警系统。针对无人看管、油面偏高、锅具位置摆放不当等原因引起的油锅起火进行预警。

通过AI识别爆燃火焰、配合物联网设备网关，进行关闸、消防报警等动作。实现油锅爆燃下的紧急干预处理，为用户减少财产损失。

一、方案介绍

在这里插入图片描述

1.系统概述

油锅爆燃预警系统是一款基于人工智能技术的安全预警设备，用于监测油锅状态，及时预警油锅爆燃事故的发生。该系统采用深度学习算法，利用摄像头+传感器采集油锅温度、烟雾、气体等多种数据以及实时图像，通过模型推理实现爆燃预警。
本系统由物联设备、摄像头、物联网网关、AI分析模块、预警系统等软硬件模块组成。主要以Intel OneAPI 实现AI 图像分析模块进行介绍。

2.设计思路

在这里插入图片描述

Intel OneAPI是一种用于高性能计算和人工智能的跨平台、跨架构的软件开发框架，它支持多种编程语言，如C++、Python等，以及多种硬件平台，如Intel Xe、GPU、FPGA等。使用Intel OneAPI可以轻松实现跨平台的高性能计算和人工智能应用。

针对油锅爆燃预警系统的设计，本次我们使用Intel OneAPI AI工具来构建解决方案。以下是方案的基本步骤：

收集数据：首先需要收集油锅爆燃的相关数据，包括温度、烟雾、气体等多种传感器数据。本次介绍的是图像分析模块，通过收集大量的爆燃火焰和非火焰图像来训练我们的模型。我们使用了开源的FIRESENSE数据集去挑选数据。
数据预处理：对于收集到的数据进行预处理，包括清洗、归一化、特征提取等操作。

    input_image = cv2.resize(frame, (224, 224))
    input_tensor = torch.tensor(input_image).permute(2, 0, 1).unsqueeze(0).float()
    input_tensor /= 255
    input_tensor -= torch.tensor([0.485, 0.456, 0.406]).reshape((1, 3, 1, 1))
    input_tensor /= torch.tensor([0.229, 0.224, 0.225]).reshape((1, 3, 1, 1))

模型训练：使用收集到的数据来训练机器学习模型，我们使用Intel PyTorch等来训练模型。在训练模型时，需要考虑模型的参数、超参数、损失函数等因素。
模型评估：使用测试数据集来评估模型的性能，评估模型的准确性、稳定性等指标。
预警系统：将机器学习模型集成到预警系统中，使用传感器数据来实时监测油锅的状态，并使用模型预测结果来进行预警。

二、方案实现

1.ResNet-18模型

ResNet-18是深度残差网络（ResNet）的一种变体，由18个残差块（residual block）组成。这个模型可以用于图像识别任务。

首先从PyTorchvision库中加载预训练的ResNet-18模型。然后，我们定义了火焰识别的类别，并加载了一个测试图像。接着，我们使用transforms对图像进行预处理，将其转化为张量并输入ResNet-18模型进行推理。

...简单示意
model = torchvision.models.resnet18(pretrained=True)

2.Intel OneAPI AI Kit 使用

1.Intel® Neural Compressor：

Intel® Neural Compressor 旨在为TensorFlow、PyTorch、ONNX Runtime和MXNet等主流框架以及 Intel 扩展（如Intel® Extension for TensorFlow* 和 Intel® Extension for PyTorch*）提供流行的模型压缩技术，例如量化、剪枝（稀疏性）、蒸馏和神经架构搜索。

# 应用Intel® Neural Compressor压缩并保存压缩模型

compression_config = {
    'algorithm': 'Quantization',
    'params': {
        'precision': 8,
        'preserve_sparsity': False,
        'mode': 'ASYMMETRIC',
        'per_tensor_compression_ratio': 0.5
    }
}
compressed_model = apply_compression(model, compression_config)
torch.save(compressed_model, 'fire_quantized.pth')
quantized_model = torch.load('fire_quantized.pth')

2.Intel® Optimization for PyTorch*

PyTorch 是一个基于主流 Torch 库的机器学习开源框架。英特尔® PyTorch*扩展为 PyTorch 提供了额外的优化，

安装PyTorch：首先，您需要安装PyTorch。您可以从PyTorch官方网站上下载并安装最新版本的PyTorch。确保您的PyTorch版本支持Intel Optimization for PyTorch。
安装Intel Optimization for PyTorch：从Intel官方网站上下载并安装最新版本的Intel Optimization for PyTorch、可以使用pip或者conda下载Intel Optimization for PyTorch。
导入PyTorch和优化器：在您的Python代码中，导入PyTorch和Intel Optimization for PyTorch优化器。
创建模型和优化器：创建一个PyTorch模型和一个Intel Optimization for PyTorch优化器。在创建优化器时，您需要指定要使用的优化器类型（例如AdamW）和超参数。

#使用optimize函数进行优化
quantized_model = ipex.optimize(quantized_model)

# 在最后一层输出之前添加一个全连接层
num_ftrs = quantized_model.fc.in_features
quantized_model.fc = torch.nn.Linear(num_ftrs, 2)
# 将模型转换为推理模式
quantized_model.eval()

训练模型：使用优化器来训练您的模型。可以使用PyTorch的内置函数train（）或使用自己的训练循环。

    # 使用量化模型进行推理
    with torch.no_grad():
        output = quantized_model(input_tensor)
        predictions = torch.softmax(output, dim=1)
        _, predicted_class = torch.max(predictions, dim=1)

    # 在图像上绘制结果
    cv2.putText(frame, classes[predicted_class.item()], (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)
    cv2.imshow('Fire Detection', frame)

测试模型：使用测试数据集来测试您的模型。

三、方案价值

实用价值
该系统应用场景广泛、可以在家居、家政行业进行广泛使用，由于厨房一般不安装烟雾报警，所以炒锅爆燃检测具有一定的实用价值。用户群体包含个人家庭用户，房屋租赁公司、长期家政服务公司。
抗风险性
对于合租房和家政公司，该系统可以为第三方减少不必要的消防安全风险，并对于已发生的爆燃事故，进行图像、视频的留证。为后续事故责任的认定提供数据支撑，所以该系统具备一定的经济价值和抗风险能力。
创新性
通过Intel工具使用，将物联网关与AI算法相结合，落地在厨房场景、与民生息息相关。该方案与传统的单一视频算法、或者物联网报警器不同，采用了软硬结合的方案。在保证物联设备识别准确度的情况下，提供了灵活性和可扩展性。

总结

该demo通过 intel-aikit-pytorch 使用预训练的ResNet-18模型实现了炒锅爆燃的检测。
并通过使用ipex、apply_compression等工具提高了整体模型的效率。
经过本次大赛，学习使用了intel的开发套件，收获很多。
后续增加物联功能和、人脸抓拍功能可以完善该系统应用

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/695797.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！