국립부경대학교 미래 인터넷 및 빅데이터 응용 연구실

YOLO-HF: Early Detection of Home Fires Using YOLO

Bo Peng; Tae-Kook Kim*

https://ieeexplore.ieee.org/document/10985749

Cite This Article

MLA

Peng, Bo, and Tae-Kook Kim. "YOLO-HF: Early Detection of Home Fires Using YOLO." IEEE Access 13 (2025): 79451-79466.

APA

Peng, B., & Kim, T. K. (2025). YOLO-HF: Early Detection of Home Fires Using YOLO. IEEE Access 13 (2025): 79451-79466.

ISO 690

PENG, Bo; KIM, Tae-Kook. YOLO-HF: Early Detection of Home Fires Using YOLO. IEEE Access, 2025, 13: 79451-79466.

Plain Text

B. Peng and T. -K. Kim, "YOLO-HF: Early Detection of Home Fires Using YOLO," in IEEE Access, vol. 13, pp. 79451-79466, 2025, doi: 10.1109/ACCESS.2025.3566907.

Abstract

Domestic fires (residential and indoor) result in substantially higher deaths compared to other types of conflagrations, making early detection crucial to minimizing the loss of life and property. Existing studies and datasets predominantly focus on wildfire detection, with few datasets that capture the complexity of indoor environments and the subtle characteristics of early-stage fires. This gap causes object detection algorithms to produce high false positive and false negative rates in research on the early detection of such fires. To address this, we developed a domestic-fire dataset and proposed YOLO-HF, an early home-fire detection model based on YOLOv5s. To enhance the detection performance for small flames and smoke in a fire’s early stages, we proposed the parametric boosted channel attention (PBCA) mechanism. PBCA fuses global information and adaptively adjusts weights, improving the model’s ability to select and represent key features with minimal parameter overhead. Additionally, we incorporated the RepNCSPELAN4 feature extraction module, which preserves and leverages multi-scale feature information through multi-stage convolution and multi-layer feature fusion. To mitigate information loss caused by the stride setting in traditional downsampling methods, we employed space-to-depth (SPD) downsampling, which retains more spatial details. The experimental results demonstrate that YOLO-HF achieves a 4.6% improvement in Recall, 2.8% in mAP50, and 4.2% in mAP50-95 compared to existing models, all while maintaining its lightweight design. The model size is 13.8 MB, and its frame rate of 66.9 fps, meets real-time detection requirements. Detection experiments using content captured with domestic cameras validated the model’s generalization capability and robustness.

구글 번역

가정 화재(주택 및 실내)는 다른 유형의 화재에 비해 사망자 수가 상당히 높기 때문에 조기 감지는 인명 및 재산 피해를 최소화하는 데 매우 중요합니다. 기존 연구와 데이터셋은 주로 산불 감지에 초점을 맞추고 있으며, 실내 환경의 복잡성과 초기 화재의 미묘한 특성을 포착하는 데이터셋은 거의 없습니다. 이러한 차이로 인해 이러한 화재의 조기 감지 연구에서 객체 감지 알고리즘은 높은 오탐률(false positive)과 오탐률(false negative)을 초래합니다. 이를 해결하기 위해 가정 화재 데이터셋을 개발하고 YOLOv5 기반 조기 가정 화재 감지 모델인 YOLO-HF를 제안했습니다. 화재 초기 단계의 작은 불꽃과 연기 감지 성능을 향상시키기 위해 매개변수 부스트 채널 어텐션(PBCA) 메커니즘을 제안했습니다. PBCA는 전역 정보를 융합하고 가중치를 적응적으로 조정하여 최소한의 매개변수 오버헤드로 주요 특징을 선택하고 표현하는 모델의 성능을 향상시킵니다. 또한, 다단계 합성곱 및 다층 특징 융합을 통해 다중 스케일 특징 정보를 보존하고 활용하는 RepNCSPELAN4 특징 추출 모듈을 통합했습니다. 기존 다운샘플링 방식에서 스트라이드 설정으로 인한 정보 손실을 완화하기 위해 공간-깊이(SPD) 다운샘플링을 적용하여 공간적 세부 정보를 더욱 풍부하게 보존했습니다. 실험 결과는 YOLO-HF가 기존 모델 대비 재현율(Recall)에서 4.6%, mAP50에서 2.8%, mAP50-95에서 4.2% 향상을 달성했으며, 경량 설계를 유지했음을 보여줍니다. 모델 크기는 13.8MB이고 프레임 속도는 66.9fps로 실시간 탐지 요구 사항을 충족합니다. 국내 카메라로 촬영한 콘텐츠를 사용한 탐지 실험을 통해 모델의 일반화 성능과 강건성을 검증했습니다.

Keywords

YOLO, Feature extraction, Accuracy, Proposals, Wildfires, Real-time systems, Adaptation models, Lighting, Indoor environment, Convolution.

YOLO, 특징 추출, 정확도, 제안, 산불, 실시간 시스템, 적응 모델, 조명, 실내 환경, 합성곱

Early Detection, You Only Look Once, Home Fire, False Positive, False Positive Rate, Detection Performance, Object Detection, Attention Mechanism, Model Size, Detection Model, Global Information, False Negative Rate, Indoor Environments, High False Positive Rate, Multi-scale Features, Channel Attention, Channel Attention Mechanism, Fire Detection, Fire Characteristics, Improvement In Recall,Flame Characteristics, Feature Extraction Capability, Convolutional Layers, Frames Per Second, Intersection Over Union Threshold, Global Max Pooling, Precision And Recall, One-stage Methods, Intersection Over Union, Region Proposal

조기 감지, You Only Look Once, 가정 화재, 오탐지, 오탐률, 감지 성능, 객체 감지, 주의 메커니즘, 모델 크기, 감지 모델, 전역 정보, 오탐률, 실내 환경, 높은 오탐률, 다중 스케일 특징, 채널 주의, 채널 주의 메커니즘, 화재 감지, 화재 특성, 재현율 향상, 화염 특성, 특징 추출 기능, 합성곱 계층, 초당 프레임 수, 합집합 임계값에 대한 교차, 전역 최대 풀링, 정밀도 및 재현율, 단일 단계 방법, 합집합에 대한 교차, 영역 제안

YOLO, object detection, fire dataset, home fire detection, smoke detection

YOLO, 객체 감지, 화재 데이터 세트, 가정 화재 감지, 연기 감지

Home fire dataset (kaggle)

https://www.kaggle.com/datasets/pengbo00/home-fire-dataset

Home fire dataset (Github)

https://github.com/PengBo0/Home-fire-dataset

논문 파일 첨부 (pdf file):

https://ieeexplore.ieee.org/document/10985749