Uppskatta flamvolym från brandtester med hjälp av AI

Sammanfattning

Att veta volymen av en flamma medför information om dess intensitet, energifrigörelse och risk för spridning. Flamsegmentering är då en användbar teknik för att övervaka och analysera brandförlopp i realtid, men kräver modeller som balanserar noggrannhet och snabbhet. Detta arbete hade i uppgift att undersöka hur artificiell intelligens kunde användas inom brandforskningssfären. Mer specifikt riktades detta arbete mot hur maskininlärningsmodeller med optisk data kunde kvantifiera bränders höjd, area och volym. För detta tränades och utvärderades treredan etablerade segmenteringsmodeller, U-Net, ENet och Fast-SCNN, tillsammans med två nya specialiserade modeller kallade DeepLab-B0 och DeepLab-B3 på egenutvecklade dataset från olika brandtester. Flera metoder för volymberäkning presenterades som Form från silhuett och olika geometriska approximationer som koner och paraboloider. Resultaten visar attDeepLab-B0 uppnådde högst segmenteringsnoggrannhet medan Fast-SCNN erbjöd bäst kombination av mycket hög inferenshastighet med bra precision. För beräkning av volym gav form från silhuett bäst resultat men med längst beräkningstid per bild. För snabbare men mindre pricksäkra resultat presterade paraboloid-approximationen bäst. DeepLab-B0 tillsammans med form från silhuett anses vara det bästa valet för så verklig avbildning som möjligt men är mycket beräkningstung och är inte lämplig för realtidsapplikationer. Om hastighet är högsta prioritet anses Fast-SCNN tillsammans med paraboloid-approximationen vara den bästa lösningen.