本所致力推廣科技防火技術，先前研究業完成全方位智慧型人員避難引導系統，能有效提升室內環境中人員的動態避難效率，本研究則利用多元異質融合感知技術(heterogeneous fusion detection technology)來提升室內環境火災發生的辨識，能在極早期時間內確認火災，以利提早通報人員即時避難疏散，或進行初期滅火及通知消防隊救災。所謂多元異質感知技術，乃是結合火焰辨識、多元氣體火災辨識及異質數據融合技術之創新性火災辨識系統。本研究利用人工智慧(AI)技術及雲端運算(cloud computing)的方式，建構多元火災氣體感知模型、火焰辨識模型並整合為異質性火災識別模型，且利用深度學習(deep learning)工具返復的訓練及精進，進而研發出「異質融合即時早期火焰辨識系統」。以下就此系統實作成果分別說明：
- 多元火災氣體感知模型
室內火場環境中除有常見的燃燒氣體產物一氧化碳(CO)、二氧化碳(CO2)外，也會產生其他有害氣體，因此可利用這些氣體進行火災辨識模型訓練。本研究模型乃是依據本所108年度研究提出之同質感知分析火災模型進行改善，利用時間序列以及多點方式，讓原先僅有單一氣體選擇識別的訓練模型改善為多種氣體的模型進行火災識別，亦即在同時間輸入多種指定的氣體，包括一氧化碳(CO)、氨氣(NH3)、硫化氫(H2S)、氮氣(NO2)，以及溫度數據作為火災辨識的變因，其訓練過程包括資料前處理(需經過資料清理、正規化、轉換、特徵選取等4步驟)、建立模型、演算法選擇、模型訓練及驗證。當模型完成訓練後，經由資料驗證比對訓練之成效，由原先單一氣體模型的87.3%準確率提高至近乎91%的準確率。
- 早期火焰辨識模型
本模型是利用多源的火焰影像(包含真實燃燒實驗或網路影片、照片等) 及人工智慧的深度學習進行模型訓練，並利用雲端運算平台與多核心高運算顯示卡輔助模型建構，以提升模型訓練效率並強化訓練模型修正。模型建構及訓練過程分成5步驟：(1)蒐集火焰影像數據集、(2)影像特徵擷取、(3)訓練集與測試集分類、(4)模型訓練並建立模型、(5)使用模型並測試。本研究使用卷積神經網路(CNN)、YOLOv4物件演算法等進行模型訓練，完成之模型再經過調整影像角度、曝光度、飽和度、色調等訓練，可進一步提高辨識準確率。
- 異質融合即時早期火焰辨識系統
本系統是結合前述兩種不同模型進行多元氣體濃度、溫度與火焰影像等相異性資訊進行數據融合，透過正規化方式將相異性質資訊進行整理，並透過時間序列的方式進行人工智慧深度學習的訓練，以提升數據結果之準確性及可靠性。多元異質感知模型(使用CO、溫度與火焰辨識率進行綜合預測)較多元同質感知模型(使用CO、溫度進行預測)具有較佳之辨識準確率(92.3%)。為進一步驗證，使用108年度本所進行長照機構居室火災實驗相關氣體數據及影像進行驗證，當1分7秒時室內溫度達40.4℃、CO濃度達45ppm、CO2濃度達1,850ppm時，即顯示室內”異常”(正確辨識火災發生)，相對於偵煙器一種2分20秒與偵煙器二種2分29秒，顯示該模型如預期已具有即時早期辨識火災的功能。
未來應用將藉由多元感知偵測模組及與通訊設備將所蒐集之環境數據(如溫度、CO、H2S等氣體濃度)傳送至物聯網平台建構之多元感測資料平台，即時儲存資料與顯示，同時透過網路攝影機的即時串流協定(RTSP)將影像遠距離傳輸，並儲存於資料平台，讓上述辨識系統進行即時性的火災辨識，以確定室內環境是否有起火發生。此外，亦可將結果導入智慧型避難引導系統中，使該系統能夠提早運作，有效提升演算準確性與可靠性，提供避難者更即時的安全路徑指引。
異質融合即時早期火焰辨識系統架構圖