Earticle

오늘날 현대사회에서 스마트하고 안전한 도시는 연구 커뮤니티의 주요 관심사 중 하나이다. 도시들은 개방된 지역, 농경지, 숲으로 둘러싸여 있으며, 화재 발생은 인간의 삶을 위협하고 그들의 재산도 손상시킬 수 있다. 최근 비전 센서 기반 화재 감지 기술은 컴퓨터 비전 분야의 전문가들을 통해, 최신 문헌에서 다양한 컨볼루션 신경 네트워크 (CNN)을 대한 최고의 성능을 달성하고 있다. 그러나 이러한 기술은 변환 불변이고, 지역성에 민감하며, 이미지에 대한 전체적인 이해가 부족하다. 또한 CNN 기반 모델은 계산 비용을 줄이기 위해 차원 축소를 위한 풀링 레이어 전략을 사용했지만, 가장 활동적인 특징 검출기의 정확한 위치와 같은 많은 의미 있는 정보를 손실한다. 이러한 문 제를 극복하기 위해 본 연구에서는 비전 트랜스포머(ViT)기반 화재 감지 모델을 개발하였다. ViT는 입력 이미지를 이미지 패치로 분할한 다음 워드 임베딩과 유사한 시퀀스 구조로 트랜스포머에 제공한다. 우리는 벤치마크 화재 데 이터 세트에서 제안된 작업의 성능을 평가하고 최신(SOTA) CNN 방법과 비교할 때 좋은 결과를 달성한다.

In today's modern age, smart and safe cities are one of the major concerns of the research community. The cities are surrounded by open areas, agricultural land, and forests, where fire incidence can make human lives threatening, damaging their properties as well. Recently, vision sensors-based fire detection has attracted computer vision domain experts, where the leading performance is achieved by a variety of convolution neural networks(CNN) in the recent literature. However, these techniques are translation invariant, locality-sensitive, and lacking a global understanding of images. Furthermore, CNN-based models use the pooling layers strategy for dimensionality reduction to reduce the computational cost but it also loses a lot of meaningful information such as the precise location of the most active feature detector. To overcome these problems, in this work, we developed Vision Transformers(ViT) based model for fire detection. The ViT split the input image into image patches and then feed these patches to the transformer in a sequence structure similar to word embeddings. We evaluate the performance of the proposed work on the benchmark fire dataset and achieve good results when compared to state-of-the-art(SOTA) fire detection CNN models.

엣지 디바이스 환경에서 실시간 화재 탐지를 위해서는 높은 정확도와 함께 제한된 연산 자원 내에서의 효율적인 모 델 구동이 요구된다. 그러나 기존 YOLOv12 기반 객체 탐지 모델은 높은 연산량과 복잡도로 인해 엣지 환경 적용 에 제약이 있다. 이를 해결하기 위해 본 논문에서는 K-means clustering과 FPGM을 결합한 FPKM 기반 구조적 가지치기 방법을 제안하고, 구조적 가지치기 이후 발생할 수 있는 채널 불일치 문제를 해결하기 위한 모델 재구성 전략을 함께 적용하였다. 특히 Residual, Concatenate, Split 구조가 포함된 네트워크에서도 연산 정합성을 유지 하도록 설계하였다. 실험 결과, FPKM은 30%, 50%, 70% 전 구간에서 FLOPs와 추론 시간을 감소시키면서도 성능 저하는 제한적으로 유지하였다. GPU(RTX 2080 Ti) 환경에서 50% 가지치기 시 추론 시간은 4.4 ms에서 2.6 ms로 약 41% 단축되었으며, mAP50은 79.5%에서 77.3%로 2.2% 감소하였다. CPU 환경에서도 baseline 54.3 ms, 5.8 G FLOPs에서 32.5 ms, 3.7 G FLOPs(50%)로 감소하여 약 40% 수준의 연산 효율 개선을 확인하였다. 이를 통해 제안한 방법이 GPU뿐 아니라 CPU 기반 엣지 환경에서도 효과적인 경량화 기법임 을 확인하였다.

Real-time fire detection in edge-device environments requires high detection accuracy as well as efficient model operation under limited computational resources. However, the original YOLOv12- based object detection model has limitations for edge deployment due to its high computational complexity and model size. To address this issue, we propose an FPKM-based structural pruning method that combines K-means clustering with Filter Pruning via Geometric Median (FPGM), along with a reconstruction strategy to resolve channel mismatch problems caused by structural pruning. The reconstruction framework is designed to preserve tensor consistency and computational stability even in networks containing branching structures such as Residual, Concatenate, and Split connections. Experimental results show that the proposed FPKM method reduces both FLOPs and inference time across pruning ratios of 30%, 50%, and 70%, while maintaining only limited performance degradation. In the GPU (RTX 2080 Ti) environment, at a 50% pruning ratio, inference time was reduced from 4.4 ms to 2.6 ms (approximately 41% reduction), while mAP50 decreased from 79.5% to 77.3% (a 2.2% drop). In the CPU environment, the baseline model required 54.3 ms and 5.8 G FLOPs, whereas the 50% pruned model achieved 32.5 ms and 3.7 G FLOPs, demonstrating about 40% improvement in computational efficiency. These results confirm that the proposed method is effective not only in GPU environments but also in CPU-based edge scenarios, making it suitable for real-time fire detection on edge devices.

본 논문에서는 무선통신(Wi-Fi)을 이용하여 화재 발생을 다수의 사람들에게 알릴 수 있는 시스템을 제안한다. 이 시스템은 아두이노를 기반으로 연기·불꽃·온도센서로 화재 발생을 감지하고, 감지된 데이터를 무선통신을 이용해 서버로 전송한다. 서버에 있는 데이터를 이용하여 단말기와 화재가 발생한 감지기를 통해 화재 상황을 받는다. 그리고 화재 위치 데이터가 포함되어 신고가 가능하다. 이 시스템에서 단말기 어플리케이션의 푸시 기능으로 감지기로부터 화재 알림을 받아 볼 수 있었고, 감지기 연동 및 SMS 신고를 확인하였다. 이 결과를 바탕으로 인터넷을 이용해 화재와 같은 긴급한 정보를 단말기로 사람들에게 전달할 수 있는 시스템이 실제로 활용 가능함을 확인할 수 있었다.

In this paper, we propose a fire alarm system that utilizes Wi-Fi to alarm multiple people at once. This system, based on Arduino, uses smoke, flame and temperature sensor units to sense fire and send detection data to a server via wireless communication system. The server uses stored data to relay current fire situations gathered from nearby sensors to smartphones. It also automatically reports the fire using location data from sensors. Using this system, we were able to retrieve fire alarm from sensors via push notification of our smartphone. We also confirmed the establishment of linkage with sensors and automatic report of fire via SMS. From this result, the possibility of sending real-time notifications via the Internet toward nearby smartphones about disasters such as conflagration has been proven to be feasible.

연구목적: 화재 탐지시 불꽃/연기의 오탐지율이 높은 것을 확인하고 오탐지율을 낮추기 위해 화재 상황 을 인식하여 분류하는 방법과 데이터셋을 제안하고자 한다. 연구방법: 동영상을 학습데이터로 활용하 여 화재 상황의 특징을 추출하여 분류모델에 적용하고, 평가는 한국정보화진흥원(NIA)에서 진행하는 화재 데이터셋을 이용하여 Yolov8, Slowfast의 모델 성능을 비교 및 분석하였다. 연구결과: YOLO는 배 경의 영향에 따라 탐지 성능이 민감하게 변화하며, 화재의 규모가 너무 크거나 작을 때에도 화재를 제대 로 감지하지 못했다. SlowFast는 동영상의 시간 축을 같이 학습하기 때문에 비정형 객체에 대해 주변이 흐리거나 밝아 형상을 명확하게 유추할 수 없는 상황에서도 우수하게 화재를 탐지하는 것을 확인했다. 결론: 화재 탐지율은 이미지 데이터 방식보다는 동영상 기반의 인공지능 인식(Detection) 모델을 활용 했을 때 더 적절했음을 확인했다.

Purpose: We would like to confirm that the false positive rate of flames/smoke is high when detecting fires. Propose a method and dataset to recognize and classify fire situations to reduce the false detection rate. Method: Using the video as learning data, the characteristics of the fire situation were extracted and applied to the classification model. For evaluation, the model performance of Yolov8 and Slowfast were compared and analyzed using the fire dataset conducted by the National Information Society Agency (NIA). Result: YOLO's detection performance varies sensitively depending on the influence of the background, and it was unable to properly detect fires even when the fire scale was too large or too small. Since SlowFast learns the time axis of the video, we confirmed that detects fire excellently even in situations where the shape of an atypical object cannot be clearly inferred because the surrounding area is blurry or bright. Conclusion: It was confirmed that the fire detection rate was more appropriate when using a video-based artificial intelligence detection model rather than using image data.

본 논문에서는 화재 상황과 화재 현장에 있을 수 있는 객체에 대한 인공지능 학습용 데이터셋을 구축하였다. 학습용 데이터 셋은 화재 현장에서의 불꽃, 연기, 정상 상황을 식별하기 위한 동영상 데이터 5,304개, 이미지 데이터 약 190만개를 구축하였고, 화재 현장에서 식별 가능한 객체 15종을 31,500개씩 총 472,500개의 데이터를 추가에 성공하였다. 구축한 데이터의 품질을 평 가하기 위해 AI 모델로 테스트한 결과, 화재 감지 정확도는 90.98%, 객체 감지 정확도는 95.48%의 결과를 도출하였다.

연구목적: 건설현장 안전관리를 인적 역량 중심에서 첨단기술인 AIoT와 Mobile 기술을 활용한 시스템 중심의 관리체계로의 전환을 위한 건설현장 안전관리 활성화 방안을 마련하고자 한다. 연구방법: AIoT 와 Mobile 기술을 활용한 건설현장 안전관리 모니터링 시스템이 건설현장의 유효성에 대하여 공동주 택현장의 골조공종에 종사하고 있는 작업자를 대상으로 가상휀스, 화재감시, 안전모 미착용 인식 3개 의 알고리즘을 적용하여 실험을 실시 하였다. 연구결과: 실험대상 근로자는 215명, 가상휀스 침입은 7.61명으로 불안전 행동 발생율은 실험대상 인원 대비 3.5%, 화재감지는 0.16건으로 실험대상 대비 불 안전 행동 발생율이 0.07% 나타났으며, 안전모 미착용 인지는 월 평균 안전모 미착용은 8.79명으로 실 험대상 대비 불안전 행동 발생율 4.05% 나타났다. 결론: AIoT와 Mobile 기술을 활용한 건설현장 안전 관리 모니터링 시스템이 건설현장에 유효한 영향을 미치는 것으로 나타났다.

Purpose: The government intends to come up with measures to revitalize safety management at construction sites to shift safety management at construction sites from human capabilities to systemoriented management systems using advanced technologies AIoT and Mobile technologies. Method: The construction site safety management monitoring system using AIoT and Mobile technology conducted an experiment on the effectiveness of the construction site by applying three algorithms: virtual fence, fire monitoring, and recognition of not wearing a safety helmet. Result: The number of workers in the experiment was 215 and 7.61 virtual fence intrusion was 3.5% compared to the number of subjects and 0.16 fire detection were 0.07% compared to the subjects, and the average monthly rate of not wearing a safety helmet was 8.79, 4.05% compared to the subjects. Conclusion: It was found that the construction site safety management monitoring system using AIoT and Mobile technology has a valid effect on the construction site.

본 논문은 적외선 열영상에서 영상의 밝기와 대비 변화에 따라 적응적으로 화염 후보 영역을 검출하기 위한 적응 문턱치를 제안한다. 현장에 사용 되고 있는 화재 검출 시스템은 카메라의 설치 장소에 따라 얻어지는 영상의 밝기나 대비의 변화가 발생 하여고정된 문턱치를 적용하는 화재 검출 알고리즘의 성능이 변화하게 되므로 환경에 적응적인 문턱치가 필요하다. 제안하는 적응 문턱치를 이용한 화염 검출 알고리즘은 화염의 특성인 온도와 동적임 특성을 분석하여 화염을 검출 한다. 실험을 위해 고정 문턱치를이용한 화염 검출 알고리즘과 비교 하였으며 제안된 적응 문턱치를 이용한 화염 검출 알고리즘은 화염 검출률 91.42%이며 고정문턱치를 적용 하였을 때 보다 오검출률을 약 20%가 감소한다. 그리고 영상의 밝기와 대비 변화에 의한 검출 결과가 일정함을 보여준다.

This paper proposed an adaptive threshold method for detecting flame candidate regions in a infrared image and it adaptsaccording to the contrast and intensity changes in the image. Conventional flame detection systems uses fixed thresholdmethod since surveillance environment does not change, once the system installed. But it needs a adaptive threshold methodas requirements of surveillance system has changed. The proposed adaptive threshold algorithm uses the dynamic behaviorof flame as featured parameter. The test result is analysed by comparing test result of proposed adaptive threshold algorithmand conventional fixed threshold method. The analysed data shows, the proposed method has 91.42% of correct detectionrate and false detection is reduced by 20% comparing to the conventional method.

본 연구는 기존 단일 센서 기반 화재 감지 시스템의 한계인 초기 감지 어려움과 높은 오경보율을 극복하기 위해 멀티 센서를 활용한 멀티모달 화재 감지 프레임워크를 제안한다. 제안된 프레임워크는 데이터 수집 계층, 엣지 컴퓨팅 계층, 클라우드 분석 계층으로 구성되어 독립적으로 동작하면서 실시간 데이터를 상호 교환한다. 데이터 수집 계층에서는 멀티 센서 데이터를 통합 수집하며, 엣지 컴퓨팅 계층은 수집된 데이터를 실시간으로 전처리하고 영상 분석 및 센서 이상 탐지 등의 분석과 네트워크 장애 시 로컬 경보 기능으로 독립적으로 대응한다. 클라우드 분석 계층에서는 엣지에서 전송 된 데이터를 통합 관리하고, 영상 특징과 센서 특징을 융합하는 고도화된 딥러닝 모델을 적용하여 화재 위험도를 최종 판별한다. 이러한 멀티모달 화재감지 프레임워크를 기반하는 시스템을 개발하면, 정보의 상호 보완을 통해 오경보를 줄이 고 화재 초기 감지 정확도를 높여 인명과 재산 피해를 최소화하는 데 기여할 것으로 기대된다.

This study proposes a multimodal fire detection framework utilizing multiple sensors to overcome the limitations of existing single-sensor-based fire detection systems, which often struggle with early detection and high false alarm rates. The proposed framework consists of data collection, edge computing, and cloud analysis layer, which operate independently and exchange real-time data. The data collection layer integrates and collects multi-sensor data. The edge computing layer preprocesses the collected data in real time, performs analysis such as image analysis and sensor anomaly detection, and independently responds to network failures with local alerts. The cloud analysis layer integrates and manages data transmitted from the edge and applies an advanced deep learning model that fuses image and sensor features to determine the final fire risk. Developing a system based on this multimodal fire detection framework is expected to contribute to minimizing loss of life and property by reducing false alarms and increasing the accuracy of early fire detection through information complementation.

Research on fire detection has grown steadily over the last few decades which is the key concern of the research community to prevent the lives of mankind and their property from damages. Several researchers developed video fire detection datasets and proposed different machine learning algorithms for its accurate detection. Therefore, it is very significant for the researchers to understand the relevant datasets in this field that can provide help in terms of results comparison and speed up the research based on the existing datasets instead of creating a new dataset. In this paper, we provide a comprehensive overview of existing fire detection datasets. Firstly, we reviewed seven different fire detection datasets in detail, which can provide helps to new researchers in this field. Secondly, we provided a detailed description of these datasets, and analyzed the shortcomings and suggestions for further fruitful research. This paper is helpful for new researchers to identify possible research gaps and limitations about fire detection datasets.

This study proposes a smart camera system for detecting fires in Building-Integrated Photovoltaic (BIPV) systems. Traditional fire detection methods, such as smoke detectors, temperature sensors, thermal cameras, and videobased surveillance systems, each have specific advantages and disadvantages depending on the environment. However, due to the unique characteristics of BIPV systems, a more sophisticated and integrated detection system is required. In this study, we developed a smart camera system using an NVIDIA Jetson Orin Nano board, a YOLOv5 model, and a Lepton thermal camera to monitor and provide early warnings of fires in BIPV systems in real time. Experimental results across various environments demonstrated that the proposed system offers higher accuracy and reliability compared to existing methods.

Fires are one of the most frequent natural disasters in the world. To minimize the damage from the fire, it is important to build surveillance systems for detecting fire with fire detection algorithms, and a variety of deep learning networks have been proposed with sufficiently high accuracy. However, regardless of the performance of the existing solutions, such systems are bound to a fixed environment so that its coverage is limited. Therefore, in this paper, we propose a fire detection system using mobile robots so as to overcome this limitation. Based on a freely moving robot driving system, the proposed system consist of IoT devices, edge cloud computing, and fire detection algorithm. We hope our proposed system offers useful insights to building practical mobile fire detection systems for minimizing the damages caused by fire.

Recent advancements in Deep Learning (DL) techniques for fire detection have mitigated various ecological, economic, and environmental impacts. However, single models in existing literature often perform poorly due to their inability to capture relevant features with limited data. In this study, we therefore develop an innovative framework for effective fire detection using teacher-student collaborative knowledge distillation. The framework comprises two main components: the teacher model, which leverages a pretrained InceptionV3, and a customized student model designed to inherit the knowledge from the pretrained InceptionV3 to a pruned student model. The proposed network is evaluated and compared against several competitive techniques using two datasets, MAFire and Yar, with different evaluation metrics, offering higher performance and lower computational cost.

Fire is an extremely catastrophic disaster that leads to the destruction of forests, human assets, reduced soil fertility, land resources, and the cause of global warming. In the current decade, fire detection and its management are the major concern of several researchers to prevent social, ecological, and economic damages. To overcome such kind of losses, early fire detection, and the automatic response is very significant. Moreover, achieving high accuracy with reducing inference time and model size is also challenging for the Unmanned Aerial Vehicle (UAVs). Therefore, in this work, we enabled the VGG16 architecture for UAV in terms of reducing its learning parameters from 138 million to 11.4 million for early fire detection. The proposed system is inexpensive in terms of computation and size. The performance of our proposed work is evaluated over the custom dataset. We performed comprehensive experiments using various deep learning architectures such as VGG16, ResNet50, and the proposed CNN model. The experimental results based on the proposed model achieved an accuracy of 98% on 50 epochs.

Fire detection is a significant attempt for preserving public safety in complex surveillance environments. Although advances in deep learning for fire detection, the task remains challenging due to the natural irregularity in fire images, including differences in lighting conditions, occlusions, and background complexity. To address these challenges, we present a novel framework for fire detection named fire channel attention network (FCAN), which is capable of differentiating challenging fire scenes. Our approach is motivated by the need to enhance the accuracy of fire detection by selectively emphasizing the most informative channels of the input image through a channel attention (CA). Furthermore, our model captures the salient features from the input image and suppresses the irrelevant ones, thereby overcoming the aforementioned challenges of fire detection. The FCAN is evaluated on two benchmark datasets and surpassed existing methods in terms of accuracy and F1 score. The proposed model demonstrates the effectiveness of fire detection, highlighting its potential for practical applications in fire safety and prevention.

최근 화재 탐지 분야는 불꽃 연기의 특징과 인공지능 인식(Detection) 모델을 활용하여 탐지율을 높이려는 연구가 많이 진행 되어 왔다. 기존 화재 탐지 정확도를 높이기 위한 모델 연구 이외에도 불꽃·연기의 특징을 다양한 방법으로 데이터 가공한 학습 데이터셋을 활용하는 연구들이 진행되고 있다. 본 논문에서는 화재 탐지시 불꽃/연기의 오탐지율이 높은 것을 확인하고 오탐지 율을 낮추기 위해 화재 상황을 인식하여 분류하는 방법과 데이터셋을 제안한다. 제안한 모델은 동영상을 학습데이터로 활용하 여 화재 상황의 특징을 추출하여 분류모델에 적용하였다. 평가는 한국정보화진흥원(NIA)에서 진행하는 화재 데이터셋을 이용 하여 Yolov8, Slowfast의 모델 성능을 비교 및 분석하였다.

본 논문은 화재 상황에서 효율적이고 신속한 대응을 위한 화재 감지 시스템을 위한 MLOps 시스템 구조를 제안한다. 현재 재난 피해를 최소화하기 위해 기계학습 모델을 활용하는 연구들은 활발하나, 이를 위한 MLOps 시스템 구조에 대한 연구는 부족한 상황이다. 본 연구에서는 화재 상황에 대해 MLOps 기술을 활용하여 지속적인 모델 운영 및 관리를 가능하게 하는 시스템 구조를 제안한다. 제안 구조는 모델 학습 시간과 지연 시간을 고려한 DR 스케줄러를 통해 태스크를 효율적으로 스케줄링 한다. 향후 연구로 제안된 구조를 기반으로 시스템을 구축하고 효율성을 검증할 계획이다.

본 논문에서는 전동스쿠터나 전동킥보드에 많이 쓰이는 18650 리튬이온 배터리의 구 조 및 분석사례를 통해 열 폭주를 일으키는 원인을 파악하였으며, 배터리팩 보호회로 장치(PCM)에 대해서도 살펴보았다. 실제 전동킥보드 관련 화재사례의 화재현장조사, 전동킥보드의 외형분석 및 전원회로 등을 분석함으로써 전동킥보드의 18650 리튬이온 배터리팩 발화특성 또한 확인하였다. 분석결과 화재현장에서 전동킥보드가 식별되는 경우 열 폭주 전파에 의한 2차 발화가능성을 인지하고 화재진압 및 화재감식을 실시할 필요가 있음을 도출하였으며, 18650 리튬이온 배터리의 발화 관점에서 전동킥보드 관 련 화재감식기법을 제시하였다.

Forest fire is one of the most dangerous disasters worldwide, due to which its management is a key concern of the research community to prevent social, ecological, and economic damages. Wildfires are extremely catastrophic disasters that lead to the destruction of forests, human assets, reduction of soil fertility and cause global warming. To overcome such kind of losses early fire detection and quick response is the key concern of research community. Therefore, in this paper, we propose a lightweight convolution neural network (CNN) method to efficiently detect the forest fire for unmanned aerial vehicles (UAVs) or drones. For the experimental evaluations, we develop an aerial images dataset from YouTube, movies, and google images. The results of the proposed architecture reveal its good performance in terms of 96% accuracy.

지하 주차장과 같은 밀폐된 공간은 화재 발생 시 신속한 대응이 어려워 대형 피해로 이어질 가능성이 높다. 기존 화재 감지 시스템은 조기 감지가 어렵고, 환경적 요인에 의해 오작동할 가능성이 있으며, 발생 위치를 정확히 파악하기 어렵다는 한계를 지닌다. 본 연구는 IoT 및 AI 기술을 융합하여 실시간 데이터 분석과 공간정보 기반 화재 감지 및 대응 시스템을 개발하고자 한다. 이를 통해 온도, 연기, 유해가스를 종합적으로 감지하는 IoT 센서를 활용하여 신속한 경보 기능을 제공하고, AI 기반 분석을 통해 위험 패턴을 감지하며, GIS를 활용한 정확한 위치 분석을 통해 대응력을 강화할 예정이다. 또한, 스마트 질식포 보관함과 연계하여 초기 대응을 효과적으로 수행할 수 있도록 하여 기존 시스템의 한계를 극복하고자 한다. 본 연구를 통해 보다 정밀하고 신속한 화재 감지 및 대응이 가능해지며, 인명 및 재산 피해를 최소화할 것으로 기대된다.

Underground parking lots and other enclosed spaces present structural challenges that make rapid response to fires difficult, increasing the potential for large-scale damage. Traditional fire detection systems struggle with early detection, are prone to malfunctions due to environmental factors, and have difficulty pinpointing the exact fire location. This study aims to develop a fire detection and response system integrating IoT and AI technologies, enabling real-time data analysis and spatial information-based fire monitoring. By utilizing IoT sensors capable of detecting temperature, smoke, and hazardous gases, the system will provide rapid alerts. AI-based analysis will detect risk patterns, while GIS technology will enhance accurate location tracking and improve response efficiency. Additionally, the system will be integrated with smart fire blanket storage for effective initial fire suppression, overcoming existing system limitations. This research is expected to enable more precise and swift fire detection and response, minimizing human and property damage.

The automatic fire detection system is an important facility installed with focusing on minimizing the damage from a fire. This paper presents in the followings as the methods to reduce the false alarm of the automatic fire detection system; first, to prepare for legal standard so that revised legal standard can be applied to the fire fighting property prior to revision; second, to introduce the performance based fire detection protection design in the law based fire protection design; third, to maintain the wiring of worn-out detector; forth, to introduce an evaluation system to the education for the fire warden; fifth, to extend the standard of MTBF(meantime between failure) of the detector; sixth, to extend of installing the analog type detector; seventh, to improve the structure of reset switch.