基于小波包能量分析的紅外火焰信號識別

周永杰，余震虹，張趙良

基于小波包能量分析的紅外火焰信號識別

周永杰1，余震虹1，張趙良2

（1. 江南大學物聯網工程學院，江蘇 無錫 214122；2. 無錫格林通安全裝備有限公司，江蘇 無錫 214073）

在設計紅外火焰探測器的過程中，人工光源常常會引起探測器的誤報。為有效區分人工光源與火焰信號，本文首先對采集的1種人工光源以及3種火焰信號進行分析，將采集的信號進行小波包4層分解，得到信號的能量譜。通過分析發現選取第2,3,4,7頻段的能量值能夠將這4種信號有效區分。為進一步驗證實驗結果，本文將雙通道兩路信號的第2,3,4,7頻段的8個能量值作為一組特征向量，與BP神經網絡結合進行模式識別。結果表明，通過這樣的方法不僅可以區分火焰和人工光源，同時可以對3種火焰進行識別，其識別的正確率為84.1%。因此，基于小波包能量分析的方法提取這8個能量值作為特征值具有一定的可行性，能有效減少人工光源引起的誤報，同時為火焰種類的識別以及以后的滅火自動化提供了新的可能性。

紅外火焰探測器；小波包；BP神經網絡；特征值

0 引言

工業生產安全問題一直為人們所重視，火災的頻頻發生，給人們的生命財產帶來極大的威脅，而工業環境的復雜性，給火災的檢測帶來了極大的困難。最初火災探測的方式為：感煙型火災探測和感溫型火災探測[1]。感煙型火災探測系統是利用火災發生時產生煙霧的特性來檢測環境中的煙霧變化，感溫型火災探測器則是通過周圍溫度的變化來判斷是否有火災發生。利用這兩種方式來探測火災容易發生誤報，且有較大的時間延遲，探測器的靈敏度低[2]。

隨著紅外技術的發展以及半導體材料和制造工藝的發展成熟[3]，利用熱釋電紅外傳感器作為敏感元件的紅外火焰探測器逐漸發展起來。紅外火焰探測器利用物質在燃燒過程中輻射的電磁波進行檢測，能夠較好地識別碳氫類化合物燃燒產生的火焰。但同時，其他的紅外輻射源，如高溫熱源以及人工光源，也會對火焰的檢測造成干擾。針對這一問題，多采用多波段的熱釋電傳感器加以解決。利用任意一個紅外輻射源在不同波段體現不同的輻射強度和強度之間的數學關系來識別火焰與干擾[2]。多波段識別的算法主要有：利用各通道均值的比值[4]、設定閾值及計算超過閾值的個數、通道間閾值能量比較、各信號間的比例與相關性分析等[5]。這些方法在一定程度上可以降低探測器的誤報率，但由于探測距離遠近的變化以及火焰的強弱變化，導致固定閾值的適用范圍較窄。同時，通道強度之間數學關系很難確定，導致比值法的使用受到一定的限制。

本文針對目前多波段識別算法的不足，提出利用小波包能量譜分析人工光源和火焰信號，提取4個頻段能量特征，與神經網絡結合，進行模式分類。在一定程度上，降低了檢測系統誤報率，同時提出用這8個特征值識別火焰的種類，不同種火焰的滅火方式不盡相同，為火焰種類的識別以及以后的滅火自動化提供了新的可能性。

1 理論分析

不同材料的碳氫化合物燃燒產生的火焰輻射光譜不同。火焰光譜從紫外、紅外到可見光都有能量輻射，但在紅外波段輻射能量強于紫外波段。在火焰紅外波段內的4.4mm附近能夠觀察到峰值。另一方面太陽光經過大氣層時，由于太陽光中的4.4mm附近的能量被大氣層中的CO2所吸收而衰減很大，大氣中4.4mm紅外波段強度比較弱。因此4.4mm波段是用于紅外火焰探測的重要波段[6]。由于人工光源干擾會引起探測器誤報，為了排除人工光源的干擾，本文增加了4.8mm波段用以檢測人工光源[1]。

火焰除了輻射光譜特征以外，還具有另一個顯著的特征是閃爍頻率。相關文獻表明火焰固有的頻率在12Hz左右[7]，受到現場風速與火勢的影響，通常頻率在1～25Hz之間。

2 實驗

2.1 實驗平臺

根據雙波段紅外火焰傳感器的工作原理，選用4.4mm和4.8mm波段的熱釋電傳感器[8-9]，經過放大濾波處理，將采集的信號經過數據采集卡，傳輸給計算機。其中，電路的放大倍數為50，帶通濾波器的截止頻率為2～40Hz，采樣頻率為128Hz。

2.2 信號采集

1）酒精燈火焰

用雙通道傳感器探測距離為50cm的酒精燈火焰，其時域波形如圖1所示。

圖1 酒精燈火焰時域圖

從圖1中可以看出4.4mm波段的信號幅值要強于4.8mm的信號幅值，2個信號的頻率均在10Hz左右。

2）煤油火焰

用雙通道熱釋電傳感器采集煤油打火機的火焰信號，其時域波形如圖2所示。

圖2 煤油火焰時域圖

從圖2中可以看出4.4mm波段的幅值強于4.8mm的幅值，信號的頻率成分較多。

3）蠟燭火焰

用雙通道熱釋電傳感器采集蠟燭火焰信號，其時域波形如圖3所示。

從圖3中可以看出4.4mm波段的幅值略大于4.8mm波段的幅值，信號的頻率在12Hz左右。

4）火焰測試燈

火焰測試燈為人工光源，主要有兩個頻率成分，分別為6Hz和4Hz。采集兩路信號時域波形如圖4所示。

圖3 蠟燭火焰時域圖

圖4 火焰測試燈信號時域圖

從圖4中可以看出信號的時域圖可以看出，人工光源是4.8mm波段幅值大于4.4mm波段幅值，而火焰信號是4.4mm波段的信號幅值明顯大于4.8mm波段的幅值，且這4種信號的頻率具有明顯差別，不同的輻射源在不同的波段輻射強度關系不同。

3 特征值提取

3.1 小波包分析

小波包變換具有很好的時頻分辨率，并且能夠在感興趣的頻率點上盡可能細分，彌補了小波變換的不足[10]。4種輻射源信號的頻率主要集中在50Hz以下，利用小波包能量分析可以將這個頻段加以細分。

假定對待分析信號S進行三層分解，分解結構如圖5所示。

A表示低頻，D表示高頻（這里的高頻和低頻是相對于上一級而言的），末尾的序號表示小波包分解的層數。分解具有如式(1)關系：

S＝AAA3＋DAA3＋ADA3＋DDA3＋AAD3＋DAD3＋ADD3＋DDD3 (1)

圖5 信號的三層小波包分解圖

3.2 小波能量譜

按照能量的方式表示的小波包分解結果稱為小波包能量譜[11-12]，根據小波包信號分析理論，原始信號()經過小波包分解后依據的頻譜能量可以由式(2)計算得到：

式中：x,k中＝0, 1, 2, …, 2－1；＝1, 2, …,c；E,j(t)為原始信號經小波包分解后第層第個節點的頻帶能量，則原信號()的總的頻帶能量計算如式(3)所示：

式中：E,j構成小波包能量譜：

3.3 人工光源與火焰信號的小波包多層分解

將信號進行小波包分析時，分解層數視信號的有用成分以及采樣頻率而定。本文采樣頻率為128Hz，使用db4小波包對4.4mm波段采集信號四層分解，其頻帶寬度為4Hz，其第四層節點能量分布如圖6所示。

圖6 4.4mm波段第四層節點能量分布

對四種物質的4.8mm波段采集信號進行小波包四層分解，其第四層節點能量分布如圖7所示。

由圖6可以看出火焰測試燈的能量主要集中在2,4頻段，酒精燈火焰與蠟燭火焰的能量主要集中在3,7頻段，煤油火焰的能量主要集中在2,3,4,7頻段。比較圖6和圖7可以發現，4種輻射源在4.4mm波段與4.8mm波段的能量分布存在明顯的差異，與時域幅值差異相一致。本文提出將兩路信號進行小波包四層分解后的2,3,4,7頻段的能量值作為特征值，如表1所示，其中1～4行為4.4mm波段的4個能量值，5～8行為4.8mm波段的4個能量值。

圖7 4.8mm波段第四層節點能量分布

表1 四種信號的8個能量值

從表1中可以看出測試燈在4.8mm波段的能量值明顯大于4.4mm波段的能量值，酒精燈為4.8mm波段的能量值明顯小于4.4mm波段的能量。蠟燭火焰與煤油火焰在這兩個波段均有明顯能量值，4.4mm波段能量值大于4.8mm波段能量值，但煤油火焰在第一、三的特征值以及第五、七特征值明顯區別于蠟燭火焰。因此，選用這8個特征值能夠區分這4種輻射源。

4 模式分類

4.1 BP神經網絡模型的建立

為了驗證上述8個特征值的可行性，本文選用BP神經網絡作為分類器來識別火焰。有關BP神經網絡的理論詳見參考文獻13，本文不再贅述。選取1種人工光源信號和3種火焰信號的8個特征參數作為輸入，隱含層節點數為13，輸出層的節點數為4。將四種模式分別編碼為火焰測試燈（0001），蠟燭（0010），煤油（0100），酒精燈（1000），采集160組數據，其中100組作為訓練樣本，60組作為測試樣本。

4.2 分類結果

60組測試樣本的識別準確率如表2所示，從表2中可知，對于火焰測試燈沒有發生誤判，對于酒精的識別率為92.9%。這4類的總識別率為88.3%，對于3種火焰的平均識別率為84.1%，由于煤油與蠟燭的化學組成相接近，在燃燒時產物以及輻射的電磁波相接近，故兩者不易被區分。識別率分別為78.6%和81.3%。

表2 四種輻射源的識別率

5 結論

本文通過對人工光源以及火焰信號進行小波包能量分析，提取雙通道傳感器采集信號的4個頻段能量特征，共8個特征值。采集160組樣本數據，結合BP神經網絡進行分類識別。結果表明這8個特征值能夠將火焰信號與人工光源信號區分開，同時可以將不同種火焰信號進行分類，其分類識別率為84.1%，有利于提高火焰探測器的抗干擾性能，為火焰種類的識別及以后的滅火自動化提供了新的可能性。

[1] 袁積德. 三波段紅外火焰探測器的研究與開發[D]. 杭州: 浙江大學, 2012.

YUAN Jide. Research and Development of Triple Channels Infrared Flame Detector[D]. Hangzhou: Zhejiang University, 2012.

[2] 胡幸江. 多波段紅外火焰探測系統的研究與產品開發[D]. 杭州: 浙江大學, 2013.

HU XinJiang. Research and Product Development of MIR Flame Detector System[D]. Hangzhou: Zhejiang University, 2013.

[3] 王汝琳, 王詠濤. 紅外檢測技術[M]. 北京: 化學工業出版社, 2006.

Wang Rulin, Wang Yongtao. Infrared detection technology[M]. Beijing:Chemical industry press, 2006

[4] 楊幫華, 劉燕燕, 何美燕, 等. 多紅外火焰探測中基于決策樹的火災識別[J]. 計算機技術與發展, 2013, 23(8): 14-17.

Yang banghua, Liu Yanyan, He Meiyan, et al.Fire Recognition of Multi-infrared Flame Detection Based on Decision Tree[J]., 2013, 23(8): 14-17.

[5] 周向真. 基于多紅外波段的火焰探測系統的設計[D]. 武漢: 華中科技大學, 2008.

Zhou xiangzhen. Design of Flame Detection System Based on Multi-infrared bands Sensor[D]. Wuhan: Huazhong University of Science &Technology, 2008.

[6] 王啟峰. 火焰光譜數據特征提取、分析系統[D]. 西安: 西安電子科技大學, 2009.

Wang qifeng. Feature Extraction and Analysis System for Flame Radiation Data[D]. Xian: Xian University, 2009

[7] 安志偉, 袁宏永, 屈玉貴. 火焰閃爍頻率的測量研究[J]. 計算機應用, 2000, 5(3): 65-68.

An Zhiwei, Yuan Hongyong, Qu Yuping. Research on the measurement of the flicker frequency of flames[J]., 2000, 5(3):65-68.

[8] Chang C. C, Chu K. P, Lai Y. C. The characterization and fabrication of pyroelectric infrared sensor[J]., 2005, 8(3): 203-206.

[9] Moghavvemi M, Seng Lu-Chin. Pyroelectric infrared sensor for intruder detection[J]., 2004: 656-659.

[10] 徐寶國, 宋愛國. 基于小波包變換和聚類分析的腦電信號識別方法[J]. 儀器儀表學報, 2009, 30(1): 25-28.

Xu Baoguo, Song aiguo. EEG signal recognition method based on wavelet packet transform and clustering analysis[J]., 2009, 30(1): 25-28.

[11] 鐘崴, 彭梁, 周永剛, 等. 基于小波包分析和支持向量機的鍋爐結渣診斷[J]. 浙江大學學報, 2016, 50(8): 1499-1506.

Zhong Wei, Peng liang, Zhou yonggang, et al. Slagging diagnosis of boiler based on wavelet packet analysis and support vector machine[J]., 2016, 50(8):1499-1506.

[12] 孫健, 王成華, 杜慶波. 基于小波包能量譜和NPE的模擬電路故障診斷[J]. 儀器儀表學報, 2013, 34(9): 2021-2027.

Sun Jian, Wang Chenghua, Du Qingbo. Analog circuit fault diagnosis based on wavelet packet energy spectrum and NPE[J]., 2013, 34(9): 2021-2027.

[13] 孫保峰. 基于神經網絡的表面肌電信號分類方法的研究[D]. 長春: 吉林大學, 2013.

Sun Baofeng. Research on the classification of surface EMG based on neural network[D]. Changchun: Jilin University, 2013.

Infrared Flame Signal Recognition Based on Wavelet Packet Energy Analysis

ZHOU Yongjie1，YU Zhenhong1，ZHANG Zhaoliang2

(1.,,214122,; 2.,,214073,)

In process of design of infrared flame detector, therecognition rate of which was reduced by some artificial lights. In order to distinguish artificial light and flame, an artificial light and three kinds of flame were analyzed firstly. The collected signals were decomposed by wavelet packet, then the wavelet packet energy spectrum was acquired. The results showed that the four kinds of signal can be distinguished by the energy of 2,3,4 and7 frequency band. In order to verify the experimental results, the eight energy values of the 2,3,4,7 spectrum from two sensors were regarded as a group of feature vector. The mode of recognition was carried out by applying BP neural network and thefeature vector. The results showed that the method can distinguish the artificial light and the flame. In addition, the three kinds of flame were also identified. The recognition rate can reach 84.1%. Therefore, the method based on wavelet packet energy analysis has certain feasibility, which can increase the accuracy of flame identification. It also provides a new possibility to put out the fire automatically in the feature.

infrared flame detector，wavelet packet，BP neural network，feature vector

中文分類號：TP183

A

1001-8891(2017)03-0232-05

2016-09-17；

2016-12-28.

周永杰（1991-），女，漢族，江蘇鹽城人，碩士研究生，主要研究方向：紅外火焰傳感器。E-mail：jhzhouyj@163.com。