基于圖像識別分析探測隧道火災的技術與創新

江仲慶

（上海浦江橋隧運營管理有限公司，上海市 200023）

0 引言

公路隧道火災有著煙霧大、溫度高；易爆炸、蔓延快；空間小、疏散難；條件差、撲救難等特點。一旦發生火災，對隧道結構和設施造成極大破壞，對社會經濟造成影響，破壞性和危險性極大。近30多年來，我國也發生過多起公路隧道火災事故，造成較大的經濟損失和較壞的社會影響。因此，公路隧道消防系統的可靠性顯得尤為重要。

隧道目前常用的火災報警系統的工作原理主要分為感溫型、感光型、視頻檢測型等[1]。感溫型火災探測器有感溫電纜、紫銅管、熱敏合金線、光纖感溫探測器等幾種，其基本原理都是根據火災發生后產生的熱氣流上升到隧道頂部后，引起隧道頂部的溫度變化，然后根據溫度變化量來實現火災探測和報警。感光型在隧道中應用的主要是雙波長火焰探測器，其對火災中輻射光的閃變的兩種波長進行比較，從而準確地判斷出是否發生火災。視頻檢測型是利用計算機技術，通過視頻檢測到煙霧和火焰從而直觀地發現火災。甘肅省交通規劃勘察設計院宿增強[2]提出基于線型感溫+點式感光技術的公路隧道火災報警系統，結合了光纖光柵線型感溫火災探測和圖像感光探測的技術優勢，提升了隧道火災探測精度和可靠性，其成本較高。北方工業大學王捷等人[3]提出一種分布式智能火災報警系統，以A T89C51單片機為核心，利用智能溫度傳感器，并配以相關外圍接口電路，采用R S485通信協議實現與上位機的數據通信，組成集中和區域為一體的多區域多監測點的火災報警系統。其在分辨率，穩定性等方面都能夠具有一定的水準，使用規模有一定限制。柳小軍等人[4]實現了一種基于A R M9多傳感器數據融合火災報警系統，該系統對火災的判斷主要采用模糊推理的數據融合算法，火災數據的處理和算法的實現都由控制器來完成，實驗結果顯示，該方法可以提高系統的準確度和可靠性。沈陽儀表科學研究院金晨等人[5]設計了一種基于無線傳感網和數據融合技術的火災報警系統，采用3種傳感器組成無線傳感網進行火災數據的監測采集并通過協調器發送給上位機，在上位機程序中采用基于粒子群優化的神經網絡算法對傳感器數據進行數據融合計算，仿真實驗表明傳感器數據經過神經網絡融合的結果具有較高的準確度。

但現有的火災探測系統基本都針對小范圍，大部分存在檢測精度低，成本高的缺陷，且隧道中存在粉塵多、潮氣重和風速大等特點，使其存在火災自動報警設備誤報率和漏報率高等問題，因此，本文提出一種基于圖像識別分析探測隧道火災的技術，通過紅外、近紅外、可見光的多頻視頻攝像，采集火災初期的煙霧和火焰圖像，提取煙霧和火焰相關物理特性，進行融合計算，形成火災概率信息并同時輸出復合圖像信息。能夠同時復合檢測溫度、火焰、煙霧等多種在火災發生時會產生的物理量，可將視頻信息通過網絡上傳至主控室監控中心，監控人員可實時觀察到隧道內的火情，確保在最短的時間對火情進行有效控制和對人員的及時救援。

1 隧道火災探測系統

近年來，圖像型火災探測報警系統有了長足發展，形成了商業化系統并符合國家和國際的標準規范，在許多領域得到了應用。其最大的優點在于基于成像原理，不需要燃燒產物傳播、對流、輻射、傳導到探測器的位置，可以實現火災的早期探測報警。圖像型火災探測報警系統由于可以同時偵測煙霧和火焰，成為最佳的解決方案。

火災火焰一般具有較為明顯的視覺特征：陰燃亮光、火焰顏色、閃爍、外形等特征，另外火災常常也伴有火災煙氣的生成，火焰和煙氣的探測算法不同，市場上的圖像火災探測器可以分為火焰圖像探測器、煙氣圖像探測器，復合式的探測器（兩者兼容）。火災圖像探測器通過視頻捕捉火災場景的圖像信息，后臺利用圖像算法提取火災的物理特征，例如尺寸、運動特性、閃爍、持久度、面積特征、頻域特征等，探測器通過算法分析出現在視頻圖像中的火災圖像特征信息。算法將再針對火災的多種特征并行進行計算，并根據一定長度的視頻周期內符合火災特征的比例進行統計分析，得出相應火災特征所對應的指標，將這些指標采用合適的數據融合方式得出火災的概率。常見的火災物理特征舉例見圖1和圖2。火災圖像探測器的核心技術是探測算法，一個好的算法具有很低的誤報率和漏報率。

圖1 火焰探測的部分特征示意圖

圖2 煙霧探測的部分特征示意圖

圖像型火災探測系統（見圖3）一般由一到兩個CC D/C M O S攝像機、圖像采集與預處理單元、D S P處理單元、輸入輸出界面、紅外光源或配套傳感器等組成。D S P處理器運行著識別煙霧、火焰的數據算法，并根據計算數值進行融合和決策，最終給出報警信息。

圖3 圖像探測器系統架構圖

本文采用分布式光纖感溫探測器作為火災探測的手段，圖像型火災探測器系統構成見圖4，隧道內每隔50m安裝一個手動火災報警按鈕，用于手動報警，每隔12.5m部署一個光纖光柵傳感器作為火災探測的輔助手段。在東線入口1 km區域內安裝12臺圖像型火災探測器，作為一種視頻檢測型的火災探測手段。圖像型火災探測器具有感煙功能，每臺探測器的監控距離設定為100m，每25m形成一個固定探測分區，可以指導或聯動對應分區的滅火設備進行精確定位并給出最合理的滅火方案。

圖4 圖像型火災探測器系統架構圖

2 識別方法

本文利用紅外攝像頭獲取的圖像視頻信息，通過計算機處理，利用火焰的各類獨特特征對圖像進行識別，判斷是否是火焰。并以傳統的圖像目標識別技術為基礎，結合火焰的獨特性質，主要工作流程分為“背景減除”——“特征分析”——“機器學習”三部分。

2.1 背景減除

背景減除是圖像處理的第一步也是最重要的一步，通過有效的背景減除，能大量減少需要進行特征分析的數據內容，實現實時檢測算法。常見的背景減除方法有：幀間差分法，平均值累積法，高斯建模法等。

（1）幀間差分法：當視頻中存在移動物體的時候，相鄰幀之間會有差別，求取兩幀圖像差的絕對值，則靜止的物體在差分圖像上的結果應為0，運動的物體在運動邊緣處和上一幀相比有變化應為非0。當差分圖像絕對值超過一定閾值時，即可判斷為運動目標。該方法適用于運動速度適中，運動變化簡單的情況。

（2）平均值累積法：在視頻中連續取一系列幀，對這些幀取每個像素點的平均值。用這個平均值來表示背景。當出現新幀時，用新幀與背景值做對比。當像素差超過一定閾值時，即可判斷為前景物體。這種算法需要一個安靜的背景時間做背景建模，對于背景經常變化的場景適用程度低。

（3）高斯建模法：統計一段時間內的某個像素點的信息，通過其概率密度等統計信息（如模式數量、每個模式的均值和標準差）表示背景，利用背景差分思想，判斷新輸入的像素是否符合高斯背景。這種模型可以對復雜的動態背景進行建模。

為驗證背景減除方法的有效性，針對以上不同的背景建模方法，分別進行了相應的實驗。試驗結果見圖5。

圖5 不同背景建模方法下的前景圖像

2.2 特征分析

利用背景減除算法，可得到僅有運動目標的紅外圖像，該圖像主要由車燈，煙霧，火焰，車輛行人模糊輪廓等組成。火焰的主要獨特特征可以分為以下三類：基礎幾何特征，動態特征，紋理特征。

基礎幾何特征包括圓形度、矩形度、長寬比、重心高度、邊界粗糙度等特征。針對這些特征，我們進行了大量的實驗，對共計500張圖像進行了特征分析，其中300張圖像為火焰圖像，200張圖像為非火焰圖像。各類基礎幾何特征的識別準確度見表1。

紋理特征是指物體表面的緩慢變化或周期性變化的表面結構組織排列屬性，有良好的抗燥能力。經典的紋理特征提取方法包括方向梯度直方圖（H O G）方法，局部二值模式（L B P）方法等。

表1 各類基礎幾何特征對火焰圖像的分類準確度

H O G特征通過計算和統計圖像局部區域的梯度方向直方圖來構成特征。在一幅圖像中，局部目標的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述。在火焰燈光分類中，H O G特征主要描述的是圖像的邊緣形狀屬性。火焰的邊緣性狀和燈光的邊緣形狀差距較大，能通過H O G特征很好地區分開。

L B P特征是一種描述圖像局部紋理特征的算子，將窗口中心像素設為閾值，與相鄰的8個像素的灰度值進行比較，根據其與閾值的大小關系設為0和1。這樣，將3×3內的8個點與中心點的大小關系進行編碼，這就是L B P算子。L B P算子一般不直接用來進行分類識別，因為其對紋理變化和旋轉較為敏感。將L B P特征進行直方圖統計，利用直方圖的不變性進行相似性判斷是較為合適的做法。

2.3 機器學習

整理出目標所有的特征后，集合為特征向量，對這些特征向量使用機器學習的方法進行判定。常見的機器學習模型有隨機森林，K近鄰算法。多層感知機，支持向量機等。利用收集到的數據建立多種模型，并使用A d a B oo s t in g技術對多模型進行融合，可得到一個較為準確的火焰識別模型。利用同分布的測試集，火焰判定的綜合準確率約為97%。

3 實驗與分析

本項目在大量調研國內外隧道火災探測報警資料后，結合虹梅南路隧道特點，在原有采用分布式光纖感溫探測系統、光柵光纖感溫探測系統的基礎上，2018年7月在虹梅南路隧道探索基于人工智能技術的圖像型火災探測系統的復合式隧道探測報警技術的應用。并于2018年9月27日夜在業主路政局的大力支持下，組織隧道消防演練驗證三類火災探測器的實際效果。

3.1 實驗過程

根據隧道內主要的火災事故類型，試驗方法主要參照了國際一些試驗研究的方法，可以較為準確全面地評估火災探測性能。具體如下：（1）液體油盤火：主要模擬車輛油箱泄漏或者車輛撞擊中出現的火災。這類火災發展很快，在很短的時間即會達到最高熱釋放率；（2）煙霧：主要由于車輛碰撞，或者早期陰燃的貨物等引發。

因此本次實驗設定兩種實驗科目：

科目一：車輛故障冒煙快速處置。中控室通過道路視頻監控發現隧道東線9號攝像頭有車輛停留，中控發現后立即通知牽引前往處置，牽引人員到達后，我方在車輛后側進行點煙（見圖6），現場巡查人員立即用現場水帶將煙霧撲滅后，再次點煙模擬大巴車著火，現場巡查人員再次利用現場水帶將煙霧撲滅。實驗現場見圖6。

圖6 模擬科目一事故陰燃及事故車牽引

科目二：車輛起火運用現場滅火器進行撲滅。中控室通過監控發現隧道東線9號攝像頭有車輛停留，我方在車輛后側進行點火，中控發現后立即啟動隧道火災應急預案，通過廣播通知人員組織自救通過逃生通道進行逃生，事故車輛人員從最近的逃生通道撤離，通知巡檢、牽引立即趕往現場，巡檢到現場后立即使用隧道現有滅火器將火災撲滅后，再次模擬大巴著火（再次點火），撲滅火災后，牽引將事故車輛牽離隧道。實驗現場見圖7和圖8。

圖7 科目二模擬小車起火與救援

3.2 實驗設備

圖8 科目二模擬大車起火與救援

實驗中所用的工具見表2，通過使用煙霧彈來模擬陰燃狀態下的火災，本實驗采用的是瑞典R E G I N公司的#S103系列煙霧彈，發煙時間90 s。采用正庚烷作為燃料，火盤大小為：0.6m×0.6m。實物見圖9。

表2 點火工具

圖9 模擬煙霧（左）和油盤（右）

對于油盤直徑大于0.2 m2的油池，其熱釋放速率隨著直徑的增加而增大，其表達式為：

式中：a為有效燃燒因子；G為質量燃燒速率；ΔH為熱值；Af為油盤面積。

3.3 結果分析

本次實驗分為煙霧和火焰兩個科目，每個科目分別模擬大車和小車發生著火或起煙的高度。實驗環境現場工況見表3。

表3 試驗現場工況

3.3.1隧道煙霧實驗

火災位置設定在圖像型火災探測器的下游50m的位置上模擬陰燃煙霧火災，使用的煙霧彈可以持續發生90 s時長的白色煙霧。實驗結果見表4。

根據表4中數據可知，分布式光纖和光纖光柵不具備煙霧探測功能；圖像型火災探測器可對煙霧做出快速響應，響應時間均在15 s內。并在距圖像型火災探測器50 s位置使用煙霧彈，現場風速大、出煙量小，圖像型火災探測器仍能快速準確的識別報警。所以圖像型火災探測器具備自學習功能，首次點煙探測時間為15 s，末次提升至9 s。

3.3.2 隧道火焰實驗

油盤為隧道環境中典型的火災工況。本次試驗中使用0.6m×0.6m的火盤模擬火災，燃料選用正庚烷。實驗結果見表5。

根據表中數據可知，分布式光纖對火焰響應時間在80 s內；光纖光柵對火焰響應時間在40 s內；圖像型火災探測器對火焰響應時間在15 s內。本次點火點在距圖像型火災探測器100 m位置，其仍能快速響應。

綜上，通過實驗，得出分布式光纖感溫探測系統、光柵光纖感溫探測系統與基于人工智能技術的圖像型火災探測系統的對比結果，見表6。

表6 對比結果

4 結語

該文提出了一種圖像識別技術是一種非接觸式的火災報警技術。應用該技術能夠使火災在前期就被準確發現，能有效提高隧道內火災識別的響應時間、準確度與效率，能有效減少物資損失、降低人員傷亡、維護社會和諧穩定。該技術在隧道火災報警體系中起著至關重要的作用。基于人工智能技術的圖像型火災探測手段作為輔助火災探測系統既可與隧道監控系統結合，也可與隧道異常事件報警系統結合應用于隧道日常監控，具體廣泛的應用前景。

表4 隧道煙霧實驗結果

表5 隧道火焰實驗結果