周祎明 王玉德

（曲阜師范大學物理工程學院 山東省曲阜市 273165）

火災事故不僅會造成人員傷亡，還會帶來巨大的經濟損失，嚴重影響人們的正常生活[1]。目前，傳統滅火器，如滅火器罐，消防噴淋裝置多為被動型滅火設備，設備自動化滅火能力弱，智能化程度低，使用局限性大，難以實現對火災的早期預警，無法對火災早期進行行之有效的控制與處理[2]。一些智能滅火設計[3][4]多使用紅外光電傳感器和超聲波進行火焰檢測，精度低，功能性較差。而單一圖像識別檢測的設備，又存在誤報、信息傳輸滯后等問題。

鑒于以上問題，設計準確檢測現場圖像和溫度，又能及時處置現場的智能火災滅火裝置，成為解決火災處置的現實問題。應用深度學習理論，設計基于圖像識別與紅外傳感的智能滅火裝置，可智能化火災預警，實現火災檢測與早期火災控制。

1 系統框架

根據滅火裝置實時檢測火災現場圖像和溫度，又能及時做出警報等相關現場處置措施的要求，智能滅火裝置主要由嵌入式處理器、溫度探測裝置、自動噴淋裝置、報警裝置、圖像檢測存儲與傳輸裝置等組成，結構如圖1。

使用OV2640 圖像采集模塊，獲取800×600 的圖像，應用JETSON NANO 處理器進行處理。紅外溫度傳感器利用物體熱輻射攜帶的紅外波長信息非接觸式獲取目標物溫度，圖像處理單元與紅外溫度采集單元協作完成火災現場的數據采集，形成兩種信息的交叉判斷，發送指令控制滅火裝置進行報警并啟動噴淋等裝置。

系統使用卷積神經網絡CNN 提取圖像特征并對火焰大小進行識別，系統實現時，考慮為便于嵌入系統容易部署，將CNN 做必要的簡化處理。在滅火裝置的控制中加入PID 校正補償措施，以保證裝置的平穩運行和靈敏度。滅火裝置工作流程圖如圖2。

裝置在常規巡航過程中，圖像采集模塊實時采集監控現場圖像信息，與溫度檢測裝置獲取的溫度信息進行交叉判斷，實現監控現場的安全監控。應用深度學習網絡CNN 對現場圖像進行處理，對現場是否有火花以及火焰大小做出判斷，與溫度控制單元協作判斷控制噴淋裝置的噴水位置以及啟動相應位置的噴淋裝置。處理過程中判定為火焰則利用邊緣檢測法[3]獲得目標坐標位置，處理器根據此信息給驅動系統下達指令，啟動疑似火焰區最近點噴淋裝置。為防止圖像誤判，與獲取的溫度信息做交叉判定。滅火裝置的圖像檢測與溫度檢測連續工作，直至圖像視野內無火焰，目標溫度下降到安全范圍內，完成滅火。

2 系統硬件選型與電路設計

2.1 硬件選型

考慮火情監控區域的實時監控要求，保證圖像處理的即時性，選用NVIDA 公司的JETSON NANO，如圖3 所示。JETSON NANO 為四核32 位Cortex-A57 架構， 搭載NVIDA 的GPU。GPU為規模最小的Maxwell 架構，包含有128 個CUDA 單元，運算能力為472G。

圖1：系統結構框圖

圖2：工作流程示意圖

為能夠獲取清晰的監控現場圖像信息還要與處理器的圖像處理能力相匹配，選擇OmniVision 公司的OV2640 攝像頭作為視覺圖像信息信息采集單元，如圖4 所示。

OV2640 是OmniVision 公司生產的一顆1/4 寸的CMOS UXGA（1632×1232）圖像傳感器，支持圖像壓縮，SVGA 格式下可達30幀每秒的采樣率，滿足圖像采集要求。

2.2 溫度檢測與檢測電路

MLX90614 型非接觸測溫模塊是MELEXIS 公司生產的髙精度測溫芯片，集成了該公司的紅外熱電堆傳感器 MLX81191 和用于處理紅外傳感器信號的專用集成芯片MLX90302。

選取了MLX90614 系列紅外溫度傳感器，采集監控現場溫度，檢測電路如圖5。

2.3 無線傳輸模塊

根據現場圖像、溫度數據的傳輸要求，實現流暢的遠程控制和無線圖傳功能，選用了INTEL 的8265AC NGW 雙頻無線網卡。該模塊支持5G/2.4G 雙頻無線網絡，外置的無線天線增益達到3db，支持867Mbps 的傳輸能力，在多阻隔多干擾的復雜無線環境下能夠提供良好的無限穿透能力，提高系統的穩定性與可靠性。

表1：測試結果

圖3：處理器結構

圖4：OV2640 電路結構圖

圖5：溫度檢測電路

圖6：聲光報警模塊電路圖

圖7：VGG16 網絡結構圖

2.4 報警裝置

報警裝置完成聲光報警，應用發光二極管和音頻喇叭實現發現火災現場的聲光報警。電路如圖6 所示。

3 深度學習網絡與系統程序

3.1 VGG16模型結構與工作原理

VGG16 的網絡結構如圖7 所示，共包含13 個卷積層，3 個全連接層和5 個池化層。VGG16 通過卷積層與池化層的堆疊形成網絡結構，所以非常容易構建比較深層的學習網絡。但是VGG16 網絡參數過多導致調參難度較大，需要的存儲空間大不利于嵌入式部署，設計中對其網絡結構進行了簡化，網絡結構如圖7。

3.2 滅火裝置運動控制

滅火裝置運動控制使用了PID 算法。

處理器計算目標位置與預估位置之間的差值，將此值輸入到PID 閉環控制中。此設計中使用的PID 控制公式如公式（1）。

公式（1）計算得到的輸出量以PWM 調制形式傳遞給驅動模塊控制直流電機和轉向舵機，實現裝置車身的平穩運動，實現目標的準確控制檢測。

根據系統設計要求，監控現場情況判斷由圖像識別結果與檢測溫度的交叉判斷。控制系統需根據圖像所得的目標物位置信息，利用PID 算法得到裝置運動控制信息，傳遞給驅動模塊，軟件設計流程如圖8 所示。

4 系統測試分析

VGG16 模型過于龐大，嵌入式部署存在難度，因此對網絡結構進行了刪減修改，模型包含3 個卷積網絡層、3 個均值池化層、3 個全連接層，應用Dropout 方法，Adam 優化器，如圖9 所示。

應用開源的Foggia[6]圖像庫作為數據集進行模型訓練與測試，數據集中有4225 張圖片，訓練集與測試集按0.9:0.1 進行分配。模型訓練時損失Loss 逐漸下降，直至模型收斂，訓練結果如圖10 和圖11 所示。

在室內環境下，應用打火機模擬火源，對滅火裝置進行實驗測試。按照火源距離攝像頭的距離由遠及近進行測試，按照每次間隔0.5m 測試20 個點，測試結果如圖12 和表1 所示。

從表1、圖12 可以看出，實驗測試過程圖像與溫度交叉驗證識別系統的識別距離可到20 米，識別準確隨著火焰與攝像頭間距離的變化，識別準確率在90%以上，識別速度為30fps 左右，滿足監控現場使用要求。

圖8：軟件設計流程圖

圖9：網絡結構示意圖

圖10：損失函數Loss 變化曲線

圖11：識別準確率變化曲線

圖12：識別精度與距離關系

5 小結

選用JETSON NANO 嵌入式處理器和OV2640 圖像傳感器，利用卷積神經網絡設計了一款新型的智能化滅火裝置。經實驗測試，裝置可實現對目標區域的常規巡航，日常化監控，可以敏感檢測出初起火源，實現了遠程無線圖傳，能夠實現火災預警并可對初期火災進行控制。