智能消防裝備中的火焰識別技術

王博崇 劉鳴 陳昱興 張子琛 吳琦鳴 蔣金佐

摘要：改革開放以來，隨著社會經濟水平的不斷發展，隨之興起的新技術，新產品層出不窮。但是隨著社會保障水平以及市民居住水平的不斷提高，我國發生火災的概率也隨之越來越大，而又隨著新材料、高功率設備的不斷推廣，滅火的難度也越來越大。因此，我們決定在一定程度上優化火焰識別技術。通過層層篩選，最終利用卷積神經網絡提取火焰的顏色特征、運動特征、幾何特征和紋理特征而分析火災，從而使此次研究在同類型的火焰識別技術領域中占據一定的優勢。

關鍵詞：智能消防;火焰識別;卷積神經網絡

中圖分類號：X93? ? ? ?文獻標識碼：A? ? ? ?文章編號：2096-1227（2021）05-0004-02

一、智能裝備簡介

若想提高消防救援隊伍的滅火救援效能，提高裝備的智能化水平是必不可少的一步。消防裝備的配備情況影響著戰術和戰術效果，甚至是直接影響救援成功率的重要因素。因此，提升裝備的智能化水平、改善裝備結構從而提升消防救援隊伍的作戰能力是關系廣大人民群眾生命以及財產安全的重要手段。

消防裝備智能化的研究工作任重而道遠。本文著眼于圖像法火焰識別技術，通過研究新技術，探討將其應用于智能消防裝備之中的可行性。

二、卷積神經網絡的簡介

（一）網絡結構

卷積神經網絡功能繁多，其中多層檢測學習神經網是一種多層次的神經監測網絡。其中心模塊為卷積層，主要由隱藏層與最大池采樣層組成，主要功能是特征提取。其中，連接層與傳統多層感應器的隱藏層、邏輯歸類器相對應。

卷積神經網絡的輸入特征來源使卷積濾波器，而該神經網絡的每一層都有多個理論上的神經元以及特征圖。在給一個來自卷積和子采樣層的輸入統計濾波后，系統就提取了圖像局部的特征，就可以確定它與其他特征之間的相對方位，上一層的輸出值直接輸入至下一層。

通常情況下，我們可以通過特征層來得到卷積層（特征層是指：輸入到隱藏層之間的映射）。

（二）局部感受野與權值共享

局部感受野：由于圖像空間的連接是局部性的，因此每個神經元都不需要感測全部圖像，而只需感覺到局部的特征。然后，通過對較高級別感測量的局部神經元進行集成，可以得到整體的信息，并且減少了連接數量。權重分享：不同神經元之間的參數分享可通過降低求解參數，并通過放大器對圖像的放大積獲得多種特征圖。實際上，權重共享圖像上的第一隱藏層的所有神經元由于是在同一卷積上確認的，所以均能在圖像的任意一個位置檢測到毫無差別的特性。他的最主要的功能是能夠通過適應小范圍的圖像和平移從而達到檢測不同位置的目的，也就是良好的不變性平移。

（三）卷積層、下采樣層

卷積層：通過去卷積來提取圖像特征，用來強化初始信號原屬性，從而減少噪音。

下采樣層：由于研究人員發現圖像下采樣過程中，它能在保留信息的同時降低數據處理量，因此在發現某一特定的特征后，由于這個位置并不重要，所以樣本會擾亂特定的位置。我們只需要知道這個特征與其他特點之間的空間相對方位，就可以處理類似的物體由變形和變型而產生的變化。

（四）卷積神經網絡的不足

如果網絡層需要加深，每一個網絡層增加的神經元數量會大幅增加，從而使模型復雜化，增大了調整參數的難度，也增大了過度擬合的風險。

此外，在反向傳播過程中，連續迭代會使梯度不斷減小，而梯度一旦歸零，權值便無法更新，導致神經元失效。

（五）展望與總結

隨著研究人員對卷積神經網絡相關的研究不斷推進，其性能日益強大，復雜度也日益提升。目前，卷積神經網絡的相關研究已經取得了顯著成效。然而，一些人工擾動（如向原圖片中鍵入噪點）仍然會導致圖像的錯誤分類。如何解決這一問題，是今后研究的重點。

此外，卷積神經網絡的結構升級仍有很大空間，通過提升網絡結構設計的合理性，可以完善量化分析能力。

三、圖像分割

圖像中包含很多數據，需要分割圖像。然而，精確區分干擾是對整個系統亮度的精確分類和準確劃類的前提。

圖像的分析技術是計算機視覺技術的基礎。通過圖像分割、提取特征參量等方法可以將原本的圖像抽象化，從而便于分析和處理。多年以來，圖像的分割技術研究一直是重中之重，研究人員給出了多種分割方法。一般而言，圖像分割是將圖像劃分為不同的區域，給不同的區域賦予不同的權重，從而獲取重要對象的一種技術。

特征可能是灰度、顏色、紋理等，目標可能對應一個區或多個地方，這與特殊目的應用程序和特殊目的服務請求程序有關。

一般而言，圖像取值分割分析算法大致來說可以再細分為圖形圖像取值分割、邊緣圖像分割、區域分割和重復圖像分析四大個門類。

四、火焰色彩虛擬模型的特征

（一）火焰色彩顏色類型特征

火焰色彩模型一般來說是基于某種火焰色彩類型模式，通過在圖像閾值控制范圍內通過設置某種色彩模型圖像閾值來降噪提取火焰顏色特征圖像。可以用任何提取靜態火焰的特殊像素或者圖案方式來精確描述一個靜態火焰特征。

然而，單純地依靠顏色模型來進行火焰識別會導致嚴重的誤判。火焰的顏色范圍是非常大的，所以它很可能與其他物體顏色相近，導致模型將其混為一談。

（二）降噪

在火焰發展的初期過程中，是不斷處于移動變化的。又一方面，火焰的全部運動都不會跳躍，也就是火焰滿足相對穩定性。所謂燃燒火災的相對穩定性，是指在火災發生后，燃燒范圍的空間會成一個相對穩定的擴增趨勢擴增。通過分析火災的相對穩定性，可以消滅許多虛假信號。

（三）靜態模型

在基于單幀圖像識別的算法中，由于只使用了幾個以火焰為基準的單一形狀特征，因此算法復雜、誤判率很高。

因此，一個能夠自主優化識別的模型就顯得十分重要，圖像靜態特征提取的方法如下：

由于曲率在人的視覺系統中往往是觀測場景的重要參數，因此提取幾何圖像曲率等參數，并以此描繪火焰圖像;

根據測得的數據，描繪連續零曲率以及局部最大曲率、最高曲率正負值等集合特點。

（四）動態模型

在動態燃燒過程中，產生的火焰具有持續性。此外，根據火焰自身的特性和各種原因，火焰還會不斷發生變化。然而，這種變化并不在單個幀圖像中反映出來，而是在連續的多幀圖像中只反映。因此，提取火焰的動態特征就是分析處理連續多幀圖像。

近年來，隨著火災科學的發展，從火焰的隨機狀態中發現了其規則性：

1.火焰的面積增長性;

2.火焰的形狀相似性;

3.火焰的整體移動。

基于圖像的火焰識別算法可劃分為動態識別和靜態識別。若將這兩種算法同步進行應用，則定能增加工作效率。

火焰形成的重要特點之一便是火焰形狀。對于采集到的ccd火焰圖像，首先進行兩個連續的圖像差分操作，然后通過分割方法獲得連續幀的變化區域，使用掃描窗口得到的像素點數來記述連續幀變化區域。變化區域是指：圖像處理中，在獲得閾值之后，通過對高光度進行科學計算、實驗分析，最終得到的區域。當其他高溫物體移動到相機或離開視野時，所檢測到的目標區域會逐漸擴大，并容易引起干擾，從而造成系統錯誤的報告。因此，需要將數據和其他圖像的關鍵性特征進行一個高強度的結合，再深度進行挖掘。

火焰的形狀相似性：圖像之間的類似性通常依賴于已知描述特點之間的差異度。該方法能夠在任意復雜程度上建立相應的類似性量。我們可以對兩個相似的元素進行比較，也可以對兩個相似的場面進行比較，圖像之間的相似性通常意義上是指場景以及結構上的相似性。

在一般情況下，圖像的結構相似度往往并不高，因此，我們傾向于選擇更加典型的結構特點進行描述，如區域面積、區域亮度、線段長度等參數。雖然火焰的圖像序列中火焰的邊緣往往是很不穩定的，但圖像的總體變化會被限制在一定范圍內，而且一般的干擾信號模式包含了固定點或者光照變化，因此，在火焰識別的過程中，可以用初始火焰形狀的變化規則與其進行對照。

盡管火焰的變化通常呈現出不規則的特性，然而這種不規則在形態、空間分布等方面往往具有某種相似之處，因此，我們可以用連續圖像的結構相似性來進行解析。

五、結語

各種高新技術不斷飛躍式發展，這為我國消防智能化技術的開發以及與外國新型消防設備之間的碰撞提供了一個良好的契機，而消防裝備的智能化已成為一個必然的趨勢。自改革開放至今，我國所研究的有關裝備智能化領域內取得的成果，已經為我們打下了堅實的發展基礎，因此我們更應該加快消防智能化的進程，綜合現有所具備的技術，取其精華去其糟粕，適而用之。

由于研究條件和專業方向的局限，本文對智能消防裝備中的火焰識別技術仍然存在不足。此次智能消防裝備的研究方向主要是火焰識別領域，以建立模型的方法進行測算與研究，而對于理論性知識方面的探討仍存在很大的不足。之后的研究可以從其他方面進行深入的探討，探究其對系統化建模會產生哪些方面的影響。

參考文獻 ：

[1]喻麗春，劉金清.基于改進Mask R-CNN的火焰圖像識別算法[J].計算機工程與應用，2020，964（21）：200-204.

[2]肖堃.多層卷積神經網絡深度學習算法可移植性分析[J].哈爾濱工程大學學報，2020，41（03）：420-424.

[3]郭昆.基于卷積神經網絡的建筑風格圖像分類的研究[D].武漢理工大學，2017.

[4]徐曉煜.極化合成孔徑雷達艦船檢測方法研究[D].西安電子科技大學，2017.

[5]黃憶旻.基于圖像檢索的導游系統的設計與實現[D].蘇州大學，2016.

[6]宋戈.火災自動檢測技術在無人值守變電站中的應用[D].沈陽理工大學，2010.

[7]葛勇.基于視頻的火災檢測方法研究及實現[D].湖南大學，2009.

[8]呂普軼.基于普通CCD攝像機的火災探測技術的研究[D].哈爾濱工程大學，2003.