基于改進圖像多特征的危化品火災檢測算法

張建東，劉學君，沙 蕓，晏 涌，常夢潔

（北京石油化工學院 信息工程學院，北京102617）

隨著我國社會經(jīng)濟的快速發(fā)展，化工產(chǎn)業(yè)的地位越來越重要，而在化工行業(yè)中安全生產(chǎn)是最重要的行業(yè)準則[1]。但是我國國內(nèi)近幾年發(fā)生了幾起重大的危化品安全事故，例如“張家口11·28 重大爆炸事故[2]”、“天津港8·12 火災爆炸事故[3]”等，這些慘痛的教訓深刻地揭露了當前我國化工產(chǎn)業(yè)尤其是危化品行業(yè)在安全生產(chǎn)監(jiān)管體系水平的嚴重不足，主要體現(xiàn)在安全生產(chǎn)和監(jiān)測的技術專業(yè)性水平低下，行業(yè)內(nèi)的法律法規(guī)不健全，缺乏可靠的危化品安全生產(chǎn)管理體系， 安全生產(chǎn)監(jiān)測的人力資源[4]形勢刻不容緩。

在各行各業(yè)中，火災所引發(fā)的安全事故是最頻繁同時也是最嚴重的事故類型之一，而且相比普通類型的火災事故，化工尤其是危化品火災，其危害后果更加嚴重，因為危化品堆垛火災發(fā)生就會伴隨著危險化學品的泄漏和火災蔓延甚至爆炸的風險，一旦爆炸就會產(chǎn)生嚴重的破壞性后果，會造成重大的人員財產(chǎn)損失[5]。

為了實現(xiàn)對危化品堆垛的火災檢測，采用圖像處理可以作為有效的方案之一。提取危化品堆垛火災的火焰信息，可以結合圖像邊緣檢測來達到目的[6-8]。

在信息化時代下，視頻監(jiān)控技術成為了安防行業(yè)不可或缺的部分[9]，為了得到危化品堆垛的實時火災信息，可以利用實時視頻流監(jiān)控截圖再結合圖像處理來達到目的。本文采用改進型邊緣提取算法提取圖像中的火焰邊緣關鍵信息， 檢測火災位置，及時發(fā)現(xiàn)及時預警。

在本文場景中，仿真實驗具體內(nèi)容如下：

（1）仿真場景：實驗室模擬的危化品堆垛火災；

（2）圖像處理開發(fā)硬件設備：x64 架構處理器amd a10 5757m，8 g 內(nèi)存；

（3）圖像處理軟件環(huán)境：win10 操作系統(tǒng)，visual studio 2013 開發(fā)環(huán)境，opencv3 庫；

（4）時間：2020.10；

（5）地點：北京石油化工學院，北京。

1 危化品堆垛火災場景的模擬

由于危化品堆垛的火災場景目前沒有權威的公開數(shù)據(jù)集[10]，且為了盡可能地還原危化品堆垛的火災場景，本文參考了火災檢測實驗領域內(nèi)使用較多的公開視頻流數(shù)據(jù)，見參考網(wǎng)址：https：//mivia.unisa.it/datasets/video-analysis-datasets/fire-detection-dataset/，視頻流截圖效果如圖1和圖2所示。

圖1 燃燒場景1 視頻流截圖Fig.1 Video stream screenshot of combustion scenario 1

圖2 燃燒場景2 視頻流截圖Fig.2 Video stream screenshot of combustion scenario 2

利用模擬的危化品堆垛和火焰模擬發(fā)生器，仿照真實場景制作了危化品堆垛的模擬火災場景，如圖3所示。

圖3 模擬危化品堆垛火災場景視頻流截圖Fig.3 Screenshot of video stream of simulated hazardous chemicals stacking fire scene

從視覺上來說具備較高的仿真度，所以本文的所有算法效果都是基于這個模擬的危化品堆垛火災場景得出的結果。

隨機選取3 張現(xiàn)場視頻流截圖1～3，如圖4、圖5和圖6所示， 同時以這3 張截圖的算法處理效果作為本文的參考和評價指標。

圖4 模擬危化品堆垛火災場景 截圖1Fig.4 Screenshot 1 of simulated hazardous chemicals stacking fire scenario

圖5 模擬危化品堆垛火災場景 截圖2Fig.5 Screenshot 2 of simulated hazardous chemicals stacking fire scenario

圖6 模擬危化品堆垛火災場景 截圖3Fig.6 Screenshot 3 of simulated hazardous chemicals stacking fire scenario

2 相關邊緣檢測算法的火災檢測效果

2.1 傳統(tǒng)Canny 算法的效果

邊緣檢測算法中應用廣泛的算法是Canny 算法[11]，首先利用Canny 算法對本場景下進行火災的邊緣信息檢測， 其中， 截圖1～3 對應的傳統(tǒng)Canny火災邊緣檢測效果如圖7、圖8和圖9所示。

圖7 傳統(tǒng)Canny 火焰檢測效果圖 截圖1Fig.7 Traditional Canny flame detection effect picture screenshot 1

圖8 傳統(tǒng)Canny 火焰檢測效果圖 截圖2Fig.8 Traditional Canny flame detection effect picture screenshot 2

圖9 傳統(tǒng)Canny 火焰檢測效果圖 截圖3Fig.9 Traditional Canny flame detection effect picture screenshot 3

根據(jù)以上效果圖可以發(fā)現(xiàn)，Canny 算法雖然能對火災信息進行邊緣檢測，但是同時也存在大量的非火焰因素的邊緣信息，這就造成了大量的干擾信息。

2.2 改進型Canny 算法的效果

由于傳統(tǒng)Canny 算法的火災邊緣檢測效果存在大量的干擾信息，所以參考文獻[12]采用局部去雜全局去噪的改進型Canny 算法，將其復現(xiàn)應用于截圖1～3 中，觀察其火焰邊緣檢測效果，如圖10、圖11和圖12所示。

圖10 改進型Canny 火焰檢測效果圖 截圖1Fig.10 Improved Canny flame detection effect picture screenshot 1

圖11 改進型Canny 火焰檢測效果圖 截圖2Fig.11 Improved Canny flame detection effect picture screenshot 2

圖12 改進型Canny 火焰檢測效果圖 截圖3Fig.12 Improved Canny flame detection effect picture screenshot 3

2.3 相關Canny 算法的不足之處

可以發(fā)現(xiàn)，相比傳統(tǒng)的Canny 算法[11]，針對本場景，去噪去雜改進型Canny 算法[12]雖然能在一定程度上減輕全局噪點和前景火焰區(qū)域局部的細小紋理的去除， 但是依然存在較多的非火焰因素干擾，大部分的干擾因素都不能有效去除，兩者算法的火焰邊緣檢測效果都不能作為提取火災火焰邊緣信息的可靠支撐數(shù)據(jù)。

3 顏色特征算法的火災檢測

由于相關的Canny 邊緣檢測算法對于火災檢測的抗干擾性欠佳，所以利用火災檢測的另一個常規(guī)方法，像素多特征檢測算法，涉及到對像素的顏色空間、像素分類的處理。參考并復現(xiàn)了文獻[13]的算法應用于截圖1～3 的火災火焰邊緣檢測，效果如圖13、圖14和圖15所示。

圖13 像素多特征的火災檢測效果 截圖1Fig.13 Effect of fire detection based on multi pixel features screenshot 1

圖14 像素多特征的火災檢測效果 截圖2Fig.14 Effect of fire detection based on pixel multi features screenshot 2

圖15 像素多特征的火災檢測效果 截圖3Fig.15 Effect of fire detection based on multi pixel features screenshot 3

根據(jù)圖13～圖15的效果，可以發(fā)現(xiàn)，火焰的背景中干擾物邊緣信息相比傳統(tǒng)的Canny 算法和改進型的Canny 算法的效果，要減少很多。但是背景中的干擾信息依然不容忽視， 還需要盡可能地減少，這樣才更有利于火焰信息檢測的準確度，更好地支撐后續(xù)基于火焰邊緣特征信息的火情判斷和預警。

4 改進型火焰邊緣檢測算法

為了能在保留火焰主體邊緣特征的同時，盡可能去除相關的非火焰因素的干擾， 尤其是背景干擾。針對傳統(tǒng)Canny 算法、相關改進型Canny 算法以及常規(guī)的像素多特征檢測火焰信息的不足之處，本文經(jīng)過調(diào)研相關文獻[12-15]，經(jīng)過算法改進之后，采用結合像素RGB ＆ HIS 信息、圖像相與處理[13]、otsu前后景分離[16]、二值圖邊緣提取方法[17-18]得到火焰區(qū)域邊緣信息。

改進算法的具體流程如圖16所示， 相關算法公式如式（1）～式（3）所示。

圖16 改進型危化品堆垛火災邊緣信息檢測流程Fig.16 Flow chart of improved edge information detection for dangerous chemicals stacking fire

4.1 像素RGB & HIS 信息的處理

式（1）用于提取危化品堆垛火災場景下的大致火焰區(qū)域。

式（1）中：參數(shù)R，G，B 分別是像素RGB 的紅色分量、綠色分量、藍色分量；Rt 是整張圖片所有像素點的紅色分量的閾值，一般在115～135 之間；S 是像素HIS 信息分量中的飽和度值；St 是整張圖片所有像素點的飽和度值的閾值，一般在55～65 之間[13]。

這一步得到圖像中大致的火焰區(qū)域后，可以用中值濾波手段平滑去噪[13]，一定程度上降低可能存在的細小噪點干擾信息。

4.2 火災場景的前景和背景的分離

式（2）是otsu 算法[16]，用于分離圖像的前景和背景，可以更加準確地區(qū)分火焰前景和背景，處理效果是二值圖，為后續(xù)的圖像相與處理減少背景的干擾因素做鋪墊。

式（2）中：m×n 為原始圖像尺寸，灰度化處理后，利用像素灰度閾值t，對圖像進行分類，即前景像素和背景像素；n0是前景像素數(shù)目， 占比為w0；u0是前景像素的平均灰度值；n1是背景像素數(shù)目，占比為w1；u1是背景像素的平均灰度值；u 是全圖的平均灰度值；g 是類間方差。當g 最大時，對應的閾值t才是分離前景和背景的最佳閾值。

4.3 圖像相與處理去除主要干擾信息

式（3）是將大致的火焰區(qū)域二值圖和otsu 效果二值圖進行相與處理[13]，得到干擾信息進一步減少的火災火焰區(qū)域特征圖。

式（3）中：1111 1111 表示255 的像素值，即白色像素；0000 0000 表示0 的像素值，即黑色像素。

只有兩個像素值都為255，其相與結果才會是255，即白色像素，否則相與結果都是0，即黑色像素。

4.4 火災二值圖的邊緣提取

在上一步的基礎上，利用二值圖邊緣提取技術[17-18]，對4.3 環(huán)節(jié)中的火焰區(qū)域特征圖進行邊緣提取，得到初步火災火焰邊緣二值圖。

4.5 提取無火災場景邊緣二值圖

對于無火災場景重復做4.1～4.4 環(huán)節(jié)，得到無火災場景邊緣二值圖。

4.6 有火和無火邊緣二值圖相與處理

4.4 環(huán)節(jié)中的初步火災火焰邊緣二值圖再和4.5 環(huán)節(jié)中的無火災場景邊緣二值圖進行相與處理，得到干擾信息相對最少的最終火災火焰邊緣二值圖。

5 實驗結果

根據(jù)本文改進型算法的流程，對截圖1～3 進行實驗，結果如圖17、圖18和圖19所示。

圖17 本文算法火焰檢測效果 截圖1Fig.17 This algorithm flame detection effect screenshot 1

圖18 本文算法火焰檢測效果 截圖2Fig.18 This algorithm flame detection effect screenshot 2

圖19 本文算法火焰檢測效果 截圖3Fig.19 This algorithm flame detection effect screenshot 3

6 評價指標

參考文獻[12]的效果圖評價參考，構建手工勾勒的標簽圖。對火災現(xiàn)場的截圖1～3 的主體內(nèi)容，進行手工線條勾勒，再二值化處理，白色化處理火焰區(qū)域線條和主要的非火焰內(nèi)容區(qū)域的線條。再利用各個算法的火焰檢測邊緣二值圖和對應的手工勾勒二值圖進行圖像相與處理， 可以得到截圖1～3火焰檢測的正確率。

火焰檢測的評價指標的正確率如公式（4）所示：

式中：NumLabelA：火焰標簽圖label_A 的白色點數(shù)；NumLabelB： 非火焰標簽圖label_B 的白色點數(shù)；numA：各個邊緣提取算法和火焰標簽圖相與得到的公共白色像素點數(shù)；numB： 各個邊緣提取算法和非火焰標簽圖相與得到的公共白色像素點數(shù)。

說明：手工標簽圖用8 px 勾勒，目的是減少誤差，因為傳統(tǒng)Canny 算法、改進型Canny 算法以及本文改進型算法都是1 px 勾勒的邊緣二值圖，所以最后的公共白色像素點數(shù)要乘8 處理。

各個算法針對模擬危化品堆垛火災場景的火焰檢測正確率，如表1所示。

表1 各個算法的火焰檢測正確率Tab.1 Flame detection correctness of each algorithm

7 結語

基于邊緣檢測提取危化品堆垛火災信息，本文算法的火焰檢測正確率分別為91.9%，94.3%，94.2%，平均正確率是93.5%；傳統(tǒng)Canny 算法平均正確率是28.6%；改進型Canny 算法平均正確率是30.7%； 常規(guī)的像素多特征檢測平均正確率為89.4%。相比傳統(tǒng)的Canny 算法、改進型Canny 算法以及常規(guī)的像素多特征的火災火焰邊緣檢測效果，本文采用的改進型算法能保留火焰邊緣主體信息，降低非火焰因素的干擾，檢測正確率更高，有利于后期基于火焰邊緣特征判斷火情狀態(tài)，及時發(fā)現(xiàn)及時預警。

下一步可以將火焰圖像結合煙霧信息，進行火災的綜合處理判斷，進一步提高危化品堆垛火災檢測效果和進行早期預警。