基于深度學習和自相似的物流安全場景創建早期火災檢測教學演示平臺的研究

劉天亮，王金凱 （南京郵電大學 通信與信息工程學院，江蘇 南京 210003）

0 緒 論

火災是眾多災難中最常見、最普遍的一種，對人類的生存與發展構成了嚴重威脅。我國經濟建設快速發展，物流服務以貨主為服務對象，以材料和產品為中心開展采購、加工、包裝、儲存、運輸、配送等物流活動，服務過程環節眾多，不可預測因素也較多，這就對物流安全的火災災情研判提出了更高的要求。當前常用煙感探頭受距離等因素的限制，難以實現對煙感的實時監測[1-2]。本文運用深度學習結合圖像處理算法，便捷有效地改進了受距離限制的火災檢測，有利于學生了解火災檢測的相關關鍵算法，能夠提高學生的動手創新能力。鑒于火災具有毀滅性、迅速性等傳播特性，必須在火災發生初期就對其進行快速的識別，才能最大限度地降低其造成的損失。然而，目前常用的火災檢測手段包括傳統感煙、感溫、感光等，只有在靠近火源的情況下，才能利用其電離生成的微粒進行檢測，進而觸發火災報警和滅火系統；這些手段具有一定可靠性，但也存在延遲性，可能出現警示時火災已經不受控制[3-4]。近幾年快速發展并應用于機器視覺領域的深度學習算法，監督學習選取的部分數據集，充分利用圖像處理方法使火災檢測取得新進展[5-6]，雖然通過深度學習可以更好地提取到火焰特征，但單一卷積神經網絡很難捕捉到早期火災發生時的細小火焰，且其所需資源巨大，難以應用于實際生產和生活中。

針對上述火災檢測中存在的部分問題，本文提出基于Python結合深度學習與火焰煙霧自相關性的想法。通過深度學習算法與傳統圖像處理算法相結合開發的物流安全領域早期火災檢測教學演示平臺，便于識別早期火災并有效檢測與演示教學。用戶只需登錄平臺連接物流安全場景對應的攝像頭IP便可進行實時火災檢測或導入本地視頻文件模擬檢測。演示平臺自動保存火災檢測記錄，用戶經過簡單驗證即可導出查看檢測日志，便于學生記錄實驗數據。平臺專門設計針對早期火焰的檢測算法以確保面對復雜場景時勘測火災的準確性和實時性。

1 早期火災檢測教學演示平臺結構

1.1 總體概述

基于Python結合深度學習與火焰自相關性的早期火災檢測平臺利用Python和PyQt5參數交互。利用PyQt5圖形用戶接口設計了一個交互式火災檢測教學演示平臺。其中PyQt5是基于Qt5的Python GUI庫，其控件豐富，開發高效，支持可視化界面設計[7]。圖1中的圖a、圖b分別為早期火災檢測教學演示平臺的主界面和結構框架圖，其中平臺界面主要包括攝像頭管理、檢測日志管理、監控頁面管理和用戶管理。

圖1 物流安全領域早期火焰檢測教學演示平臺

用戶登錄成功后，在攝像頭管理功能下可選擇對攝像頭IP進行添加和刪除或者將本地視頻導入平臺，達到實時檢測火災的目的；在檢測日志管理功能中，用戶進行簡單的身份驗證即可刪除或導出查看火災檢測記錄，便于對實驗數據進行整理記錄；監控頁面管理功能中，用戶可以通過可視化監控瀏覽早期火焰火災險情發生情況檢測結果；教師可通過用戶管理功能利用主用戶賬號對各學生用戶賬號權限進行管理。

1.2 編程語言選擇

本火災檢測平臺試圖將深度學習算法的有效性與傳統檢測算法的實時性相結合，有效監控早期火災險情，通過改進型輕量化YOLOv5網絡進行初步檢測，對可疑區域輸入傳統檢測算法進行二次判斷，如圖2所示，以提高早期火災險情檢測準確率。本平臺選擇改進型YOLOv5網絡，考慮到Python語言在深度學習方面的簡便性以及與QT圖像界面的相容性[8]，故而選擇使用Python語言結合PyQt5圖形用戶接口制作教學演示平臺的人機交互界面。

圖2 平臺檢測步驟示意圖

2 早期火災檢測關鍵技術

為提高檢測的精準度和在教學實驗中的應用性，本平臺的檢測算法主要對原有YOLOv5網絡進行輕量化處理并改進骨干網絡部分[9]，在后續的傳統目標檢測算法上選擇采用動態捕捉方法結合自相似性算法，提升檢測性能的同時增強教師與學生之間教學的操作性。

2.1 輕量化YOLOv5 網絡

2.1.1 深對空卷積（Space-to-depth）

為解決早期火災檢測中常規算法難以捕捉到細小火焰的特征，本平臺算法在YOLOv5網絡中采用深對空卷積模塊。該模塊將特征圖進行等間隔下采樣，有效保留了細小目標特征。圖3（a）表示將SPD（Space-to-depth）網絡塊設為任意大小（S×S×C）（這里以單通道C=1為例，在實際中可以選擇任意通道）的中間特征映射X，對其劃分子特征映序列為如下。

如圖3（b）所示（這里取scale=2）將中間特征映射X劃分后得到圖3（c）中四個子特征映射，此處每個子特征映射形狀均為（，，1），若對scale取任意值，所得到的子特征映射形狀為。將得到的四個子特征映射按照通道維度合并如圖3（d），此時得到的特征映射形狀為（，，4×1），若對scale取任意值，則所得到的子特征映射形狀為對合并后得到的特征子映射做的非跨步卷積，得到輸出特征映射如圖3（e），特征映射形狀為，其中C1為非跨步卷積中的卷積核個數，取C1＜scale2×C。

2.1.2 網絡輕量化

改進YOLOv5中骨干網絡中的卷積采用深度可分離卷積方式，并將原有C3模塊替換改進為MobileNetv3模塊。在保證提取的特征量不變的前提下減少參數量，并將上述深對空卷積（Space-to-depth）添加到骨干網絡的MobileNetv3模塊后面[10]。以達到輕量化的效果，減少參數量，提高實時性與教學實驗部署實施性。

2.2 自相似改進目標重檢測

在二次判斷的傳統目標檢測算法上本平臺沒有選擇常用的顏色特征或紋理特征提取。因為視頻捕獲端火焰是動態的，本身一直處于閃爍擴張狀態，所以本平臺選用混合高斯背景建模的方法對早期火焰進行動態捕捉[11-12]。該方法的優勢在于對火焰的判斷不再局限于火焰的顏色與紋理特征，在一定范圍內可以減少目標誤判，以提高火災目標檢測準確率。然而基于高斯背景建模對火焰煙霧進行動態捕獲，易出現如圖4所示的重檢測現象。

圖4 同一目標多次檢測的示意圖

自相似現象普遍存在于自然界，如雪花、樹枝、海岸線等，且火焰和煙霧本身就屬于自相似體；在數學中也很常見，如謝爾賓斯基三角形、科赫曲線等。自相似性可簡單描述為局部與整體存在相似特性，或理解為自相似體的某些部分在許多不同尺度上表現出相同的統計特性。圖5是科赫雪花圖，其中a框選部分與b框選部分相似，而b框選部分與c框選部分相似，所以無限放大后，每一框選部分均與上一級框選部分相似。

圖5 科赫雪花圖

為了解決早期火災檢測過程中可能存在的對單目標重復檢測的問題，本平臺采用豪斯多夫距離計算預測目標框之間目標物的相似度[7，13]，并設置閾值作為判斷篩選條件。豪斯多夫距離本質上描述的是特征空間內兩個閉集的相似度的度量值。利用圖像處理方法檢測早期火災現象時，會將圖片或視頻幀轉換為張量進行計算判斷操作。豪斯多夫距離計算公式如下所示。

其中H（A，B）表示集合A與集合B之間的豪斯多夫距離，h（A，B）表示集合A到集合B的豪斯多夫距離，||a-b||表示集合A中的點a到集合B中點b的任意距離度量值。集合A到集合B的豪斯多夫距離刻畫著集合A內所有點到集合B中點的最短距離中的最大距離，而集合A和集合B之間的豪斯多夫距離刻畫的是集合A到集合B的豪斯多夫距離和集合B到集合A的豪斯多夫距離中的最大值[14]。二次判斷后設置閾值判斷為目標物之間的豪斯多夫距離可消除火焰和煙霧由于自相關性而產生的對同一目標重復辨識的現象，改進效果如圖6所示。

圖6 自相似改進目標重檢測效果圖

3 檢測平臺實例

本平臺通過PyQt5用戶圖形界面開發出一個交互性強且操作簡單的物流安全領域早期火災檢測教學平臺，在保證準確率的前提下盡可能地提升平臺運行實時性。在攝像頭管理功能下，用戶根據需要連接斷開的攝像頭IP對攝像頭連接及本地導入視頻進行管理；在日志管理功能下，用戶進行簡單的身份驗證之后即可對檢測記錄進行清空或者導出查看；在用戶管理功能下，用戶可以根據主賬號對其他用戶賬號進行權限管理，限制其他用戶查看日志記錄和修改密碼等權限，反之可以賦予其權限。

3.1 早期火災檢測平臺基本操作步驟

第一步，使用者打開PyCharm軟件，選擇教學演示平臺對應的python程序，按下[RUN]按鈕啟動程序，進入檢測平臺登錄界面，如圖7。

圖7 早期火焰檢測教學平臺登錄界面

第二步，用戶登錄成功后彈出早期火災檢測平臺主界面，如圖8。第三步，點擊選擇[攝像頭管理]功能連接物流安全場景對應的攝像頭IP，如圖9所示。

圖8 早期火焰檢測教學平臺主界面

圖9 攝像頭管理界面

第四步，選擇[IP連接]即可輸入攝像頭IP地址進行連接，連接成功則在主界面上顯示該攝像頭結合平臺算法檢測過程，或者選擇本地視頻文件導入平臺進行檢測。如圖10所示。

圖10 早期火焰檢測教學平臺運行界面（以物流倉儲安全場景為例）

第五步，點擊選擇[檢測日志管理]輸入用戶名進行身份權限驗證，驗證成功即可查看或者清空檢測日志。

第六步，點擊[用戶管理]選擇進行權限管理、用戶申請或密碼修改，教師通過主賬號驗證成功后即可進行相應操作，如圖11所示。

圖11 用戶管理功能選擇界面

3.2 早期火災檢測平臺使用效果

檢測過程中，本平臺檢測算法使用兩階段的深度學習結合傳統目標檢測算法進行檢測，通過輕量化Yolov5網絡并應用深度可分離空卷積方式，在保證實時性的同時提高了對早期火災的檢測準確率。通過深度學習初步檢測后，再運用混合高斯濾波的動態捕捉結合火焰與煙霧自相似性的傳統目標檢測算法進行二次判斷，能夠有效改善多次檢測識別同一目標的問題。

由于本平臺具有操作簡易、交互性強且不占用人力物力等特點，用戶經過簡單操作練習即可流暢地使用本教學演示平臺。教師通過主賬號可有效便捷地管理學生賬號，對其賬號進行權限等管理；學生通過簡單學習即可運用本實驗平臺。該平臺通過自動保存檢測記錄可以幫助學生理解早期火災發生的機理和檢測算法改進，有助于提升學生的創造力。

4 結 語

本文介紹了一套面向物流安全領域早期火焰檢測教學平臺的設計和實現方法，其可作為火災災情研判教學演示平臺。利用深度學習結合傳統視頻目標檢測的方法檢測早期火災隱患，以大幅提高早期火災檢測的準確性和實時性；該平臺具有簡易操作性，易于安裝部署，能有效提高教師教學效率，故可作為實驗教學平臺；提高學生對物流安全中圖像處理的理解與應用，激發學生學習興趣，使學生將理論知識與實際動手操作結合起來，進一步增強學生的實際動手能力。