基于BP神經網絡在火災圖像探測技術中的應用①

謝榮全，徐志勝

(中南大學土木工程學院，湖南 長沙 410075)

由于火災燃燒具有復雜性和多變性的基本特性，難以用一個比較精確的數學公式來描述火災圖像的特征。對此，國內雖有一些學者和科研單位做過一些模擬實驗，但對于運用BP神經網絡算法檢測火災圖像技術卻很少涉及。加之國內火災報警生產廠家存在著聯動模塊的接口聯接層面和信號輸入輸出方式不統一、不規范，給火災自動報警系統實現經濟、安全、靈活、便捷的工程優化集成帶來了一系列技術問題。為此，本文利用BP神經網絡算法的方法，用神經網絡對信號的幅度、動態范圍和持續時間等特征進行規范處理，使火災報警輸出的信號達到穩定性和準確性，提高火災報警的準確率［1］。

1 BP神經網絡火災探測算法

BP神經網絡算法的基本思想:(1)預處理和神經網絡。反向傳播是BP神經網絡學習的基本特征，用歸一化到［0，1］的范圍來探測火災信號。(2)BP神經網絡因迭代次數多，收斂慢，需要不斷地改進方法。(3)BP神經網絡為報警和誤報警提供了［0，1］區分標準顯示“0”為火災;顯示“1”為非火災［2］。算法步驟如下:

(1)用隨機數據(一般數據比較小)對網絡的權值(Wji)，(Vkj)和偏置值(θj)，(γk)賦予一個初值，這就是網絡的初始化。

(2)第一步初始化以后，再輸入第一個模式。

(3)求中間層單元j的輸入Uj對應的輸出Hj:

式中:f(*)為Sigmoid函數(以下同)。

(4)求出對輸出層單元(k)的輸入(Sk)和相對應的輸出(Ok)值:

(5)求偏置值，并連接到上權值的誤差(δk):

(6)用誤差δk、輸出層的權值(Vkj)和中間層的輸出值(Hj)，求中間層j的偏置值(σj):

(7)用 δk、Hj和常數 α ，對中間層單元j、輸出層單元k的權值(Vkj)分別加以調整。再根據δk和常數β對輸出層單元k的偏置值(γk)加以調整:

(8)根據誤差σj、輸入單元i輸出(Ii)、常數α對從輸入單元i到中間層單元j的連接權值(Wji)加以調整;同時根據誤差(σj)和常數β對中間層單元j的偏置值(θj)加以調整，得到公式(9)和(10):

和(9)輸入下一個模式。

(10)若有學習模式，則返回(3)。

(11)更新學習次數。

(12)檢查自學習過程的次數，達不到規定的次數時，返回(2)重復進行，直到達到要求為止［3］。

2 神經網絡與火災信號識別

如果煙霧信號范圍［0，1］對應(0－20)%0bc/m，溫度信號范圍［0，1］對應(0 －10)℃/min，CO 信號范圍［0，1］對應0－100×10－6。分別在通信信號和圖像信號識別中予以研究［4］。

2.1 火災通信信號的識別

信息識別的數據來源于火災自動報警系統的探測器，而探測器是通過安裝在火災報警系統區域內各種類型的探頭而采集到的信號［5］。目前探測器的種類有感煙、感溫、感光(分為光焰、光電、紅外光焰、紫外光焰、圖像光焰)、氣體探測器。

在經過了實驗分析以后，得出通信數據信息識別的大致步驟如下:

(1)由設置在附屬醫院各個部位的火災報警感應探頭通過線制向計算機平臺輸送火警信號，由計算機通過軟件系統進行通信數據處理。

(2)計算機軟件系統通信數據采集后，經過處理，將起火的部位(方位)傳輸到顯示屏，顯示屏上起火方位燈亮。同時還和城市“119”火災報警網絡系統相連。“119”火災報警網絡系統也同樣收到了火警信號，并視情予以處理［6］。

(3)計算機根據起火部位(或方位)打印系統打印報警單，如表1所示。

其打印單顯示詳細的起火地點和起火時間，以便采取有力的救援措施。

表1 火災自動報警系統監測數打印表Table 1 Parameters surveyed by automatic fire alarm system

(4)通信數據信息識別使用中的局限性。該醫院在下面2種情況出現誤報警:①由于該醫院設有紅外線放射科，每天受理放射檢查的病號比較多，機器運轉時間稍長，紅外線放出來的信號也會被火災自動報警接收產生故障報警信號，出現誤報。②該醫院有各類工作人員3000余人，住院人數和門診人數也保持在3000～4000人左右，醫院后勤配備的生活鍋爐每天2次排放蒸汽濃度過大時，如果被火災自動報警系統所接收為信號，就出現了誤報警。這兩者都是在今后報警系統信息識別技術中需要解決的難題［7］。

2.2 火災圖像信號的識別

(1)用輪廓跟蹤法捕捉圖像信號。圖像信號識別的一個很重要的方法是輪廓跟蹤法。其總體方法是:首先根據“探測準則”搜索出輪廓線像素;其次使用一定的“跟蹤準則”對第一步中像素的特征找出輪廓線上的其他像素。具體來說，首先根據“探測準則”和“頂點判斷”條件搜索出火焰的尖角頂點。再從該頂點的左右邊界像素用一定的“跟蹤準則”從左下和右下兩個方法進行跟蹤，找到下一行的邊緣目標點。“探測準則”是指從對圖像從左到右、從上到下進行掃描，若發現是黑點則進一步判定是否為頂點。因邊界是連續的，所以每一個邊界點都可以用前一個邊界點對當前邊界點所形成的角度來表示，于是定義“跟蹤準則”操作步驟［8］:

Step1:選定一個邊界點，初始搜索方向為沿左(右)順時指方向;

Step2:判斷Step1的邊界點是否為黑點，若是則轉Step3;否則將搜索方向逆方向旋轉45°，轉Step1，直到找到一個黑點為止;

Step3:用同樣的方法以Step2的黑點作為新的邊界點，若所有行都已經搜索過，則轉Step4，否則轉Step1，搜索下一個黑點，直到搜索出足夠的行為止;

Step4:結束。

圖1即為輪廓跟蹤示意圖。首先按照先上后下，先左后右的順序開始搜索，第1個點為邊界點，用A表示。用同樣的方法，分別找到B點和C點，循環反復回到A點(起始點)。這就是通過設定的順序找出邊緣點來跟蹤出邊界，即我們常說的輪廓跟蹤法［8］。

(2)用中值濾波實驗消除噪聲。如圖2所示，從圖可看出大部分噪聲得到了很好的消除，圖像質量也得到了明顯的提高。

圖1 輪廓跟蹤示意圖Fig.1 Sketch map of the tracked profile

圖2 火焰濾波前后的實驗效果Fig.2 Experimental results of the flame after and before being filtered

(3)用分割實驗采集、分割圖像。本文在室內通過燃火采集到了參照圖和火焰圖像，并按背景差分法分割出火焰圖像。在實驗中，反復設置T值，并取得一個較好的值52，圖3(c)為結果圖。

圖3(c)中火焰提取圖是由濾波并灰度化后的圖3(b)減去同樣處理后的圖3(a)得到的結果。在實際應用中，通常只對可疑的目標感興趣，而對其他的背景目標可以不關注［9］。

(4)用尖角個數實驗區分火源圖像。實驗數據采用5張連續圖像，為了檢測火災區域面積和尖角變化特征的對火災識別的效果，實驗時，每張圖像的對象面積都是逐漸變大的，且引入手電筒光源和蠟燭光源，滿足尖角特征的檢測效果。實驗結果如表2所示。

圖3 火焰圖像的分割效果圖Fig.3 Identification effect of the flame

表2 火災火焰及干擾物體的尖角特性統計Table 2 Cusp characteristics statistics of fire flame and interferent

3 BP神經網絡算法在火災探測中的應用

神經網絡的輸入量為:IN1為面積變化;IN2為形體變化;IN3為邊緣變化;IN4為整體移動;IN5為一階顏色矩。網絡輸入量設計為5個單元，輸出量設計為1個單元，隱含層節點數為4個，訓練次數為1000次以上，學習效率為0.001，目標誤差為1.0 ×10－5［10］。

3.1 火災視頻探測實驗算法

以某大學附屬醫院采用的海灣安全技術有限公司推出的視頻火災探測報警系統GST－VFD(簡稱VFD系統)為研究對象進行神經網絡算法的火災探測實驗。

圖4是一個以微型計算機為基礎的現代火災自動報警系統的基本原理圖。系統中，火災探測器、消防聯動設備等必須通過輸出接口才能與微處理器相連。

圖4 現代火災自動報警系統工作原理圖Fig.4 Modern automatic fire alarm system working principle diagram

系統的輸入信號為(CCTV)信號。信號由圖像采集經過計算機分析處理后就變成了數字圖像序列，只有成為數字圖像以便為計算機系統所識別。本算法能探測到火災場景中的一些極其微小的變化，用提取變化區域與火災發生的特征進行比較。通過分析、篩選、計算，保證VFD系統能夠迅速準確地探測到火災［12］。VFD系統主要規格和特點是:VFD系統的視頻火災監控軟件運行于Windonws2000/windonsXP之上，包括了所有的圖像顯示，參數、用戶、聯運和報警設置等功能。其可視化、無接觸的特點比起傳統的火災探測方式具有無可比擬的優越性。目前從運行的情況來看，具有界面友好、操作容易、設計簡單、維護方便和誤報率低等優點。誤報警的因素有許多種，主要有以下3種:①火災場景的光照強度和變化的幅度;②物體運動頻率(如飛動的灰塵)、顏色干擾程度;③高溫物體變化狀況。這里有火災圖像50幅;蠟燭圖像20幅;電筒圖像20幅;日光燈圖像20幅為訓練樣本。測試結果如表3所示［13］。

表3 火災火焰及干擾現象的神經網絡判斷Table 3 Judgement of fire flame and interferent by neural network

綜上所述:①任意截取一幅實際操作所得來視頻圖像樣本，即初始背景圖像。②利用一幅當前實際視頻圖像更新初始時背景，得到待檢測的背景視頻圖像。③根據背景圖像的邊緣梯度值之和，判斷視頻背景圖像的清晰度。這就得到了實際視頻圖像清晰度評價之值［14］。

3.2 BP網絡的火災氣體辨識訓練與驗證方法

BP神經網絡火災氣體辨識訓練驗證實驗方案:①實驗地點選擇在某大學的火災實驗室內進行;②實驗工具采用的是MATLAB6.5的神經網絡工具箱。BP網絡訓練310，樣本取10組;③實驗得出的結論是相同的:輸出誤差僅為1×10－6。樣本訓練后的輸出計算值，最大的輸出誤差為0.023(見樣本6)，保持在0.023范圍內，小數點后面的4～8位有誤差。這就說明辨識效果達到了預期的效果［15－16］，見表 4。

3.3 火災發生概率(誤報警)分析

本文作者在現場同火災自動報警系統的管理人員一起分析得出以下數據，見表5。

從表5可以看出:電氣、違章操作、用火不慎、生活蒸汽(該醫院為病房提供的生活蒸汽)起火原因所占的比重大。

統計火災自動報警系統報警后的資料，借此來分析火災自動報警系統報警的成功概率(或誤報警率)，見表6。

表4 BP網絡的訓練樣本數據表Table 4 Training sample datasheet of BP network

表5 醫院各類火災起火原因所占百分比Table 5 Percent of various causes of fire in hospital %

表6 火災自動報警成功概率的統計數據Table 6 Statistical datasheet of the right alarm probability of automatic fire alarm system %

這說明火災自動報警系統在探測煙霧、火災圖像方面的成功概率都在98%以上;說明火災自動報警探測器在火災所發生的煙霧、視頻圖像上靈敏度比較高。

4 結論

(1)從介紹BP神經網絡這一理論的基本原理出發，對BP學習算法的12個步驟逐步進行分析研究。

(2)采用BP神經網絡算法，對火災探測進行了實驗，首先從信號識別，其中包括通信信號識別與圖像信號識別，然后分別采用視頻火災探測算法和氣體辨識樣本訓練與驗證及現場數據分析，取得了較好的實驗效果和驗證的準確性。

(3)從一定的角度、一定的層面得出基于BP神經網絡算法在火災探測領域的應用價值，不管是識別、探測，還是減少誤報警都是可行的，具有一定的應用前景。

［1］趙英南，陳南.智能建筑火災自動報警系統設計與實施［M］.北京:知識產權出版社，2005.ZHAO Yingnan，CHEN Nan.Design and application of intelligent building automatic fire alarm system［M］.Beijing:Intellectual Property Publishing House，2005.

［2］BREA WILLIAMS.An investigation on fire performance of FRP－Strened R/C beams［J］.Fire Science and Technology，2007，9(9):492－498.

［3］譚炳華.火災自動報警及消防聯動系統［M］.北京:機械工業出版社，2007.TAN Binghua.Automatic fire alarm and fire protection linkage system［M］.Beijing:China Machine Press，2007.

［4］陳南.智能建筑火災監控系統設計［M］.北京:清華大學出版社，2001.CHEN Nan.Design of intelligent building fire surveillance system［M］.Beijing:Tsinghua University Press，2001.

［5］徐志勝.安全系統工程［M］.北京:機械工業出版社，2007.XU Zhisheng.Safety system engineering［M］.Beijing:Mechanical Industry Press，2007.

［6］楊斌，馬瑞升，何立，等.基于顏色特征的遙感圖像中煙的識別方法［J］.計算機工程，2009，4(4):213－217.YANG Bin，MA Rui－ sheng，HE Li，et al.Method of identifying fume in remote sensing images based on color features［J］.Computer Engineering，2009，4(4):213 －217.

［7］劉翱，馬曉茜.基于微粒群算法和模糊神經網絡的火災探測研究［J］.消防科學與技術，2007，6(6):673－675.LIU Ao，MA Xiaoqian.Fire detection based on fuzzyneural network combined with particle swarm optimization algorithm［J］.Fire Science and Technology，2007，6(6):673－675.

［8］王衛東，傅榮生.空氣采樣式感煙火災探測報警器誤報概率分析［J］.消防科學與技術，2008，9(9):668－670.WANG Weidong，FU Rongsheng.Analysis on the false alarm probability of air sampling smoke detector［J］.Fire Science and Technology，2008，9(9):668－670.

［9］黃松濤，石章松，張丕旭.基于無線傳感器網絡的火災現場定位技術研究［J］.消防科學與技術，2009，2(2):113－115.HUANG Songtao，SHI Zhangsong，ZHANG Pixu.Research on the locating technique of fire area based on wireless sensor networks［J］.Fire Science and Technology，2009，2(2):113－115.

［10］姚緒梁，金鴻章，王科俊.多重目標綜合決策在火災報警系統中的應用［J］.消防科學與技術，2004，1(1):68－70.YAO Xuliang，JIN Hongzhang，WANG Kejun.Research on fire alarm system decision－making based on multi－ objectives integrated decision－making［J］.Fire Science and Technology，2004，1(1):68－70.

［11］劉海霞，隋虎林，谷安永.火災報警控制系統通信數據信息識別的研究［J］.消防科學與技術，2008，8(8):585－587.LIU Haixia，SUI Hulin，GU Anyong.The study on recognition of communication data for fire alarm control system［J］.Fire Science and Technology，2008，8(8):585 －587.

［12］董文輝，李寧寧，梅志斌，等.歐美國家火災報警系統規范介紹及啟示［J］.消防科學與技術，2008，6(6):423－42.DONG Wenhui，LI Ningning，MEI Zhibin，et al.Research on fire alarm codes of Europe and America for application［J］.Fire Science and Technology，2008，6(6):423 －42.

［13］馬明鍵.數據采集與信息處理［M］.西安:西安交通大學出版社，2005.MA Mingjian.Data collection and information manage［M］.Xi’an:Xi’an Jiaotong University Press，2005.

［14］徐志勝，周慶等，隧道火災煙氣回流與臨界風速模擬試驗［J］.消防科學與技術，2011，7(7):580 －582.XU Zhisheng，ZHOU Qing.Tunnel fire smoke flow and critical wind speed simulation test of［J］.Fire Science and Technology，2011，7(7):580 －582.

［15］趙榮椿.數字圖像處理導論［M］.西安:西北工業大學出版社，1999.ZHAO Rongchun.Introduction to digital Image processing［M］.Xi’an:Northwestern Polytechnical University Press，1999.

［16］羅希平，田捷，諸葛嬰，等.圖像分割方法綜述［J］.模式識別與人工智能，1999，12(3):300－312.LUO Xiping，TIAN Jie，ZHU Geying.A Survey on image segmentation methods［J］.Pattern Recognition and Artificial Intelligence，1999，12(3):300－312.