農業溫室大棚的火災檢測算法研究

李晨東，韓秀玲

（東華大學 信息科學與技術學院，上海201620）

農業溫室大棚的火災檢測算法研究

李晨東，韓秀玲

（東華大學 信息科學與技術學院，上海201620）

針對溫室大棚的潛在火災威脅，提出了一種基于圖像分割的溫室大棚火災檢測算法。文中首先分析了溫室大棚火災圖像的顏色特征，然后采用SLIC分割方法對圖像進行分割，并使用SVM分類器對火災圖像進行訓練檢測。實驗結果表明，該方法可以有效提高溫室大棚火災識別的準確度和火災預警的可靠性。

溫室大棚；火災檢測；SLIC；SVM

近年來隨著設施農業技術的發展，我國溫室大棚的數量得以迅速增長。溫室大棚可以使農作物擺脫地域、自然環境和氣候等眾多因素的限制，因而成為農業領域不可缺少的組成部分，為人民生活帶來極大便利[1]。然而，由于溫室大棚的主要材料均為塑料、木材和草柵等易燃物質，且大棚的設置一般都是成片的，零星小火就能很快蔓延，從而造成巨大經濟損失。怎樣對溫室大棚進行火災檢測及自動監管，已成為農業領域亟待解決的課題[2]。

文中提出了一種基于圖像分割的溫室大棚火災檢測算法。首先對溫室大棚火焰圖像特征進行分析，然后使用 SLIC（Simple Linear Iterative Cluster）分割方法對圖像進行分割，并使用SVM（Support Vector Machine）分類對火災圖像進行學習訓練。檢測結果表明我們的算法具有較好的檢測效果。

1 火災圖像的顏色特征

在溫室大棚火災場景中，火焰的顏色一般是比較固定的，都是處于紅光和黃光之間。與其他檢測火災的特征相比，顏色是區分溫室大棚火災最顯著的特征。由于顏色特征計算相對簡單，且可以適應圖像的旋轉、平移、尺度變換等，因此顏色特征在很多火災檢測算法中都被作為區分火焰的最主要特征，以此來進行火災檢測。

顏色特征包括不同的顏色空間，例如RGB（紅綠藍）、HSI （色調飽和度強度）、I1、I2、I3（正交空間特征）、YCrCb（明亮度色調色度）等。每一種顏色模型都有它自身的特點，目前用于溫室大棚火災檢測的顏色模型有很多種，以下是幾種常見的顏色模型。

1.1 基于RGB顏色空間的模型

紅綠藍是自然界中的三原色，任何一種顏色都可以對三原色按照不同的比例合成。溫室大棚火焰區域的像素值[3]，一般存在以下特點：紅色分量大于綠色分量，綠色分量大于藍色分量，并且在火災的紅色分量會大于整張圖像的紅色分量。文獻[3]在RGB色彩空間使用以下特征：

1.2 基于HSI顏色空間的模型

HSI是根據人體的視覺系統[4]，和人眼的成像而形成的顏色空間，3個分量分別為：色調（Hue）、飽和度（Saturation）、強度（Intensity）。HSI模型更符合人眼對景物顏色的感知[5]。

文獻[4]中介紹了一種基于HSI顏色空間模型，以 H∈[0，60]，S∈[0.2，1]，I∈[100，255] 為火焰分割閾值，來提取大棚火災區域。

1.3 基于I1I2I3顏色空間的模型

I1I2I3是由RGB空間經過線性變換得到的3個正交彩色特征方程，并以此作為區分火焰色彩的模型。正交彩色特征式[6]分別為：

當將上述特征用于火災圖像分割時，I1和I2的特征已經可以進行明顯區分[7]。I1是最佳特征，I2是次佳特征。用以下區間來區別火災圖像：

在上述模型的基礎上，文中將進一步采用分類器訓練的方法來區分火災圖像，對特征不要求限制其范圍，而是通過對樣本圖像訓練的方式來縮小特征的范圍。我們將3種顏色特征合并成8維特征，這樣可以融合每種模型的優點[8]，從而使火災檢測更加準確。

2 火災圖像分割

這里，我們使用圖像分割技術，將整張大棚火災圖像分成小區域來進行檢測。常用的分割算法包括分水嶺分割、mean shift、kmeans等[9]。其中，分水嶺分割一般會出現過分割，處理速度較慢。mean shift，效率雖然較高，而且找到的是全局極值，但生成的區域不那么規整，有點毛糙，對于彩色紋理圖像會出現邊界檢測和定位失敗。Kmeans算法速度很快，但是效果較差[10]。

本文采用目前圖像處理領域最流行，效果最好的SLIC算法[11]。SLIC算法是simple linear iterative cluster的簡稱，該算法用來生成超像素（superpixels）。算法大致思想是這樣的，將圖像從RGB顏色空間轉換到CIE-Lab顏色空間，生成K個種子，種子不斷聚類，將聚類結果再不斷聚類，最后直到收斂。SLIC在溫室大棚火災圖像的分割效果如圖1所示。

圖1 溫室大棚火災圖像分割結果

3 火災圖像的學習訓練

模式分類的目的是通過對已知類別的樣本集進行學習，得到一個分類函數，然后用這個分類函數對未知的樣本進行預測。對于溫室大棚火災圖像，需要區分每個區域是火災場景還是背景場景。火災圖像的分類類別是二分類，即著火區域記成1，沒有著火的區域記做0。所以沒有火災的圖像都是負樣本，有火災的圖像著火區域為正樣本。這里我們使用分類器進行訓練監測[12]。

3.1 SVM分類器介紹

SVM分類器，也叫支持向量機，是通過一個非線性映射p，把樣本空間映射到一個高維乃至無窮維的特征空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特征空間中的線性可分的問題。

3.2 火災圖像的學習

我們從百度圖片、新聞報道中收集了大量的大棚火災圖像，共252張，構成了一個完整的溫室大棚火災圖像數據庫[13]。為了使檢測算法更有說服力，我們構建的數據庫圖像包括不同光照、不同天氣、不同場景的溫室大棚信息。還同樣收集了132張不包含火災場景的圖像，包括一些類火焰圖像，例如紅布、紅衣行人等。對所有圖像按照SLIC分割方法進行分割，對其中火災圖像區域進行標記。

在火災圖像中，總共有2 853個火災區域，非火災圖像和火災圖像的非火災區域中一共有53 563個區域。我們隨機挑選了800個火災區域作為訓練的正樣本，2000個非火災區域作為訓練的負樣本。提取RGB等多維特征，使用SVM分類器進行訓練。SVM分類器采用的是臺灣大學林智仁教授等開發設計的libSVM，使用的是RBF核函數，損失函數c=1，來進行模型的訓練。火災檢測算法的流程，如圖2所示。

圖2 火災檢測算法流程

4 檢測結果

溫室大棚火災檢測結果不但要保證火災區域檢測的準確率，還要減少非火災區域的誤判率，所以需要將這兩個結果綜合度量。我們通過準確率（Precision）、召回率（Recall）以及綜合評價指標 F-measure來對檢測結果進行評價[14]。它們的具體表達公式如下：

這 3 個公式中，TP（True Positives）是正確的正樣本，也就是火災區域中檢測成火災的個數；FN（False Positives）是虛假的負樣本，也就是說，實際上它是火災區域，但是沒有被檢測出來，就變成了負樣本；FP（False Positives）是錯誤的正樣本，亦即它是負樣本而被檢測成正樣本，是非火災中檢測成火災區域的數量。

對火災圖像的幾種處理方法的對比如圖3所示，從左至右依次是：原圖、本文的算法、文獻[3]的算法、文獻[6]的算法。

圖3 幾種方法的對比

從檢測結果中看，本文的基于分割的火災檢測算法可以完整的檢測火災區域，且在零星小火時就能進行檢測，因而可以提前對火災進行控制，防止火災的蔓延。

為了進一步驗證本算法的有效性，我們對新建立的數據集中的所有284張測試圖像進行了檢測，并與文獻[3-6]的算法在準確率和時間兩方面進行了對比。實驗采用的計算機是2.66 GHz的CPU，2G內存，所用的軟件是Matlab 2011b版本。對于本次實驗結果，我們使用 Precise、Recall、F-measure 進行度量，實驗結果如表1所示。

表1 幾種實驗結果的定量對比

通過對比可以看出我們的算法在準確率、召回率、F-measure的數率上均領先其他算法，說明我們提出的算法在火災檢測效率上比其他算法有很大程度上的提高，雖然在時間上稍長于前者，但是總體檢測時間在1秒鐘以內，滿足檢測迅速性要求，證明了我們的算法的可靠性。

5 結束語

火災給溫室大棚帶來潛在的威脅，給農民造成巨大經濟損失[15]。文中針對溫室大棚的攝像頭監控系統，提出了一種溫室大棚火災檢測算法。首先分析了火災檢測的圖像特征，包括RGB、HSI、I1I2I33種顏色空間，然后使用了SLIC超像素分割法，對圖像進行分割，并使用SVM分類器對我們搜集的火災圖像進行訓練和分類。實驗結果表明，我們的算法準確率較高，可以有效用于溫室大棚的火災檢測。

[1]劉力，鮑安紅，曹樹星，等.溫室大棚內環境自動化控制方案設計[J].農機化研究，2013，35（1）：90-93.

[2]趙方，吳必瑞，盧青波.基于MSP430的溫室大棚溫度遠程監控系統 [J].農機化研究，2012（5）：182-187.

[3]謝榮全，徐志勝.基于BP神經網絡在火災圖像探測技術中的應用[J].鐵道科學與工程學報，2014，11（3）：140-145.

[4]Aslan Y E，Korpeoglu I，Ulusoy.A framework for use of wireless sensor networks in forest fire detection and monitoring [J]. Computers，Environment and Urban Systems，2012，36（6）：614-625.

[5]Truong T X，Kim J M.Fire flame detection in video sequences using multi-stage pattern recognition techniques[J].Engineering Applications of Artificial Intelligence，2012，25（7）：1365-1372.

[6]楊孟拓，李潔，付洋，等.一種改進的火災顏色模型檢測算法[J].電視技術，2012，36（19）：173-176.

[7]陳潔，黃繼風.視頻圖像火災煙霧識別仿真研究[J].計算機仿真，2015，32（9）：382-386.

[8]Habiboglu Y H，Günay O，Cetin A E.Covariance matrix-based fire and flame detection method in video[J].Machine Vision and Applications，2012，23（6）：1103-1113.

[9]梁杰，張麗紅，李林.HSI和區域生長結合的火災圖像分割方法[J].計算機技術與發展，2012，22（1）：191-194.

[10]王春瑤，陳俊周，李煒.超像素分割算法研究綜述[J].計算機應用研究，2014，31（1）：6-12.

[11]Achanta R，Shaji A，Smith K，et al.SLIC superpixels compared to state-of-the-art superpixelmethods [J].Pattern Analysis and Machine Intelligence，IEEE Transactions on，2012，34（11）：2274-2282.

[12]王修信，秦麗梅，羅玲，等.遙感圖像森林林型SVM分類的多特征選擇[J].Computer Engineering and Applications，2013，49（20）：259-262.

[13]Geebelen D，Suykens J A K，Vandewalle J.Reducing the number of support vectors of SVM classifiersusing the smoothed separable case approximation[J].Neural Networks and Learning Systems，IEEE Transactions on，2012，23（4）：682-688.

[14]胡眾義，劉清，郭建明，等.一種基于SVM分類的霧圖自動檢測方法[J].計算機仿真，2015，32（2）：342-346.

[15]安鋼.北方地區農業設施火災的防控與治理[J].中國應急救援，2014（6）：42-45.

The research of fire detection algorithm of agricultural greenhouse

LI Chen-dong，HAN Xiu-ling
（College of Information Science and Technology，Donghua University，Shanghai 201620，China）

In this paper，a new greenhouse fire detection algorithm based on image segmentation was proposed in the face of the potential threat of fire greenhouses.Firstly，we analyzed the color features of the image of greenhouse fire，then using SLIC method for image segmentation.Moreover，we used SVM classifier was trained to detect fire images.Experimental results shows our method can improve the accuracy of fire warning.

greenhouse；fire detection；SLIC；SVM

TN91

：A

：1674－6236（2017）13-0032-04

2016-05-13稿件編號：201605133

李晨東（1989—），男，遼寧沈陽人，碩士研究生。研究方向：溫室大棚的控制算法研究。