基于卷積神經網絡的森林火災煙霧探測算法研究

趙麗宏 付雪 肖博宇 張延文

摘? 要：為解決森林火災煙霧檢測過程中受外界干擾且由于煙霧存在多種靜、動態特性導致識別難度高的問題，提出一種基于卷積神經網絡的火災煙霧視頻探測算法提取可疑區域特征并進行模式分類，進而檢測出火災煙霧。實驗結果表明：該算法在各種視頻場景下均具有良好的煙霧識別性能，并能與滅火裝置通信對初期林火進行撲滅，為森林火災探測撲救裝備的智能化、高效化提供了新思路。

關鍵詞：CNN;運動目標檢測;數據增強;森林火災

中圖分類號：TP391? ? ? ? ? ? ? 文獻標志碼：A

近年來，森林火災頻發使森林面積銳減，嚴重破壞了森林結構，導致森林生態系統失去平衡，研究火災高效檢測方法已刻不容緩。火災初期是由陰燃過渡到火焰階段的，檢測煙霧可有效監測火情。Toreyin提出基于能量的煙霧檢測法，但在環境亮度持續變化時，這種方法效果不佳，Yuan認為現場燃燒生熱而導致煙霧自下而上運動，是煙霧區別于其他物體的主要動態特征，但此法不適用于漂移現象。該文提出了一種基于CNN的視頻火災煙霧探測算法，對所獲取視頻圖像進行運動目標檢測以確定可疑煙霧區域，自動提取可疑區域的特征并進行模式分類，進而檢測出火災煙霧。

1 運動目標檢測

圖像中心像素點的6個紋理直方圖各自所占權重為wk，權重之和為1。由于采集到的第一幀圖像往往干擾因素少，所以將第一幀圖像看作初始背景模型。將當前楨像素點的紋理直方圖Vt依次與初始模型比較，計算它們相似度Pk，滿足下式的前b個直方圖為背景模型，后6-b個為前景模型。

（1）

式中，wk，t+1為更新后t+1時刻第k個紋理直方圖所占權重 ，T為權值判斷閾值。

計算Vt與b個背景直方圖的相似度進而確定它為背景的概率PB。

（2）

式中，PB為Vt是背景的概率，Pk 為當前幀與前模型的相似度，wk，t為t時刻第k個紋理直方圖所占權重。

應用基于圖像塊的LBP紋理建模法檢測可疑煙霧區域，可以有效地降低光照產生的影響，并且將檢測速度提高到160 ms/幀，滿足及時性要求。

2 基于CNN進行的特征提取與分類

CNN接收可疑煙區圖像后，通過卷積層、池化層、完全連接層進行處理，每一層的輸出結果表征輸入圖像的不同特征，隨著處理層的深入，表征的特征也趨于復雜化，最終映射到目標上即可檢測煙霧。將網絡的順向過程稱為前饋傳播，將誤差運算和權重更新的過程稱為反饋傳播。

設計CNN模型由12層組成，包括輸入層input，5個卷積層C1、C3、C5、C6、C7，3個池化層S2、S4、S8，2個全連接層FC9、FC10以及進行二分類后的輸出層。為方便檢測，將輸入圖像大小固定為227×227×3。輸入可疑煙區圖像后，卷積層C1用48個能作為煙霧低級特征標識的11×11×3的卷積核進行卷積操作。激活映射的大小Bs為：

（3）

式中，Bi為輸入圖像大小（其他卷積層輸入為上一層的輸出），Bh為卷積核大小，s為步幅。通常還需對激活映射利用ReLU函數進行非線性化處理，以此來提高網絡的訓練速度。

C3利用5×5的卷積核對S2進行步幅為1的處理時，為保留更多低級特征信息及保持圖像維度，通常進行零填充，此操作后的激活映射大小為：

（4）

式中，p為零填充個數，Bi為輸入圖像大小（其他卷積層輸入為上一層的輸出），Bh為卷積核大小，s為步幅。

CNN中各項參數都是人為隨機初始化設定的，卷積核的權重無法反應煙霧的靜態或動態特征，所以加入反饋傳播。其每進行一個周期，都包括誤差計算即找出卷積核中影響檢測的參數，以及權重更新即更改參數以期得到最優的檢測效果。

3 實驗結果分析

在前饋傳播過程中，為彌補數據集稀缺的不足，在訓練過程中采用微調達到數據增強，在參數隨機初始化和微調后，損失函數值和準確率與迭代次數的關系如圖1所示。

3.1 不同類型煙霧測試效果

將4種類型圖像輸入CNN模型測試其識別率、誤測率及準確率，結果見表1。

可疑煙區圖像經5個卷積層、3個池化層及2個全連接層的CNN處理后，對4種煙霧識別率均在98%左右，且誤測率也較低，同時能達到99%左右的準確率，相比于以往的GoogLeNet及其他特征識別與分類方法更適合森林火災煙霧探測。

4 結語

該文提出的基于卷積神經網絡的視頻火災煙霧探測法，并用建立的模型對多類型煙霧進行測試。首先，應用背景減除法結合LBP紋理建模提取可疑煙霧區域。其次，將可疑煙區圖像預處理后輸入CNN模型，其間先采用微調來優化訓練過程，然后經過各層處理及最后的二分類進行煙霧與否的判別。最后對損失函數值及準確率隨迭代次數的關系進行實驗，同時測試CNN模型對不同類型煙區識別率、誤報率和準確率來判別其性能。實驗結果表明：該文設計的系統能夠對陰燃階段煙霧準確識別，在森林防火領域有較好的前景。

參考文獻

[1]JIA Y， YUAN J， WANG J， et al. A Saliency-Based Method for Early Smoke Detection in Video Sequences[J].Fire Technology，2017， 52（5）：1-22.

[2]章毓晉.圖像工程（中冊）：圖像分析[M].北京：清華大學出版社， 1999.

[3]趙小禹.基于幀差法的礦用皮帶機運動檢測[J].煤炭工程， 2011， 1（1）： 103-105.

[4]姜超.視頻序列中運動目標提取與跟蹤技術的研究[D].大連：大連理工大學，2009.