基于圖像信號處理方法的火災預警系統設計

郝建峰 任國鳳 黃婷 梁小瑞

摘要：傳統的火災信號預警系統容易遭到自然環境的影響，從而發生信號誤讀錯報、遲報、漏報或者功能失效等問題。而常規的圖像火焰檢測方法有時無法全面描述火焰特性， 因此火焰識別的準確率比較低。本文提出一種基于卷積神經網絡AlexNet模型的圖像火焰檢測算法，它可以更加有效地識別出火焰，實現火災及時準確的預警效果。實驗結果表明該算法可取，同時本研究繼續對該算法進行了模型優化，使得火焰識別的準確率高達91%及以上。本研究具有應用于實際火災預警系統的價值。

關鍵詞：火災預警;圖像檢測;卷積神經網絡;AlexNet模型

一、引言

近年來，火災事故頻繁發生直接危害到人們的生命財產安全，因而實現及時準確的火災預警，已經成為火災預警追求的重要方向[1]。

現有的火災預警系統設計主要采用基于傳感器、基于圖像處理和基于深度學習的火災檢測方法[2-5]。伴隨著深度學習算法的廣泛使用和良好性能，很多研究學者將其應用于火災預警研究中，嚴云洋等人于2018年提出一種基于Faster R-CNN模型的火焰檢測算法實現了對火焰特征的自動提取及在火災檢測的過程中， 通過相互聯合的方法實現了對火災識別和定位的有機統一，有效提高了在圖像復雜背景下的火焰識別精度[6]。因此，將深度學習中的CNN算法引入圖像處理的火災預警設計，可以有效提高整個系統的智能性和火災監測的及時性，同時可以避免圖像特征的人工算法提取，從而實現及時準確的火災早期預警[7]。

二、火災預警理論及圖像處理方法概述

（一）火災預警系統原理

本文所研究的火災預警系統如圖1所示，首先對火災圖像數據庫進行標注及分塊，然后通過AlexNet模型訓練圖片，智能提取到疑似火焰區域并分析各種火焰特性。最后對測試火災圖片中的檢測區域進行特征提取，從而判斷是否存在發生火災的可能性，實現火災預警。

（二）火災圖像數據庫介紹

本文所用的火災圖像數據庫共有147張圖片。其中133張圖片來源于美國火災圖片且都存在火焰，還有14張圖片來源于網絡且都不存在火焰。

（三）卷積神經網絡

卷積神經網絡（Convolutional Neural Network，簡稱CNN），是一種帶有卷積結構的深度神經網絡，作為一種常見的深度學習方法，廣泛應用于圖像識別和圖像分類中。CNN的卷積結構能夠降低深層網絡占用的內存量，其重要的構成原因是：一是基于局部層的感知，二是局部權值的共享，三是池化層緩解模型的過擬合問題。因而，CNN通過構建多層神經網絡來對目標進行多層特征表示，實現通過多層的高級特征準確表示各種抽象性和語義上的信息，從而獲得更好的特征魯棒性[8]。

（四） CNN之AlexNet模型

CNN中有許多經典算法模型，代表性的有多倫多大學的 Geoffrey Hinton、Ilya Sutskever 和 Alex Krizhevsky在2012年的ImageNet大會提交的基于AlexNet模型的CNN算法，該新型算法可以使圖像的誤識率降低至16%。因此，AlexNet模型成為圖像分類的中心算法模型。其具體網絡結構如圖2所示。

三、火災預警算法分析設計

（一）火災圖片數據的預處理

對火災圖像數據庫的所有圖片提取圖片特征，并標識其有火無火。進而，創建兩個文件夾并分別命名為訓練圖片和測試圖片（（“train-images”和“test-images”），然后把它們放到一個文件夾里面。最后，分別在訓練圖片和測試圖片里面在創建兩個文件夾并分別命名為有火和無火（‘1’和‘0’）。

然后把訓練圖片填滿，按照分類把133張有火圖片塞入訓練圖片中的有火文件夾，然后把14張無火圖片塞入訓練圖片中無火文件夾。最后把需要識別的圖片放入測試圖片的文件夾，同樣把圖片分為2類分別放入有火文件夾和無火文件夾。這樣做的目的是為了計算該火災預警系統火焰識別的準確率。

（二）AlexNet模型的參數設置

AlexNet網絡結構可以套用已有的AlexNet網絡結構模型，然后修改訓練好的網絡中的最后三層。最后三層程序代碼主要包含以下幾個參數：MaxEpoch是迭代次數（也稱為計算輪數），其值越大就越容易收斂;Initial LearRate是學習效率（也稱為學習率），其值太大模型不易收斂，值太小模型收斂得太慢;Execution Environment是訓練網絡的環境，在此可以選擇在中央處理器（Central Processing Unit簡稱CPU），或者在圖形處理器（Graphics Processing Unit，簡稱GPU）。

為了提高系統識別測試圖片的準確性，在圖片讀入的程序下方添加命令“Validation Data”。它是每次測試圖片交叉驗證的數據，本文設置每次選擇訓練圖片中訓練數據的80%（即訓練圖片總數的50%）與每一張測試圖片進行交叉驗證，從而對圖像中各種對象進行判別。

四、實驗結果和分析

（一）AlexNet模型迭代結果分析

AlexNet網絡結構模型的最后三層：第一個參數為類別的數量，本文取2。學習率主要取決于所選擇的優化算法的類型。因為本次使用的是SGD優化算法，所以學習率為0.0001。交叉驗證時每次提取測試圖片特征時與訓練圖片總數的50%進行交叉驗證（此處僅僅是調用這個函數）。本文受計算機顯卡配置影響，訓練網絡的環境為CPU。所以不斷修改系統的迭代次數，以達到最佳的識別效果。

當迭代次數分別為2、5、8、10，發現迭代次數不同時系統所花費時間與火焰識別的準確率也不同。而迭代次數為8或者10時最合適，火災預警系統的仿真準確率相同且最高為91.5493%。同時，迭代次數為8次時訓練網絡所需時間少于迭代次數為10次的，所以迭代次數為8時最佳。

（二）火災數據實驗結果分析

測試圖片的識別準確率為91%左右，經過逐一查看對比總共有12張圖片存在識別錯誤。其中有5張圖片存在火焰但是判斷不存在火災，而有7張圖片不存在火焰但是判斷存在火災。

由于本次測試圖片總數太多無法一一展示，所以選取一些具有代表意義圖片進行仿真結果說明。從圖3中可以清晰地了解，圖片上無論是森林火災，室內室外火災或者其他火災（火焰），均可得到識別，并準確及時在圖片上方標注有火（‘1’）。而圖4中的圖片均不存在火焰且程序判斷正確。因此圖3與圖4證明程序可以準確識別火焰。

圖3、圖4為正確識別的圖例，而圖5是預測失誤的圖例。在圖5中共列出了4張典型的識別失敗圖片。從這4張圖片中可以明顯觀察到程序識別失敗的原因。若圖片中存在火焰，但是圖片的背景色過于明亮或者圖片中火焰太小而且不存在煙霧，程序就會錯誤判斷該圖片不存在火災。若圖片中不存在火焰，但是圖片的背景色大面積為紅色或者圖片中存在大量明亮的裝飾燈，這時程序就會錯誤判斷該圖片存在火焰。

五、結束語

本研究主要是通過CNN算法中的AlexNet網絡結構模型實現了及時準確的火災預警，使火災識別的準確率高達91%及以上。因此本研究成果可以應用于實際的火災預警系統設計。當然本研究仍存在著些許不足、當圖片中不存在火災隱患，可是圖片的背景色大面積為紅色或者圖片中裝飾燈過多且明亮時，程序會錯誤地認為圖片中存在火焰。當圖片中存在火災隱患，可是圖片背景過于明亮且火焰較小時，程序也會錯誤地認為圖片中不存在火焰。因此，提高算法的抗干擾能力還需繼續深入研究。

作者單位：郝建峰? ? 忻州市公安局道路交通安全教育中心

任國鳳? ? 黃婷? ? 忻州師范學院電子系

梁小瑞? ? 忻州市消防救援支隊

基金項目：山西省虛擬仿真實驗教學項目（X2020048），山西省教學改革研究項目（J2021572，J2021588），忻州師范學院學術帶頭人資助項目。

郝建峰（1974.09-），男，忻州市公安局道路交通安全教育中心工程師，研究方向：交通安全設施設備及交警應急預警系統機械電子工程技術研究;

任國鳳（1979.9-），女，忻州師范學院電子系教授，博士研究生，研究方向：通信信號處理。

參? 考? 文? 獻

[1] Krizhevsky A， Sutskever I， Hinton G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems. Curran Associates Inc.2012：1097-1105.

[2] 王思嘉，裴海龍.基于火焰圖像紅外動態特征的早期火災識別算法[J].現代電子技術，2010（08）：104-105+110.

[3] 王亞軍，徐大芳，陳向成，等.基于火焰圖像動態特征的火災識別算法[J].測控技術， 2007，26（05）：7-9.

[4] 王琳，李愛國，郝春雨.基于火焰圖像跳動特征的火災識別算法[D].大連：大連海事大學信息科學技術學院， 2014.

[5] 許維勝，田長征，方盛明.基于圖像視覺特征的火災自動識別[J].計算機工程， 2003，29（18）：112-113+191.

[6] 嚴云洋，朱曉妤，劉以安，等.基于Faster R-CNN模型的火焰檢測[J].南京師大學報（自然科學版）， 2018，41（03）：1-5.

[7] 侯曉克.深度學習在視頻火焰探測中的算法研究[D].青島：青島科技大學， 2020.

[8] 陳照悅.基于遷移學習的火災圖像檢測方法研究[D].桂林：桂林電子科技大學， 2020.