多模態火災檢測報警系統設計

郭灼豪，彭杰琛，莊乙輝，郭志鵬，盧虹兆

（韶關學院 智能工程學院，廣東 韶關 512005）

近年來室內火災頻發，傷亡人數眾多，導致財產損失巨大，與目前較多樓宇消防設施存在隱患有關［1］. 為此較多學者進行了火災報警系統或火災識別技術的研究. 其中，火災報警系統多采用煙霧報警器單一模態檢測方法，但該方法無法連接互聯網，易受到環境顆粒、空氣濕度等影響，檢測范圍有限，容易導致火災漏檢或遲檢［2］；圖像型火災識別技術（衍生出多種火災識別算法）比傳統火災預警有無可比擬的優點：減少了環境干擾，響應速度更快［3］；Kim等提出基于RGB空間的顏色檢測算法，計算變化圖和斑點面積，變化圖顯示連續兩幀之間像素的時間變化，面積增減百分比表征火災的狀態［4］；熊昊等提出將火焰的融合特征通過向量機SVM和卷積神經系統的機器學習的方法實現火焰識別［5］；嚴云洋等提出一種基于高斯混合模型與三維的局部二值模式紋理特征的火焰檢測算法［6］；亓文杰等提出Lucas-Kanade稀疏光流算法跟蹤運動區域，獲取火焰的主運動方向作為火焰識別特征以實現火災識別的方法［7］；劉燕燕等提出采用多個紅外火焰探測器、溫度傳感器對火災的多參量進行探測，采取DMA方式實時讀取探測器及傳感器A/D轉換后的數據，進而進行數據處理及算法分析，實時判斷是否發生火災［8］；龐建瑩等提出采用以紅外熱電堆為溫度傳感器，利用非接觸紅外測溫技術，并設計溫度修正算法以提高測溫精度，實現火災預警［9］；孫金祥等設計了一種基于激光粉塵濃度傳感器的火災預警系統，該系統通過PMS3003（G3）主動吸氣式激光粉塵傳感器采集數據，并加入溫度傳感器，以STM32F107為控制核心，一旦檢測到火情將數據傳輸到服務器并發出語音警報提示，實現火災的預警［10］.

但以上方法均采用單一模態或雙模態方式觸發火災報警，易產生漏報警和遲報警的問題. 為此，我們設計了一個多模態火災檢測綜合預警系統，通過樹莓派調用阿里云火焰識別API實現火焰檢測［11］，通過STM32分別實現煙霧檢測和高溫檢測，三檢測模態任一模態超過閾值都會觸發系統報警，以此達到多模態火災檢測，減少火災的漏報和遲報.

1 系統總體設計

系統設計分為3大部分，輸入部分、控制部分、響應部分. 輸入部分包括Camera Module V2攝像頭、煙霧傳感器、溫度傳感器；控制部分包括樹莓派和STM32開發板；響應部分包括聲光報警模塊、藍牙模塊、滅火裝置. 系統一旦檢測到火焰、或檢測到環境煙霧濃度過高、或溫度過高，則啟動聲光報警系統、滅火裝置、藍牙模塊進行聲光報警、噴水滅火、傳送火災信號. 系統總體設計和實物圖如圖1所示.

圖1 系統總體設計和實物圖

2 硬件設計

2.1 控制模塊

系統以樹莓派作為主控制模塊，以STM32作為副主控模塊，如圖2所示. 樹莓派具有類PC的屬性，通過Camera Module V2攝像頭實時獲取環境圖像，并調用阿里云提供的火災識別API接口，擁有多個GPIO接口，具有較強的擴展性，能實時檢測環境是否有火焰. STM32能實時調用煙霧傳感器和溫度傳感器數據進行火災判斷，并能控制蜂鳴器、預警燈、藍牙模塊進行一系列多模態綜合性的火災防控措施. 樹莓派與STM32進行串口通信，保障了火災報警系統能夠高效穩定運行.

圖2 控制模塊

2.2 圖像獲取模塊

圖像獲取模塊采用帶舵機的Camera Module V2，擁有800 w像素，因配備上舵機能實現多角度掃描［13］，且體積較小，成本低，如圖3所示.

2.3 煙霧傳感器模塊

此模塊采用MQ-2煙霧傳感器（見圖4）.識別功能主要由STM32開發板與MQ-2煙霧傳感器連接實現的. MQ-2煙霧傳感器屬于表面離子式N型半導體，當與煙霧接觸時，就會引起表面導電率的變化，獲得煙霧存在的信息，煙霧濃度越大，則輸出的模擬信號越大. 通過STM32開發板上的AD通道將模擬信號轉化為電壓值，根據電壓值大小判斷是否有煙霧.

圖3 Camera Module V2攝像頭

圖4 MQ-2煙霧報警器

2.4 溫度傳感器模塊

采用的DHT11溫度傳感器（見圖5）是一款數字溫度傳感器，當溫度發生變化時，溫度傳感器內部晶振發生變化，從而判斷環境的溫度變化. 該模塊接入STM32的VCC引腳直接供電，再接入信號線以接收傳感器傳回的數據，具有成本低、耐磨耐碰、體積小、使用方便、封裝形式多樣、易控制的特點.

2.5 藍牙模塊

藍牙模塊（見圖6）與STM32的串口連接，設置好串口的波特率，以藍牙模塊為媒介，向手機APP發送數據，提醒住戶和保衛人員及時對火災進行控制［12］.

圖5 DHT11溫度傳感器

圖6 藍牙模塊

2.6 聲光報警模塊

該部分為STM32開發板自帶的，可裝在戶內、戶外，屬于聲光一體報警器.當聲光報警器接收到STM32發來的報警信號，則會發出警報，警示人群及時撤離.

3 軟件設計

系統經過配置和代碼燒寫后，可以開啟工作. 當啟動系統時，先對各個模塊進行初始化，然后進行實時火焰識別、環境煙霧濃度檢測、環境溫度檢測，當系統識別到環境存在火焰時，或環境煙霧濃度超過閾值時，或環境溫度超過閾值時，均會觸發聲光報警器報警、滅火裝置灑水滅火，并通過藍牙模塊發送火災信號. 系統的軟件工作流程如圖7所示.

圖7 軟件工作流程

4 實驗與結果分析

4.1 火焰識別實驗

為了驗證系統的火焰識別功能，本文在多個室內環境進行了視覺火焰識別實驗. 此外，為了驗證系統火焰識別的魯棒性，還在實驗中增加了4個具有干擾源的場景. 表1為此實驗場景的說明.

表1 火焰識別實驗場景說明

火焰識別實驗結果由圖8所示，系統能正確識別前4個室內不同場景的火焰，并在后4個有干擾源的場景中仍能檢測無誤.

圖8 檢測圖片

4.2 煙霧檢測和溫度檢測實驗

為驗證系統的煙霧檢測和溫度檢測功能，在室內距系統2 m處布置火源進行實驗. 系統通過煙霧傳感器采集50次的煙霧數據，每次采集時間間隔為500 ms；通過溫度傳感器采集50次溫度數據，每次采集時間間隔為2 s，然后通過串口收集實驗數據，見圖9、圖10.

圖9 煙霧檢測實驗數據

圖10 溫度檢測實驗數據

由圖9可知，隨著室內煙霧的產生與積聚，室內煙霧濃度逐漸上升，傳感器檢測到煙霧的濃度越大，輸出電壓就越大；由圖10可知，隨著燃燒物的燃燒，傳感器檢測到環境的溫度逐漸上升. 通過上述實驗，驗證了該系統的煙霧檢測和溫度檢測功能.

4.3 火災檢測魯棒性實驗

為了驗證系統的整體火災檢測魯棒性，本文從Bilkent University火焰視頻庫中取4個測試視頻，如圖11和表2所描述，使用火焰準確檢測率（TPR）、火焰誤檢率（FPR）作為魯棒性評價標準，其計算公式為：其中，TP、FP、N分別表火焰正確檢測的視頻幀數、火焰誤檢的視頻幀數、視頻總幀數.

圖11 Bilkent University火焰視頻庫

表2 視頻場景說明

表3 同類技術對比

由表3可知，在真實存在火焰的場景中（視頻1和視頻2），本文的平均火焰識別檢測率分別比文獻［13］和文獻［14］高9.8%和1.8%；在不存在火焰但有光照干擾的場景中（視頻3和視頻4），本文的平均誤檢率分別比文獻［13］和文獻［14］低31.0%和85.7%. 且文獻［13］和［14］均是單一模態的火災檢測，而本文還輔以煙霧檢測和溫度檢測，使火災檢測更具魯棒性.

4 結論與展望

本系統采用樹莓派、STM32嵌入式開發板作為硬件主控，通過調用阿里云平臺提供的高度完備的API接口進行火災識別，通過煙霧傳感器和溫度傳感器實現煙霧檢測和溫度檢測，實現多模態火災報警，提高了火災檢測率和減少火災漏檢. 下一步工作是提升火災識別的響應速度，以及加強拓展功能，使得能夠根據客戶的實際需求來定制功能，實現更加完善的避險和滅火措施，增強實用性.