基于深度學習的宿舍火災檢測報警系統的研究

周鄭歡　李閃閃　趙媛媛

摘 要：針對宿舍火災檢測報警系統的需求，提出了一種基于深度學習的宿舍火災檢測報警系統。該系統使用了深度學習技術，利用視頻監控技術進行圖像處理，對宿舍樓及室內的火焰、煙霧等參數進行實時監測和分析，以判斷是否發生火災，并及時發出警報。該系統具有較高的準確率和實時性，能夠有效地檢測宿舍的火災發生情況，提高了火災預防和救援的效率。

關鍵詞：深度學習；目標檢測；火災檢測；報警系統

一、引言

由于擴招政策的落實，學生數量急劇增加，使得高校辦學規模也逐漸擴大，而學生宿舍是高校安全事故的多發區，常常出現火災隱患或是盜竊問題，其中火災隱患的危害性更大，學生安全意識不高，在宿舍內常常使用熱得快電氣產品或是吸煙行為，甚至私設電線，形成火災隱患，使得火災事故頻發。由于火災具有破壞力強、蔓延速度快等特性，所以應對早期火災特征快速檢測，以減少損失。在這樣的環境背景下，探究高校學生宿舍火災監測系統設計具有非常重要的現實意義。[1]

目前，傳統的火災檢測方法主要依靠人工巡查和煙霧探測器等設備。但是，這些方法存在許多問題，如人工巡查不夠及時和全面、煙霧探測器容易誤報等。隨著深度學習技術的發展，基于深度學習的火災檢測報警系統逐漸成為研究熱點。

深度學習是一種人工智能技術，可以通過大量的數據訓練神經網絡模型，實現對復雜問題的高精度預測和分類。在火災檢測中，深度學習可以通過對火災特征的學習和提取，實現對火災的準確預測和報警。因此，基于深度學習的火災檢測報警系統具有檢測精度高、響應速度快、誤報率低等優點，能夠有效提高火災檢測的效率和準確率。

隨著深度學習技術的不斷發展，基于深度學習的火災檢測報警系統得到了廣泛關注和研究。國內外學者針對不同場景和應用需求，開展了大量的研究工作。在目標檢測領域，國內外學者已經開展了大量的工作。Ross Girshick等人在2014年提出了目標檢測算法R-CNN[2]，它通過在圖像中提取候選區域，然后對每個候選區域進行分類和邊界框回歸來實現目標檢測。R-CNN在目標檢測領域具有較好的性能，但仍有計算量大，速度慢等缺點。后續的研究提出了一系列改進算法，如Fast R-CNN[3]、Faster R-CNN[4]等，以加快目標檢測的速度和提高準確率。2016年，Redmon J 首次提出了單階段深度學習目標檢測算法 YOLO[5]，它的核心思想是將目標檢測任務轉化為一個回歸問題，通過單次前向傳播即可同時預測圖像中多個目標的類別和邊界框。YOLO在速度方面很具優勢，但是在小目標的檢測精度上存在不足。而后續的YOLOv2[6]、YOLOv3[7]、YOLOv4[8]、YOLOv5等版本，都針對精度等問題做出了改進，在兼顧速度的同時精度也有極大提升。使得YOLO系列成為了目標檢測領域中備受關注和廣泛使用的算法之一。

在宿舍等人員密集場所的火災檢測方面，國內外學者也開展了相關的研究。例如，馮路佳[9]等提出了一種基于目標區域的卷積神經網絡火災煙霧識別，該方法構建了兩層火災煙霧識別模型，可以在復雜環境下的數據集中，有效降低誤檢率，提高煙霧識別的準確率。陳培豪[10]等提出了一種基于深度學習的視頻火災識別算法，采用混合高斯建模法進行運動檢測，然后采用集成學習中 Adaboost 算法對運動圖像進行疑似火災區域提取，最后采用輕量級神經網絡 MobileNetv3 自動提取疑似火災區域特征進行火災識別，能在保證準確率的同時保證較好的實時性。

綜合來看，國內外學者已經在火災檢測報警系統方面取得了一定的研究進展。但是，目前還存在一些問題，如檢測精度不高、響應速度慢等。因此，需要進一步深入研究和探索，以提高火災檢測的效率和準確率。

二、基于深度學習的目標檢測算法

（一）單階段目標檢測方法

單階段目標檢測算法是一類計算機視覺算法，用于檢測圖像或視頻中的目標。與傳統的兩階段目標檢測算法相比，單階段目標檢測算法更加簡單和高效，能夠在實時應用中取得較好的性能。

常見的單階段目標檢測算法有：

1.YOLO（You Only Look Once）：YOLO是一種經典的單階段目標檢測算法。它將目標檢測任務轉化為一個回歸問題，通過將圖像劃分為網格并為每個網格預測邊界框和類別概率來檢測目標。YOLO具有較快的速度和較好的準確性，適用于實時目標檢測應用。

2.SSD（Single Shot MultiBox Detector）：SSD是另一種常見的單階段目標檢測算法。它通過在不同尺度的特征圖上預測邊界框和類別概率來檢測目標。SSD使用了多個卷積層來提取不同尺度的特征，并通過多個預測層來預測不同大小的目標。

3.RetinaNet：RetinaNet是一種基于特征金字塔網絡（Feature Pyramid Network，FPN）的單階段目標檢測算法。它通過在不同尺度的特征圖上進行目標檢測，并引入了一種稱為Focal Loss的損失函數，用于解決目標類別不平衡的問題。RetinaNet在檢測小目標方面表現出色。

4.EfficientDet：EfficientDet是一種高效的單階段目標檢測算法，它結合了EfficientNet網絡和BiFPN（Bi-directional Feature Pyramid Network）模塊。EfficientDet通過在不同尺度的特征圖上進行目標檢測，并使用BiFPN模塊來提高特征的語義信息和上下文信息的傳遞。

對于火災實時檢測來說，YOLO系列算法更為合適。YOLOv5是一種基于深度學習的目標檢測算法，它是YOLO（You Only Look Once）系列算法的最新版本。YOLO系列算法的主要特點是實時性和準確性，能夠在圖像或視頻中快速檢測和定位多個目標。YOLOv5相對于之前的版本有一些改進和優化。它采用了一種新的架構，使用了更深的網絡結構，并且引入了一些新的技術來提高檢測的準確性和速度。YOLOv5的訓練和推理過程都可以在GPU上進行，這使得它在實時目標檢測任務中表現出色。

（二）YOLOv5算法

1.YOLOv5的主要優點包括：

（1）高速度：YOLOv5能夠實時檢測圖像或視頻中的目標，并且在保持較高準確性的同時，具有較快的處理速度。

（2）高準確性：通過使用更深的網絡結構和一些新的技術，YOLOv5在目標檢測任務中取得了更好的準確性，能夠準確地檢測和定位多個目標。

（3）靈活性：YOLOv5可以應用于各種不同的目標檢測任務，包括人體檢測、車輛檢測、物體檢測等。它可以適應不同的場景和需求，并且可以進行定制化的訓練和調整。

（4）易用性：YOLOv5提供了簡單易用的API和工具，使得用戶可以方便地進行訓練、測試和部署。它還提供了預訓練的模型和權重，可以直接在各種應用中使用。

2.YOLOv5的輸入端

Mosaic數據增強，能夠豐富數據集和減少GPU；自適應錨框計算，每次訓練時能夠自適應的計算不同的訓練集的最佳錨框值；自適應圖片縮放，YOLOv5可以通過計算，更改圖片比例的同時添加最少的黑色邊框，這樣可以減少計算量，提高檢測速度。

3.Backbone

（1）Focus結構

Focus結構的核心是對圖片進行切片操作。圖3以一個的簡單的3×4×4輸入圖片為例。對于紅色的區域，不論寬還是高，都從0開始，每隔兩個步長取值；黃色的區域，不論寬還是高，都從1開始，每隔兩個步長取值；依次類推，對三個通道都采取這樣的切片操作。最后將所有的切片，按照通道concat在一起，得到一個12×2×2的特征圖。在yolov5網絡模型中，原始608x608x3的圖像輸入Focus結構，采用切片操作，先變成304×304×12的特征圖，再經過一次32個卷積核的卷積操作，最終變成304×304×32的特征圖。

（2）CSP結構

YOLOv5中的CSP結構是一種用于構建卷積神經網絡的模塊設計。CSP結構的核心思想是通過將輸入特征圖進行分割，將一部分特征圖直接進行處理，而另一部分則通過一系列卷積操作后再與之前處理的特征圖進行融合。

具體來說，CSP結構包含以下幾個關鍵組成部分：主干特征提取網絡：CSP結構首先通過一系列卷積層來提取輸入圖像的特征。這部分網絡通常是一個深度的卷積神經網絡，例如Darknet-53；主干特征圖的分割：在CSP結構中，主干特征圖被分割成兩個部分。一部分特征圖直接進行處理，而另一部分則通過一系列卷積操作后再與之前處理的特征圖進行融合；融合操作：分割后的特征圖經過一系列卷積操作后，與之前處理的特征圖進行融合。融合的方式可以是簡單的通道拼接，也可以是使用注意力機制等更復雜的方式；輸出特征圖：最終，經過融合操作后得到的特征圖將作為下一層的輸入，或者用于目標檢測的預測。

CSP結構的設計可以有效地減少網絡中的參數數量和計算量，從而提高了網絡的速度和精度。通過分割特征圖并進行融合，CSP能夠更好地捕捉不同尺度的特征信息，并提升網絡的感受野。這使得YOLOv5在目標檢測任務中具有更好的性能。

（3）Neck

主要是指用于特征融合的部分，通常位于卷積神經網絡的中間。這個部分的設計有助于將不同層次的特征信息融合在一起，從而提高目標檢測的性能。

YOLOv5采用PANet來進行特征金字塔融合。PANet可以有效地整合不同尺度的特征圖，以便更好地捕捉各種目標的信息。它通過自上而下和自下而上的路徑來聚合不同尺度的特征，從而產生具有更豐富語義信息的特征圖。FPN也是一種特征金字塔網絡，用于融合不同尺度的特征圖。它的工作方式是在主干網絡中選擇幾個特定層的特征圖，然后通過上采樣和卷積操作將它們融合在一起，以產生多尺度的特征金字塔。YOLOv5中還引入了SAM，這是一種用于捕捉空間信息的模塊。SAM可以通過學習每個位置的注意力權重，使網絡更注重關注物體的空間位置，有助于提高檢測性能。

這些Neck結構的設計目的是增強目標檢測模型對不同尺度和復雜性的目標的感知能力，從而提高檢測的準確性。這些結構一起協同工作，確保網絡在不同尺度下都能夠有效地檢測目標，使YOLOv5成為一種強大的目標檢測算法。

4.YOLOv5的輸出端

YOLOv5的輸出端通常是一系列的錨定框（anchor boxes）以及對應的目標類別和置信度（confidence）預測值。每個錨定框都會輸出對各種可能的目標類別的預測概率。模型會輸出錨定框的位置信息，包括邊界框的中心坐標、寬度和高度。也會輸出每個錨定框的置信度，表示該框中是否包含一個目標以及該預測的可信度。YOLOv5的輸出是一個三維張量，其中第一個維度對應錨定框的數量，第二個維度對應每個錨定框的信息（類別概率、位置信息、置信度等），第三個維度則對應不同的類別。

三、系統設計與實現

（一）宿舍火災檢測報警系統架構

通過紅外探測儀成像輸出視頻，對視頻進處理檢測。

火災檢測算法整體流程圖，本文的火災檢測算法整體流程如圖5所示。先通過攝像頭對煙霧數據進行采集，建立煙霧數據庫，再對煙霧數據進行數據增強；然后讀取煙霧數據輸入到YOLOv5檢測模型中進行數據訓練學習，從而得到結果模型；同時，對受監控場景，通過攝像頭獲取監控視頻幀序列，將視頻幀圖像送入訓練好的檢測模型中進行檢測；在此基礎上，對視頻幀圖像做判斷處理；當待檢測的視頻幀序列滿足條件時，則判定為有煙霧，并發出煙霧警報。

在宿舍中安裝紅外成像儀進行監測，實時傳遞視頻到檢測模型進行分析檢測，如果判定有火災隱患，就啟動報警系統，通知宿舍同學及宿舍管理人員，第一時間進行處理，在火災并未形成嚴重災害的情況及時撲滅，有效防止人員傷亡及財產損失。

YOLOv5與EfficientDet兩個目標檢測器協同工作并行檢測火災，通過生成候選框以及非極大值抑制確定目標火災區域，引入EfficientNet用于關注全局信息，以降低誤報率。集成3個網絡的火災檢查模型，改善特征提取方法，能夠最大化利用全局特征和局部特征，提升小目標檢測精度，提高召回率。

（二）微信小程序設計

為了讓學生更快地接收到火源警報，設計通過小程序服務通知向學生以及管理人員發送警報消息。因事關財產人身安全，程序后臺必須保持運行并且服務器不能崩壞，系統將搭載云服務器進行服務。小程序是控制和連接用戶與系統之間的導線和接觸口，為了保證用戶使用感良好，小程序應該有著強大的續航能力和處理數據的能力，再加上簡單明了的操作界面，讓用戶能夠輕松的接收實時場景的圖像，并判斷火災的有無。提供一些設置選項，例如報警方式、報警靈敏度等，讓用戶可以根據自己的需求進行設置。小程序端與云平臺可以進行數據的交互，小程序可以接收來自云平臺傳輸的信息例如火災圖片等，當火災發生時，實現報警機制，例如發出聲音警報、發送警報信息給相關人員或自動觸發火災報警系統等，以便及時提醒宿舍內的人員并促使他們采取逃生措施。

在小程序中，采用雙重保障機制，首先以服務通知的形式向用戶發送火源警報，用戶在確認手機號和地址后點“進入小程序查看”便可查看攝像頭捕捉到的火源圖片。若確認為火源，則點擊確認選項，信息發送至平臺服務器，平臺報警前往查看。若是發現誤判了火源，則可以點擊誤判選項。因火源引發的安全事務緊急，涉及到人身財產安全，若用戶一分鐘內未點擊確認或誤判做出回復，警報系統將將報警信息與火災圖片信息告知于宿舍管理人員及消防部門，由消防部門對火災情形進行處理。小程序可以記錄火災檢測的數據，包括火災發生的時間、地點和檢測到的火災跡象等信息。用戶可以查看歷史記錄，以便更好地了解火災發生的情況和采取相應的措施。

（三）數據庫結構設計

本系統基于MySQL構造數據庫，數據庫主要包含火災歷史，火災上報和用戶等信息等，MySQL功能強大，可擴展，兼容性較好的數據庫管理系統。

MySQL主要特性有：1.體積小、速度快、總體擁有成本低，開源；2.系統的并發性能好，可支持多人同時訪問。容量大，可保存5000萬條記錄；3.支持多種語言函數，實現遠程訪問；4.相比于其他同類數據庫，訪問和處理的速度較快；5.采用基于多線程的內存分配方法，穩定性高，操作簡單，上手快。

①火災歷史表?；馂陌l生后將火災發生地，火災名稱，發生時間以及當時的環境等存儲在該表中，目的是為以后查看和研究提供數據依據。

②火災上報表。系統在監測到當前區域發生火災之后，把當前區域的地點和環境以及發生火災的攝像頭ID和當前管理人員等信息存儲在該表中。并上報火災進行報警，記錄報警時間。

③用戶信息表。主要存儲宿舍值班和管理人員基本信息，方便對登錄，查看等進行權限管理。

這些數據的記錄還可用于數據分析，得出當地火災易發生的原因，更好的做到防患于未然，而內部對于火勢的圖像監控，也能更好的幫助消防人員采取救火措施。

四、結論

基于深度學習的火災監測系統可以廣泛運用于室內外的火災監測，通過攝像頭的實時畫面進行識別，及時甄別出火災隱患，大大減少因火災帶來的人身安全和財產上的損失。該系統使用深度學習算法對宿舍內的圖像或視頻進行分析，能夠準確地檢測出火災跡象，如火焰、煙霧等。通過實時監測，可以及早發現火災并采取相應的措施。一旦系統檢測到火災跡象，它會立即觸發報警機制，例如發出聲音警報、發送警報信息給相關人員或自動觸發火災報警系統。這能夠迅速提醒宿舍內的人員并促使他們采取逃生措施。系統可以持續監控宿舍內的情況，無需人工干預。這樣可以提高監測的效率，并減少人為疏忽或錯誤導致的火災未被及時發現的風險。

宿舍火災檢測報警系統還可以記錄火災檢測的數據，包括火災發生的時間、地點和檢測到的火災跡象等信息。這些數據可以用于事后分析和調查，幫助改進火災預防措施和安全管理。如果未來該系統更加成熟，可以推廣到更多的應用場景，可以給各個場景的攝像頭都增加此功能，讓火災可能造成損害的可能性降到最低。

參考文獻：

[1]龐淑蘭，王曉輝.高校學生宿舍火災監測系統的設計探究[J].考試周刊，2019（32）：196.

[2]RSHICK R， DONAHUE J， DARRELL T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recogni‐tion.2014：580-587.

[3]GIRSHICK R. Fast R-cnn[C]//Proceedings of the IEEE International Conference on Computer Vsion.2015：1440-1448.

[4]REN S， HE K， GIRSHICK R， et al.Faster R-cnn：To‐wards Real-time Object Detection with Region Pro‐posal Networks[J].Advances in Neural Information Pro ‐cessing Systems，2015，39（6）：1137-1149.

[5]Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 779-788.

[6]Redmon J， Farhadi A. YOLO9000： better， faster， stronger[C]//Proceedings of the IEEEConference on Computer Vision and Pattern Recognition， 2017： 7263-7271.

[7]Redmon J， Farhadi A. Yolov3： An incremental improvement[J]. arXiv preprint arXiv：1804.02767， 2018.

[8]Bochkovskiy A， Wang C-Y， Liao H-Y M. Yolov4： Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv：2004.10934， 2020.

[9]馮路佳，王慧琴，王可等.基于目標區域的卷積神經網絡火災煙霧識別[J].激光與光電子學進展，2020，57（16）：83-91.

[10]陳培豪，肖鐸，劉泓.基于深度學習的視頻火災識別算法[J].燃燒科學與技術，2021，27（06）：695-700.

[11]楊劍，陳世娥.基于圖像處理技術的煙霧檢測在家庭火災防范中應用[J].電腦知識與技術，2021，17（06）：189-191.DOI：10.14004/j.cnki.ckt.2021.0476.

[12]金潤澤，陳凱，陸晨菲等.基于深度學習的智能火災檢測報警系統[J].長江信息通信，2022，35（10）：88-91.

作者簡介：周鄭歡，女，漢族，安徽宣城人，宿州學院在讀本科學生。李閃閃，女，漢族，碩士研究生，宿州學院講師，研究方向：數據挖掘、多標簽學習。趙媛媛，女，漢族，安徽合肥人，宿州學院在讀本科學生。

基金項目：宿州學院資助安徽省大學生創新創業訓練計劃項目“基于深度學習的宿舍火災檢測報警系統的研究與實現” （S202310379096）。