機器視覺火焰識別聲音報警測距系統設計

摘 要：在視覺火焰研究背景下，利用YOLOv5目標檢測算法設計了一種高效的火焰識別報警測距系統。YOLOv5目標檢測算法利用圖像數據集訓練神經網絡模型，通過對火焰區域像素點的處理，增強火焰特征的提取，進一步提升火焰檢測精度。在火焰檢測任務中，可以通過YOLOv5算法快速定位目標，并實時監測火焰區域。經過實驗驗證測試，基于實時視頻流的火焰監測報警測距系統可以實時監測火源位置并進行報警。實驗結果表明，該系統具有較高的火焰檢測精度和較快的響應速度，其實用性得到了驗證，具有一定的應用價值。

關鍵詞：火焰監測；神經網絡模型；YOLOv5；機器視覺；實時視頻流；無線網絡攝像頭

中圖分類號：TP242 文獻標識碼：A 文章編號：2095-1302（2024）12-00-03

0 引 言

隨著深度學習和機器視覺技術的進步，火災監測系統在可靠性和準確性方面得到了很大提高。目前，火焰識別方法主要有深度學習和傳統機器學習2種，其中深度學習技術因為無需先驗知識就能自動學習圖像特征而被廣泛應用[1]。本文設計了基于機器視覺的火焰識別語音報警測距系統，基于YOLOv5的機器視覺火焰監測報警系統旨在利用YOLOv5技術來實時監測火焰是否出現并在識別置信度超過設置閾值時觸發報警。此外，系統還可以對識別的火焰進行單目視覺測距，用來提升火焰監測的精準程度和應用方面的可靠性[2]。

1 設計方案

基于機器視覺的火焰監測報警系統設計原理是通過攝像頭采集火焰圖像，并通過圖像處理技術進行分析處理，檢測火焰是否存在，若存在，則觸發報警器發出警報。該系統的設計目的是提高火災的安全防范能力，通過提前預防和警示來保護人們的生命財產安全。系統設計思路主要包括以下幾個步驟：

（1）選用合適的攝像頭進行火焰圖像的采集，該攝像頭需具有較高的分辨率和靈敏度。

（2）通過圖像處理技術對采集的火焰圖像進行分析處理，提取火焰特征，確保系統能夠準確檢測火焰的存在。在分析過程中，可以利用顏色分布、形狀分析等技術，對火焰進行判斷。

（3）當系統檢測到火焰存在時，會立即觸發報警器發出警報，提醒人們采取相應的應急措施。

系統硬件方案設計流程如圖1所示[3]。

2 系統描述

機器火焰檢測系統涉及硬件選擇、軟件算法、機器視覺原理、視覺測距等。

2.1 硬件組成

硬件設備的選擇是硬件平臺搭建的重要考慮因素之一。在設計機器視覺火焰監測報警系統時，我們需要選擇高品質的圖像采集設備和計算設備，以確保監測和識別火源的準確性及精度。常見的采集設備包括支持無線網、局域網或者藍牙連接的高清攝像頭、航拍無人機等，計算設備包括樹莓派等。此外，我們還需要選擇容量大且讀存速度快的存儲設備，以存儲視頻流和抓拍的實時畫面，便于計算后精準識別和渲染實時畫面[4]。

2.2 軟件算法搭建

YOLOv5是一種基于深度學習建立的目標檢測模型框架，其全稱為You Only Look Once version 5。與傳統目標檢測算法相比，YOLOv5通過引入大量的訓練數據集來提高目標檢測精度[3]，具有更高的檢測精度和更快的檢測速度。

軟件算法編譯選擇PyCharm，這是一種由JetBrains開發的Python開發環境，旨在改善開發者的工作流程。它提供了一套完整的工具，可以幫助開發者更快地編寫并測試代碼、尋找并修復錯誤、部署應用程序。它支持多種Python解釋器，可以與多種數據庫和Web服務器集成，并在PyCharm內訓練準備好的數據集和修改所需的各種參數[5]。

2.3 目標識別基本原理

目標識別是計算機科學領域的重要組成部分，是指根據對象的主要特征來描述對象。卷積神經網絡是研究人員在數字圖像目標識別或物體識別領域廣泛使用的算法之一[4]。目標識別技術是機器視覺領域中的核心技術之一，它是指通過圖像處理和模式識別技術，對圖像中的目標進行自動識別和分類。目標識別技術主要包括特征提取、特征匹配、分類識別等步驟[6]。

2.4 視覺測距原理

視覺測距作為機器視覺領域內的基礎技術之一而受到廣泛關注，其在機器人領域占有重要的地位，被廣泛應用于機器視覺定位、目標追蹤、視覺避障等領域。視覺測距主要分為單目測距、雙目測距、結構光測距。

3 模型訓練及測試

火焰圖片識別項目模型分為模型數據標注、使用PyCharm訓練模型2部分。

3.1 數據標注

目標識別程序模型文件通過Labelimg軟件處理。使用Labelimg打開JPEGimages文件夾，并使用矩形框對每一張圖片進行標注，對有火焰的地方進行框選處理并輸入標簽“fire”，標注好后將文件保存格式選為YOLO并保存在Annotations文件夾中。如果標注時圖片中出現了多處火焰則可進行多次標注。Labelimg對圖像標注的示意圖如圖2所示。

3.2 數據集訓練

目標識別程序的權重文件下載完畢后，在模型訓練程序train.py中對訓練模型中的相關參數進行配置，配置完畢后運行程序，訓練結束后即可生成目標識別模型庫文件，即best.pt文件。運行train.py文件開始訓練，模型訓練圖及模型訓練結果如圖3、圖4所示。

4 報警系統設計

火焰識別聲音報警系統通過視覺算法對火焰信息進行識別，通過網絡攝像頭將信息傳輸至后方電腦監控端，當識別置信度超過設定閾值時觸發語音報警，實現火焰信息的智能化監控。語音報警流程如圖5所示。

5 火焰識別調試

火焰模型訓練完成后，需要用最好的訓練結果來進行實時畫面的監測和圖片的檢測，打開detect.py文件，用該文件來測試best.pt文件以及監測實時畫面、圖片、視頻，查看訓練成果[7]。先對圖片進行檢測，在detect.py文件中找到相應文后替換為圖片所存放的文件夾，然后運行文件，圖片檢測及火焰實時監測畫面結果正常，如圖6、圖7所示[8-9]。

此外，為機器視覺火焰識別系統在傳統火焰識別的基礎上增加了單目測距識別功能，當運行測距識別程序后，可對目標火焰進行距離測量。測量結果界面如圖8所示。

6 創新點

機器視覺火焰監測報警系統的設計旨在提高火災安全防范能力，通過采用圖像處理技術，可以對火焰進行準確快速地檢測并報警。在系統設計中使用基于人工神經網絡的YOLO模型，結合機器視覺檢測技術對火焰進行實時識別研究，并通過搭載的網絡攝像頭對一定區域范圍內的火焰信息進行識別、報警與距離測量，以實現對火焰預警信息的進一步掌控[10]。

7 結 語

在基于機器視覺的火焰識別語音報警系統設計中，我們通過對攝像頭所采集到的火焰圖像進行處理，設計了一套可以實時監測并報警的火焰監測系統。實驗結果表明，該系統能夠準確檢測到火焰，同時避免了對其他物體的誤判。經驗證，基于機器視覺的火焰識別語音報警測距系統可以正常運行，攝像畫面也可正常接收，火焰檢測準確度及測距性能均達到了要求。

參考文獻

[1]李海鵬，余強.基于YOLOv5的目標識別追蹤模型輕量化[J].汽車實用技術，2023，48（5）：30-33.

[2]趙曉冬，張洵穎.基于YOLOv5的無人車自主目標識別優化算法[J].兵工學報，2023，44（9）：2732-2744.

[3]江躍龍，劉薇，魏童.一種基于YOLOv5檢測軌道螺絲的機器人[J].信息與電腦（理論版），2022，34（20）：165-167.

[4]喬珠峰，趙秋菊，郭建鑫，等.基于改進YOLOv5的草莓病害智能識別終端設計[J].中國農機化學報，2024，45（3）：205-211.

[5]孫廨堯，李秀茹，王松林.基于改進YOLOv5的學生面部表情識別[J].齊魯工業大學學報，2023，37（1）：28-35.

[6]時造雄，茅正沖.基于改進YOLOv5的花色布匹瑕疵檢測方法[J].計算機測量與控制，2023，31（4）：56-62.

[7]李宗南，蔣怡，王思，等.基于YOLOv5模型的飛蓬屬入侵植物目標檢測[J].中國農機化學報，2023，44（7）：200-206.

[8]夏臻康，李維剛，田志強.基于YOLOv5的指針式儀表自動讀數方法研究[J].儀表技術與傳感器，2023（6）：44-51.

[9]韓佼志，王紅雨，吳昌學，等.基于YOLOv5的單目視覺無人機檢測與定位方法[J].飛行力學，2023，41（3）：61-66.

[10]胡根生，吳繼甜，鮑文霞，等.基于改進YOLOv5網絡的復雜背景圖像中茶尺蠖檢測[J].農業工程學報，2021，37（21）：191-198.

基金項目：2022海南省省級大學生創新創業大創項目：多功能圖像檢測識別機器人的設計（S202213892007）

作者簡介：趙 巖（2002—），男，河北保定人，研究方向為機器視覺、路徑規劃。