基于多傳感器融合的火花探測與噴水控制方法

摘 要：室內(nèi)火花探測與噴水自動控制方法直接對火花圖像進行識別，未對疑似火花區(qū)域面積變化率進行計算，導(dǎo)致方法火花探測效果差，本文提出基于多傳感器融合的室內(nèi)火花探測與噴水自動控制方法。基于多傳感器融合計算疑似火花區(qū)域的面積變化率，利用圖像識別技術(shù)對火花進行自動識別，根據(jù)識別結(jié)果制定相應(yīng)的智能化噴水控制策略，實現(xiàn)室內(nèi)火花探測與噴水自動控制功能。試驗結(jié)果表明，該研究方法在識別火花樣本方面更準確，能夠更好地檢測實際存在的火花。

關(guān)鍵詞：多傳感器融合；室內(nèi)火花探測；噴水自動控制；安全性監(jiān)控；火災(zāi)預(yù)防技術(shù)

中圖分類號：G 642" " " " " 文獻標志碼：A

單一的傳感器在探測火花時存在局限性。光學傳感器對光照條件的變化較敏感，而熱傳感器則可能受到環(huán)境溫度的干擾。此外，傳統(tǒng)的噴水控制系統(tǒng)往往缺乏智能決策能力，無法根據(jù)火花的實際情況進行精確控制，容易造成資源浪費或控制不足。多傳感器融合技術(shù)為火花探測提供新的思路。通過融合不同傳感器的信息，可以有效提高探測的準確性和可靠性。文獻[1]探討圖像火災(zāi)探測技術(shù)在綜合管廊中的應(yīng)用。圖像火災(zāi)探測技術(shù)通過攝像頭捕捉實時畫面，利用圖像處理算法識別火焰特征，從而對火災(zāi)進行及時探測。但是對具體算法、傳感器類型、數(shù)據(jù)處理方法等關(guān)鍵技術(shù)細節(jié)的描述不夠深入。文獻[2]提出基于火災(zāi)探測技術(shù)的分散式氣體滅火裝置設(shè)計方案。該方案通過布置多個火災(zāi)探測器，實時監(jiān)測電氣柜內(nèi)的溫度、煙霧等參數(shù)，一旦發(fā)現(xiàn)火災(zāi)隱患，立即啟動滅火裝置進行滅火。但是缺乏對多種技術(shù)的綜合性分析和比較。

因此，本文提出基于多傳感器融合的室內(nèi)火花探測與噴水自動控制方法。通過融合多種傳感器的信息，實現(xiàn)對火花的準確探測功能；利用智能化控制策略，實現(xiàn)對噴水系統(tǒng)的精確控制功能。

1 基于多傳感器融合的室內(nèi)火花探測與噴水自動控制方法設(shè)計

1.1 基于多傳感器融合計算疑似火花區(qū)域面積變化率

在室內(nèi)安全監(jiān)控領(lǐng)域，準確、快速地識別并定位疑似火花區(qū)域?qū)︻A(yù)防火災(zāi)至關(guān)重要。利用多傳感器對室內(nèi)環(huán)境進行實時監(jiān)測[3]。多傳感器捕捉不同物理參數(shù)的變化，對傳感器數(shù)據(jù)進行融合處理，可以得到一個綜合的疑似火花區(qū)域識別結(jié)果，過程如下。

當對圖像或固定間隔的圖像序列幀之間的差異進行計算時，能夠有效地識別運動區(qū)域。考慮視頻序列中連續(xù)幀之間的變化，可以設(shè)定Ft+n（x，y）和Ft（x，y）分別代表視頻流中相隔n幀的2幅圖像[4]。這里，F(xiàn)t+n（x，y）表示在時間t+n時的圖像，而Ft（x，y）表示在時間t時的圖像。為了凸顯出這2幀圖像之間的差異，計算其差值，得到差分圖像Dt（x，y）。這個計算過程遵循以下關(guān)系式，如公式（1）所示。

Dt（x，y）=|Ft+n（x，y）-Ft（x，y）|" " " （1）

對差分圖像Dt（x，y）進行二值化處理，獲取運動區(qū)域圖像。在這個過程中，閾值T至關(guān)重要，須根據(jù)圖像中的光照變化、陰影影響以及噪聲水平來合理設(shè)定。閾值T能夠有效地區(qū)分運動區(qū)域與背景區(qū)域。不同圖像的閾值仍然接近0，像素值大于T閾值的區(qū)域是地面運動區(qū)域，像素值較小的區(qū)域被視為背景。通過公式（2）來實現(xiàn)二值化處理，將差分圖像中的每個像素值與閾值T進行比較，從而得到二值化后的圖像，如公式（2）所示。

（2）

通常，火花特征幀之間的變化并不顯著，因此選擇合適的間隔幀數(shù)N顯得尤為重要。由于火花具有緩慢擴散的特性，通過上述方法捕捉火花運動的邊緣信息，有助于準確定位火花邊緣位置。

火花的分布特征也呈現(xiàn)一種獨特的模式。主要分布在火源周圍的頂部和兩側(cè)區(qū)域，并且這些區(qū)域會隨著火勢的發(fā)展而不斷變化[5]。在火花衍生的起始階段，火光區(qū)域會逐漸擴大，初始階段其增長速度相對較慢。在特定階段，氣泡的生成速度會迅速增加。到了后期階段，由于火勢的減弱或其他因素的影響，火光面積會逐漸減少。

為了更精確地分析火勢的變化情況，計Mi為第i幀圖像的疑似火花區(qū)域面積，基于多傳感器融合計算其動態(tài)變化率如公式（3）所示。

（3）

火花的產(chǎn)生與發(fā)展是一個漸進的過程，其相關(guān)參數(shù)R的值會隨著時間的推移而逐漸變化，呈現(xiàn)一種連續(xù)且平穩(wěn)的態(tài)勢。

1.2 火花圖像識別

通過多傳感器融合獲取的數(shù)據(jù)計算疑似火花區(qū)域的面積變化率，進而利用圖像識別技術(shù)對火花進行自動識別。本文的識別方案為了消除視頻圖像中可能存在的噪聲和其他干擾因素，對視頻圖像序列進行去噪平滑處理[6]。這個步驟的目的是提升圖像的質(zhì)量，為后續(xù)的分析提供更可靠的數(shù)據(jù)基礎(chǔ)，如公式（4）所示。

（4）

式中：G（x，y）為高斯函數(shù)；（x，y）為圖像中的像素坐標；σ為高斯核的標準差，控制平滑的程度。

為了進一步提高識別的準確性，對候選疑似火花區(qū)域的顏色、紋理特征進行分析。顏色特征可以反映火花在圖像中的色彩表現(xiàn)，而紋理特征可以描述火花區(qū)域的表面結(jié)構(gòu)和細節(jié)。對候選區(qū)域進行小波高頻和低頻能量的分析。通過對比高頻和低頻能量的變化，可以進一步判斷該區(qū)域是否包括火花，小波變換的公式涉及對圖像進行多尺度、多方向的分解。以離散小波變換為例，如公式（5）所示。

W（i，k）=R∑f（n）ψj，k（n） " " " " " " " " " " （5）

式中：W（i，k） 為小波系數(shù)；f（n）為輸入信號；ψj，k（n） 為小波基函數(shù)；j和k分別為尺度和位置。

綜合以上步驟，最終判斷火花區(qū)域，其算法流程如圖1所示。

根據(jù)上述火花圖像識別流程圖，提取圖2中疑似火花的區(qū)域。在深入觀察圖2后，可以清晰地看到，火花特征的判斷表現(xiàn)得相當出色，沒有出現(xiàn)任何漏報的情況。

在火花圖像識別的過程中，不僅依賴圖像質(zhì)量的提升，而且還通過細致的特征分析來提高識別的準確性。顏色特征分析能夠精準捕捉火花在圖像中的獨特色彩，而紋理特征分析深入探索了火花區(qū)域的微觀結(jié)構(gòu)和動態(tài)變化。通過小波變換技術(shù)，更精細地捕捉火花的高頻和低頻能量特征，從而進一步驗證疑似火花區(qū)域的真實性。這種綜合多特征分析的識別方法，不僅提高了識別的準確率，而且也增強了系統(tǒng)的魯棒性，使系統(tǒng)在復(fù)雜環(huán)境下依然能夠穩(wěn)定、準確地識別火花區(qū)域。

1.3 制定智能化噴水控制策略

根據(jù)上述火花識別流程，制定一個相應(yīng)的智能化噴水控制策略，可以結(jié)合識別結(jié)果，利用控制算法和邏輯判斷來實現(xiàn)，具體內(nèi)容如下。

在上述火花識別的基礎(chǔ)上，根據(jù)環(huán)境數(shù)據(jù)計算當前環(huán)境條件下的噴水需求，噴水需求指數(shù)如公式（6）所示。

Nw=W（i，k）Ta+Sb-Hg " " " （6）

式中：T為溫度；S為煙霧濃度；H為濕度；a、b和g為根據(jù)歷史數(shù)據(jù)和專家經(jīng)驗確定的權(quán)重系數(shù)。

公式（6）在綜合考慮溫度、煙霧濃度和濕度等因素后再計算噴水需求指數(shù)。

根據(jù)噴水需求指數(shù)制定噴水策略，包括噴水的強度、范圍和持續(xù)時間。

噴水強度計算如公式（7）所示。

Iw=ktNt " " " " " " " "（7）

式中：k為噴水強度與噴水需求指數(shù)之間的轉(zhuǎn)換系數(shù)。

公式（7）將噴水需求指數(shù)轉(zhuǎn)換為實際的噴水強度。

噴水持續(xù)時間計算如公式（8）所示。

Dt=Ntr " " " " " " " " （8）

式中：r為噴水速率，表示單位時間內(nèi)噴水的量。

公式（8）根據(jù)噴水需求指數(shù)和噴水速率計算噴水持續(xù)時間。根據(jù)制定的噴水策略，啟動噴水裝置，按照計算的噴水強度和持續(xù)時間進行噴水。在噴水過程中，系統(tǒng)持續(xù)監(jiān)測環(huán)境數(shù)據(jù)，根據(jù)實際情況調(diào)整噴水策略。

通過以上流程，智能化噴水控制系統(tǒng)能夠根據(jù)實際環(huán)境條件計算噴水需求，制定合適的噴水策略，并精準地執(zhí)行噴水操作，以達到預(yù)期的控制效果。

2 試驗論證

為了驗證基于多傳感器融合的室內(nèi)火花探測與噴水自動控制方法的探測效果，建立一個合適的實驗平臺，并與文獻方法[1]和文獻方法[2]進行對比，試驗如下。

2.1 試驗準備

試驗準備階段主要涵蓋了2個關(guān)鍵環(huán)節(jié)。1）建立1組全面的火焰數(shù)據(jù)樣本集。2）設(shè)置合理的可見光火焰檢測算法性能評估參數(shù)。

在基于多傳感器融合的室內(nèi)火花探測對比試驗中，考慮火焰的分辨率和大小對可見火焰檢測算法性能的影響。為了系統(tǒng)地探究這些因素的影響，選取火焰圖像作為正樣本，該圖像來自公開可用的CVP和火焰數(shù)據(jù)集，具有不同的火焰分辨率和大小特點。同時，為了形成對比，從C數(shù)據(jù)集中選擇火焰圖像作為負樣本，該圖像不包括火焰元素。

在樣本劃分方面，采用隨機抽樣的方法，將80%的正樣本和負樣本組成訓(xùn)練集，用于訓(xùn)練可見火焰檢測算法。剩余的20%樣本組成測試集，用于評估算法的性能。具體的劃分情況見表1。

在基于多傳感器融合的室內(nèi)火花探測對比試驗中，使用標簽來標記樣本。其中，標記為“1”的代表陽性樣本，即包括火花的圖像；而標記為“0”的代表陰性樣本，即不包括火花的圖像。

為充分展現(xiàn)3種方法之間的性能差異，選擇召回率（Recall Rate，RR）作為算法性能評價的關(guān)鍵參數(shù)。召回率的計算如公式（9）所示。

（9）

式中：TP為算法正確識別的火花樣本數(shù)量，即真正例（True Positive）；FP為算法錯誤地將非火花樣本識別為火花樣本的數(shù)量，即假正例（ Positive）。

選擇Windows 10作為測試系統(tǒng)。在算法規(guī)劃方面，采用Keras深度學習框架。算法的網(wǎng)絡(luò)模型初始學習率設(shè)置為1.001。將第1節(jié)的方法應(yīng)用到測試系統(tǒng)中，需要設(shè)置參數(shù)，相關(guān)參數(shù)如下。1）視頻處理參數(shù)。幀間隔為5幀（視頻幀率為30f/s，幀間隔約為0.17s），閾值為20（灰度值范圍0～255）。2）高斯平滑參數(shù)。標準差σ設(shè)置為1.5。3）火花識別參數(shù)。小波變換參數(shù)選擇Haar小波基函數(shù)，進行3層小波分解。4）顏色特征閾值。在HSV顏色空間中，設(shè)置H（色調(diào)）范圍為[0， 10]和[165， 180]（對應(yīng)于紅色到橙色的范圍），S（飽和度）大于50，V（亮度）大于100。5）紋理特征閾值。基于小波變換的高頻能量與低頻能量之比，設(shè)定閾值為0.3（表示高頻能量占比超過低頻能量的30%）。6）噴水控制參數(shù)。設(shè)定溫度權(quán)重a=0.3，煙霧濃度權(quán)重b=0.4，濕度權(quán)重c=0.2，疑似火花區(qū)域面積變化率權(quán)重d=0.1，噴水強度轉(zhuǎn)換系數(shù)k=10（單位：L/min/單位噴水需求指數(shù)），噴水速率v=50L/min（初始設(shè)定）。

引入AM RetinexNet圖像改進算法來優(yōu)化圖像處理步驟。隨后，在優(yōu)化后的圖像上進行網(wǎng)絡(luò)訓(xùn)練。為了全面評估算法的性能，分別使用了文獻方法[1]、文獻方法[2]以及本文提出的方法進行檢測，并將火焰檢測結(jié)果整理在表2中。

2.2 對比試驗

由表2可知，本文方法在3次試驗中均具有較高的召回率，方法性能更優(yōu)。與文獻方法[1]和文獻方法[2]相比，本文方法的召回率均有所提升，這表明本文方法在識別火花樣本方面更準確，能夠更好地檢測實際存在的火花。

3 結(jié)語

隨著科技的不斷進步、智能化技術(shù)的快速發(fā)展，基于多傳感器融合的室內(nèi)火花探測與噴水自動控制方法已經(jīng)成為保障室內(nèi)安全的重要技術(shù)手段。本文對該方法進行深入探討，旨在提升室內(nèi)安全監(jiān)控的智能化水平，有效預(yù)防和應(yīng)對火災(zāi)等安全隱患。通過多傳感器融合技術(shù)的應(yīng)用，實現(xiàn)對室內(nèi)火花的準確探測，提高了探測的準確性和可靠性。噴水自動控制方法的引入，使滅火工作更高效和精準。本文所探討的基于多傳感器融合的室內(nèi)火花探測與噴水自動控制方法為提升室內(nèi)安全監(jiān)控水平提供了新的思路和解決方案。

參考文獻

[1]曾小峰，姚雷雷，劉師偉，等.圖像火災(zāi)探測技術(shù)在綜合管廊中的應(yīng)用探究[J].智能建筑與智慧城市，2023（9）： 139-141.

[2]謝丹，李越，洪偉藝，等.變電站電氣柜火災(zāi)探測及分散式氣體滅火裝置設(shè)計[J].消防科學與技術(shù)，2023，42（8）： 1126-1130.

[3]林輝，萬小軍.基于火花探測器的工業(yè)電爐變電站火災(zāi)探測及定位系統(tǒng)[J].工業(yè)加熱，2023，52（6）：58-62.

[4]王喆，李享，楊棟梁，等.基于YOLOv5s的城鎮(zhèn)森林交界域火災(zāi)探測模型[J].中國安全科學學報，2023，33（6）：152-158.

[5]李開遠，袁宏永，陳濤，等.基于TDLAS的光學探針式初期火災(zāi)探測系統(tǒng)[J].清華大學學報（自然科學版），2023， 63（6）： 910-916.

[6]馮俊宗，何光層，代航，等.基于數(shù)據(jù)融合技術(shù)的無人值守變電站火災(zāi)探測算法研究 [J].消防科學與技術(shù)，2022， 41（9）：1281-1286.