基于深度學習的高層建筑火災煙霧智能識別技術研究

摘要：高層建筑由于特殊的結構特點，一旦發生火災，有可能造成人員傷亡和財產損失?；谏疃葘W習的高層建筑火災煙霧智能識別技術，可以進一步提升煙霧檢測的精度。通過介紹高層建筑火災的特點和危害，分析傳統煙霧檢測方法的局限性，并闡述深度學習技術在智能識別領域的優勢，描述了煙霧識別算法的設計過程，在多個真實火災事故視頻和公開數據集上評估了系統的性能。

關鍵詞：消防救援；高層建筑；煙霧智能識別；火災預警

中圖分類號：TU976.5" " " 文獻標識碼：A" " " "文章編號：2096-1227（2024）09-0049-03

近年來，城市化進程的加快和經濟的快速發展，高層建筑日益成為現代城市的主要建筑類型之一。據不完全統計，全國現有高層民用建筑100多萬棟，超高層建筑5千余棟，總量世界第一。全國高層建筑火災呈逐年上升趨勢，2024年前8個月已經達到了3.6萬起，超過了2023年全年的總和[1]。高層建筑一旦發生火災，煙霧蔓延速度快、撲救難度大，容易造成人員傷亡和財產損失。針對高層火災煙霧的檢測，傳統方法主要依賴于感煙探測器和人工巡查，其檢測效果往往受響應時間、誤報率以及維護成本等因素的制約。隨著人工智能、深度學習技術的發展，為解決上述問題提供了新的途徑。將深度學習技術應用于高層火災煙霧的智能識別，有望顯著提升識別的精度和實時性，為火災早期預警和撲救工作提供有力的技術支撐。

1 高層火災煙霧及智能識別

1.1" 高層建筑火災特點與危害

高層建筑是指層數超過10層的居住建筑或高度大于24m的其他民用建筑。與多層建筑相比，高層建筑內人口密度大、功能復雜、空間垂直性強，一旦發生火災，容易造成嚴重后果。高層建筑的火災具有以下幾個主要特點：①火勢蔓延速度快。高層建筑中，由于豎向井道、管道井、垃圾道、空調風管等貫通整個建筑，加之立面外窗多為玻璃幕墻，容易形成“煙囪效應”。熱空氣和煙氣快速上升并向高處蔓延，以3～4m/s的速度豎向蔓延。②煙霧危害大。高層火災產生的大量有毒煙霧是導致人員傷亡的主要原因。煙霧中含有大量的一氧化碳、氰化氫等有毒氣體，其濃度遠超人體所能承受的極限。煙霧會大幅降低能見度，阻礙疏散逃生和救援行動，吸入煙霧導致的窒息是高層火災中常見的死亡原因之一。③撲救難度大。高層建筑狹長的豎向空間給撲救行動帶來很大困難。消防車的云梯通常只能到達20～30層的高度，對于更高樓層，外部滅火將會異常困難。而內部滅火受煙霧阻礙、水壓不足以及電梯無法使用等多重挑戰，高溫煙氣還會損壞建筑結構，引發坍塌等次生災害，進一步威脅撲救人員的生命安全。

1.2" 傳統煙霧檢測方法的局限性

目前高層建筑普遍采用的煙霧檢測方法包括點型感煙探測器、線型感煙探測器和光束感煙探測器等。在通過工程質量驗收的情況下，基本可以滿足火災預警的需求，但仍存在諸多局限。例如，傳統感煙探測器的工作原理是通過探測煙霧粒子引起的電流變化或光學信號變化來判斷是否發生火災，通常只能覆蓋探測器附近的小范圍區域。對于大空間、高空間的高層建筑，需要布設大量的感煙探測器才能全面覆蓋，無疑增加了安裝和維護的成本，若布點不當，會導致出現探測盲區。煙霧的濃度、流動速度、顆粒大小等物理特性都會影響探測器的響應，高層建筑中的空調通風、人員活動、裝修施工等都可能產生灰塵、水汽等干擾源，這會引發感煙探測器的誤報。此外，感煙探測器只能感知火災發生的事實，而無法獲取火災發展的細節，即便探測到火災的苗頭，也無法準確判斷起火位置、火勢大小、蔓延趨勢，在快速撲救和疏散方面難以起到持續的支持作用。

1.3" 基于深度學習的智能識別技術優勢

與傳統煙霧檢測方法相比，基于深度學習的智能識別技術在高層火災預警領域具有顯著優勢。深度學習通過構建多層神經網絡，可以自動學習數據中的層次化特征表示，具有強大的特征提取和分類識別能力。例如，深度學習模型通過卷積、池化等操作，可以自動從輸入圖像中提取多尺度、多層次的特征，進而擬合復雜的特征分布，能夠應對煙霧環境下的光照變化、尺度變化、背景干擾等多種因素，實現自適應環境變化，有效降低誤報、漏報的風險。利用卷積-循環神經網絡等模型，可以同時建模視頻序列的空間特征和時間動態信息，從而捕捉煙霧的動態演化過程，并預測火勢的發展趨勢[2]。

2 基于深度學習的高層火災煙霧智能識別算法

2.1" 原始數據采集

在高層火災煙霧智能識別系統中，數據采集與預處理模塊負責控制數據源頭質量和增強特征。本研究主要依托高層建筑內采用POE供電的高清網絡攝像機設備，獲取1080P分辨率的原始數據，先后從20棟高層建筑（包括寫字樓、商場、酒店、住宅等）中采集的監控視頻數據，時間跨度超過1年?？傆嬩浿埔曨l時長超5000h，涵蓋白天、夜晚、晴雨等不同光照和天氣條件。視頻數據采集遵循《建筑設計防火規范》的相關要求，針對閉門器、疏散通道、配電房等重點區域，布設多路視頻監控設備，形成了交叉覆蓋的監控網絡，有效消除了監控盲區。采集的視頻數據通過RTSP、ONVIF等標準協議進行封裝，并通過RTMP協議實時推送給算法服務器進行處理。將視頻流的元數據（時間戳、設備ID、分辨率等）信息寫入InfluxDB時序數據庫中，經過智能分析后的事件數據和截圖也通過API接口寫入關系型數據庫，以便后續的數據管理和分析。

在獲得視頻數據后，參考國家標準《特種火災探測器》的相關要求，對原始視頻進行人工標注，提取出6000段含有煙霧場景的視頻片段，每段視頻的持續時間為20s～5min之間。對這些視頻片段詳細標注了以下屬性：①位置：標注煙霧區域的位置和大小，即（xmin，ymin，xmax，ymax）。②置信度：煙霧區域是否觸發警報的置信度分值，范圍為[0，1]。③煙霧濃度：參考ISO3941：2007標準，劃分輕度、中度、重度三個級別。④火災等級：煙霧區域對應的火災等級分為一般、較大、重大、特大四級。⑤語義屬性：標注煙霧區域所處的室內場所（房間、走道、樓梯等）。

在人工標注的基礎上，進一步采用數據增強技術擴充樣本量，包括但不限于對圖像隨機裁剪、平移、旋轉、縮放、翻轉、透視變換，亮度、對比度、飽和度、色調等調整，疊加隨機噪聲、高斯模糊、運動模糊等操作，模擬不同光照條件下的煙霧外觀，或從帶煙霧標注的視頻幀中裁剪出煙霧區域，再隨機粘貼到其他不含煙霧的視頻幀上，增強后的樣本量將原始的6000段煙霧視頻片段擴充至約14000段。

2.2" 基于深度學習的煙霧識別算法設計

煙霧識別的核心是對視頻幀圖像中的煙霧區域進行精確的檢測和定位。研究采用了基于區域候選的目標檢測框架，即先通過區域候選網絡（RPN）生成可能包含煙霧的候選區域，再利用卷積神經網絡（CNN）對候選區域作分類和回歸，最終輸出煙霧的類別和位置坐標。

考慮到煙霧在形狀、大小、紋理等方面的巨大變化，研究選用了ResNet-50作為FPN的backbone網絡，在ImageNet數據集上進行了預訓練，以遷移學習的方式加速收斂和提升性能。區域候選網絡的設計參考了RPN結構，采用3×3卷積核對共享的卷積特征進行再學習，同時通過1×1卷積核預測候選區域的位置坐標和是否包含目標的置信度得分，在訓練時通過二分類交叉熵損失和光滑L1損失聯合優化。候選區域生成后，再通過RoIAlign算法將其映射到原圖尺度，并輸入全鏈接層進行分類和回歸，同樣采用多任務損失函數優化。

針對煙霧識別的特定需求，在損失函數的設計上做了進一步改進。由于實際場景中煙霧區域的尺度差異較大，為平衡不同尺度目標對損失函數的貢獻，本文提出了尺度自適應的焦點損失，該損失函數對簡單樣本（大目標）的權重進行了動態調整，使得模型更關注難分樣本（小目標），公式如下：

FL（pt）=-at（1-pt）rlog（pt） （1）

其中，pt是模型預測的概率值，r是調制因子，用于平滑簡單與困難樣本之間的權重，at是平衡因子，尺度越小權重越大?？紤]到煙霧區域普遍具有模糊的邊界和不規則的形狀，研究改進了邊界框回歸分支，借鑒了基于矩形框內掩模的Mask R-CNN思想[3]，在邊界框回歸的同時預測煙霧區域的像素級掩模。在訓練策略上，先在大規模通用數據集（如COCO）上預訓練整個網絡，再在煙霧數據集上微調。

3 測試與結果分析

3.1" 測試環境與數據集

針對模型的測試環境主要包括兩大部分：監控設備和邊緣計算單元。在10棟高層建筑（未出現在訓練集中）的關鍵位置（如大廳、走廊、電梯廳、配電房等）部署了高清網絡攝像機，從這些建筑物中采集了100段真實的火災事故監控視頻，每段視頻時長2～5min，總時長超過5h，視頻內容涵蓋了不同時間（白天、夜晚）、不同位置（室內、室外）、不同火情（早期階段、中期階段）下的煙霧發展過程。額外采集了5棟特殊建筑物的火災視頻，包含不同的建筑結構、裝修風格以及罕見的火災類型（如化學品爆炸），用于檢驗算法的適應性。為方便評估結果的對比分析，研究還搜集了3個常用的公開煙霧數據集，即VisiFire、FireSense和FireNET，VisiFire包含11段火災視頻（時長17min），FireSense包含13段火災視頻（時長2h），FireNET包含39.5h的火災和非火災視頻，在這3個數據集上評估了本文提出的算法和其他傳統機器視覺算法——光流法和Adaboost的性能表現[4]。評估指標包括單幀煙霧檢測的準確率、召回率、F1值、平均響應時間等。

3.2nbsp; 算法性能評測結果

在采集的100段真實火災視頻上逐幀評估了系統的煙霧檢測性能，并統計了以下指標，見表1。

算法在真實火災場景下取得了非常高的煙霧檢測精度，準確率和F1值均超過97%，且能在0.8s內對新出現的煙霧做出響應，滿足了實時預警的需求。進一步統計了算法在不同細分場景下的表現，發現在白天、夜晚、室內、室外等場景下，系統的準確率波動均在1%以內，顯示出良好的環境適應性。針對不同濃度的煙霧，算法的檢測性能見表2。

對于早期的輕度煙霧，系統的檢測精度略低于中重度煙霧，但F1值仍達到94.4%，推測與注意力機制和多尺度特征的融合有關，使算法也能捕捉輕微模糊的煙霧特征。在FireSense和VisiFire數據集上，本文算法相比傳統的光流法、Adaboost等機器視覺方法取得了明顯的精度提升，見表3，在復雜度更高的FireNET數據集上也展現出了良好的泛化性能。

4 結束語

高層建筑火災煙霧智能識別技術的研究具有重要的應用價值，深度學習算法克服了傳統煙霧檢測方法的局限性，大幅提升了煙霧識別的精度，大量真實場景下的高層建筑火災視頻數據為算法訓練奠定了堅實的數據基礎。為最大限度減少火災造成的人員傷亡和財產損失，在未來高層建筑的火災預警和應急管理中，應進一步做好工程優化和系統集成，才能將該技術真正應用于一線消防實踐。

參考文獻

[1]中國新聞網.國家消防救援局：近年來全國高層建筑火災呈逐年上升趨勢[EB/OL].https：//www.chinanews.com.cn/m/sh/2024/09-25/10291905.shtml

[2]曹永根.大空間建筑可視火災煙霧檢測方法研究[D].西安：西安建筑科技大學，2023.

[3]李旭.基于深度學習的煙霧檢測技術與應用研究[D].南京：南京郵電大學，2023.

[4]鄭琰睿，楊林劍，李曙光，等.基于深度學習的森林火災煙霧監測[J].林業資源管理，2023（4）：150-160.