基于BP神经网络的嵌入式森林火灾智能监控系统1)

田仲富 王述洋

(东北林业大学，哈尔滨，150040)

基于BP神经网络的嵌入式森林火灾智能监控系统1)

田仲富 王述洋

(东北林业大学，哈尔滨，150040)

结合嵌入式技术、远程监控、智能控制以及数字图像处理等技术，设计了一种森林火灾监控系统。首先，在林火高发监测区域设置现场控制器，并对其实时采集到的图像信息进行智能火情识别处理，当其检测到火情后，通过GPRS模块将林火的地理位置信息、气象信息、火情信息、植被信息以及地理环境信息等重要数据传送给监控指挥中心，监控指挥中心根据上述重要信息做进一步的判定分析，并制定相应的林火扑救方案。实际应用表明，此系统具有安装简便、运行稳定、实时性强、体积小以及成本低等特点。

智能控制；图像处理；神经网络；森林防火

森林是人类赖以生存的重要资源，也是地球生态平衡的保护者[1]。但是，由于人类的过度采伐以及各种自然灾害等多方面的因素导致森林的面积逐渐减少，据相关资料表明：在诸多危害森林的因素中，森林火灾是一种破坏性最大的灾害之一，每次大火都会带来巨大的损失。所以，森林火灾的监测己成为了各国森林防火部门的一个重要任务[2]。目前，绝大多数林区火灾监测的主要措施仍普遍采用在防火期间派出防火人员到林区巡视、防火塔观测或卫星监测等方式，但是上述森林火灾监测方式均存在着明显不足，在森林火灾的监测中急需引入新的技术和方法。

近年来，随着网络信息技术的发展，森林火灾的监测已逐步开始由最初的防火塔人工瞭望转向了远程监控[3]。因此，林火远程监控系统作为火灾早期预警工具，在我国森林防火工作中发挥着重要的作用。本文结合远程监控系统与嵌入式技术和数字图像处理技术，提出了一种新型的森林火情监测系统。通过目前多种先进技术的融合，使该系统的实时性和效率均得到了大幅度的提升，这种林火监测方式可以有效避免现有远程监控系统的不足，为第一时间监测森林火情提供了智能保障。

1 系统组成与功能

本系统主要由监控指挥中心、现场控制器以及图像采集仪构成[4]。现场控制器主要实现视频的获取、分析处理/本地存储，当发现火情时产生预警并立即向监控中心发送火情警报；监控指挥中心负责整个系统网络平台的管理，对现场控制器传回的信息进行解码和回放，发生可疑情况时向现场控制器发出控制指令，并实时监测现场情况，火情一旦被确定后，立即进行扑救部署工作，见图1。

2 现场控制器的设计

现场控制器由嵌入式处理器(S3C2410)、GPRS模块、GPS模块及图像采集等模块构成，如图2所示。

图2 现场控制器硬件组成

监测点处的摄像机将获得的现场图像，先送给嵌入式处理器处理进行，如发现异常，嵌入式处理器将异常信息按照JPEG格式进行压缩，并将压缩后的数据附带GPS模块的信息载入数据包。嵌入式处理器通过RS232/RS485串口将数据包传送给GPRS数据传输模块，由GPRS数据传输模块通过无线网络将数据包发送给提供GPRS服务的移动公司，由移动公司负责将数据传送至Internet，监控中心通过Internet接收来自监测点的数据包，从数据包中提取JPEG图像数据后解压缩，根据GPS信息确定火情地点，并向监控中心工作人员提供火情预警发生的时间、位置和图像等警报信息。

3 系统实现

影响森林火灾监控系统正常工作的干扰源主要包括：物体阴影，太阳光照以及各种灯光等因素。但是，上述干扰大部分都可以通过前期的图像预处理而排除，而其它与火灾图像极其接近的因素，可采用BP神经网络进行特征融合处理。系统工作过程为首先对采集到的图像进行图像处理，然后采用相应的林火识别算法进行林火识别，当识别到火情时产生报警信息并立即转发给监控指挥中心(图3)。

图3 系统工作流程图

3.1 图像采集

在森林防火的重点区域应结合其地形特点、早期火情发生情况以及本地树种、植被和气候等特点布置合理的云台，安装在云台上的摄像机应能覆盖观测到设定区域的整个范围，且采集到的图像要满足一定的精度，因此，本系统采用的索尼公司生产的HDR-PJ820E摄像机，它是一款日夜型的摄像机，具有低照度下自动彩色转黑自的功能可实现960线的高清晰度图像，与日本精工牌长焦镜头相配合，能够提供优质的监控图像。本系统的S3C2410处理器的视频采集接口支持ITU标准的图像数据和模拟视频信号，从而可很好的解决不同林区摄像装备差异的问题。嵌入式处理器对不同类型图像的处理方式是不同的，如果系统接收的是ITU标准的图像数据，则嵌入式处理器可以根据 UPnP协议直接接收该图像信息；若系统接收的是模拟视频信号，则嵌入式处理器必须使用视频解码器将接收到的信号进行视频解码。本系统的视频解码器采用美信集成产品公司的4通道视频解码器芯片MAX9530，它支持PAL/NTSC视频标准，可以输入4路模拟视频信号，通过内部寄存器的不同配置可以对4路输入进行转换，输入可以为4路CVBS或2路S视频(Y/C)信号，输出8位 VPO信号。

3.2 林火图像识别

林火图像识别是系统的核心软件模块，它主要包括图像特征提取和火情识别算法(BP神经网络识别)两部分。

3.2.1 基于颜色的林火识别

RGB和HIS颜色模型是目前基于颜色的林火图像识别的两种主要方式[5-6]。但是，RGB颜色模型存在定量分析较困难、图像的视觉效果较差以及对增强色调差异作用较小等缺陷。所以，本文采用HIS颜色模型来识别基于颜色的林火图像。

HIS是另一种彩色模型系统，其依据视觉原理划分了3个互不相关的颜色分量，即亮度(I)、色调(H)和饱和度(S)[7-8]。它们是相对独立的，所以可对它们分别进行图像处理，能够准确定量的描述颜色特征。在实际应用中，为了克服RGB模型的缺点，通常需要首先将RGB模型转化为HIS模型，其转化公式为[10]：

(1)

根据公式(1)，可将林火图像转换到HIS表色空间，从而使林火识别率得到增强。

3.2.2 林火图像特征提取及识别

嵌入式微处理器可以提取颜色、纹理、形状以及空间关系等视觉特征[9]。林火图像同林区图像在颜色上相比较，具有明显的不同，在可见光的全色波段上，林区背景图像呈现为各种颜色；森林呈现黄、青、绿3种颜色，在可见光图像上表现为(H115，S0.78，I0.45)；烟雾呈现灰色，图像上表现为(H90，S0，I0.7)；火焰呈现红、橙、黄3种颜色，图像上表现为(H85，S0.47，I0.57)。本系统选择图像的颜色特征和边缘变化特征表示火灾图像的特征，采用HIS 3个分量差值的直方图及其二阶矩来表示图像的颜色特征。为了降低非林火发光源的影响，采用计算各目标区域火焰的尖角数目来描述变化的图像边缘特征。最后将两者合成林火图像的特征向量，并作为BP神经网络识别系统的输入向量[11-12]。

在BP神经网络识别系统中将隐含层的节点数设定为3～11个，经过1 000次训练后，得到不同隐层神经元对网络性能的影响，如表1所示。

表1 隐层神经元数量对网络性能的影响

由表1可知，隐层神经元为6个的BP网络标准差为最小，而且网络经过85次训练就达到了目标误差，虽然，3和8个隐层神经元的网络标准差也比较小，考虑到他们所需要的训练时间相对较长，会影响到网络的训练速度，所以，隐层神经元数确定为6个。

3.3 林火定位与报警

当本系统的林火检测模块检测到林火发生时，现场控制器立即通过即插即用接口与GPS模块进行通信，从而获取林火发生的具体位置信息，并立即产生火警信息。当产生火警信息后立即触发GPRS模块，GPRS模块将附加了林火现场的气象信息、火情信息、植被信息以及地理环境信息等重要数据的火警信息发送给提供GPRS服务的移动公司，由其负责将数据传送至Internet，并最终传送给监控指挥中心。

4 结果与分析

试验是在户外较大空间，且选择白天自然光照条件下进行的，并用具有良好反射自然光的倒车镜、打火机等作为干扰物，在这些干扰情况下，进行火焰识别实验。图4为原始的火焰图像，图5为预处理后的图像。在图4中，在燃烧中的火焰红外图像灰度图的左边依次存在反射较强的倒车镜、打火机火焰和金属杯子3种干扰源，从图中可见，高亮度的火焰和反射强烈的倒车镜可由红外滤光片突出，背景干扰减小。从图5的试验结果可以看出，各种干扰源通过目标的面积变化率、颜色、纹理、形状以及空间关系等判据，也可以将火焰识别出来。所以，本系统能够较好的消除大部分干扰源的影响，并能够以较快的速度对火焰图像进行识别处理，从而及时地发现早期火灾的发生。

图4 具有各种干扰的火焰原始图像

图5 预处理后的火焰图像

5 结论

本文提出了一种基嵌入式处理平台的森林火灾监控系统，综合应用了嵌入式、数字图像处理、3S以及智能控制等技术。林火的监测是在林区火灾频发区域现场进行的，通过图像的实时采集、处理，实现了林火监控的智能化。该系统与目前主要的森林火灾监控系统相比，其克服了多种干扰源的干扰，有较高的灵敏度和识别率，比传统林火探测技术可靠性高，大大降低了监测人员的工作强度。

试验表明：该系统具有安装简便、运行稳定、实时性强、体积小以及成本低等特点；但是，在实际应用中，系统存在一定的误报现象，这主要是由于识别算法还存在一些不足之处，其主要是针对于火灾火焰图像的识别和判断，而对于火灾烟雾图像特征识别和分析的方法还需要做大量的研究工作，因此，希望在今后的研究工作中通过不断改善算法等措施，使系统的识别率能够得到进一步的提高。

[1] 徐仕玲,赵敏,徐建波.野外早期火灾图像识别方法研究[J].计算机技术与发展,2008,18(6):214-216.

[2] 张洁,何晓燕,凌志浩.基于ARM技术的远程图像监控系统设计[J].自动化仪表,2006,27(11):5-9.

[3] 廖嘉,周兴斌.基于ARM9的嵌入式GPRS的设计与实现[J].计算机与现代化,2009(2):129-131.

[4] Zhang Shengyan, Zheng Hui, Liu Yuanqiu, et al. Supporting and decision system of forest fire prevention for Jiangxi province based on 3S(RS,GIS and GPS)[J]. Jiangxi Forestry Scieince and Technology,2010,2(2):36-40.

[5] 王金芝,王国胤,许昌林.一种新的云综合方法在彩色图像分割中的应用[J].智能系统学报,2013,8(6):4-5.

[6] 金海善,汪华章,吴炜,等.基于颜色特征的图像检索算法及实现[J].四川大学学报,2008.45(4):817-822.

[7] 王跃宗,刘京会.基于视频的火灾实时检测方法[J].计算机工程与技术，2009,30(18):4330-4332.

[8] 李洋,焦淑红,孙新童.基于IHS和小波变换的可见光与红外图像融合[J].智能系统学报,2012,7(6):555-556.

[9] Shen Shilin, Yu Chunyu, Yuan Feiniu. Renovated method for identifying fire plume based on image correctation[J]. Jonrnal of Safety and Environment,2007,7(6):96-99.

[10] 张便利,常胜江李江卫,等.基于彩色直方图分析的智能视频监控系统[J].物理学报,2006,55(12):6399-6403.

[11] 宋玲,常磊.变异粒子群优化的BP神经网络在入侵检测中的应用研究[J].智能系统学报,2013,8(4):2-3.

[12] 刘大鹏.广州市森林火灾危害程度预测研究[D].长沙：中南林业科技大学,2007:70-76.

Forest Fire Embedded Intelligent Monitoring System Based on BP Neural Network/

Tian Zhongfu, Wang Shuyang

(Northeast Forestry University, Harbin 150040, P. R. China)//Journal of Northeast Forestry University.-2014,42(8).-138～140，144

We used embedded technology, remote monitoring, intelligent monitoring and digital image processing to design a monitoring system of forest fire. First, we set up the field controllers in the high incidence areas of forest fire, then distinguish and process the image information with real time. When the controllers detected condition of a fire, they transmitted the information to monitoring and command center of the fire through the GPRS module including the geographical position, meteorological information, the condition of the fire and vegetation geographical environment. Depending on the important information, the monitoring command center made further decision analysis and formulated the corresponding firefighting plan. In practical application, this system has the advantages of easy installation, stable operation, strong real-time, small volume and low cost.

Intelligent control; Image processing; Neural network; Forest fire prevention

1) 国家自然科学基金面上项目(51378096)；黑龙江省自然科学基金项目(C201244)；中央高校基本科研业务费专项资金资助(DL12BB01)。

田仲富，男， 1978年 2 月生，东北林业大学机电工程学院，讲师。

2014年4月20日。

QS762.2

责任编辑：潘 华。