基于图像型火灾探测器的舰船火灾报警系统设计

梁 爽，任 杰

(四川工程职业技术学院，四川 德阳618000)

0 引 言

随着我国经济的不断发展，舰船制造以及相关技术得到了极大提高。在国民经济中，船舶经济占据了极为重要的位置，同时其比例也在不断提高。船舶行业的蓬勃发展也带动了其相关技术研究的发展，同时大量新的技术在舰船上得到应用和推广，其信息化程度也在不断提高，舰船的安全问题也逐渐引起人们的注意。如何在舰船上有效防范火灾成为一个重要的研究课题。同一般性火灾所不同的是，舰船火灾的特点是扑救难度高、危害大。根据相关的统计资料显示，在舰船上发生火灾最多的地点分别是货舱、机舱以及起居住所。近年来舰船上发生火灾事故率非常高，给国家及个人造成了极大的财产损失。因而，必须要对舰船火灾给予足够的重视，对于舰船火灾检测技术及火灾报警技术进行相关研究，使得舰船在发生火灾时能够及时发现并采取措施。对于舰船消防技术进行有效、全面、科学的研究工作可以有效解决舰船的消防问题，是实现舰船安全运作的重要基础之一，因而具有重要的现实意义［1-2］。

当前我国对于舰船消防技术的研究已经取得很多成果［3-4］，但是其研究仍然有待深入。同时还没有一个专门的机构从事舰船消防技术的研究，舰船消防技术只是作为其他技术的一个组成部分，因而相关技术的研究仍然相对薄弱。在使用图像型火灾探测器作为探测器件的系统中，对于火焰图像处理的理论及基础理论研究还相当缺乏，同时对于已经发生的舰船火灾数据缺乏必要的统计分析。

本文在前人研究的基础上提出了一种基于图像型火灾探测器的舰船火灾报警系统的设计方案，通过对火灾图像的处理，可以对图像进行判别，从而在火灾发生的早期进行报警。同传统的烟雾火灾探测器相比，使用图像型火灾探测器能够更早发现火灾，而不必等到烟雾积累到一定程度后才能检测到。本文提出的系统在提高火灾检测的及时性以及准确性上对舰船的消防工作具有非常高的现实意义。

1 舰船火灾火焰特点

图像型火灾探测器的基本原理是通过对火焰进行基本的检测来实现对舰船火灾的检测。火焰有着非常多的特点，并且具有一定的规律性，如火焰颜色的变化、火焰颜色同温度之间具有一定的关系。总的来说，火焰的特点主要有频率性、形态特征以及形态特征等。

1)频率特性

一般来说，火焰具有频率特性，这一点可以通过对火焰的图像进行分析可以发现。对火焰图像中的每一个像素进行三色分量的平均，得到一个从1～255 的像素亮度值，进而可以获得整个火焰的亮度变化曲线。这个曲线随时间变化的规律同火焰能量分布的规律具有高度的一致性。在正常的舰船火灾识别中，主要需要排除一些外在因素的干扰，如太阳光、日光灯等，但是同火焰所不同的是，太阳光的亮度改变非常缓慢，因而其对于图像中的像素亮度值改变也非常缓慢，日光灯的像素亮度改变是瞬间的，因而在实际检测中可以通过火焰的频率特性来排除一些外在的干扰［5］。

2)形态特征

一般来说，火焰都没有固定的形态，但是火焰仍然具有一些特定的特征。火焰一般都是由底部开始膨胀，然后其中的一部分火焰脱离了一定的范围会消失，然后底部的火焰会继续膨胀，这样看起来火焰就是在不断地膨胀和收缩，并且这个变化的过程非常迅速。而现代的计算机技术及图像处理技术可以对火焰的图像来进行处理，从而获得极短时间内的火焰轮廓，进一步地，将极短时间内的两帧图像轮廓相减就可以得到一个差值，而这个差值是一个在一定范围内的很小的一个值，因而可以认为其是一个固定值。如果将这个值设置为0，那么其他像素的值为1，也就是将监测到的图像二值化，从而可以直观地将图像表达出来，本文后续使用聚类法来对火焰的图像进行处理，进而获得火焰的形态特征［6］。

3)颜色特性

颜色特性是火焰的又一特性，国际上通用的认为具有蓝色、绿色和红色的才是火焰，因而可以根据图像中颜色的分布规律来判断图像中是否存在噪声。

2 系统设计

2.1 系统设计

基于图像型火灾探测器的舰船火灾报警系统可以分为3 个部分，分别是控制中心、直流电源以及图像型火灾探测器，如图1 所示。其中，图像型火灾探测器用于采集现场的图像数据，并且其本身具有防潮、防尘以及防腐蚀等功能。一般来说，在舰船上为了实现对全船火灾的监控，需要在舰船的火灾高发地区安置非常多的图像型火灾探测器。直流电源则负责给图像型火灾探测器供电。控制中心负责接收图像型火灾探测器发送的图像数据，并进行处理，在火灾发生时及时发出警报。控制中心一般设置在消防控制室内，可以实现图像的显示、自动分析处理、火灾自动报警等功能。

图1 图像型火灾探测器的舰船火灾报警系统结构图Fig.1 The ship fire alarm system structure based on image fire detector

系统的工作过程为:所有图像型火灾探测器将视频信号通过舰船上的同轴线缆传送回控制中心，通过相关的软件处理，判别是否为火灾信号，同时将图像送到图像显示设备及图像记录设备，如果判定是火灾信号，那么发出报警信号，自动进行声光报警。

2.2 火焰识别算法设计

火焰识别算法是基于图像型火灾探测器的火灾报警系统的关键。本文中使用聚类法来实现对火焰的识别。所谓聚类法是指根据物质的属性来进行分组。在舰船火焰识别中，使用图像分割的方法，来将一些区域中的一些相似特征矢量抽取出来分到一个组，这样就称之为聚类。

聚类法在图像处理中非常常见，在本文中，其对火焰进行识别的原理为:将一帧现场采集到的图像分为K 组，同时z(x，y)记为分割标记段，其意义为每个像素上K 个值中的一个，如z(x，y)= l，l =1，2，…，k。对于标量特征来说，如像素密度，聚类可以被认为是确定K -1 个阈值的方法，以这K -1个阈值定义了一维特征空间的判决边界。对于M 维矢量特征来说，分割对应于把M 维特征空间分解成K 个区域。聚类的标准过程是把每次采样赋给最接近聚类平均值的那组。

聚类的初始平均值是一个未知的量，因而对于聚类的过程是使用迭代的过程来实现，因而也可以称之为K 个平均值算法。如果将一幅图像分割为K个区域，同时假设f(x，y)是一幅图像的灰度级，K均值方法最终使得性能指标J 能够达到一个最小值。在这里将性能指标J 定义为

其中，μl表示第l 个聚类的平均值表示第i次迭代后赋给聚类l 的一组采样。从这个指标的计算过程可以看出，该指标用来表示聚类平均值同每次采样之间的距离之和。其具体的计算步骤如下:

2)在第i 次迭代中，根据下列关系，把每个像素(x，y)赋给K 个聚类中的一个。

3)修改聚类平均值，μ(i+1)l，l =1，2，…，k，把它改成所有采样的采样平均值。

其中，Nl是中采样数。

2.3 软件设计

在舰船火灾报警系统中，实时性是系统的重要性能之一，并且要求具有非常高的准确性。在完成对现场图像数据采集后，由于需要处理的图像数据量非常大，因而需要在硬件和软件上进行相关设计。在硬件上，需要采用高性能的硬件设备，而在软件上则需要考虑软件算法的运行速度和运算方式。所有的图像特征检测和图像处理都通过软件来实现，算法的优劣将直接决定系统的实时性以及检测的准确性。因而需要在系统中对算法流程进行设计。

图2 是使用聚类法进行火焰识别报警的具体过程。在软件开始工作后，开始采集实时图像，然后开始检测有没有异常情况。如果有异常情况，则进行火焰识别，进入算法处理子程序。如果发现有火灾，那么就开始火灾报警，如果没有，则返回，继续采集实时图像。在这里，规定火焰识别算法返回的结果有2 个， “0”表示没有火灾， “1”表示有火灾。

图2 聚类分析法进行火焰识别报警流程图Fig.2 The flow chart of clustering analysis method is used to identify the fire alarm

在软件编写完成后，对软件进行基本的测试，测试结果如图3 所示。图3 中(a)为在墙角的火焰原始图像，(b)为使用聚类分析法分割出的火焰区域，(c)为分割得到的结果。

图3 测试结果Fig.3 The test results

3 结 语

舰船火灾自动报警系统可以对舰船发生火灾作出实时的监测和显示，并且可以实现自动报警。本文提出的基于图像型火灾探测器的舰船火灾报警系统可以实现对火焰的自动识别，并且使用聚类法对图像进行分割处理，可以得到准确的火焰区域。同传统的烟雾火灾探测器相比，本系统的实时性和准确性都有极大提高。

［1］BELTZ R C. Intergrating GIS/RS technology in extensive forest inventories in the midsouth US［C］. Proc of integrating forest information over space and time.Auntech，Australia，1992(6):416 -419.

［2］徐允，唐文勇，张圣坤. 舰船机舱火灾爆炸的危险源辨识方法研究［J］.舰船科学技术，2010，32(6):24 -30.XU Yun，TANG Wen-yong，ZHANG SHENG-kun.Research on identification methods of fire and explosion hazards in machinery space［J］. Ship Science and Technology，2010，32(6):24 -30.

［3］李祥茂，唐文勇，张圣坤. 基于风险的舰船火灾爆炸评估方法研究［J］.舰船科学技术，2008，30(3):101 -106.LI Xiang-mao，TANG Wen-yong，ZHANG Sheng-kun. The research of evaluation methods of ship′s fire and explosion accidents based on risk［J］.Ship Science and Technology，2008，30(3):101 -106.

［4］袁非牛，廖光煊，张永明，等.计算机视觉火灾探测中的特征提取［J］. 中国科技大学学报，2006，36(1):39-43.YUAN Fei-niu，LIAO Guang-xuan，ZHANG Yong-ming，et al. Feature extraction for computer vision based fire detection［J］. Journal of University of Science and Technology of China，2006，36(1):39 -43.

［5］王圆圆，丁志杰，万华林. 基于视觉颜色聚类的彩色图像分割［J］.北京理工大学学报，2003，23(2):19 -23.WANG Yuan-yuan，DING Zhi-jie，WAN Hua-lin.Perceptual color clustering for image segmentation［J］.Transactions of Beijing Institute of Technology，2003，23(2):19 -23.

［6］沈海峰.图像通信与处理技术在林火监测中的应用研究［D］.东北林业大学，2003:1 -2.