基于卷积神经网络的火焰检测方法

何扬 胡秀云

摘  要：近年来，大多数火灾自动报警系统都是通过检测感温、感烟和感光等传感器的方法进行检测，只能针对单一特征信息进行判断识别，受到外界空间、环境或人为因素的影响。卷积神经网络（CNN）以其高准确率的识别率在广泛应用成为一个活跃的研究课题。然而如何可靠、有效地解决火焰检测问题仍然是实践中一个具有挑战性的问题。本文提出了一种新的基于CNN的火焰实时检测算法，该算法通过对普通摄像机监控场景产生的视频数据进行处理。首先，为了提高识别效率，提出了一种候选目标区域特征提取算法，用于处理可疑火焰区域。其次，提取候选区域的图像特征根据设计的基于CNN的深度神经网络模型进行分类，最后根据分类得到相应的判断。

关键词：卷积神经网络  火焰检测  特征提取  深度学习

中图分类号：TP319                          文獻标识码：A文章编号：1674-098X（2021）05（b）-0109-03

Flame Detection Method Based on Convolution Neural Network

HE Yang  HU Xiuyun

（School of Information Science and Engineering， Shenyang Ligong University， Shenyang， Liaoning Province， 110159 China）

Abstract： In recent years， most of the automatic fire alarm systems are detected by detecting temperature， smoke and light sensors. They can only judge and identify single feature information， which is affected by the external space， environment or human factors. Convolutional neural network （CNN） has become an active research topic in a wide range of applications because of its high accuracy. However， how to solve the problem of flame detection reliably and effectively is still a challenging problem in practice. In this paper， a new real-time flame detection algorithm based on CNN is proposed. The algorithm processes the video data produced by ordinary camera monitoring scene. Firstly， in order to improve the recognition efficiency， a candidate target region feature extraction algorithm is proposed to deal with the suspicious flame region. Secondly， the image features of candidate regions are extracted and classified according to the designed CNN based deep neural network model. Finally， the corresponding judgment is obtained according to the classification.

Key Words： Convolution neural network; Flame detection; Feature extraction; Deep learning

为了有效地实时检测火灾，传统的火焰检测方法识别算法大多采用人工特征，如颜色、形状、质地和运动。然而，火焰单一特征的提取不能满足高的火焰检测率。所以各种深度学习算法被广泛应用于该领域，反向传播（BP）、贝叶斯神经网络（BNN）和卷积神经网络（CNN），去提高火灾视频检测性能。

1  火焰检测方法概述

提出了一种基于卷积神经网络[1]的彩色火焰特征检测与识别方法。首先，利用所提出的RGB模型[2]提取火焰图像的颜色特征，得到候选区域。其次，利用神经网络对归一化特征图进行分类。最后，利用卷积神经网络的分类结果得到报警信号，并对所提出的神经网络的性能进行了测试。本文选用方法主要包括3个主要阶段。

2  火焰视频图像采集

首先选取火焰视频图像数据作为自己的训练集[3]，训练集主要包含在不同环境下采集的图像数据，其次训练集中的图像数据包括75%的正序列（fire）和25%的负序列（nofire），正序列即包含带有火焰的数据图像，负序列即不带有火焰的图像数据。

3  拟定方法

本文以提高火灾探测性能为目标，提出了一种基于深度神经网络的火灾探测方法。

算法原理图如图1所示。该算法可分为2个主要阶段。第一，提出了一种基于不同环境的颜色模型来精确分割视频序列中的火灾候选区域。第二，通过以下方法确定归一化候选区域，即一种基于CNN的新型结构。第三，根据辨识结果做出响应。

3.1 候选火焰区域提取方法

因为火灾危害极大，警告越早火灾造成的损失越小。因此，火焰识别算法的实时性要求在实际消防工程中具有重要意义。

传统的目标检测深度学习方法大多基于多尺度滑动窗口[4]，但这些方法大大降低了算法的效率。本文通过加入火焰颜色特征模型，提高了算法的计算速度。由于RGB模型的计算复杂度低于其他颜色模型[5]，因此本文采用RGB模型提取火焰颜色特征。首先，利用火焰颜色模型对原始图像进行分割，得到候选区域，基于统计经验数据，实验结果表明，火灾的每个RGB像素应满足以下条件：

这里，M（x，y）表示分段函数图像颜色二值化掩模，fR（x，y）是通道R的值，fB（x，y）是通道B的值。然后，通过获取连通区域的外矩形，提取神經网络的归一化候选区域，得到不同外场景的外矩形区域的二值图像。

3.2 神经网络的结构

卷积神经网络（CNN）的结构分为3个部分：卷积层、池化层和全连通层。这3个部分的功能分别是鲁棒特征提取、函数特征降维和分类[6]。根据CNN的结构，提出了一种新的CNN结构更适合火灾探测的卷积神经网络结构。

3.2.1 卷积层

卷积层是所提出的神经网络的核心。为了有效区分火和像火一样的分心，这些层由一个矩形的神经元网格组成，这使得分类更加快捷。在卷积层中，基于RGB模型的火灾图像经过三次卷积运算，卷积核大小分别设置为最优参数。众所周知，ReLU[7]函数φ（x）具有单侧抑制、宽激发边界和稀疏激活等优点，因此具有ReLU函数φ（x）在每个卷积层后采用，满足以下条件：φ（x）=max（0，x），其中max（.）表示0和x之间的较大值。第一层卷积核函数的可视化，神经网络模型的卷积滤波器主要检测边缘、角度和曲线等低阶特征。然后，第一层的卷积特征映射，可以看出得出不同的特征由不同的滤波器检测出来。

3.2.2 汇集层

在前3个ReLU函数φ（x）之后，处理后的数据在池层中进行下采样。为了减少更多参数的成本，采用了一个最大池化窗口。为了提高该结构的泛化能力，避免拟合现象的产生，数据在前两个池化层用范数理论进行归一化。归一化函数满足以下条件：

其中，||.||1和||.||2分别代表L1范数和L2范数，x表示卷积特征向量火灾候选区域。

3.2.3 完全连接层

最后，在第3个池化层之后，全连通层的功能是级联火灾特征图像。为了减少过平滑现象，在最后2个ReLU函数φ（x）之后采用了dropout方法，包括以一定的概率将所选层中每个隐藏神经元的输出设置为零。

4  结语

本文提出的基于卷积神经网络（CNN）的算法流程图如图2所示。在训练神经网络模型的过程中，卷积层的训练就是训练一些卷积滤波器，这些滤波器具有高激活度的独特模式，以达到CNN的目的。层数越多，特征就越复杂。为了训练出更好的卷积核，并得到这些卷积核更有效的组合方式，本文利用所提出的模型得到最优参数，然后用最优参数对测试样本进行有效分类，训练集和测试集的损失函数通过计算可以得出，随着训练和测试迭代次数的增加，损失函数都减小，函数趋于稳定。试验精度通过计算可以得出，随着训练迭代次数的增加，测试精度提高。

参考文献

[1] 杨真真，匡楠，范露，等.基于卷积神经网络的图像分类算法综述[J].信号处理，2018，34（12）：1474-1489.

[2] 王玲.彩色数字图像的量子表示及加密算法研究[D].哈尔滨：哈尔滨工业大学，2020.

[3] 马天兵，刘健，杜菲，等.基于改进Otsu方法的振动图像分割研究[J].电光与控制，2019，26（2）：11-15，31.

[4] 钟卓耀.基于深度学习的自然场景图像中文字检测的研究和应用[D].广州：华南理工大学，2020.

[5] 陈杰.基于色彩信息的图像增强研究[D].南京：南京邮电大学，2017.

[6] 章琳，袁非牛，张文睿，等.全卷积神经网络研究综述[J].计算机工程与应用，2020，56（1）：25-37.

[7] 王红霞，周家奇，辜承昊，等.用于图像分类的卷积神经网络中激活函数的设计[J].浙江大学学报：工学版，2019，53（7）：1363-1373.