基于图像信号处理方法的火灾预警系统设计

郝建峰 任国凤 黄婷 梁小瑞

摘要：传统的火灾信号预警系统容易遭到自然环境的影响，从而发生信号误读错报、迟报、漏报或者功能失效等问题。而常规的图像火焰检测方法有时无法全面描述火焰特性， 因此火焰识别的准确率比较低。本文提出一种基于卷积神经网络AlexNet模型的图像火焰检测算法，它可以更加有效地识别出火焰，实现火灾及时准确的预警效果。实验结果表明该算法可取，同时本研究继续对该算法进行了模型优化，使得火焰识别的准确率高达91%及以上。本研究具有应用于实际火灾预警系统的价值。

关键词：火灾预警;图像检测;卷积神经网络;AlexNet模型

一、引言

近年来，火灾事故频繁发生直接危害到人们的生命财产安全，因而实现及时准确的火灾预警，已经成为火灾预警追求的重要方向[1]。

现有的火灾预警系统设计主要采用基于传感器、基于图像处理和基于深度学习的火灾检测方法[2-5]。伴随着深度学习算法的广泛使用和良好性能，很多研究学者将其应用于火灾预警研究中，严云洋等人于2018年提出一种基于Faster R-CNN模型的火焰检测算法实现了对火焰特征的自动提取及在火灾检测的过程中， 通过相互联合的方法实现了对火灾识别和定位的有机统一，有效提高了在图像复杂背景下的火焰识别精度[6]。因此，将深度学习中的CNN算法引入图像处理的火灾预警设计，可以有效提高整个系统的智能性和火灾监测的及时性，同时可以避免图像特征的人工算法提取，从而实现及时准确的火灾早期预警[7]。

二、火灾预警理论及图像处理方法概述

（一）火灾预警系统原理

本文所研究的火灾预警系统如图1所示，首先对火灾图像数据库进行标注及分块，然后通过AlexNet模型训练图片，智能提取到疑似火焰区域并分析各种火焰特性。最后对测试火灾图片中的检测区域进行特征提取，从而判断是否存在发生火灾的可能性，实现火灾预警。

（二）火灾图像数据库介绍

本文所用的火灾图像数据库共有147张图片。其中133张图片来源于美国火灾图片且都存在火焰，还有14张图片来源于网络且都不存在火焰。

（三）卷积神经网络

卷积神经网络（Convolutional Neural Network，简称CNN），是一种带有卷积结构的深度神经网络，作为一种常见的深度学习方法，广泛应用于图像识别和图像分类中。CNN的卷积结构能够降低深层网络占用的内存量，其重要的构成原因是：一是基于局部层的感知，二是局部权值的共享，三是池化层缓解模型的过拟合问题。因而，CNN通过构建多层神经网络来对目标进行多层特征表示，实现通过多层的高级特征准确表示各种抽象性和语义上的信息，从而获得更好的特征鲁棒性[8]。

（四） CNN之AlexNet模型

CNN中有许多经典算法模型，代表性的有多伦多大学的 Geoffrey Hinton、Ilya Sutskever 和 Alex Krizhevsky在2012年的ImageNet大会提交的基于AlexNet模型的CNN算法，该新型算法可以使图像的误识率降低至16%。因此，AlexNet模型成为图像分类的中心算法模型。其具体网络结构如图2所示。

三、火灾预警算法分析设计

（一）火灾图片数据的预处理

对火灾图像数据库的所有图片提取图片特征，并标识其有火无火。进而，创建两个文件夹并分别命名为训练图片和测试图片（（“train-images”和“test-images”），然后把它们放到一个文件夹里面。最后，分别在训练图片和测试图片里面在创建两个文件夹并分别命名为有火和无火（‘1’和‘0’）。

然后把训练图片填满，按照分类把133张有火图片塞入训练图片中的有火文件夹，然后把14张无火图片塞入训练图片中无火文件夹。最后把需要识别的图片放入测试图片的文件夹，同样把图片分为2类分别放入有火文件夹和无火文件夹。这样做的目的是为了计算该火灾预警系统火焰识别的准确率。

（二）AlexNet模型的参数设置

AlexNet网络结构可以套用已有的AlexNet网络结构模型，然后修改训练好的网络中的最后三层。最后三层程序代码主要包含以下几个参数：MaxEpoch是迭代次数（也称为计算轮数），其值越大就越容易收敛;Initial LearRate是学习效率（也称为学习率），其值太大模型不易收敛，值太小模型收敛得太慢;Execution Environment是训练网络的环境，在此可以选择在中央处理器（Central Processing Unit简称CPU），或者在图形处理器（Graphics Processing Unit，简称GPU）。

为了提高系统识别测试图片的准确性，在图片读入的程序下方添加命令“Validation Data”。它是每次测试图片交叉验证的数据，本文设置每次选择训练图片中训練数据的80%（即训练图片总数的50%）与每一张测试图片进行交叉验证，从而对图像中各种对象进行判别。

四、实验结果和分析

（一）AlexNet模型迭代结果分析

AlexNet网络结构模型的最后三层：第一个参数为类别的数量，本文取2。学习率主要取决于所选择的优化算法的类型。因为本次使用的是SGD优化算法，所以学习率为0.0001。交叉验证时每次提取测试图片特征时与训练图片总数的50%进行交叉验证（此处仅仅是调用这个函数）。本文受计算机显卡配置影响，训练网络的环境为CPU。所以不断修改系统的迭代次数，以达到最佳的识别效果。

当迭代次数分别为2、5、8、10，发现迭代次数不同时系统所花费时间与火焰识别的准确率也不同。而迭代次数为8或者10时最合适，火灾预警系统的仿真准确率相同且最高为91.5493%。同时，迭代次数为8次时训练网络所需时间少于迭代次数为10次的，所以迭代次数为8时最佳。

（二）火災数据实验结果分析

测试图片的识别准确率为91%左右，经过逐一查看对比总共有12张图片存在识别错误。其中有5张图片存在火焰但是判断不存在火灾，而有7张图片不存在火焰但是判断存在火灾。

由于本次测试图片总数太多无法一一展示，所以选取一些具有代表意义图片进行仿真结果说明。从图3中可以清晰地了解，图片上无论是森林火灾，室内室外火灾或者其他火灾（火焰），均可得到识别，并准确及时在图片上方标注有火（‘1’）。而图4中的图片均不存在火焰且程序判断正确。因此图3与图4证明程序可以准确识别火焰。

图3、图4为正确识别的图例，而图5是预测失误的图例。在图5中共列出了4张典型的识别失败图片。从这4张图片中可以明显观察到程序识别失败的原因。若图片中存在火焰，但是图片的背景色过于明亮或者图片中火焰太小而且不存在烟雾，程序就会错误判断该图片不存在火灾。若图片中不存在火焰，但是图片的背景色大面积为红色或者图片中存在大量明亮的装饰灯，这时程序就会错误判断该图片存在火焰。

五、结束语

本研究主要是通过CNN算法中的AlexNet网络结构模型实现了及时准确的火灾预警，使火灾识别的准确率高达91%及以上。因此本研究成果可以应用于实际的火灾预警系统设计。当然本研究仍存在着些许不足、当图片中不存在火灾隐患，可是图片的背景色大面积为红色或者图片中装饰灯过多且明亮时，程序会错误地认为图片中存在火焰。当图片中存在火灾隐患，可是图片背景过于明亮且火焰较小时，程序也会错误地认为图片中不存在火焰。因此，提高算法的抗干扰能力还需继续深入研究。

作者单位：郝建峰    忻州市公安局道路交通安全教育中心

任国凤    黄婷    忻州师范学院电子系

梁小瑞    忻州市消防救援支队

基金项目：山西省虚拟仿真实验教学项目（X2020048），山西省教学改革研究项目（J2021572，J2021588），忻州师范学院学术带头人资助项目。

郝建峰（1974.09-），男，忻州市公安局道路交通安全教育中心工程师，研究方向：交通安全设施设备及交警应急预警系统机械电子工程技术研究;

任国凤（1979.9-），女，忻州师范学院电子系教授，博士研究生，研究方向：通信信号处理。

参  考  文  献

[1] Krizhevsky A， Sutskever I， Hinton G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems. Curran Associates Inc.2012：1097-1105.

[2] 王思嘉，裴海龙.基于火焰图像红外动态特征的早期火灾识别算法[J].现代电子技术，2010（08）：104-105+110.

[3] 王亚军，徐大芳，陈向成，等.基于火焰图像动态特征的火灾识别算法[J].测控技术， 2007，26（05）：7-9.

[4] 王琳，李爱国，郝春雨.基于火焰图像跳动特征的火灾识别算法[D].大连：大连海事大学信息科学技术学院， 2014.

[5] 许维胜，田长征，方盛明.基于图像视觉特征的火灾自动识别[J].计算机工程， 2003，29（18）：112-113+191.

[6] 严云洋，朱晓妤，刘以安，等.基于Faster R-CNN模型的火焰检测[J].南京师大学报（自然科学版）， 2018，41（03）：1-5.

[7] 侯晓克.深度学习在视频火焰探测中的算法研究[D].青岛：青岛科技大学， 2020.

[8] 陈照悦.基于迁移学习的火灾图像检测方法研究[D].桂林：桂林电子科技大学， 2020.