王博崇 劉鳴 陳昱興 張子琛 吳琦鳴 蔣金佐

摘要：改革開放以來，隨著社會經(jīng)濟水平的不斷發(fā)展，隨之興起的新技術(shù)，新產(chǎn)品層出不窮。但是隨著社會保障水平以及市民居住水平的不斷提高，我國發(fā)生火災(zāi)的概率也隨之越來越大，而又隨著新材料、高功率設(shè)備的不斷推廣，滅火的難度也越來越大。因此，我們決定在一定程度上優(yōu)化火焰識別技術(shù)。通過層層篩選，最終利用卷積神經(jīng)網(wǎng)絡(luò)提取火焰的顏色特征、運動特征、幾何特征和紋理特征而分析火災(zāi)，從而使此次研究在同類型的火焰識別技術(shù)領(lǐng)域中占據(jù)一定的優(yōu)勢。

關(guān)鍵詞：智能消防;火焰識別;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：X93? ? ? ?文獻標(biāo)識碼：A? ? ? ?文章編號：2096-1227（2021）05-0004-02

一、智能裝備簡介

若想提高消防救援隊伍的滅火救援效能，提高裝備的智能化水平是必不可少的一步。消防裝備的配備情況影響著戰(zhàn)術(shù)和戰(zhàn)術(shù)效果，甚至是直接影響救援成功率的重要因素。因此，提升裝備的智能化水平、改善裝備結(jié)構(gòu)從而提升消防救援隊伍的作戰(zhàn)能力是關(guān)系廣大人民群眾生命以及財產(chǎn)安全的重要手段。

消防裝備智能化的研究工作任重而道遠。本文著眼于圖像法火焰識別技術(shù)，通過研究新技術(shù)，探討將其應(yīng)用于智能消防裝備之中的可行性。

二、卷積神經(jīng)網(wǎng)絡(luò)的簡介

（一）網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)功能繁多，其中多層檢測學(xué)習(xí)神經(jīng)網(wǎng)是一種多層次的神經(jīng)監(jiān)測網(wǎng)絡(luò)。其中心模塊為卷積層，主要由隱藏層與最大池采樣層組成，主要功能是特征提取。其中，連接層與傳統(tǒng)多層感應(yīng)器的隱藏層、邏輯歸類器相對應(yīng)。

卷積神經(jīng)網(wǎng)絡(luò)的輸入特征來源使卷積濾波器，而該神經(jīng)網(wǎng)絡(luò)的每一層都有多個理論上的神經(jīng)元以及特征圖。在給一個來自卷積和子采樣層的輸入統(tǒng)計濾波后，系統(tǒng)就提取了圖像局部的特征，就可以確定它與其他特征之間的相對方位，上一層的輸出值直接輸入至下一層。

通常情況下，我們可以通過特征層來得到卷積層（特征層是指：輸入到隱藏層之間的映射）。

（二）局部感受野與權(quán)值共享

局部感受野：由于圖像空間的連接是局部性的，因此每個神經(jīng)元都不需要感測全部圖像，而只需感覺到局部的特征。然后，通過對較高級別感測量的局部神經(jīng)元進行集成，可以得到整體的信息，并且減少了連接數(shù)量。權(quán)重分享：不同神經(jīng)元之間的參數(shù)分享可通過降低求解參數(shù)，并通過放大器對圖像的放大積獲得多種特征圖。實際上，權(quán)重共享圖像上的第一隱藏層的所有神經(jīng)元由于是在同一卷積上確認的，所以均能在圖像的任意一個位置檢測到毫無差別的特性。他的最主要的功能是能夠通過適應(yīng)小范圍的圖像和平移從而達到檢測不同位置的目的，也就是良好的不變性平移。

（三）卷積層、下采樣層

卷積層：通過去卷積來提取圖像特征，用來強化初始信號原屬性，從而減少噪音。

下采樣層：由于研究人員發(fā)現(xiàn)圖像下采樣過程中，它能在保留信息的同時降低數(shù)據(jù)處理量，因此在發(fā)現(xiàn)某一特定的特征后，由于這個位置并不重要，所以樣本會擾亂特定的位置。我們只需要知道這個特征與其他特點之間的空間相對方位，就可以處理類似的物體由變形和變型而產(chǎn)生的變化。

（四）卷積神經(jīng)網(wǎng)絡(luò)的不足

如果網(wǎng)絡(luò)層需要加深，每一個網(wǎng)絡(luò)層增加的神經(jīng)元數(shù)量會大幅增加，從而使模型復(fù)雜化，增大了調(diào)整參數(shù)的難度，也增大了過度擬合的風(fēng)險。

此外，在反向傳播過程中，連續(xù)迭代會使梯度不斷減小，而梯度一旦歸零，權(quán)值便無法更新，導(dǎo)致神經(jīng)元失效。

（五）展望與總結(jié)

隨著研究人員對卷積神經(jīng)網(wǎng)絡(luò)相關(guān)的研究不斷推進，其性能日益強大，復(fù)雜度也日益提升。目前，卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)研究已經(jīng)取得了顯著成效。然而，一些人工擾動（如向原圖片中鍵入噪點）仍然會導(dǎo)致圖像的錯誤分類。如何解決這一問題，是今后研究的重點。

此外，卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)升級仍有很大空間，通過提升網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的合理性，可以完善量化分析能力。

三、圖像分割

圖像中包含很多數(shù)據(jù)，需要分割圖像。然而，精確區(qū)分干擾是對整個系統(tǒng)亮度的精確分類和準(zhǔn)確劃類的前提。

圖像的分析技術(shù)是計算機視覺技術(shù)的基礎(chǔ)。通過圖像分割、提取特征參量等方法可以將原本的圖像抽象化，從而便于分析和處理。多年以來，圖像的分割技術(shù)研究一直是重中之重，研究人員給出了多種分割方法。一般而言，圖像分割是將圖像劃分為不同的區(qū)域，給不同的區(qū)域賦予不同的權(quán)重，從而獲取重要對象的一種技術(shù)。

特征可能是灰度、顏色、紋理等，目標(biāo)可能對應(yīng)一個區(qū)或多個地方，這與特殊目的應(yīng)用程序和特殊目的服務(wù)請求程序有關(guān)。

一般而言，圖像取值分割分析算法大致來說可以再細分為圖形圖像取值分割、邊緣圖像分割、區(qū)域分割和重復(fù)圖像分析四大個門類。

四、火焰色彩虛擬模型的特征

（一）火焰色彩顏色類型特征

火焰色彩模型一般來說是基于某種火焰色彩類型模式，通過在圖像閾值控制范圍內(nèi)通過設(shè)置某種色彩模型圖像閾值來降噪提取火焰顏色特征圖像?？梢杂萌魏翁崛§o態(tài)火焰的特殊像素或者圖案方式來精確描述一個靜態(tài)火焰特征。

然而，單純地依靠顏色模型來進行火焰識別會導(dǎo)致嚴重的誤判?；鹧娴念伾秶欠浅４蟮?，所以它很可能與其他物體顏色相近，導(dǎo)致模型將其混為一談。

（二）降噪

在火焰發(fā)展的初期過程中，是不斷處于移動變化的。又一方面，火焰的全部運動都不會跳躍，也就是火焰滿足相對穩(wěn)定性。所謂燃燒火災(zāi)的相對穩(wěn)定性，是指在火災(zāi)發(fā)生后，燃燒范圍的空間會成一個相對穩(wěn)定的擴增趨勢擴增。通過分析火災(zāi)的相對穩(wěn)定性，可以消滅許多虛假信號。

（三）靜態(tài)模型

在基于單幀圖像識別的算法中，由于只使用了幾個以火焰為基準(zhǔn)的單一形狀特征，因此算法復(fù)雜、誤判率很高。

因此，一個能夠自主優(yōu)化識別的模型就顯得十分重要，圖像靜態(tài)特征提取的方法如下：

由于曲率在人的視覺系統(tǒng)中往往是觀測場景的重要參數(shù)，因此提取幾何圖像曲率等參數(shù)，并以此描繪火焰圖像;

根據(jù)測得的數(shù)據(jù)，描繪連續(xù)零曲率以及局部最大曲率、最高曲率正負值等集合特點。

（四）動態(tài)模型

在動態(tài)燃燒過程中，產(chǎn)生的火焰具有持續(xù)性。此外，根據(jù)火焰自身的特性和各種原因，火焰還會不斷發(fā)生變化。然而，這種變化并不在單個幀圖像中反映出來，而是在連續(xù)的多幀圖像中只反映。因此，提取火焰的動態(tài)特征就是分析處理連續(xù)多幀圖像。

近年來，隨著火災(zāi)科學(xué)的發(fā)展，從火焰的隨機狀態(tài)中發(fā)現(xiàn)了其規(guī)則性：

1.火焰的面積增長性;

2.火焰的形狀相似性;

3.火焰的整體移動。

基于圖像的火焰識別算法可劃分為動態(tài)識別和靜態(tài)識別。若將這兩種算法同步進行應(yīng)用，則定能增加工作效率。

火焰形成的重要特點之一便是火焰形狀。對于采集到的ccd火焰圖像，首先進行兩個連續(xù)的圖像差分操作，然后通過分割方法獲得連續(xù)幀的變化區(qū)域，使用掃描窗口得到的像素點數(shù)來記述連續(xù)幀變化區(qū)域。變化區(qū)域是指：圖像處理中，在獲得閾值之后，通過對高光度進行科學(xué)計算、實驗分析，最終得到的區(qū)域。當(dāng)其他高溫物體移動到相機或離開視野時，所檢測到的目標(biāo)區(qū)域會逐漸擴大，并容易引起干擾，從而造成系統(tǒng)錯誤的報告。因此，需要將數(shù)據(jù)和其他圖像的關(guān)鍵性特征進行一個高強度的結(jié)合，再深度進行挖掘。

火焰的形狀相似性：圖像之間的類似性通常依賴于已知描述特點之間的差異度。該方法能夠在任意復(fù)雜程度上建立相應(yīng)的類似性量。我們可以對兩個相似的元素進行比較，也可以對兩個相似的場面進行比較，圖像之間的相似性通常意義上是指場景以及結(jié)構(gòu)上的相似性。

在一般情況下，圖像的結(jié)構(gòu)相似度往往并不高，因此，我們傾向于選擇更加典型的結(jié)構(gòu)特點進行描述，如區(qū)域面積、區(qū)域亮度、線段長度等參數(shù)。雖然火焰的圖像序列中火焰的邊緣往往是很不穩(wěn)定的，但圖像的總體變化會被限制在一定范圍內(nèi)，而且一般的干擾信號模式包含了固定點或者光照變化，因此，在火焰識別的過程中，可以用初始火焰形狀的變化規(guī)則與其進行對照。

盡管火焰的變化通常呈現(xiàn)出不規(guī)則的特性，然而這種不規(guī)則在形態(tài)、空間分布等方面往往具有某種相似之處，因此，我們可以用連續(xù)圖像的結(jié)構(gòu)相似性來進行解析。

五、結(jié)語

各種高新技術(shù)不斷飛躍式發(fā)展，這為我國消防智能化技術(shù)的開發(fā)以及與外國新型消防設(shè)備之間的碰撞提供了一個良好的契機，而消防裝備的智能化已成為一個必然的趨勢。自改革開放至今，我國所研究的有關(guān)裝備智能化領(lǐng)域內(nèi)取得的成果，已經(jīng)為我們打下了堅實的發(fā)展基礎(chǔ)，因此我們更應(yīng)該加快消防智能化的進程，綜合現(xiàn)有所具備的技術(shù)，取其精華去其糟粕，適而用之。

由于研究條件和專業(yè)方向的局限，本文對智能消防裝備中的火焰識別技術(shù)仍然存在不足。此次智能消防裝備的研究方向主要是火焰識別領(lǐng)域，以建立模型的方法進行測算與研究，而對于理論性知識方面的探討仍存在很大的不足。之后的研究可以從其他方面進行深入的探討，探究其對系統(tǒng)化建模會產(chǎn)生哪些方面的影響。

參考文獻 ：

[1]喻麗春，劉金清.基于改進Mask R-CNN的火焰圖像識別算法[J].計算機工程與應(yīng)用，2020，964（21）：200-204.

[2]肖堃.多層卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法可移植性分析[J].哈爾濱工程大學(xué)學(xué)報，2020，41（03）：420-424.

[3]郭昆.基于卷積神經(jīng)網(wǎng)絡(luò)的建筑風(fēng)格圖像分類的研究[D].武漢理工大學(xué)，2017.

[4]徐曉煜.極化合成孔徑雷達艦船檢測方法研究[D].西安電子科技大學(xué)，2017.

[5]黃憶旻.基于圖像檢索的導(dǎo)游系統(tǒng)的設(shè)計與實現(xiàn)[D].蘇州大學(xué)，2016.

[6]宋戈.火災(zāi)自動檢測技術(shù)在無人值守變電站中的應(yīng)用[D].沈陽理工大學(xué)，2010.

[7]葛勇.基于視頻的火災(zāi)檢測方法研究及實現(xiàn)[D].湖南大學(xué)，2009.

[8]呂普軼.基于普通CCD攝像機的火災(zāi)探測技術(shù)的研究[D].哈爾濱工程大學(xué)，2003.