基于BP神經(jīng)網(wǎng)絡(luò)在火災(zāi)圖像探測技術(shù)中的應(yīng)用①

謝榮全，徐志勝

(中南大學(xué)土木工程學(xué)院，湖南 長沙 410075)

由于火災(zāi)燃燒具有復(fù)雜性和多變性的基本特性，難以用一個比較精確的數(shù)學(xué)公式來描述火災(zāi)圖像的特征。對此，國內(nèi)雖有一些學(xué)者和科研單位做過一些模擬實(shí)驗(yàn)，但對于運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法檢測火災(zāi)圖像技術(shù)卻很少涉及。加之國內(nèi)火災(zāi)報(bào)警生產(chǎn)廠家存在著聯(lián)動模塊的接口聯(lián)接層面和信號輸入輸出方式不統(tǒng)一、不規(guī)范，給火災(zāi)自動報(bào)警系統(tǒng)實(shí)現(xiàn)經(jīng)濟(jì)、安全、靈活、便捷的工程優(yōu)化集成帶來了一系列技術(shù)問題。為此，本文利用BP神經(jīng)網(wǎng)絡(luò)算法的方法，用神經(jīng)網(wǎng)絡(luò)對信號的幅度、動態(tài)范圍和持續(xù)時間等特征進(jìn)行規(guī)范處理，使火災(zāi)報(bào)警輸出的信號達(dá)到穩(wěn)定性和準(zhǔn)確性，提高火災(zāi)報(bào)警的準(zhǔn)確率［1］。

1 BP神經(jīng)網(wǎng)絡(luò)火災(zāi)探測算法

BP神經(jīng)網(wǎng)絡(luò)算法的基本思想:(1)預(yù)處理和神經(jīng)網(wǎng)絡(luò)。反向傳播是BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的基本特征，用歸一化到［0，1］的范圍來探測火災(zāi)信號。(2)BP神經(jīng)網(wǎng)絡(luò)因迭代次數(shù)多，收斂慢，需要不斷地改進(jìn)方法。(3)BP神經(jīng)網(wǎng)絡(luò)為報(bào)警和誤報(bào)警提供了［0，1］區(qū)分標(biāo)準(zhǔn)顯示“0”為火災(zāi);顯示“1”為非火災(zāi)［2］。算法步驟如下:

(1)用隨機(jī)數(shù)據(jù)(一般數(shù)據(jù)比較小)對網(wǎng)絡(luò)的權(quán)值(Wji)，(Vkj)和偏置值(θj)，(γk)賦予一個初值，這就是網(wǎng)絡(luò)的初始化。

(2)第一步初始化以后，再輸入第一個模式。

(3)求中間層單元j的輸入U(xiǎn)j對應(yīng)的輸出Hj:

式中:f(*)為Sigmoid函數(shù)(以下同)。

(4)求出對輸出層單元(k)的輸入(Sk)和相對應(yīng)的輸出(Ok)值:

(5)求偏置值，并連接到上權(quán)值的誤差(δk):

(6)用誤差δk、輸出層的權(quán)值(Vkj)和中間層的輸出值(Hj)，求中間層j的偏置值(σj):

(7)用 δk、Hj和常數(shù) α ，對中間層單元j、輸出層單元k的權(quán)值(Vkj)分別加以調(diào)整。再根據(jù)δk和常數(shù)β對輸出層單元k的偏置值(γk)加以調(diào)整:

(8)根據(jù)誤差σj、輸入單元i輸出(Ii)、常數(shù)α對從輸入單元i到中間層單元j的連接權(quán)值(Wji)加以調(diào)整;同時根據(jù)誤差(σj)和常數(shù)β對中間層單元j的偏置值(θj)加以調(diào)整，得到公式(9)和(10):

和(9)輸入下一個模式。

(10)若有學(xué)習(xí)模式，則返回(3)。

(11)更新學(xué)習(xí)次數(shù)。

(12)檢查自學(xué)習(xí)過程的次數(shù)，達(dá)不到規(guī)定的次數(shù)時，返回(2)重復(fù)進(jìn)行，直到達(dá)到要求為止［3］。

2 神經(jīng)網(wǎng)絡(luò)與火災(zāi)信號識別

如果煙霧信號范圍［0，1］對應(yīng)(0－20)%0bc/m，溫度信號范圍［0，1］對應(yīng)(0 －10)℃/min，CO 信號范圍［0，1］對應(yīng)0－100×10－6。分別在通信信號和圖像信號識別中予以研究［4］。

2.1 火災(zāi)通信信號的識別

信息識別的數(shù)據(jù)來源于火災(zāi)自動報(bào)警系統(tǒng)的探測器，而探測器是通過安裝在火災(zāi)報(bào)警系統(tǒng)區(qū)域內(nèi)各種類型的探頭而采集到的信號［5］。目前探測器的種類有感煙、感溫、感光(分為光焰、光電、紅外光焰、紫外光焰、圖像光焰)、氣體探測器。

在經(jīng)過了實(shí)驗(yàn)分析以后，得出通信數(shù)據(jù)信息識別的大致步驟如下:

(1)由設(shè)置在附屬醫(yī)院各個部位的火災(zāi)報(bào)警感應(yīng)探頭通過線制向計(jì)算機(jī)平臺輸送火警信號，由計(jì)算機(jī)通過軟件系統(tǒng)進(jìn)行通信數(shù)據(jù)處理。

(2)計(jì)算機(jī)軟件系統(tǒng)通信數(shù)據(jù)采集后，經(jīng)過處理，將起火的部位(方位)傳輸?shù)斤@示屏，顯示屏上起火方位燈亮。同時還和城市“119”火災(zāi)報(bào)警網(wǎng)絡(luò)系統(tǒng)相連?！?19”火災(zāi)報(bào)警網(wǎng)絡(luò)系統(tǒng)也同樣收到了火警信號，并視情予以處理［6］。

(3)計(jì)算機(jī)根據(jù)起火部位(或方位)打印系統(tǒng)打印報(bào)警單，如表1所示。

其打印單顯示詳細(xì)的起火地點(diǎn)和起火時間，以便采取有力的救援措施。

表1 火災(zāi)自動報(bào)警系統(tǒng)監(jiān)測數(shù)打印表Table 1 Parameters surveyed by automatic fire alarm system

(4)通信數(shù)據(jù)信息識別使用中的局限性。該醫(yī)院在下面2種情況出現(xiàn)誤報(bào)警:①由于該醫(yī)院設(shè)有紅外線放射科，每天受理放射檢查的病號比較多，機(jī)器運(yùn)轉(zhuǎn)時間稍長，紅外線放出來的信號也會被火災(zāi)自動報(bào)警接收產(chǎn)生故障報(bào)警信號，出現(xiàn)誤報(bào)。②該醫(yī)院有各類工作人員3000余人，住院人數(shù)和門診人數(shù)也保持在3000～4000人左右，醫(yī)院后勤配備的生活鍋爐每天2次排放蒸汽濃度過大時，如果被火災(zāi)自動報(bào)警系統(tǒng)所接收為信號，就出現(xiàn)了誤報(bào)警。這兩者都是在今后報(bào)警系統(tǒng)信息識別技術(shù)中需要解決的難題［7］。

2.2 火災(zāi)圖像信號的識別

(1)用輪廓跟蹤法捕捉圖像信號。圖像信號識別的一個很重要的方法是輪廓跟蹤法。其總體方法是:首先根據(jù)“探測準(zhǔn)則”搜索出輪廓線像素;其次使用一定的“跟蹤準(zhǔn)則”對第一步中像素的特征找出輪廓線上的其他像素。具體來說，首先根據(jù)“探測準(zhǔn)則”和“頂點(diǎn)判斷”條件搜索出火焰的尖角頂點(diǎn)。再從該頂點(diǎn)的左右邊界像素用一定的“跟蹤準(zhǔn)則”從左下和右下兩個方法進(jìn)行跟蹤，找到下一行的邊緣目標(biāo)點(diǎn)。“探測準(zhǔn)則”是指從對圖像從左到右、從上到下進(jìn)行掃描，若發(fā)現(xiàn)是黑點(diǎn)則進(jìn)一步判定是否為頂點(diǎn)。因邊界是連續(xù)的，所以每一個邊界點(diǎn)都可以用前一個邊界點(diǎn)對當(dāng)前邊界點(diǎn)所形成的角度來表示，于是定義“跟蹤準(zhǔn)則”操作步驟［8］:

Step1:選定一個邊界點(diǎn)，初始搜索方向?yàn)檠刈?右)順時指方向;

Step2:判斷Step1的邊界點(diǎn)是否為黑點(diǎn)，若是則轉(zhuǎn)Step3;否則將搜索方向逆方向旋轉(zhuǎn)45°，轉(zhuǎn)Step1，直到找到一個黑點(diǎn)為止;

Step3:用同樣的方法以Step2的黑點(diǎn)作為新的邊界點(diǎn)，若所有行都已經(jīng)搜索過，則轉(zhuǎn)Step4，否則轉(zhuǎn)Step1，搜索下一個黑點(diǎn)，直到搜索出足夠的行為止;

Step4:結(jié)束。

圖1即為輪廓跟蹤示意圖。首先按照先上后下，先左后右的順序開始搜索，第1個點(diǎn)為邊界點(diǎn)，用A表示。用同樣的方法，分別找到B點(diǎn)和C點(diǎn)，循環(huán)反復(fù)回到A點(diǎn)(起始點(diǎn))。這就是通過設(shè)定的順序找出邊緣點(diǎn)來跟蹤出邊界，即我們常說的輪廓跟蹤法［8］。

(2)用中值濾波實(shí)驗(yàn)消除噪聲。如圖2所示，從圖可看出大部分噪聲得到了很好的消除，圖像質(zhì)量也得到了明顯的提高。

圖1 輪廓跟蹤示意圖Fig.1 Sketch map of the tracked profile

圖2 火焰濾波前后的實(shí)驗(yàn)效果Fig.2 Experimental results of the flame after and before being filtered

(3)用分割實(shí)驗(yàn)采集、分割圖像。本文在室內(nèi)通過燃火采集到了參照圖和火焰圖像，并按背景差分法分割出火焰圖像。在實(shí)驗(yàn)中，反復(fù)設(shè)置T值，并取得一個較好的值52，圖3(c)為結(jié)果圖。

圖3(c)中火焰提取圖是由濾波并灰度化后的圖3(b)減去同樣處理后的圖3(a)得到的結(jié)果。在實(shí)際應(yīng)用中，通常只對可疑的目標(biāo)感興趣，而對其他的背景目標(biāo)可以不關(guān)注［9］。

(4)用尖角個數(shù)實(shí)驗(yàn)區(qū)分火源圖像。實(shí)驗(yàn)數(shù)據(jù)采用5張連續(xù)圖像，為了檢測火災(zāi)區(qū)域面積和尖角變化特征的對火災(zāi)識別的效果，實(shí)驗(yàn)時，每張圖像的對象面積都是逐漸變大的，且引入手電筒光源和蠟燭光源，滿足尖角特征的檢測效果。實(shí)驗(yàn)結(jié)果如表2所示。

圖3 火焰圖像的分割效果圖Fig.3 Identification effect of the flame

表2 火災(zāi)火焰及干擾物體的尖角特性統(tǒng)計(jì)Table 2 Cusp characteristics statistics of fire flame and interferent

3 BP神經(jīng)網(wǎng)絡(luò)算法在火災(zāi)探測中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)的輸入量為:IN1為面積變化;IN2為形體變化;IN3為邊緣變化;IN4為整體移動;IN5為一階顏色矩。網(wǎng)絡(luò)輸入量設(shè)計(jì)為5個單元，輸出量設(shè)計(jì)為1個單元，隱含層節(jié)點(diǎn)數(shù)為4個，訓(xùn)練次數(shù)為1000次以上，學(xué)習(xí)效率為0.001，目標(biāo)誤差為1.0 ×10－5［10］。

3.1 火災(zāi)視頻探測實(shí)驗(yàn)算法

以某大學(xué)附屬醫(yī)院采用的海灣安全技術(shù)有限公司推出的視頻火災(zāi)探測報(bào)警系統(tǒng)GST－VFD(簡稱VFD系統(tǒng))為研究對象進(jìn)行神經(jīng)網(wǎng)絡(luò)算法的火災(zāi)探測實(shí)驗(yàn)。

圖4是一個以微型計(jì)算機(jī)為基礎(chǔ)的現(xiàn)代火災(zāi)自動報(bào)警系統(tǒng)的基本原理圖。系統(tǒng)中，火災(zāi)探測器、消防聯(lián)動設(shè)備等必須通過輸出接口才能與微處理器相連。

圖4 現(xiàn)代火災(zāi)自動報(bào)警系統(tǒng)工作原理圖Fig.4 Modern automatic fire alarm system working principle diagram

系統(tǒng)的輸入信號為(CCTV)信號。信號由圖像采集經(jīng)過計(jì)算機(jī)分析處理后就變成了數(shù)字圖像序列，只有成為數(shù)字圖像以便為計(jì)算機(jī)系統(tǒng)所識別。本算法能探測到火災(zāi)場景中的一些極其微小的變化，用提取變化區(qū)域與火災(zāi)發(fā)生的特征進(jìn)行比較。通過分析、篩選、計(jì)算，保證VFD系統(tǒng)能夠迅速準(zhǔn)確地探測到火災(zāi)［12］。VFD系統(tǒng)主要規(guī)格和特點(diǎn)是:VFD系統(tǒng)的視頻火災(zāi)監(jiān)控軟件運(yùn)行于Windonws2000/windonsXP之上，包括了所有的圖像顯示，參數(shù)、用戶、聯(lián)運(yùn)和報(bào)警設(shè)置等功能。其可視化、無接觸的特點(diǎn)比起傳統(tǒng)的火災(zāi)探測方式具有無可比擬的優(yōu)越性。目前從運(yùn)行的情況來看，具有界面友好、操作容易、設(shè)計(jì)簡單、維護(hù)方便和誤報(bào)率低等優(yōu)點(diǎn)。誤報(bào)警的因素有許多種，主要有以下3種:①火災(zāi)場景的光照強(qiáng)度和變化的幅度;②物體運(yùn)動頻率(如飛動的灰塵)、顏色干擾程度;③高溫物體變化狀況。這里有火災(zāi)圖像50幅;蠟燭圖像20幅;電筒圖像20幅;日光燈圖像20幅為訓(xùn)練樣本。測試結(jié)果如表3所示［13］。

表3 火災(zāi)火焰及干擾現(xiàn)象的神經(jīng)網(wǎng)絡(luò)判斷Table 3 Judgement of fire flame and interferent by neural network

綜上所述:①任意截取一幅實(shí)際操作所得來視頻圖像樣本，即初始背景圖像。②利用一幅當(dāng)前實(shí)際視頻圖像更新初始時背景，得到待檢測的背景視頻圖像。③根據(jù)背景圖像的邊緣梯度值之和，判斷視頻背景圖像的清晰度。這就得到了實(shí)際視頻圖像清晰度評價之值［14］。

3.2 BP網(wǎng)絡(luò)的火災(zāi)氣體辨識訓(xùn)練與驗(yàn)證方法

BP神經(jīng)網(wǎng)絡(luò)火災(zāi)氣體辨識訓(xùn)練驗(yàn)證實(shí)驗(yàn)方案:①實(shí)驗(yàn)地點(diǎn)選擇在某大學(xué)的火災(zāi)實(shí)驗(yàn)室內(nèi)進(jìn)行;②實(shí)驗(yàn)工具采用的是MATLAB6.5的神經(jīng)網(wǎng)絡(luò)工具箱。BP網(wǎng)絡(luò)訓(xùn)練310，樣本取10組;③實(shí)驗(yàn)得出的結(jié)論是相同的:輸出誤差僅為1×10－6。樣本訓(xùn)練后的輸出計(jì)算值，最大的輸出誤差為0.023(見樣本6)，保持在0.023范圍內(nèi)，小數(shù)點(diǎn)后面的4～8位有誤差。這就說明辨識效果達(dá)到了預(yù)期的效果［15－16］，見表 4。

3.3 火災(zāi)發(fā)生概率(誤報(bào)警)分析

本文作者在現(xiàn)場同火災(zāi)自動報(bào)警系統(tǒng)的管理人員一起分析得出以下數(shù)據(jù)，見表5。

從表5可以看出:電氣、違章操作、用火不慎、生活蒸汽(該醫(yī)院為病房提供的生活蒸汽)起火原因所占的比重大。

統(tǒng)計(jì)火災(zāi)自動報(bào)警系統(tǒng)報(bào)警后的資料，借此來分析火災(zāi)自動報(bào)警系統(tǒng)報(bào)警的成功概率(或誤報(bào)警率)，見表6。

表4 BP網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)表Table 4 Training sample datasheet of BP network

表5 醫(yī)院各類火災(zāi)起火原因所占百分比Table 5 Percent of various causes of fire in hospital %

表6 火災(zāi)自動報(bào)警成功概率的統(tǒng)計(jì)數(shù)據(jù)Table 6 Statistical datasheet of the right alarm probability of automatic fire alarm system %

這說明火災(zāi)自動報(bào)警系統(tǒng)在探測煙霧、火災(zāi)圖像方面的成功概率都在98%以上;說明火災(zāi)自動報(bào)警探測器在火災(zāi)所發(fā)生的煙霧、視頻圖像上靈敏度比較高。

4 結(jié)論

(1)從介紹BP神經(jīng)網(wǎng)絡(luò)這一理論的基本原理出發(fā)，對BP學(xué)習(xí)算法的12個步驟逐步進(jìn)行分析研究。

(2)采用BP神經(jīng)網(wǎng)絡(luò)算法，對火災(zāi)探測進(jìn)行了實(shí)驗(yàn)，首先從信號識別，其中包括通信信號識別與圖像信號識別，然后分別采用視頻火災(zāi)探測算法和氣體辨識樣本訓(xùn)練與驗(yàn)證及現(xiàn)場數(shù)據(jù)分析，取得了較好的實(shí)驗(yàn)效果和驗(yàn)證的準(zhǔn)確性。

(3)從一定的角度、一定的層面得出基于BP神經(jīng)網(wǎng)絡(luò)算法在火災(zāi)探測領(lǐng)域的應(yīng)用價值，不管是識別、探測，還是減少誤報(bào)警都是可行的，具有一定的應(yīng)用前景。

［1］趙英南，陳南.智能建筑火災(zāi)自動報(bào)警系統(tǒng)設(shè)計(jì)與實(shí)施［M］.北京:知識產(chǎn)權(quán)出版社，2005.ZHAO Yingnan，CHEN Nan.Design and application of intelligent building automatic fire alarm system［M］.Beijing:Intellectual Property Publishing House，2005.

［2］BREA WILLIAMS.An investigation on fire performance of FRP－Strened R/C beams［J］.Fire Science and Technology，2007，9(9):492－498.

［3］譚炳華.火災(zāi)自動報(bào)警及消防聯(lián)動系統(tǒng)［M］.北京:機(jī)械工業(yè)出版社，2007.TAN Binghua.Automatic fire alarm and fire protection linkage system［M］.Beijing:China Machine Press，2007.

［4］陳南.智能建筑火災(zāi)監(jiān)控系統(tǒng)設(shè)計(jì)［M］.北京:清華大學(xué)出版社，2001.CHEN Nan.Design of intelligent building fire surveillance system［M］.Beijing:Tsinghua University Press，2001.

［5］徐志勝.安全系統(tǒng)工程［M］.北京:機(jī)械工業(yè)出版社，2007.XU Zhisheng.Safety system engineering［M］.Beijing:Mechanical Industry Press，2007.

［6］楊斌，馬瑞升，何立，等.基于顏色特征的遙感圖像中煙的識別方法［J］.計(jì)算機(jī)工程，2009，4(4):213－217.YANG Bin，MA Rui－ sheng，HE Li，et al.Method of identifying fume in remote sensing images based on color features［J］.Computer Engineering，2009，4(4):213 －217.

［7］劉翱，馬曉茜.基于微粒群算法和模糊神經(jīng)網(wǎng)絡(luò)的火災(zāi)探測研究［J］.消防科學(xué)與技術(shù)，2007，6(6):673－675.LIU Ao，MA Xiaoqian.Fire detection based on fuzzyneural network combined with particle swarm optimization algorithm［J］.Fire Science and Technology，2007，6(6):673－675.

［8］王衛(wèi)東，傅榮生.空氣采樣式感煙火災(zāi)探測報(bào)警器誤報(bào)概率分析［J］.消防科學(xué)與技術(shù)，2008，9(9):668－670.WANG Weidong，F(xiàn)U Rongsheng.Analysis on the false alarm probability of air sampling smoke detector［J］.Fire Science and Technology，2008，9(9):668－670.

［9］黃松濤，石章松，張丕旭.基于無線傳感器網(wǎng)絡(luò)的火災(zāi)現(xiàn)場定位技術(shù)研究［J］.消防科學(xué)與技術(shù)，2009，2(2):113－115.HUANG Songtao，SHI Zhangsong，ZHANG Pixu.Research on the locating technique of fire area based on wireless sensor networks［J］.Fire Science and Technology，2009，2(2):113－115.

［10］姚緒梁，金鴻章，王科俊.多重目標(biāo)綜合決策在火災(zāi)報(bào)警系統(tǒng)中的應(yīng)用［J］.消防科學(xué)與技術(shù)，2004，1(1):68－70.YAO Xuliang，JIN Hongzhang，WANG Kejun.Research on fire alarm system decision－making based on multi－ objectives integrated decision－making［J］.Fire Science and Technology，2004，1(1):68－70.

［11］劉海霞，隋虎林，谷安永.火災(zāi)報(bào)警控制系統(tǒng)通信數(shù)據(jù)信息識別的研究［J］.消防科學(xué)與技術(shù)，2008，8(8):585－587.LIU Haixia，SUI Hulin，GU Anyong.The study on recognition of communication data for fire alarm control system［J］.Fire Science and Technology，2008，8(8):585 －587.

［12］董文輝，李寧寧，梅志斌，等.歐美國家火災(zāi)報(bào)警系統(tǒng)規(guī)范介紹及啟示［J］.消防科學(xué)與技術(shù)，2008，6(6):423－42.DONG Wenhui，LI Ningning，MEI Zhibin，et al.Research on fire alarm codes of Europe and America for application［J］.Fire Science and Technology，2008，6(6):423 －42.

［13］馬明鍵.數(shù)據(jù)采集與信息處理［M］.西安:西安交通大學(xué)出版社，2005.MA Mingjian.Data collection and information manage［M］.Xi’an:Xi’an Jiaotong University Press，2005.

［14］徐志勝，周慶等，隧道火災(zāi)煙氣回流與臨界風(fēng)速模擬試驗(yàn)［J］.消防科學(xué)與技術(shù)，2011，7(7):580 －582.XU Zhisheng，ZHOU Qing.Tunnel fire smoke flow and critical wind speed simulation test of［J］.Fire Science and Technology，2011，7(7):580 －582.

［15］趙榮椿.數(shù)字圖像處理導(dǎo)論［M］.西安:西北工業(yè)大學(xué)出版社，1999.ZHAO Rongchun.Introduction to digital Image processing［M］.Xi’an:Northwestern Polytechnical University Press，1999.

［16］羅希平，田捷，諸葛嬰，等.圖像分割方法綜述［J］.模式識別與人工智能，1999，12(3):300－312.LUO Xiping，TIAN Jie，ZHU Geying.A Survey on image segmentation methods［J］.Pattern Recognition and Artificial Intelligence，1999，12(3):300－312.