基于小波包能量分析的紅外火焰信號(hào)識(shí)別

周永杰，余震虹，張趙良

基于小波包能量分析的紅外火焰信號(hào)識(shí)別

周永杰1，余震虹1，張趙良2

（1. 江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214122；2. 無(wú)錫格林通安全裝備有限公司，江蘇 無(wú)錫 214073）

在設(shè)計(jì)紅外火焰探測(cè)器的過(guò)程中，人工光源常常會(huì)引起探測(cè)器的誤報(bào)。為有效區(qū)分人工光源與火焰信號(hào)，本文首先對(duì)采集的1種人工光源以及3種火焰信號(hào)進(jìn)行分析，將采集的信號(hào)進(jìn)行小波包4層分解，得到信號(hào)的能量譜。通過(guò)分析發(fā)現(xiàn)選取第2,3,4,7頻段的能量值能夠?qū)⑦@4種信號(hào)有效區(qū)分。為進(jìn)一步驗(yàn)證實(shí)驗(yàn)結(jié)果，本文將雙通道兩路信號(hào)的第2,3,4,7頻段的8個(gè)能量值作為一組特征向量，與BP神經(jīng)網(wǎng)絡(luò)結(jié)合進(jìn)行模式識(shí)別。結(jié)果表明，通過(guò)這樣的方法不僅可以區(qū)分火焰和人工光源，同時(shí)可以對(duì)3種火焰進(jìn)行識(shí)別，其識(shí)別的正確率為84.1%。因此，基于小波包能量分析的方法提取這8個(gè)能量值作為特征值具有一定的可行性，能有效減少人工光源引起的誤報(bào)，同時(shí)為火焰種類的識(shí)別以及以后的滅火自動(dòng)化提供了新的可能性。

紅外火焰探測(cè)器；小波包；BP神經(jīng)網(wǎng)絡(luò)；特征值

0 引言

工業(yè)生產(chǎn)安全問(wèn)題一直為人們所重視，火災(zāi)的頻頻發(fā)生，給人們的生命財(cái)產(chǎn)帶來(lái)極大的威脅，而工業(yè)環(huán)境的復(fù)雜性，給火災(zāi)的檢測(cè)帶來(lái)了極大的困難。最初火災(zāi)探測(cè)的方式為：感煙型火災(zāi)探測(cè)和感溫型火災(zāi)探測(cè)[1]。感煙型火災(zāi)探測(cè)系統(tǒng)是利用火災(zāi)發(fā)生時(shí)產(chǎn)生煙霧的特性來(lái)檢測(cè)環(huán)境中的煙霧變化，感溫型火災(zāi)探測(cè)器則是通過(guò)周圍溫度的變化來(lái)判斷是否有火災(zāi)發(fā)生。利用這兩種方式來(lái)探測(cè)火災(zāi)容易發(fā)生誤報(bào)，且有較大的時(shí)間延遲，探測(cè)器的靈敏度低[2]。

隨著紅外技術(shù)的發(fā)展以及半導(dǎo)體材料和制造工藝的發(fā)展成熟[3]，利用熱釋電紅外傳感器作為敏感元件的紅外火焰探測(cè)器逐漸發(fā)展起來(lái)。紅外火焰探測(cè)器利用物質(zhì)在燃燒過(guò)程中輻射的電磁波進(jìn)行檢測(cè)，能夠較好地識(shí)別碳?xì)漕惢衔锶紵a(chǎn)生的火焰。但同時(shí)，其他的紅外輻射源，如高溫?zé)嵩匆约叭斯す庠矗矔?huì)對(duì)火焰的檢測(cè)造成干擾。針對(duì)這一問(wèn)題，多采用多波段的熱釋電傳感器加以解決。利用任意一個(gè)紅外輻射源在不同波段體現(xiàn)不同的輻射強(qiáng)度和強(qiáng)度之間的數(shù)學(xué)關(guān)系來(lái)識(shí)別火焰與干擾[2]。多波段識(shí)別的算法主要有：利用各通道均值的比值[4]、設(shè)定閾值及計(jì)算超過(guò)閾值的個(gè)數(shù)、通道間閾值能量比較、各信號(hào)間的比例與相關(guān)性分析等[5]。這些方法在一定程度上可以降低探測(cè)器的誤報(bào)率，但由于探測(cè)距離遠(yuǎn)近的變化以及火焰的強(qiáng)弱變化，導(dǎo)致固定閾值的適用范圍較窄。同時(shí)，通道強(qiáng)度之間數(shù)學(xué)關(guān)系很難確定，導(dǎo)致比值法的使用受到一定的限制。

本文針對(duì)目前多波段識(shí)別算法的不足，提出利用小波包能量譜分析人工光源和火焰信號(hào)，提取4個(gè)頻段能量特征，與神經(jīng)網(wǎng)絡(luò)結(jié)合，進(jìn)行模式分類。在一定程度上，降低了檢測(cè)系統(tǒng)誤報(bào)率，同時(shí)提出用這8個(gè)特征值識(shí)別火焰的種類，不同種火焰的滅火方式不盡相同，為火焰種類的識(shí)別以及以后的滅火自動(dòng)化提供了新的可能性。

1 理論分析

不同材料的碳?xì)浠衔锶紵a(chǎn)生的火焰輻射光譜不同?；鹧婀庾V從紫外、紅外到可見(jiàn)光都有能量輻射，但在紅外波段輻射能量強(qiáng)于紫外波段。在火焰紅外波段內(nèi)的4.4mm附近能夠觀察到峰值。另一方面太陽(yáng)光經(jīng)過(guò)大氣層時(shí)，由于太陽(yáng)光中的4.4mm附近的能量被大氣層中的CO2所吸收而衰減很大，大氣中4.4mm紅外波段強(qiáng)度比較弱。因此4.4mm波段是用于紅外火焰探測(cè)的重要波段[6]。由于人工光源干擾會(huì)引起探測(cè)器誤報(bào)，為了排除人工光源的干擾，本文增加了4.8mm波段用以檢測(cè)人工光源[1]。

火焰除了輻射光譜特征以外，還具有另一個(gè)顯著的特征是閃爍頻率。相關(guān)文獻(xiàn)表明火焰固有的頻率在12Hz左右[7]，受到現(xiàn)場(chǎng)風(fēng)速與火勢(shì)的影響，通常頻率在1～25Hz之間。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)平臺(tái)

根據(jù)雙波段紅外火焰?zhèn)鞲衅鞯墓ぷ髟恚x用4.4mm和4.8mm波段的熱釋電傳感器[8-9]，經(jīng)過(guò)放大濾波處理，將采集的信號(hào)經(jīng)過(guò)數(shù)據(jù)采集卡，傳輸給計(jì)算機(jī)。其中，電路的放大倍數(shù)為50，帶通濾波器的截止頻率為2～40Hz，采樣頻率為128Hz。

2.2 信號(hào)采集

1）酒精燈火焰

用雙通道傳感器探測(cè)距離為50cm的酒精燈火焰，其時(shí)域波形如圖1所示。

圖1 酒精燈火焰時(shí)域圖

從圖1中可以看出4.4mm波段的信號(hào)幅值要強(qiáng)于4.8mm的信號(hào)幅值，2個(gè)信號(hào)的頻率均在10Hz左右。

2）煤油火焰

用雙通道熱釋電傳感器采集煤油打火機(jī)的火焰信號(hào)，其時(shí)域波形如圖2所示。

圖2 煤油火焰時(shí)域圖

從圖2中可以看出4.4mm波段的幅值強(qiáng)于4.8mm的幅值，信號(hào)的頻率成分較多。

3）蠟燭火焰

用雙通道熱釋電傳感器采集蠟燭火焰信號(hào)，其時(shí)域波形如圖3所示。

從圖3中可以看出4.4mm波段的幅值略大于4.8mm波段的幅值，信號(hào)的頻率在12Hz左右。

4）火焰測(cè)試燈

火焰測(cè)試燈為人工光源，主要有兩個(gè)頻率成分，分別為6Hz和4Hz。采集兩路信號(hào)時(shí)域波形如圖4所示。

圖3 蠟燭火焰時(shí)域圖

圖4 火焰測(cè)試燈信號(hào)時(shí)域圖

從圖4中可以看出信號(hào)的時(shí)域圖可以看出，人工光源是4.8mm波段幅值大于4.4mm波段幅值，而火焰信號(hào)是4.4mm波段的信號(hào)幅值明顯大于4.8mm波段的幅值，且這4種信號(hào)的頻率具有明顯差別，不同的輻射源在不同的波段輻射強(qiáng)度關(guān)系不同。

3 特征值提取

3.1 小波包分析

小波包變換具有很好的時(shí)頻分辨率，并且能夠在感興趣的頻率點(diǎn)上盡可能細(xì)分，彌補(bǔ)了小波變換的不足[10]。4種輻射源信號(hào)的頻率主要集中在50Hz以下，利用小波包能量分析可以將這個(gè)頻段加以細(xì)分。

假定對(duì)待分析信號(hào)S進(jìn)行三層分解，分解結(jié)構(gòu)如圖5所示。

A表示低頻，D表示高頻（這里的高頻和低頻是相對(duì)于上一級(jí)而言的），末尾的序號(hào)表示小波包分解的層數(shù)。分解具有如式(1)關(guān)系：

S＝AAA3＋DAA3＋ADA3＋DDA3＋AAD3＋DAD3＋ADD3＋DDD3 (1)

圖5 信號(hào)的三層小波包分解圖

3.2 小波能量譜

按照能量的方式表示的小波包分解結(jié)果稱為小波包能量譜[11-12]，根據(jù)小波包信號(hào)分析理論，原始信號(hào)()經(jīng)過(guò)小波包分解后依據(jù)的頻譜能量可以由式(2)計(jì)算得到：

式中：x,k中＝0, 1, 2, …, 2－1；＝1, 2, …,c；E,j(t)為原始信號(hào)經(jīng)小波包分解后第層第個(gè)節(jié)點(diǎn)的頻帶能量，則原信號(hào)()的總的頻帶能量計(jì)算如式(3)所示：

式中：E,j構(gòu)成小波包能量譜：

3.3 人工光源與火焰信號(hào)的小波包多層分解

將信號(hào)進(jìn)行小波包分析時(shí)，分解層數(shù)視信號(hào)的有用成分以及采樣頻率而定。本文采樣頻率為128Hz，使用db4小波包對(duì)4.4mm波段采集信號(hào)四層分解，其頻帶寬度為4Hz，其第四層節(jié)點(diǎn)能量分布如圖6所示。

圖6 4.4mm波段第四層節(jié)點(diǎn)能量分布

對(duì)四種物質(zhì)的4.8mm波段采集信號(hào)進(jìn)行小波包四層分解，其第四層節(jié)點(diǎn)能量分布如圖7所示。

由圖6可以看出火焰測(cè)試燈的能量主要集中在2,4頻段，酒精燈火焰與蠟燭火焰的能量主要集中在3,7頻段，煤油火焰的能量主要集中在2,3,4,7頻段。比較圖6和圖7可以發(fā)現(xiàn)，4種輻射源在4.4mm波段與4.8mm波段的能量分布存在明顯的差異，與時(shí)域幅值差異相一致。本文提出將兩路信號(hào)進(jìn)行小波包四層分解后的2,3,4,7頻段的能量值作為特征值，如表1所示，其中1～4行為4.4mm波段的4個(gè)能量值，5～8行為4.8mm波段的4個(gè)能量值。

圖7 4.8mm波段第四層節(jié)點(diǎn)能量分布

表1 四種信號(hào)的8個(gè)能量值

從表1中可以看出測(cè)試燈在4.8mm波段的能量值明顯大于4.4mm波段的能量值，酒精燈為4.8mm波段的能量值明顯小于4.4mm波段的能量。蠟燭火焰與煤油火焰在這兩個(gè)波段均有明顯能量值，4.4mm波段能量值大于4.8mm波段能量值，但煤油火焰在第一、三的特征值以及第五、七特征值明顯區(qū)別于蠟燭火焰。因此，選用這8個(gè)特征值能夠區(qū)分這4種輻射源。

4 模式分類

4.1 BP神經(jīng)網(wǎng)絡(luò)模型的建立

為了驗(yàn)證上述8個(gè)特征值的可行性，本文選用BP神經(jīng)網(wǎng)絡(luò)作為分類器來(lái)識(shí)別火焰。有關(guān)BP神經(jīng)網(wǎng)絡(luò)的理論詳見(jiàn)參考文獻(xiàn)13，本文不再贅述。選取1種人工光源信號(hào)和3種火焰信號(hào)的8個(gè)特征參數(shù)作為輸入，隱含層節(jié)點(diǎn)數(shù)為13，輸出層的節(jié)點(diǎn)數(shù)為4。將四種模式分別編碼為火焰測(cè)試燈（0001），蠟燭（0010），煤油（0100），酒精燈（1000），采集160組數(shù)據(jù)，其中100組作為訓(xùn)練樣本，60組作為測(cè)試樣本。

4.2 分類結(jié)果

60組測(cè)試樣本的識(shí)別準(zhǔn)確率如表2所示，從表2中可知，對(duì)于火焰測(cè)試燈沒(méi)有發(fā)生誤判，對(duì)于酒精的識(shí)別率為92.9%。這4類的總識(shí)別率為88.3%，對(duì)于3種火焰的平均識(shí)別率為84.1%，由于煤油與蠟燭的化學(xué)組成相接近，在燃燒時(shí)產(chǎn)物以及輻射的電磁波相接近，故兩者不易被區(qū)分。識(shí)別率分別為78.6%和81.3%。

表2 四種輻射源的識(shí)別率

5 結(jié)論

本文通過(guò)對(duì)人工光源以及火焰信號(hào)進(jìn)行小波包能量分析，提取雙通道傳感器采集信號(hào)的4個(gè)頻段能量特征，共8個(gè)特征值。采集160組樣本數(shù)據(jù)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別。結(jié)果表明這8個(gè)特征值能夠?qū)⒒鹧嫘盘?hào)與人工光源信號(hào)區(qū)分開(kāi)，同時(shí)可以將不同種火焰信號(hào)進(jìn)行分類，其分類識(shí)別率為84.1%，有利于提高火焰探測(cè)器的抗干擾性能，為火焰種類的識(shí)別及以后的滅火自動(dòng)化提供了新的可能性。

[1] 袁積德. 三波段紅外火焰探測(cè)器的研究與開(kāi)發(fā)[D]. 杭州: 浙江大學(xué), 2012.

YUAN Jide. Research and Development of Triple Channels Infrared Flame Detector[D]. Hangzhou: Zhejiang University, 2012.

[2] 胡幸江. 多波段紅外火焰探測(cè)系統(tǒng)的研究與產(chǎn)品開(kāi)發(fā)[D]. 杭州: 浙江大學(xué), 2013.

HU XinJiang. Research and Product Development of MIR Flame Detector System[D]. Hangzhou: Zhejiang University, 2013.

[3] 王汝琳, 王詠濤. 紅外檢測(cè)技術(shù)[M]. 北京: 化學(xué)工業(yè)出版社, 2006.

Wang Rulin, Wang Yongtao. Infrared detection technology[M]. Beijing:Chemical industry press, 2006

[4] 楊幫華, 劉燕燕, 何美燕, 等. 多紅外火焰探測(cè)中基于決策樹(shù)的火災(zāi)識(shí)別[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2013, 23(8): 14-17.

Yang banghua, Liu Yanyan, He Meiyan, et al.Fire Recognition of Multi-infrared Flame Detection Based on Decision Tree[J]., 2013, 23(8): 14-17.

[5] 周向真. 基于多紅外波段的火焰探測(cè)系統(tǒng)的設(shè)計(jì)[D]. 武漢: 華中科技大學(xué), 2008.

Zhou xiangzhen. Design of Flame Detection System Based on Multi-infrared bands Sensor[D]. Wuhan: Huazhong University of Science &Technology, 2008.

[6] 王啟峰. 火焰光譜數(shù)據(jù)特征提取、分析系統(tǒng)[D]. 西安: 西安電子科技大學(xué), 2009.

Wang qifeng. Feature Extraction and Analysis System for Flame Radiation Data[D]. Xian: Xian University, 2009

[7] 安志偉, 袁宏永, 屈玉貴. 火焰閃爍頻率的測(cè)量研究[J]. 計(jì)算機(jī)應(yīng)用, 2000, 5(3): 65-68.

An Zhiwei, Yuan Hongyong, Qu Yuping. Research on the measurement of the flicker frequency of flames[J]., 2000, 5(3):65-68.

[8] Chang C. C, Chu K. P, Lai Y. C. The characterization and fabrication of pyroelectric infrared sensor[J]., 2005, 8(3): 203-206.

[9] Moghavvemi M, Seng Lu-Chin. Pyroelectric infrared sensor for intruder detection[J]., 2004: 656-659.

[10] 徐寶國(guó), 宋愛(ài)國(guó). 基于小波包變換和聚類分析的腦電信號(hào)識(shí)別方法[J]. 儀器儀表學(xué)報(bào), 2009, 30(1): 25-28.

Xu Baoguo, Song aiguo. EEG signal recognition method based on wavelet packet transform and clustering analysis[J]., 2009, 30(1): 25-28.

[11] 鐘崴, 彭梁, 周永剛, 等. 基于小波包分析和支持向量機(jī)的鍋爐結(jié)渣診斷[J]. 浙江大學(xué)學(xué)報(bào), 2016, 50(8): 1499-1506.

Zhong Wei, Peng liang, Zhou yonggang, et al. Slagging diagnosis of boiler based on wavelet packet analysis and support vector machine[J]., 2016, 50(8):1499-1506.

[12] 孫健, 王成華, 杜慶波. 基于小波包能量譜和NPE的模擬電路故障診斷[J]. 儀器儀表學(xué)報(bào), 2013, 34(9): 2021-2027.

Sun Jian, Wang Chenghua, Du Qingbo. Analog circuit fault diagnosis based on wavelet packet energy spectrum and NPE[J]., 2013, 34(9): 2021-2027.

[13] 孫保峰. 基于神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)分類方法的研究[D]. 長(zhǎng)春: 吉林大學(xué), 2013.

Sun Baofeng. Research on the classification of surface EMG based on neural network[D]. Changchun: Jilin University, 2013.

Infrared Flame Signal Recognition Based on Wavelet Packet Energy Analysis

ZHOU Yongjie1，YU Zhenhong1，ZHANG Zhaoliang2

(1.,,214122,; 2.,,214073,)

In process of design of infrared flame detector, therecognition rate of which was reduced by some artificial lights. In order to distinguish artificial light and flame, an artificial light and three kinds of flame were analyzed firstly. The collected signals were decomposed by wavelet packet, then the wavelet packet energy spectrum was acquired. The results showed that the four kinds of signal can be distinguished by the energy of 2,3,4 and7 frequency band. In order to verify the experimental results, the eight energy values of the 2,3,4,7 spectrum from two sensors were regarded as a group of feature vector. The mode of recognition was carried out by applying BP neural network and thefeature vector. The results showed that the method can distinguish the artificial light and the flame. In addition, the three kinds of flame were also identified. The recognition rate can reach 84.1%. Therefore, the method based on wavelet packet energy analysis has certain feasibility, which can increase the accuracy of flame identification. It also provides a new possibility to put out the fire automatically in the feature.

infrared flame detector，wavelet packet，BP neural network，feature vector

中文分類號(hào)：TP183

A

1001-8891(2017)03-0232-05

2016-09-17；

2016-12-28.

周永杰（1991-），女，漢族，江蘇鹽城人，碩士研究生，主要研究方向：紅外火焰?zhèn)鞲衅鳌-mail：jhzhouyj@163.com。