基于STM32F和極限學(xué)習(xí)機(jī)在火災(zāi)檢測(cè)中的應(yīng)用

,,

(浙江工業(yè)大學(xué) 信息工程學(xué)院，杭州 310014)

0 引言

火災(zāi)一直威脅著人類生命財(cái)產(chǎn)安全。目前幾種主要的火災(zāi)探測(cè)技術(shù)包括吸氣式[1]，紅外光束[2]，圖像視頻技術(shù)[3]，布線復(fù)雜且性價(jià)比低、結(jié)構(gòu)不靈活等缺點(diǎn)。隨著無線局域網(wǎng)(wireless local area network，WLAN)[4]的發(fā)展，無線網(wǎng)絡(luò)已經(jīng)廣泛部署于各種室內(nèi)場(chǎng)合，如學(xué)校、醫(yī)院、餐廳、小區(qū)等。如果能充分利用這些網(wǎng)絡(luò)資源來實(shí)現(xiàn)火災(zāi)檢測(cè)，將大大降低系統(tǒng)成本。

在火災(zāi)信號(hào)處理算法方面，英國的Thomas H.Mcavoy把統(tǒng)計(jì)概率學(xué)應(yīng)用到火災(zāi)檢測(cè)中，很好地解決了傳統(tǒng)的感煙探測(cè)器的精確度低的問題，對(duì)陰燃火有迅響應(yīng)時(shí)間快[4]，但該方法利用單一傳感器，很容易受到干擾源的影響。對(duì)單一的傳感器火災(zāi)探測(cè)系統(tǒng)來說，經(jīng)常會(huì)出現(xiàn)誤報(bào)的問題。因此許多研究者使用兩種或兩種以上的不同類型探測(cè)器同步進(jìn)行檢測(cè)，同時(shí)和智能算法相結(jié)合。我國的楊宗凱以半導(dǎo)體感溫，離子感煙和濕度模擬傳感量為基本特征，并附加其相應(yīng)的趨勢(shì)特征對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，較好地克服干擾信號(hào)影響[5]。周曉琳采用了多傳感器數(shù)據(jù)融合技術(shù)實(shí)現(xiàn)對(duì)火災(zāi)特征信息的采集與處理；然后提出了一種新的神經(jīng)網(wǎng)絡(luò)算法,建立BP網(wǎng)絡(luò)火災(zāi)預(yù)警模型[6]。然而BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢，易出現(xiàn)過擬合情況。另外，趙鵬利用數(shù)字圖像處理技術(shù)，通過對(duì)像素特征空間進(jìn)行彈性約束，模糊匹配識(shí)別區(qū)域，有效的提高火焰小的情況下系統(tǒng)的識(shí)別率[7]。然而火災(zāi)發(fā)生過程中會(huì)產(chǎn)生大量煙霧，造成圖像質(zhì)量低，該技術(shù)對(duì)火焰的特征提取存在較大偏差，致使探測(cè)的精度下降。Andrew利用PEN3電子鼻工具和協(xié)方差k-最近鄰近概率神經(jīng)網(wǎng)絡(luò)算法，根據(jù)火災(zāi)的燃燒的氣味進(jìn)行早期火災(zāi)檢測(cè)[8]，響應(yīng)速度快。Chen Jing闡述了火災(zāi)報(bào)警和火災(zāi)燃燒過程中的理化特性之間的關(guān)系，并提出了基于貝葉斯網(wǎng)絡(luò)的火災(zāi)預(yù)警模型[9]。但貝葉斯網(wǎng)絡(luò)訓(xùn)練過程復(fù)雜，需要的數(shù)據(jù)多。Wang Hairong提出基于RBF的分布式神經(jīng)網(wǎng)絡(luò)火災(zāi)預(yù)警模型，同時(shí)利用遺傳算法來優(yōu)化RBF網(wǎng)絡(luò)模型，提高預(yù)警模型的適應(yīng)性和可行性[10]，實(shí)現(xiàn)在較少的數(shù)據(jù)集下也能達(dá)到很好的精度。Qian Ding采集多個(gè)傳感器數(shù)據(jù)，然后利用改進(jìn)的D-S證據(jù)理論對(duì)火災(zāi)發(fā)生的概率進(jìn)行判斷，很好的解決了證據(jù)沖突的問題[11]。劉云翔將模糊推理技術(shù)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，應(yīng)用在火災(zāi)檢測(cè)中，實(shí)現(xiàn)較高的可靠性和準(zhǔn)確性，但需要在建立精確的火災(zāi)樣本和收集分析其他火災(zāi)傳感信號(hào)等方面進(jìn)一步完善[12]。

基于以上研究，本文引入具有良好的非線性映射能力和建模速度快的極限學(xué)習(xí)機(jī)來檢測(cè)火災(zāi)，利用STM32F采集火災(zāi)發(fā)生過程中各傳感器的值，通過WLAN將火災(zāi)數(shù)據(jù)傳到終端進(jìn)行分析處理，建立STM32F極限學(xué)習(xí)機(jī)火災(zāi)檢測(cè)模型。該方法較單一傳感器和BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、樸素貝葉斯方法相比能更為全面判斷火災(zāi)狀態(tài)，準(zhǔn)確地檢測(cè)是否出現(xiàn)火情，減少誤報(bào)率，提高系統(tǒng)的準(zhǔn)確度。

1 火災(zāi)采集系統(tǒng)的設(shè)計(jì)

火災(zāi)采集系統(tǒng)主要采用MQ2煙霧傳感器，MQ4甲烷傳感器，MQ5可燃?xì)怏w傳感器，MQ7一氧化碳傳感器，實(shí)時(shí)檢測(cè)環(huán)境中的煙霧信號(hào)，克服單一傳感器造成的誤報(bào)問題。多傳感器模擬數(shù)據(jù)傳輸至STM32F微處理器進(jìn)行A/D轉(zhuǎn)換，轉(zhuǎn)換成數(shù)字電壓信號(hào)。采用32位處理器，可有效提高系統(tǒng)數(shù)據(jù)分析和處理能力。在通過ESP8266無線模塊將多傳感器數(shù)據(jù)傳輸?shù)浇K端主機(jī)，集中顯示和管理所有傳感器。終端上采用C#編寫的客戶端用于接收和顯示各傳感器數(shù)據(jù)。該無線模塊解決了傳統(tǒng)報(bào)警器無法接入WIFI網(wǎng)絡(luò)，采用物聯(lián)網(wǎng)方案中的WIFI聯(lián)網(wǎng)，具有成本低，兼容性好，能直接適配現(xiàn)有無線網(wǎng)絡(luò)，更方便的對(duì)系統(tǒng)進(jìn)行遠(yuǎn)程控制。無線采集模塊實(shí)物如圖1所示。

圖1 STM32F無線采集模塊

1.1 傳感器的選擇

不同燃燒物在燃燒過程中會(huì)伴隨不同的產(chǎn)物，但一些信息只有火災(zāi)發(fā)生很長一段時(shí)間后才會(huì)檢測(cè)出來，像火焰，燃燒音，固態(tài)高溫產(chǎn)物等。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)溫度在火災(zāi)初始階段變化不明顯，早期火災(zāi)以產(chǎn)生釋放出煙霧和一些氣體為主，基于此我們將火災(zāi)發(fā)生初期的氣體作為火災(zāi)判斷依據(jù)，氣體檢測(cè)裝置選擇MQ系列傳感器，包括MQ2煙霧傳感器，MQ4甲烷傳感器，MQ5可燃?xì)怏w傳感器，MQ7一氧化碳傳感器。

1)MQ系列傳感器是一系列的模擬氣敏傳感器，主要由不同雜質(zhì)含量、不同構(gòu)造的二氧化錫構(gòu)成。不同型號(hào)的傳感器對(duì)于不同的氣體有不一樣的敏感度。

2)MQ系列傳感器采用5 V供電，模擬電壓輸出范圍為0～5 V，為MCU內(nèi)部ADC最大支持3.3 V輸入，所以通過電阻分壓的方式等比降低輸入電壓，并且采用LM358設(shè)計(jì)電壓跟隨器電路，提高外部電路的輸入阻抗，從而提高M(jìn)CU內(nèi)部ADC檢測(cè)的精度。

1.2 采集控制器的選擇

系統(tǒng)采用STM32F429處理器完成傳感器數(shù)據(jù)采集，傳統(tǒng)的基于8位，16位的的單片機(jī)，完成火情分析時(shí)間一般為15～18 s，對(duì)多數(shù)據(jù)處理能力較差，且存在模塊功能弱的缺點(diǎn)，故不適合本系統(tǒng)多傳感器的多數(shù)據(jù)處理的實(shí)現(xiàn)；基于DSP單片機(jī)雖具有較強(qiáng)的數(shù)據(jù)處理能力，但是成本較高，不易推廣[13]，STM32F429提供了1 MB閃存、256 KBS RAM，芯片內(nèi)資源能夠滿足大多數(shù)應(yīng)用要求。另外提供了84 MHz的32位寬的數(shù)據(jù)總線，能夠使用低成本的外部SRAM。此芯片擁有3個(gè)12位ADC，其中ADC1擁有16復(fù)用通道，對(duì)于模擬信號(hào)的傳感器擁有很好的兼容性，便于對(duì)于MQ系列傳感器的數(shù)據(jù)采集。同時(shí)該處理器擁有8個(gè)串口資源，能夠同時(shí)滿足數(shù)據(jù)采集和通信。

1.3 無線傳輸模塊選擇

無線模塊采用ESP8266模塊，該模塊采用WIFI芯片作為無線通信的載體，能夠充分兼容現(xiàn)有的無線網(wǎng)絡(luò)，能夠使系統(tǒng)具有更加強(qiáng)大的兼容性能，能夠在任何一個(gè)擁有WIFI的地方接入互聯(lián)網(wǎng)，也可以使用任何具有無線功能的終端接入該系統(tǒng)。這樣就可以利用現(xiàn)存的WIFI網(wǎng)絡(luò)進(jìn)行火災(zāi)檢測(cè)。天線方面使用簡單的PCB天線即可達(dá)到空曠環(huán)境下400 m的傳輸距離。該模塊采用TTL電平與MCU通信，內(nèi)置TCP/IP協(xié)議棧，通過AT指令控制芯片完成各種配置，兼容3.3 V和5 V單片機(jī)系統(tǒng)，擁有WIFI STA、AP和WIFI STA+WIFI AP三種模式，能夠使用各種場(chǎng)合。使用編寫好的PC客戶端程序，可以通過TCP/IP協(xié)議對(duì)已經(jīng)接入網(wǎng)的控制平臺(tái)進(jìn)行訪問，讀取控制臺(tái)數(shù)據(jù)。

2 火災(zāi)數(shù)據(jù)采集及極限學(xué)習(xí)機(jī)分類方法

傳統(tǒng)火災(zāi)檢測(cè)系統(tǒng)基于單一傳感器，但單一傳感器檢測(cè)存在可靠性差，容易受到環(huán)境干擾等缺點(diǎn)。不同燃燒物特性不同，單一傳感器無法準(zhǔn)確判斷火災(zāi)種類。多傳感器信息融合能有效克服單一傳感器帶來的不足，綜合各類傳感器信息，對(duì)燃燒物進(jìn)行更細(xì)粒度分析，實(shí)現(xiàn)火災(zāi)燃燒物識(shí)別。在實(shí)際測(cè)量中，監(jiān)控點(diǎn)(monitor point，MP) 接收從接入點(diǎn)(access point，AP) 發(fā)來的數(shù)據(jù)包分組，同時(shí)將各個(gè)傳感器狀態(tài)信息數(shù)據(jù)記錄到一個(gè)txt文件中。txt文件中的數(shù)據(jù)由多個(gè)數(shù)據(jù)包構(gòu)成，而每個(gè)數(shù)據(jù)包代表燃燒物在某時(shí)刻各個(gè)傳感器值。

2.1 傳感器數(shù)據(jù)預(yù)處理

在對(duì)各燃燒物數(shù)據(jù)進(jìn)行極限學(xué)習(xí)機(jī)分類前，需要進(jìn)行數(shù)據(jù)的預(yù)處理，實(shí)驗(yàn)環(huán)境中，燃燒物和傳感器有一定距離，傳感器的輸出值很容易受到周圍環(huán)境影響，包含各種噪。圖2(a)為紙張燃燒過程中甲烷天燃?xì)鈧鞲衅餍盘?hào)輸出，從圖中可以看出輸出信號(hào)中含有許多噪聲分量。噪聲可能來源環(huán)境和元器件電磁干擾。

本文采用加權(quán)移動(dòng)平均濾波從測(cè)量信號(hào)中濾除噪聲，保留反映真實(shí)情況的樣本數(shù)據(jù)。

在某個(gè)時(shí)段傳感器接收的數(shù)據(jù)可以表示為{X1,X2,…,Xt}，濾波后t時(shí)刻值為：

(1)

m表示移動(dòng)窗的大小，Xt表示t時(shí)刻濾波后的值。由公式(1)可以看出，加權(quán)移動(dòng)平均濾波器不同地對(duì)待移動(dòng)期內(nèi)的各個(gè)數(shù)據(jù)。對(duì)近期數(shù)據(jù)給予較大的權(quán)數(shù)，對(duì)較遠(yuǎn)的數(shù)據(jù)給予較小的權(quán)數(shù)。圖(b)為濾波后的波形圖，加權(quán)平均濾波有效濾除信號(hào)中噪聲部分。

數(shù)據(jù)預(yù)處理第二步就是歸一化，歸一化是指將每一維度的數(shù)據(jù)轉(zhuǎn)換(0,1)的范圍內(nèi)，這就防止樣本中某些取值過大的特征對(duì)其他特征產(chǎn)生影響，歸一化方法為：

(2)

式中，Xnew，Xold為歸一化之前和處理后的樣本數(shù)據(jù)，Xmin，Xmax分別為訓(xùn)練數(shù)據(jù)中的最小值和最大值。從公式中可以看出若采集數(shù)據(jù)中存在噪聲，就會(huì)對(duì)歸一化產(chǎn)生干擾，因?yàn)樵肼暱赡転橛?xùn)練數(shù)據(jù)中的最大值或者最小值，導(dǎo)致歸一化失敗，這也是在歸一化之前先進(jìn)行濾波的原因。

2.2 極限學(xué)習(xí)機(jī)分類原理

極限學(xué)習(xí)機(jī)[14-15]是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的輸入層權(quán)重和隱藏層偏置是隨機(jī)產(chǎn)生的，輸出層權(quán)重利用Moore-Penrose廣義逆計(jì)算得到，因此網(wǎng)絡(luò)的學(xué)習(xí)速率有很大的提高。

給定一個(gè)樣本集(Xi,ti)，i=1,2,…,N，其中ti=(ti1,ti2,…,tim)∈Rm，網(wǎng)絡(luò)隱含層具有L個(gè)單隱層節(jié)點(diǎn)，激勵(lì)函數(shù)為g(x)，則ELM網(wǎng)絡(luò)實(shí)際輸出為：

(3)

(4)

由矩陣表示為：

Hβ=T

(5)

其中：

H(W1,W2,…,WL,b1,b2,…,bL,X1,X2,…,XN)=

則式(5)中β由最小二乘法解得：

β=H+T

(6)

其中：H+為隱含層輸出矩陣的廣義逆。

從ELM 算法過程可知,在設(shè)定合適的隱藏層神經(jīng)元后,隨機(jī)為輸入權(quán)重和偏差賦值,在計(jì)算隱藏層矩陣后,通過最小二乘法得到輸出權(quán)重,這樣就一次完成該問題的求解過程,不需迭代。

3 火災(zāi)檢測(cè)實(shí)驗(yàn)及分析

3.1 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)平臺(tái)主要分為接入點(diǎn)(AP)和監(jiān)控點(diǎn)(MP)，其中AP是由STM32F429處理器、傳感器、無線模塊采用ESP8266模塊構(gòu)成的采集系統(tǒng)，MP為安裝了自己用C#編寫桌面端軟件筆記本電腦，操作系統(tǒng)為Windows7。在采集數(shù)據(jù)時(shí)，燃燒點(diǎn)放置在房間內(nèi)某個(gè)位置，MP 接收來自AP 的數(shù)據(jù)包，并從中提取出燃燒物數(shù)據(jù)。數(shù)據(jù)中包含了燃燒物各個(gè)傳感器信息。

3.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

為采集火災(zāi)環(huán)境數(shù)據(jù)，我們選取一間長寬高為：2.4 m×1.8 m×2.9 m房間。實(shí)驗(yàn)圖如3所示，選取4個(gè)數(shù)據(jù)集點(diǎn)，燃燒點(diǎn)之間距離為1.2 m，燃燒點(diǎn)距AP距離為1 m，AP高度為30 cm。我們選取紙張，布料，塑料，木材作為火災(zāi)信號(hào)，蠟燭，香煙和正常狀態(tài)為非火災(zāi)信號(hào)。經(jīng)實(shí)驗(yàn)研究蠟燭，香煙作為干擾源也會(huì)釋放出煙霧，但在早期相對(duì)于火災(zāi)源，產(chǎn)生煙霧較少。我們可以根據(jù)這一特性進(jìn)行判別火災(zāi)信號(hào)和干擾信號(hào)。采集系統(tǒng)每隔2秒收發(fā)一次傳感器數(shù)據(jù)，初始階段火災(zāi)環(huán)境特征變化較小，發(fā)展階段隨著氣體釋放，燃燒物各種氣體體積分?jǐn)?shù)增高，煙氣量開始增加。利用發(fā)展階段早期氣體變化進(jìn)行判斷，縮短預(yù)警時(shí)間，降低火災(zāi)損失。

圖3 火災(zāi)檢測(cè)實(shí)驗(yàn)圖

3.3 實(shí)驗(yàn)結(jié)果分析

對(duì)于每種燃燒物，我們選取前250個(gè)樣本值，構(gòu)成樣本集。訓(xùn)練樣本和測(cè)試樣本個(gè)數(shù)如表1所示。

表1 訓(xùn)練樣本和測(cè)試樣本

為了研究起火點(diǎn)對(duì)算法影響，我們將4個(gè)起火點(diǎn)的傳感器數(shù)據(jù)按照表1構(gòu)成4個(gè)樣本集，對(duì)每個(gè)樣本集先利用移動(dòng)加權(quán)濾波處理，然后采用極限學(xué)習(xí)機(jī)方法對(duì)其預(yù)測(cè)，測(cè)試樣本預(yù)測(cè)結(jié)果如圖4所示。

圖4 不同節(jié)點(diǎn)正確率

從圖中可以看出，在4個(gè)樣本集中無論對(duì)于火災(zāi)信號(hào)還是非火災(zāi)信號(hào)，極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)都能達(dá)到高于90%的正確率。位置對(duì)分類準(zhǔn)確性影響較小。

為了檢測(cè)算法的有效性，我們?cè)诿總€(gè)火災(zāi)試驗(yàn)點(diǎn)隨機(jī)選取250個(gè)樣本，作為訓(xùn)練樣本。50個(gè)樣本作為測(cè)試樣本。統(tǒng)計(jì)火災(zāi)狀態(tài)下單一傳感器和多傳感器分別作為極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的輸入，比較結(jié)果見表2。

表2 單一傳感器和融合后結(jié)果對(duì)比

如表2所示，用單一種類傳感器進(jìn)行火災(zāi)類型判別時(shí)，極限學(xué)習(xí)網(wǎng)絡(luò)輸出火災(zāi)和非火災(zāi)概率相差較小，這樣就容易造成誤判；而使用極限學(xué)習(xí)機(jī)理論融合多種傳感器信息后，兩者概率之差增大，在一定程度上提高了火災(zāi)檢測(cè)系統(tǒng)的準(zhǔn)確率。

同時(shí)本研究將極限學(xué)習(xí)機(jī)和傳統(tǒng)的分類算法BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、樸素貝葉斯做比較，BP神經(jīng)網(wǎng)絡(luò)和樸素貝葉斯采用MATLAB自帶工具箱，其中BP神經(jīng)網(wǎng)絡(luò)利用Levenberg-Marquandt規(guī)則訓(xùn)練前向網(wǎng)絡(luò)。支持向量機(jī)使用libsvm-2.89工具箱，測(cè)試集比較結(jié)果如圖5所示。

圖5 不同算法結(jié)果對(duì)比圖

從圖5中可以看出，支持向量機(jī)和樸素貝葉斯正確率只有40.8%和57.6%。而ELM達(dá)到94.3%的正確率。同時(shí)也高于BP神經(jīng)網(wǎng)絡(luò)。支持向量機(jī)雖然通過核函數(shù)將非線性數(shù)據(jù)映射到高維空間進(jìn)行分類，但對(duì)非線性問題沒有通用解決方案，必須謹(jǐn)慎選擇Kernelfunction來處理。樸素貝葉斯模型假設(shè)屬性之間相互獨(dú)立，而火災(zāi)環(huán)境中的特征量是很難保證是完全獨(dú)立的，這給樸素貝葉斯模型的正確分類帶來了一定影響。用神經(jīng)網(wǎng)絡(luò)算法雖然能夠識(shí)別一些干擾信號(hào)，并且能夠較為準(zhǔn)確地判斷火情但是火災(zāi)的數(shù)據(jù)與收集需要神經(jīng)網(wǎng)絡(luò)有足夠多的訓(xùn)練樣本。同時(shí)學(xué)習(xí)的樣本過多使整個(gè)網(wǎng)絡(luò)變得很大，影響收斂的速度。因此ELM網(wǎng)絡(luò)在火災(zāi)檢測(cè)中具有較大的優(yōu)勢(shì)。

表3為4種方法的性能分析，BP神經(jīng)網(wǎng)絡(luò)和ELM都能達(dá)到較高的正確率，但ELM網(wǎng)絡(luò)結(jié)構(gòu)簡單，無需迭代進(jìn)行學(xué)習(xí)，所以在訓(xùn)練和測(cè)試所需時(shí)間遠(yuǎn)少于BP神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)由于需要進(jìn)行反饋學(xué)習(xí)，訓(xùn)練時(shí)間較長。樸素貝葉斯方法、SVM方法和極限學(xué)習(xí)機(jī)訓(xùn)練時(shí)間短，但訓(xùn)練集和測(cè)試集正確率都低于ELM方法。極限學(xué)習(xí)機(jī)在達(dá)到較高的正確率，同時(shí)能夠大大降低訓(xùn)練時(shí)間。

表3 3種算法性能比較

4 結(jié)論

利用搭建的STM32無線數(shù)據(jù)采集平臺(tái)，進(jìn)行燃燒物數(shù)據(jù)采集，實(shí)驗(yàn)平臺(tái)靈活，不受環(huán)境限制。針對(duì)單一傳感器檢測(cè)時(shí)出現(xiàn)的不足，研究了將極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)應(yīng)用于火災(zāi)檢測(cè)的方法。使用多種傳感器對(duì)火災(zāi)早期煙霧特征進(jìn)行測(cè)量，降低單個(gè)傳感器帶來的不確定性誤差。實(shí)驗(yàn)結(jié)果表明，該方法和單一傳感器、SVM、Nbyes、BP神經(jīng)網(wǎng)絡(luò)相比，可以更快速準(zhǔn)確的反應(yīng)出發(fā)生火災(zāi)的可能性，降低訓(xùn)練時(shí)間，實(shí)現(xiàn)了火災(zāi)的早期發(fā)現(xiàn)，為及時(shí)滅火奠定了基礎(chǔ)。本方法在某些方面還存在改進(jìn)地方，如討論燃燒物量對(duì)各個(gè)觀察特征的影響，針對(duì)有風(fēng)環(huán)境等更復(fù)雜的情況則需要進(jìn)一步的深入研究，我們的研究工作可為以后深入研究提供技術(shù)基礎(chǔ)。