視頻火災(zāi)報(bào)警技術(shù)的現(xiàn)狀

李若愚

摘 ?要： 人們正越來越關(guān)注對(duì)火災(zāi)報(bào)警技術(shù)的研究。最初，人們只是單純的利用煙霧，溫度，亮度等傳感器檢測(cè)一些物理量來對(duì)火災(zāi)進(jìn)行監(jiān)控報(bào)警。伴隨著迅速發(fā)展的視頻監(jiān)控技術(shù)，將其用在火災(zāi)報(bào)警中也成為大勢(shì)所趨，從傳統(tǒng)的一些方法到現(xiàn)在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，使得視頻火災(zāi)報(bào)警技術(shù)逐步發(fā)展起來，并在實(shí)際運(yùn)用中取得較好的效果。文章從視頻火災(zāi)報(bào)警技術(shù)的檢測(cè)、識(shí)別、系統(tǒng)與規(guī)范幾個(gè)方面闡述了視頻火災(zāi)報(bào)警技術(shù)的現(xiàn)狀，總結(jié)其存在的不足，展望其未來的發(fā)展。

關(guān)鍵詞： 火災(zāi); 視頻監(jiān)控; 報(bào)警技術(shù); 現(xiàn)狀

中圖分類號(hào)：TP277;TP391 ? ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ?文章編號(hào)：1006-8228（2019）10-01-04

Abstract： People are paying more and more attention to the research of fire alarm technology. Initially， people simply used smoke， temperature， brightness and other sensors to detect some physical quantities to monitor and alarm the fire. With the rapid development of video surveillance technology， the use of video surveillance technology in fire alarms has become an irresistible trend. From traditional methods to the use of neural networks for identification， video fire alarm technology has gradually developed and achieved good results in practical applications. This paper expounds the current situation of video fire alarm technology from the aspects of detection， identification， system and specification of video fire alarm technology， and summarizes its shortcomings and forecasts its future development.

Key words： fire; video surveillance; alarm technology; status quo

0 引言

火災(zāi)的精確預(yù)警與及時(shí)處理始終是一個(gè)世界性難題，伴隨著迅速發(fā)展的智能視頻監(jiān)控系統(tǒng)，視頻火災(zāi)報(bào)警技術(shù)登上了世界歷史舞臺(tái)，并在國(guó)內(nèi)外的實(shí)際運(yùn)用中取得了優(yōu)異的成果，特別是在公安部提出平安中國(guó)等口號(hào)后，視頻火災(zāi)報(bào)警技術(shù)在我國(guó)迅速發(fā)展起來。

由于在火災(zāi)初期，火災(zāi)的煙霧總是先于火災(zāi)火焰的發(fā)生，而時(shí)效性是火災(zāi)報(bào)警的一個(gè)非常重要的指標(biāo)，所以相對(duì)于火災(zāi)火焰，火災(zāi)煙霧的檢測(cè)極為重要。本文首先針對(duì)火災(zāi)煙霧的檢測(cè)與識(shí)別階段對(duì)近年來的視頻火災(zāi)報(bào)警技術(shù)進(jìn)行闡述，然后列出近年來火災(zāi)報(bào)警系統(tǒng)的研發(fā)以及相關(guān)規(guī)范的制定，并在文章的最后提出一些總結(jié)與展望。

1 火災(zāi)煙霧的檢測(cè)技術(shù)

對(duì)于火災(zāi)煙霧的檢測(cè)技術(shù)，通常從顏色，靜態(tài)與動(dòng)態(tài)的紋理特征，運(yùn)動(dòng)方式以及頻率等方面展開研究。

起初，人們對(duì)火災(zāi)煙霧的檢測(cè)在其顏色特征方面關(guān)注較多，比如最早的RGB模型的運(yùn)用和專用于煙霧檢測(cè)提出的HSI模型。近年來則多是對(duì)于一些顏色模型的綜合利用[1]或者與煙霧其他特性的混合使用[2～3]相關(guān)方法的研究。

相比顏色，煙霧的紋理檢測(cè)的效果較為準(zhǔn)確。而傳統(tǒng)的煙霧紋理的研究只是基于一些簡(jiǎn)單的邊緣檢測(cè)，面對(duì)復(fù)雜的火災(zāi)煙霧環(huán)境效果很差。提取局部二值模式（LBP）作為紋理特征[4]的提出較好的解決了該問題，也成為煙霧紋理檢測(cè)主要的研究方向，比如近年來自適應(yīng)尺度局部二值模式（AS-LBP）[5]、成對(duì)比較局部二進(jìn)制模式（PCLBP）[6]、以及多尺度中值LTP模式（MLTP）[7]的提出，運(yùn)用這些方法不僅在火災(zāi)煙霧的檢測(cè)中效果較好，而且在煙霧紋理分類中也有不錯(cuò)的效果。但這些方法多用于從視頻中的單幀圖像獲得靜態(tài)紋理特征，很有可能出現(xiàn)檢測(cè)效果不佳的狀況，這使得學(xué)者對(duì)于動(dòng)態(tài)的煙霧紋理特征展開了研究。

最早的煙霧視頻的線性動(dòng)態(tài)系統(tǒng)框架（LDS）[8]已經(jīng)可以做到檢測(cè)視頻中煙霧發(fā)生的時(shí)間及其具體位置，但LDS忽視了彩色視頻信息，只可以使用亮度值當(dāng)作圖像的信息。在隨后的幾年內(nèi)LDS雖然得到了一系列的改進(jìn)[9～10]，不過這些改進(jìn)都運(yùn)用了密集抽樣的方法，計(jì)算量相對(duì)較多。近兩年，有學(xué)者提出了一種高階線性動(dòng)態(tài)系統(tǒng)（h-LDS）[11]的煙霧檢測(cè)算法。該算法提升了檢測(cè)煙霧動(dòng)態(tài)紋理特征的穩(wěn)定性，并且由于使用了滑動(dòng)的時(shí)間窗，在確定視頻中煙霧的時(shí)間及其具體位置的同時(shí)，也改進(jìn)了在提取煙霧階段由于煙霧的不穩(wěn)定性而造成的對(duì)于煙霧判別不夠精確的缺點(diǎn)。后經(jīng)實(shí)驗(yàn)證實(shí)，在維度范圍確定的前提下，高階線性動(dòng)態(tài)系統(tǒng)始終優(yōu)于線性動(dòng)態(tài)系統(tǒng)的檢測(cè)率。最近剛提出的三個(gè)正交平面上的局部四值模式（LTrP-TOP）[12]取得了不錯(cuò)的實(shí)驗(yàn)結(jié)果，顯示出利用煙霧紋理特征檢測(cè)火災(zāi)發(fā)生的巨大潛力。

煙霧擴(kuò)散時(shí)是屬于熵增運(yùn)動(dòng)，而空間內(nèi)一些剛體的干擾運(yùn)動(dòng)大多是一種等熵運(yùn)動(dòng)，因此，可以通過分別提取靜態(tài)圖像的熵及幀差圖像熵值和熵增的頻譜特征來檢測(cè)視頻圖像中火災(zāi)的煙霧，該方法能有效的降低環(huán)境的干擾，且彌補(bǔ)了煙霧識(shí)別的傳統(tǒng)算法計(jì)算較為復(fù)雜的不足[13]。在煙霧的漂移特性方面，由于煙霧的湍流運(yùn)動(dòng)會(huì)使其形心的位置發(fā)生變動(dòng)，所以可以運(yùn)用圖像前景形心的移動(dòng)進(jìn)行煙霧檢測(cè)[14]。此外，一種基于集合卡爾曼濾波器（EnKF）的逆向建模方法的提出，使得在隧道發(fā)生火災(zāi)時(shí)，實(shí)時(shí)檢測(cè)煙霧運(yùn)動(dòng)的性能得到大幅度改善[15]。

在火災(zāi)煙霧的頻率研究方面，早期人們通過實(shí)驗(yàn)發(fā)現(xiàn)，由于煙霧的出現(xiàn)會(huì)使得色彩對(duì)比度下降，造成頻域里的高頻分量逐步降低，通過這個(gè)現(xiàn)象學(xué)者先是使用傅里葉變換[16]來檢測(cè)煙霧，但傅里葉變換不包含時(shí)空的信息，這對(duì)時(shí)間窗和數(shù)據(jù)窗的尺寸要求較高。此后人們發(fā)現(xiàn)小波的方法[17]相對(duì)于傅里葉變換效果更為優(yōu)越。此外，還有許多其它的煙霧頻率方法，比如運(yùn)用Surfacelet[18]變換的方法同樣可以取得和小波變換一樣不錯(cuò)的效果。

2 火災(zāi)煙霧的識(shí)別技術(shù)

基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的識(shí)別算法研究，是近年主流的研究方向，所運(yùn)用的方法有淺層機(jī)器學(xué)習(xí)等一些算法，比如K近鄰算法（KNN）[19]、AdaBoost算法[20～21]以及支持向量機(jī)算法（SVM）[22]，與其他各類淺層機(jī)器學(xué)習(xí)算法相比，SVM識(shí)別煙霧的效果最好，也是煙霧識(shí)別常用的一種識(shí)別方式。雖然在很早之前就有學(xué)者運(yùn)用簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)進(jìn)行煙霧識(shí)別[23]，但由于神經(jīng)網(wǎng)絡(luò)的可行性本身就不被當(dāng)時(shí)的人所看好，所以很少有人用這類識(shí)別方法進(jìn)行煙霧識(shí)別。

自從神經(jīng)網(wǎng)絡(luò)的方法在2012年舉辦的大規(guī)模圖像識(shí)別大賽ILSVRC（Image Large Scale Visual Recognition Challenge）中大放異彩之后，基于深度學(xué)習(xí)的識(shí)別算法一軍突起，得到了各行各業(yè)廣泛的研究與運(yùn)用，當(dāng)然煙霧識(shí)別也不例外，并取得不錯(cuò)的效果。比如可以運(yùn)用BP神經(jīng)網(wǎng)絡(luò)根據(jù)季節(jié)對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練，將不同季節(jié)其他類型的煙羽分離出來，消除干擾噪聲，然后識(shí)別煙霧[24];也有運(yùn)用CNN進(jìn)行煙霧紋理的識(shí)別，實(shí)驗(yàn)證實(shí)，與傳統(tǒng)方法相比，此方法有不錯(cuò)的識(shí)別效果[25]。近兩年，更是擴(kuò)大了運(yùn)用深度學(xué)習(xí)算法進(jìn)行火災(zāi)煙霧檢測(cè)的使用范圍與深度，比如YOLO[26]、R-CNN[27]、Faster-RCNN[28]的運(yùn)用都大大提高了煙霧識(shí)別的性能。此外，有學(xué)者提出一種專門用于煙霧識(shí)別的深度多尺度CNN（DMCNN），該方法是一種高效，輕量級(jí)的CNN模型，參數(shù)遠(yuǎn)小于其他CNN算法，具有運(yùn)算速度快，針對(duì)煙霧識(shí)別效率顯著提高等特點(diǎn)[29];也有學(xué)者開發(fā)了RCNN和3D CNN的聯(lián)合檢測(cè)框架，該框架先利用改進(jìn)的Faster-RCNN來實(shí)現(xiàn)基于靜態(tài)空間信息的煙霧目標(biāo)定位，然后運(yùn)用3D-CNN通過組合動(dòng)態(tài)時(shí)空信息實(shí)現(xiàn)煙霧識(shí)別，并得到了檢測(cè)率為95.23%，誤報(bào)率為0.39%的實(shí)驗(yàn)效果[30]。

3 火災(zāi)報(bào)警系統(tǒng)與規(guī)范

近年來，我國(guó)加大了對(duì)火災(zāi)報(bào)警系統(tǒng)的研發(fā)，并研制了“火眼”報(bào)警系統(tǒng)。該系統(tǒng)結(jié)合了決策理論法、結(jié)構(gòu)法和神經(jīng)網(wǎng)絡(luò)法等各個(gè)智能識(shí)別算法的優(yōu)點(diǎn)，運(yùn)用先進(jìn)的算法，得到最為合適的概率結(jié)果，再比較標(biāo)準(zhǔn)火焰圖像特征庫(kù)中的概率閾值，得到一個(gè)準(zhǔn)確的識(shí)別結(jié)果。此外，該系統(tǒng)有如下特點(diǎn)：

⑴ 當(dāng)監(jiān)控區(qū)域范圍內(nèi)有火災(zāi)或者煙霧出現(xiàn)時(shí)，系統(tǒng)可以提供多級(jí)報(bào)警機(jī)制，可以有效防止各種干擾，保證報(bào)警的準(zhǔn)確性;

⑵ 系統(tǒng)只是利用圖像內(nèi)容的分析，不需要借助任何傳感器，具有反應(yīng)迅速，成本較低的特點(diǎn);

⑶ 系統(tǒng)采用了我國(guó)獨(dú)創(chuàng)的兩套圖像識(shí)別技術(shù)，能夠?qū)崟r(shí)對(duì)煙霧和火焰進(jìn)行快速識(shí)別，而且及時(shí)發(fā)出警報(bào)信號(hào);

⑷ 系統(tǒng)具有探測(cè)速度快、抗干擾能力強(qiáng)、設(shè)備兼容性強(qiáng)、安裝便捷還可以保留起火證據(jù)等優(yōu)勢(shì)。

鑒于“火眼”系統(tǒng)較為優(yōu)異的特點(diǎn)與運(yùn)用優(yōu)勢(shì)。目前，在各個(gè)一線城市內(nèi)許多公共場(chǎng)所和大型企業(yè)都配備了“火眼”系統(tǒng)?！盎鹧邸边m合用于如倉(cāng)房、地鐵隧道以及重要文物保護(hù)場(chǎng)所等高大空間的場(chǎng)館及人員較多的場(chǎng)所。該系統(tǒng)仍然在運(yùn)用的過程中對(duì)發(fā)現(xiàn)的各種問題進(jìn)行不斷改進(jìn)，相信它會(huì)在國(guó)內(nèi)消防領(lǐng)域的應(yīng)用前景越來越廣闊[31]。

在相關(guān)規(guī)范方面，2015年6月，公安部天津消防研究所與24家單位共同組成編制組，編制了CECS448：2016《可視圖像早期火災(zāi)報(bào)警系統(tǒng)技術(shù)規(guī)程》，并于2016年10月1日在全國(guó)正式頒布施行。規(guī)定了可視圖像早期火災(zāi)報(bào)警系統(tǒng)從適用場(chǎng)所、系統(tǒng)的構(gòu)成方式、設(shè)計(jì)、控制施工、調(diào)試驗(yàn)收到系統(tǒng)維護(hù)管理的具體內(nèi)容。該規(guī)程的公布為我國(guó)可視圖像早期火災(zāi)報(bào)警系統(tǒng)技術(shù)的實(shí)施與發(fā)展提供了有力的保障[32]。

此外，ISO/TS 7240-29：2017《火災(zāi)探測(cè)報(bào)警系統(tǒng)第29部分：視頻火災(zāi)探測(cè)器》的發(fā)布彌補(bǔ)了缺少一個(gè)國(guó)際性的可被接受的統(tǒng)一規(guī)范的不足，將有更多團(tuán)體成為此項(xiàng)規(guī)范的最大受益者，但是，該規(guī)范尚未成熟，在實(shí)施過程中仍然有一些問題需要解決[33]。

4 總結(jié)與展望

雖然近幾年來視頻火災(zāi)報(bào)警技術(shù)發(fā)展迅速，但是和其他熱門領(lǐng)域相比，專門對(duì)其研究的科研人員數(shù)量還相對(duì)較少，造成現(xiàn)有的一些技術(shù)只是對(duì)之前技術(shù)的微調(diào)，并沒有出現(xiàn)跨越式的創(chuàng)新技術(shù)，老生常談的誤報(bào)率、錯(cuò)爆率，以及適應(yīng)不強(qiáng)的缺點(diǎn)仍然普遍存在，這是其一;其次，雖然近年來基于深度學(xué)習(xí)的視頻火災(zāi)識(shí)別技術(shù)得到了廣泛關(guān)注及運(yùn)用，也出現(xiàn)了越來越多相關(guān)特征的數(shù)據(jù)集，但相比之下數(shù)據(jù)集的數(shù)量仍然缺乏，并且深度學(xué)習(xí)的方法需要進(jìn)行大量卷積和池化計(jì)算，但是目前對(duì)于如倉(cāng)庫(kù)、隧道和商場(chǎng)等場(chǎng)景中已有設(shè)備的處理能力較低，這導(dǎo)致基于深度學(xué)習(xí)的煙霧檢測(cè)方法對(duì)于這些場(chǎng)景的應(yīng)用依舊困難;再有，缺少統(tǒng)一的視頻煙霧檢測(cè)與識(shí)別的評(píng)估標(biāo)準(zhǔn)和平臺(tái)，是阻礙視頻火災(zāi)報(bào)警技術(shù)發(fā)展的根本性問題;最后，雖然目前已經(jīng)對(duì)視頻火災(zāi)報(bào)警系統(tǒng)技術(shù)做出了較為完整的規(guī)范，但這些規(guī)范沒有得到全面應(yīng)用，在實(shí)際運(yùn)用中出現(xiàn)了諸多問題尚須完善。因此，視頻火災(zāi)報(bào)警技術(shù)應(yīng)當(dāng)著力于以下幾個(gè)方面發(fā)展。

⑴ 繼續(xù)加大火災(zāi)視頻監(jiān)控領(lǐng)域的發(fā)展力度，鼓勵(lì)更多相關(guān)專業(yè)的學(xué)者投身于該領(lǐng)域的研發(fā)之中，以期望跨越式創(chuàng)新技術(shù)產(chǎn)品的出現(xiàn)來推動(dòng)其飛速發(fā)展。

⑵ 基于深度學(xué)習(xí)的智能識(shí)別技術(shù)是近年來各個(gè)識(shí)別技術(shù)領(lǐng)域的大趨勢(shì)，應(yīng)當(dāng)積極引導(dǎo)更多學(xué)者跳出傳統(tǒng)框架，運(yùn)用深度學(xué)習(xí)方法識(shí)別火災(zāi)煙霧，并繼續(xù)加大相關(guān)數(shù)據(jù)集建設(shè)的力度。

⑶ 建立統(tǒng)一的視頻煙霧識(shí)別與檢測(cè)的評(píng)估平臺(tái)和標(biāo)準(zhǔn)，只有可以公正地評(píng)估各類算法的效果，才能做到促進(jìn)視頻煙霧檢測(cè)進(jìn)一步的發(fā)展。

⑷ 視頻火災(zāi)報(bào)警技術(shù)在制作標(biāo)準(zhǔn)上，采取較為靈活的方式，朝著成熟化、全面化方向發(fā)展，以使視頻火災(zāi)報(bào)警技術(shù)得到越來越廣泛的應(yīng)用。

參考文獻(xiàn)（References）：

[1] 李誠(chéng)，唐李洋，潘李偉.城鎮(zhèn)森林交界域視頻煙霧檢測(cè)算法[J].計(jì)算機(jī)工程，2018：1000-3428

[2] NymaAlamgir，KienNguyen，VinodChandran，WageehBoles，et al.Combining multi-channel color space with local binary co-occurrence feature descriptors for accurate smoke detection from surveillance videos[J].Fire SafetyJournal，2018：1-10

[3] Zhen Yang，Weilan Shi，Zhiyi Huang，Zhijian Yin，et al. Combining Gaussian Mixture Model and HSV Model with Deep Convolution Neural Network for Detecting Smoke in Videos[C].Proceedings of 2018 IEEE18th International Conference on Communication Technology（ICCT），2018：2576-7828.

[4] Yuan F.Video-based smoke detection with histogram sequence of LBP and LBPV pyramids[J].Fire Safety Journal，2011.46（3）：132-139

[5] Huanjie Tao，Xiaobo Lu.Smoke vehicle detection based on multi-feature fusion and hidden Markov model[N]. Real-Time Image Processing，2019：1-14

[6] FeiniuYuan，JintingShi， XueXia， et al.Encoding pairwise Hamming distances of Local Binary Patterns forvisual smoke recognition[J].ComputerVision and Image Understanding.2019：43-53

[7] LupingJi，YanRen，XiaorongPu，et al.Median local ternary patterns optimized with rotation-invariant uniform-three mapping for noisy texture classification[J]. Pattern Recognition，2018：387-401

[8] Doretto G， Chiuso A，Wu Yn，et al. Dynamic textures[J].International journal of ?Computer Vision，2003.51（2）：91-109

[9] Yuan L，Wen F，Liu C，et al. Synthesizing dynamic exture with closed-loop linear dynamic system[M].Berlin，Heidelberg： Springer，2004：603-616

[10] Costantini R， Sbaiz.Higher order SVD ?analysis for dynamic texture ?synthesis[J].IEEE Transactions on Image Processing：A Publication of the IEEE Signal Processing Society，2008.17（1）：42-52

[11] 李鴻燕，郭人輔，張靜.基于多維動(dòng)態(tài)紋理分析的煙霧檢測(cè)算法[J].太原理工大學(xué)學(xué)報(bào)，2018：1007-9432

[12] Amit，Balasubramanian Raman，Debanjan Sadhya.Dynamic texture recognition using local tetra pattern—three orthogonal planes （LTrP-TOP）[J].The Visual Computer.2019：1-14

[13] Pang C F，Yang S S，Chen N.Fire smoke recognition based onimage entropy[J].Journal of Jiangsu University of Science andTechnology：Natural Science Edition，2015.29（1）：52-57

[14] Wang Y B.Smoke detection based on computer vision in coalmine[J].Journal of Liaoning Technical University： Natural Science，2016.35（11）：1230-1234

[15] JieJi，QiTong，Liangzhu（Leon）Wang.Application of the EnKF method for real-time forecasting of smoke movement during tunnel fires[J]. Advances in Engineering Software，2018：398-412

[16] Chen T，Wu P，Chiou Y.An early fire-detection method based onimage processing[C]Proceedings ofInternational Conference onImage Processing.Singapore：IEEE Computer Society Press，2004：1707-1710

[17] Ye S P，Bai Z C，Chen H F，et al. An effective algorithm to detectboth smoke and flame using color and wavelet analysis[J].Pattern Recognition and Image Analysis，2017.27（1）：131-138

[18] Ye W，Zhao J H，Wang S，et al.Dynamic texture based smokedetection using Surfacelet transform and HMT model[J].FireSafety Journal，2015.73：91-101

[19] Zhao L，Luo Y M，Luo X Y. Based on dynamic background update and dark channel prior of fire smoke detection algorithm[J].Application Research of Computers，2017.34（3）：957-960

[20] Xuehui Wu，Xiaobo Lu，Henry Leung.A Video Based Fire Smoke Detection UsingRobust AdaBoost[J].SafetyLit，2018.18（11）：3780

[21] Alexander Filonenko，Kang-Hyun Jo.Fast fire flame detection on videos using AdaBoost and parallel processing[C].Proceedings of ?2018 IEEE Industria Cyber-Physical Systems （ICPS），2018：15-18

[22] 文澤波，康宇，曹洋等.基于隨機(jī)森林特征選擇的視頻煙霧檢測(cè)[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2017：0253-2778

[23] 王濤，劉淵，謝振平.基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的視頻煙霧檢測(cè)[J].計(jì)算機(jī)工程，2011：1000-3428

[24] Li X L，Song W G，Lian L P，et al. Forest fire smoke detectionusing back-propagation neural network based on modis data[J].Remote Sensing，2015.7（4）：4473-4498

[25] Chen J Z，Wang Z J，Chen H H，et al. Dynamic smoke detectionusing cascaded convolutional neural network for surveillance videos[J].Journal of University of Electronic Science and Technology of China，2016.46（6）：992-996

[26] Dongqing Shen，Xin Chen，Minh Nguyen，et al. Flame detection using deep learning[C].Proceedings of 2018 4th International Conference on Control， Automation and Robotics （ICCAR）.2018：20-23

[27] Qi-xingZhang， Gao-huaLin， Yong-mingZhang， et al.Wildland Forest Fire Smoke Detection Based on Faster R-CNN using Synthetic Smoke Images[J].Procedia Engineering，2018：441-446

[28] 林高華.基于動(dòng)態(tài)紋理和卷積神經(jīng)網(wǎng)絡(luò)的視頻煙霧探測(cè)方法研究[D].中國(guó)科學(xué)技術(shù)大學(xué)，2018.

[29] Feiniu Yuan，Lin Zhang，Boyang Wan.Convolutional neural networks based on multi-scale additive merging layers for visual smoke recognition[J]. Machine Vision and Applications.2019：345-358

[30] Gaohua Lin，Yongming Zhang，Gao Xu，et al. Smoke Detection on Video Sequences Using 3D Convolutional Neural Networks[J].Fire Technology，2019：1-21

[31] 李國(guó)生."火眼"可視圖像早期報(bào)警系統(tǒng)在地鐵中的應(yīng)用[J].消防科學(xué)與技術(shù)，2018.2：1009-0029.

[32] 金怡.《可視圖像早期火災(zāi)報(bào)警系統(tǒng)技術(shù)規(guī)程》解讀[J].勞動(dòng)保護(hù)，2018.11：1000-4335

[33] 常儷，Sandrine Tranchard.ISO視頻火災(zāi)探測(cè)器標(biāo)準(zhǔn)將有助于在火災(zāi)中挽救生命[J].中國(guó)質(zhì)量與標(biāo)準(zhǔn)導(dǎo)報(bào)，2017：2096-2967