公路隧道智能火災(zāi)檢測(cè)系統(tǒng)設(shè)計(jì)

吳宗勝，韓改寧，李 紅

(咸陽師范學(xué)院 計(jì)算機(jī)學(xué)院，陜西 咸陽 712000)

0 引 言

近十年中國公路隧道建設(shè)呈跨越式增長，據(jù)統(tǒng)計(jì)到2019年底，已建的全國公路隧道19 067座，總長達(dá)到18 966.6公里，成為隧道工程建設(shè)規(guī)模最大、數(shù)量最多的國家。與此同時(shí)公路隧道發(fā)生火災(zāi)事故的頻率也在增加，和普通開放式道路相比，公路隧道發(fā)生的事故數(shù)量相對(duì)較少，但其后果及影響往往較大，尤其是一旦發(fā)生火災(zāi)，后果可能極具破壞性和危險(xiǎn)性[1]。引起公路隧道火災(zāi)的原因主要有：車輛自身故障、交通事故、車輛上易燃物、隧道內(nèi)電氣線路或電氣設(shè)備短路。隧道火災(zāi)的發(fā)生不同于一般火災(zāi)，通過對(duì)多起隧道火災(zāi)案例分析，其特點(diǎn)主要有：產(chǎn)生的煙霧大、溫度高，隧道內(nèi)能見度降低；容易引起爆炸，火勢(shì)蔓延迅速；成災(zāi)過程快，持續(xù)時(shí)間長；洞內(nèi)空間狹長密閉，人員逃生和疏散較為困難，應(yīng)急救援難度大；易造成交通堵塞，引發(fā)二次火災(zāi)；具有隨機(jī)性和不可預(yù)見性。公路隧道火災(zāi)事故主要造成人員的傷亡、車輛的損毀、隧道設(shè)施的損壞以及隧道結(jié)構(gòu)的破壞等方面的危害，此外火災(zāi)也會(huì)造成正常交通的中斷[2]。

隧道作為高速公路的特殊路段，與高速公路其他路段不同，它是道路上一個(gè)相對(duì)封閉的區(qū)段，能見度較低，常為事故多發(fā)地段，并可能誘發(fā)各種各樣的火災(zāi)，由于其窄小的管道空間特征，一旦發(fā)生火災(zāi)，可燃物產(chǎn)生的濃煙將從起火部位以一定的速度沿隧道迅速擴(kuò)散，很快充滿整個(gè)空間，并呈現(xiàn)聚集不散的狀態(tài)，難以排出隧道外，造成隧道內(nèi)的溫度、煙霧及有害氣體濃度急劇升高，對(duì)司乘人員的生命造成極大威脅，極易造成車輛連續(xù)燃燒或爆炸的連鎖反應(yīng)，使隧道設(shè)施遭到致命破壞，甚至導(dǎo)致隧道垮塌，施救工作難度很大。因此，隧道中的火災(zāi)檢測(cè)是保證隧道安全運(yùn)行的一個(gè)重要因素?；馂?zāi)的早期、可靠、低誤報(bào)和低漏報(bào)是研究火災(zāi)檢測(cè)方案中首先要解決的關(guān)鍵問題[2]。一般火災(zāi)的發(fā)展過程主要分為非可見煙、可見煙、燃燒和劇烈燃燒四個(gè)階段[3]。現(xiàn)有火災(zāi)檢測(cè)主要集中在第三階段燃燒階段，不能做到在火災(zāi)發(fā)生時(shí)進(jìn)行早檢測(cè)、早預(yù)防的作用。一般情況下火以煙始，煙霧是火災(zāi)發(fā)生到第二階段的必然產(chǎn)物，如果能及時(shí)檢測(cè)到火災(zāi)煙霧，就可盡快預(yù)警并采取火災(zāi)施救措施，降低損失[4-6]。

目前，應(yīng)用機(jī)器學(xué)習(xí)方法進(jìn)行火災(zāi)探測(cè)及分類越來越多，在這些研究中首先考慮采用顏色驅(qū)動(dòng)的方法，將時(shí)間特征作為淺神經(jīng)網(wǎng)絡(luò)的輸入，將小波系數(shù)作為支持向量機(jī)(supported vector machine，SVM)分類器的輸入。Chenebert等人[7]考慮使用非時(shí)序方法，將顏色紋理特征描述符作為決策樹或淺神經(jīng)網(wǎng)絡(luò)分類的輸入。其他的方法考慮在不同的機(jī)器學(xué)習(xí)方法中使用形狀不變特性[8]或基于補(bǔ)丁的在線異常點(diǎn)學(xué)習(xí)[9]。但是卷積神經(jīng)網(wǎng)絡(luò)(CNN)是時(shí)域上考慮到連續(xù)視頻幀之間的動(dòng)態(tài)特征[10]和運(yùn)動(dòng)特征[11]，只有在這樣的背景下進(jìn)行火災(zāi)檢測(cè)才能取得較好的效果。Frizzi等人[12]應(yīng)用CNN在視頻圖像中進(jìn)行火災(zāi)檢測(cè)，判斷哪些幀有火災(zāi)發(fā)生。Wang等人[13]在tensorflow框架中將CNN和SVM結(jié)合實(shí)現(xiàn)火災(zāi)的檢測(cè)。陳威等人[14]使用顏色直方圖方法提取火焰特征進(jìn)行火災(zāi)探測(cè)?；靥斓热薣15]結(jié)合Faster R-CNN網(wǎng)絡(luò)進(jìn)行多類型火焰檢測(cè)。熊衛(wèi)華等人[16]為了豐富火災(zāi)模型提取的特征信息，利用不同尺度下的特征，提出了包含兩路特征提取器的混合卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(HybridNet)。但是這些方法只是對(duì)火災(zāi)中的火焰進(jìn)行檢測(cè)，不能有效檢測(cè)早期火災(zāi)。

因此，該文基于深度學(xué)習(xí)設(shè)計(jì)了一套智能隧道火災(zāi)檢測(cè)系統(tǒng)，通過監(jiān)控?cái)z像頭和煙霧傳感器，運(yùn)用訓(xùn)練好的基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的隧道火災(zāi)圖像識(shí)別模型，對(duì)隧道現(xiàn)場(chǎng)情況進(jìn)行同時(shí)檢測(cè)，能夠及時(shí)準(zhǔn)確識(shí)別火災(zāi)的發(fā)生，并實(shí)現(xiàn)即時(shí)現(xiàn)場(chǎng)報(bào)警與遠(yuǎn)程報(bào)警，在火災(zāi)發(fā)生時(shí)進(jìn)行早檢測(cè)與早預(yù)防。

1 系統(tǒng)總體設(shè)計(jì)

針對(duì)公路隧道的特點(diǎn)，在隧道內(nèi)根據(jù)特定的密度鋪設(shè)一定數(shù)量的視頻攝像頭、煙感探測(cè)器和溫濕度傳感器，在隧道入口一端安裝樹莓派終端、火災(zāi)報(bào)警器和4G通信模塊進(jìn)行火災(zāi)檢測(cè)。為了更加準(zhǔn)確地檢測(cè)早期火災(zāi)，該系統(tǒng)同時(shí)采取視覺檢測(cè)和感覺檢測(cè)兩種火災(zāi)檢測(cè)方式。視覺檢測(cè)采取視頻攝像頭監(jiān)控隧道情況，一旦發(fā)現(xiàn)較大煙霧或明火，可以很快識(shí)別出來。在光線的較暗隧道中，當(dāng)火災(zāi)剛發(fā)生時(shí)產(chǎn)生的煙霧較少，且還未生成明火，視覺傳感器不容易識(shí)別出來，這時(shí)結(jié)合隧道中安裝的敏感煙感探測(cè)器可以提前檢測(cè)到火災(zāi)的發(fā)生。溫濕度傳感器可以檢測(cè)隧道中的溫度和濕度環(huán)境，感知火災(zāi)引起的溫度變化。當(dāng)系統(tǒng)檢測(cè)到火災(zāi)發(fā)生時(shí)，部署在隧道入口處的聲光報(bào)警器進(jìn)行報(bào)警，阻止車輛進(jìn)入隧道。同時(shí)，利用4G通信模塊向信息中心報(bào)警，并傳輸現(xiàn)場(chǎng)監(jiān)控圖像。系統(tǒng)結(jié)構(gòu)如圖1所示。

2 系統(tǒng)詳細(xì)設(shè)計(jì)

2.1 硬件模塊設(shè)計(jì)

系統(tǒng)所用硬件包括：樹莓派Raspberry Pi 4B、Intel Movidius神經(jīng)計(jì)算棒(NCS)，樹莓派夜視攝像頭V2，煙霧傳感器MQ-2、聲光報(bào)警器、4G通信模塊。樹莓派Raspberry Pi 4B作為智能終端，直接和其他硬件連接，通過攝像頭采集隧道現(xiàn)場(chǎng)圖像，利用神經(jīng)計(jì)算棒對(duì)采集的圖像進(jìn)行分析識(shí)別，結(jié)合煙霧傳感器檢測(cè)隧道煙霧的結(jié)果，識(shí)別隧道火災(zāi)的發(fā)生，并控制聲光報(bào)警器進(jìn)行報(bào)警，同時(shí)通過4G無線傳輸模塊向信息中心報(bào)警。

(1)智能終端：樹莓派+ Intel Movidius神經(jīng)計(jì)算棒(NCS)。

樹莓派Raspberry Pi 4B配置64位1.5 GHz四核處理器，高達(dá)8 GB的內(nèi)存，4Kp60的硬件視頻解碼，雙頻2.4/5.0 GHz無線局域網(wǎng)，千兆以太網(wǎng)，USB3.0。樹莓派憑借其豐富的外設(shè)資源和硬件接口，較高的性價(jià)比，廣泛應(yīng)用于流行的AI研究與應(yīng)用項(xiàng)目。Movidius神經(jīng)計(jì)算棒(NCS)是Intel公司研發(fā)的基于USB模式的深度學(xué)習(xí)推理工具和獨(dú)立的人工智能(AI)加速器，其內(nèi)部核心是一顆Myriad 2處理器(28 nm工藝)，具有80～150 GFLOPS的性能，該處理器也被稱為視覺處理單元(或視覺加速器)，功耗僅為1 W左右，因此完全可以通過USB供電，可以廣泛地為邊緣主機(jī)設(shè)備提供專用深度神經(jīng)網(wǎng)絡(luò)處理功能。NCS利用訓(xùn)練好的網(wǎng)絡(luò)模型計(jì)算出圖像分析的結(jié)果，并傳輸?shù)街鳈C(jī)上，完成推理工作。NCS目前支持Caffe、TensorFlow和Keras深度學(xué)習(xí)框架。將NCS連接到樹莓派的USB3.0接口上，可以利用訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)模型和NCS強(qiáng)大的計(jì)算推理能力，對(duì)通過視頻模塊采集到的圖像進(jìn)行實(shí)時(shí)推理，及時(shí)識(shí)別視頻圖像中的火災(zāi)圖像。

(2)視頻監(jiān)控模塊。

視頻監(jiān)控模塊采用Raspberry NoIR Camera V2樹莓派夜視攝像頭。該模塊采用高質(zhì)量800萬像素的Sony IMX219圖像傳感器，能夠拍攝3 280×2 464像素的靜態(tài)圖像，而且還支持1080p30、720p60以及640×480p90視頻錄像。該攝像頭提供了常規(guī)攝像頭模塊所擁有的所有功能，并采用了紅外濾光片，使得它能夠在隧道低光昏暗的環(huán)境中拍攝清晰照片。該款攝像頭在圖像質(zhì)量、色彩保真度和低光環(huán)境方面有非常好的性能。

(3)煙霧傳感器模塊與溫濕度傳感器模塊。

煙霧傳感器模塊采用基于氣敏元件的MQ2氣體傳感器，用于檢測(cè)隧道中的煙霧氣體。該款傳感器可以很靈敏地檢測(cè)到空氣中的煙霧、液化氣、丁烷、丙烷、甲烷、酒精、氫氣等氣體；溫度傳感器模塊采用DHT11數(shù)字溫濕度傳感器，用于檢測(cè)隧道中的溫度和濕度，為信息中心提供隧道的實(shí)時(shí)環(huán)境信息。

(4)聲光報(bào)警器模塊。

樹莓派主機(jī)通過繼電器與安裝在隧道入口的聲光報(bào)警器連接，當(dāng)檢測(cè)到火災(zāi)發(fā)生時(shí)啟動(dòng)聲光報(bào)警器進(jìn)行現(xiàn)場(chǎng)報(bào)警。

2.2 軟件模塊設(shè)計(jì)

(1)火災(zāi)圖像識(shí)別網(wǎng)絡(luò)訓(xùn)練模塊。

該文采用深度學(xué)習(xí)的方法對(duì)隧道監(jiān)控圖像進(jìn)行識(shí)別。為了能夠提高隧道火災(zāi)檢測(cè)的速度和準(zhǔn)確性，將VGG-16網(wǎng)絡(luò)[17]進(jìn)行了簡化，并參照文獻(xiàn)[11]和文獻(xiàn)[13]做了參數(shù)調(diào)優(yōu)，經(jīng)多次試驗(yàn)，構(gòu)建了一個(gè)火災(zāi)檢測(cè)的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。該網(wǎng)絡(luò)分別由1個(gè)輸入層+4個(gè)卷積層+5個(gè)激活層+3個(gè)池化層+1個(gè)全連接層+Softmax層組成，結(jié)構(gòu)如圖2所示。

在網(wǎng)絡(luò)中，每個(gè)卷積層使用一個(gè)濾波器組執(zhí)行卷積操作生成一組特征圖，然后使用激活函數(shù)Relu對(duì)特征圖進(jìn)行非線性映射，再對(duì)其結(jié)果進(jìn)行批正則化(batch normalization)操作，接著使用最大池化(maxpooling)操作進(jìn)行下采樣(采樣窗口大小為2×2、步長為2)，下采樣后得到的每個(gè)特征圖的長和寬為原來的一半。在網(wǎng)絡(luò)各卷積層后添加的批正則化層，可以防止深度網(wǎng)絡(luò)在訓(xùn)練中容易出現(xiàn)的“梯度消失”問題，提高訓(xùn)練的收斂速度和模型精度[18]，全連接層后面使用Dropout操作可以防止模型出現(xiàn)過擬合現(xiàn)象[19]。

為了詳細(xì)展示該網(wǎng)絡(luò)架構(gòu)，將網(wǎng)絡(luò)配置在表1中列出。為了簡化顯示內(nèi)容，在表中沒有列出網(wǎng)絡(luò)中的激活層、批正則化層和Dropout層。在第一層卷積層中7×7大小的濾波核用來提取特征，其他卷積層使用大小為3×3濾波核。卷積濾波的步長固定為1，對(duì)使用7×7和3×3感知域的卷積層填充1個(gè)0值的像素, 使卷積層的輸入經(jīng)過卷積后仍然保留了原來的空間分辨率。最大池化層使用一個(gè)大小為2×2、步長為2像素的滑動(dòng)窗口進(jìn)行下采樣。各層的輸入大小和參數(shù)如表1所示，池化層全部采用最大池化方法進(jìn)行下采樣。

筆者收集了500幅隧道火災(zāi)圖像和600幅非火災(zāi)圖像，對(duì)構(gòu)建的火災(zāi)檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練時(shí)將圖像進(jìn)行適當(dāng)?shù)念A(yù)處理，并統(tǒng)一規(guī)整為128×128像素大小，訓(xùn)練流程如圖3(左圖)所示。在訓(xùn)練中使用交叉熵?fù)p失(cross-entropy loss)函數(shù)作為訓(xùn)練網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，并采用隨機(jī)梯度下降法(SGD)對(duì)目標(biāo)損失函數(shù)進(jìn)行優(yōu)化，并將其學(xué)習(xí)率設(shè)為lr=0.01，動(dòng)量參數(shù)設(shè)為momentum=0.9，權(quán)值衰減設(shè)為weight_decay=0.000 5，然后訓(xùn)練網(wǎng)絡(luò)直至訓(xùn)練損失函數(shù)收斂。每次迭代訓(xùn)練前，將訓(xùn)練集圖片打亂，然后按順序每抽取5幅圖像為一個(gè)批次(batchsize=5)作為網(wǎng)絡(luò)的輸入。迭代訓(xùn)練100次(epochs=100)后得到的網(wǎng)絡(luò)模型作為數(shù)據(jù)預(yù)測(cè)模型，用于對(duì)火災(zāi)圖像進(jìn)行檢測(cè)。

(2)火災(zāi)識(shí)別模塊。

在終端檢測(cè)主機(jī)樹莓派上部署Linux系統(tǒng)，使用Python在TensorFlow和Keras深度學(xué)習(xí)框架下，利用訓(xùn)練好的火災(zāi)檢測(cè)網(wǎng)絡(luò)模型對(duì)攝像頭采集到的隧道圖像進(jìn)行檢測(cè)?；馂?zāi)檢測(cè)識(shí)別流程如圖3(右圖)所示。首先將從攝像頭捕獲的圖像幀進(jìn)行直方圖均衡、去噪預(yù)處理，然后規(guī)整為128×128像素大小的圖像，輸入到火災(zāi)識(shí)別網(wǎng)絡(luò)模型中進(jìn)行預(yù)測(cè)識(shí)別，如果檢測(cè)到有火災(zāi)，則進(jìn)行報(bào)警處理，否則檢測(cè)下一幀輸入圖像。其中火災(zāi)預(yù)測(cè)識(shí)別部分由Intel網(wǎng)絡(luò)神經(jīng)棒NCS進(jìn)行推理運(yùn)算，其推理速度是使用CPU(沒有采用NCS)的8倍，大大提高了火災(zāi)識(shí)別速度，每秒可以檢測(cè)5幀圖像。在火災(zāi)中出現(xiàn)明顯煙霧和明火的情況下，該網(wǎng)絡(luò)模式識(shí)別火災(zāi)的正確率可以達(dá)到96%，加上實(shí)時(shí)性較好，能夠滿足現(xiàn)實(shí)隧道火災(zāi)的實(shí)時(shí)檢測(cè)要求。

(3)信息中心。

信息中心由Web信息服務(wù)器和通信服務(wù)器組成。Web信息服務(wù)器負(fù)責(zé)管理各個(gè)終端主機(jī)，收集和存儲(chǔ)各隧道的現(xiàn)場(chǎng)環(huán)境信息，包括溫濕度、火災(zāi)報(bào)警信息、火災(zāi)現(xiàn)場(chǎng)圖像。通信服務(wù)器負(fù)責(zé)向交警部門和消防部門撥打報(bào)警電話和發(fā)送火災(zāi)信息。當(dāng)有隧道火災(zāi)發(fā)生時(shí)，終端系統(tǒng)立即啟動(dòng)聲光報(bào)警器進(jìn)行現(xiàn)場(chǎng)報(bào)警，同時(shí)將隧道火災(zāi)信息推送到信息中心，信息中心將根據(jù)隧道的現(xiàn)場(chǎng)情況，通過電話和短信的方式將報(bào)警信息及時(shí)發(fā)送給交警部門和消防部門，使其迅速處理火情。

3 應(yīng)用效果分析

根據(jù)上述的系統(tǒng)設(shè)計(jì)方案，實(shí)現(xiàn)了系統(tǒng)的代碼編寫，并對(duì)系統(tǒng)進(jìn)行了測(cè)試。本測(cè)試使用的樹莓派Raspberry Pi 4B配置的是1.5 GHz四核處理器，搭配Intel公司的第二代神經(jīng)計(jì)算棒(NCS)。測(cè)試中使用的場(chǎng)景來源為網(wǎng)上收集的隧道靜態(tài)圖像和隧道監(jiān)控視頻，其中有火災(zāi)在起火前煙霧階段的場(chǎng)景和起火后明火階段的場(chǎng)景，并分別采用CPU檢測(cè)和NCS檢測(cè)，測(cè)試結(jié)果如表2所示。

表2 隧道火災(zāi)檢測(cè)結(jié)果

從測(cè)試結(jié)果來看，采用CPU進(jìn)行火災(zāi)檢測(cè)一幀圖像需要約1.7秒，而采用NCS進(jìn)行火災(zāi)推理檢測(cè)速度達(dá)到每秒5幀，每幀約0.2秒，是使用CPU檢測(cè)速度的8倍；而火災(zāi)識(shí)別的精度與使用的硬件無關(guān)，不管使用CPU還是NCS，因?yàn)槭褂玫氖窍嗤耐评砟Ｐ?，所以識(shí)別率也相同。在起火前的煙霧階段，識(shí)別率為94.8%，稍比明火階段識(shí)別率低，綜合識(shí)別率為96%。從檢測(cè)速度上看，基本上能即時(shí)識(shí)別出火災(zāi)的發(fā)生。系統(tǒng)結(jié)合煙霧傳感器檢測(cè)，可以進(jìn)一步提高火災(zāi)煙霧階段的識(shí)別率，降低誤報(bào)率。同時(shí)，終端系統(tǒng)通過通信模塊能夠迅速將火災(zāi)檢測(cè)結(jié)果和現(xiàn)場(chǎng)圖像上傳至信息中心并進(jìn)行報(bào)警，大大縮短了應(yīng)急響應(yīng)的時(shí)間，為及時(shí)火災(zāi)救援提供時(shí)間保障。圖4是測(cè)試中使用的部分圖像，測(cè)試結(jié)果直接在圖像上顯示。

4 結(jié)束語

針對(duì)公路隧道的火災(zāi)檢測(cè)問題，基于樹莓派和Intel神經(jīng)計(jì)算棒(NCS)的硬件平臺(tái)，該文設(shè)計(jì)了一個(gè)隧道火災(zāi)監(jiān)測(cè)報(bào)警系統(tǒng)。該系統(tǒng)采用高清夜視攝像頭采集隧道圖像，使用深度學(xué)習(xí)方法對(duì)采集的圖像進(jìn)行實(shí)時(shí)火災(zāi)識(shí)別。同時(shí)結(jié)合煙霧傳感器對(duì)隧道中實(shí)際氣體進(jìn)行檢測(cè)，提高火災(zāi)檢測(cè)的準(zhǔn)確性。該系統(tǒng)能夠在光線復(fù)雜的環(huán)境下盡快準(zhǔn)確地識(shí)別火災(zāi)的發(fā)生，并實(shí)現(xiàn)即時(shí)現(xiàn)場(chǎng)報(bào)警與遠(yuǎn)程報(bào)警。在公路隧道中應(yīng)用該系統(tǒng)，能夠在發(fā)生隧道火災(zāi)時(shí)盡可能避免人員傷亡，降低財(cái)產(chǎn)損失，具有極大的應(yīng)用價(jià)值。

該系統(tǒng)在火災(zāi)中后期階段的檢測(cè)效果雖然很好，但在火災(zāi)初期沒有明火且煙霧很少的情況下視頻檢測(cè)成功率不高，主要借助隧道中離火災(zāi)較近的煙霧傳感器進(jìn)行檢測(cè)；同時(shí)視頻圖像的檢測(cè)速度仍有提高的空間。在今后的工作中，將進(jìn)一步提高火災(zāi)最初階段的檢測(cè)精度，并提高視頻檢測(cè)速度，為火災(zāi)救援爭取更多的時(shí)間。