高層火災(zāi)智能報警及逃生指導(dǎo)系統(tǒng)

畢曉君，孫梓瑋，劉進(jìn)

（1.中央民族大學(xué) 信息工程學(xué)院，北京 100081;2.哈爾濱工程大學(xué) 信息與通信工程學(xué)院，黑龍江 哈爾濱 150001）

隨著城市建設(shè)的高速發(fā)展以及基建能力的提升，高層建筑越來越多。由于建設(shè)規(guī)模大、裝修標(biāo)準(zhǔn)高、人員密集以及各種電氣設(shè)備的頻繁使用，因此高層建筑往往存在著較大的火災(zāi)隱患。近年來，我國高層建筑火災(zāi)呈逐年上升趨勢，造成的人員傷亡和經(jīng)濟(jì)損失觸目驚心，僅2019 年高樓層建筑火災(zāi)6874 起，共死亡1335 人。經(jīng)分析，高層建筑造成人員傷亡的主要原因是由于樓層過高、人員分散且相對封閉，使現(xiàn)場人員無法第一時間獲得火災(zāi)發(fā)生信息，特別是火災(zāi)發(fā)生的地點，從而造成逃生決策失誤，錯過了寶貴的逃生時機。因此，如何利用高新科技有效解決高層建筑火災(zāi)定點報警及逃生智能指導(dǎo)的研究迫在眉睫。

目前現(xiàn)有的火災(zāi)自動報警系統(tǒng)主要存在以下問題[1-5]：1）無法及時通知現(xiàn)場人員火災(zāi)發(fā)生的具體地點，容易錯失最佳逃生時機及造成逃生錯誤等問題；2）部署報警系統(tǒng)時需要穿墻布線，無法做到靈活部署，對于老舊小區(qū)、古建筑等場景情況無法應(yīng)用；3）當(dāng)火災(zāi)發(fā)生時，只能實現(xiàn)警笛報警，沒有具體可行的逃生指導(dǎo)方案；4）當(dāng)救援工作展開時，由于對建筑內(nèi)火情及人群情況不清楚而導(dǎo)致救援指揮延誤。而目前國內(nèi)外針對火災(zāi)處理的研究重點為消防用水系統(tǒng)，消防排煙系統(tǒng)，應(yīng)急照明及多探測器消防聯(lián)動控制等火災(zāi)處理方面，而火災(zāi)定位報警，智能引導(dǎo)人群逃生及逃生通道的人群密度監(jiān)控等方面尚無研究。

針對上述問題，本文基于人工智能技術(shù)的發(fā)展，特別是具有無線傳輸能力的智能芯片問世，結(jié)合火災(zāi)實際需求提出了可行的研究方法。所設(shè)計的報警系統(tǒng)能夠?qū)崿F(xiàn)一旦發(fā)生火情，第一時間對建筑內(nèi)所有區(qū)域進(jìn)行定位報警，并及時語音播報各區(qū)域的最佳逃生路線。同時開發(fā)基于深度學(xué)習(xí)的行人檢測算法以掌握建筑內(nèi)各區(qū)域的人群密度狀態(tài)，能夠隨時指導(dǎo)現(xiàn)場人員選擇最佳的具體逃生路線。經(jīng)查閱火災(zāi)報警相關(guān)文獻(xiàn)和資料，目前國內(nèi)外尚無類似功能的火災(zāi)語音報警系統(tǒng)，本系統(tǒng)的研究具有創(chuàng)新性和實用性，可為火災(zāi)現(xiàn)場人員贏得寶貴的逃生時間，給出最佳的逃生路線，提高逃生效率。

1 系統(tǒng)整體方案設(shè)計

本文通過TXW8301-WiFi 模塊實現(xiàn)系統(tǒng)組網(wǎng)，并結(jié)合煙霧火災(zāi)探測器和WT588D 語音單片機構(gòu)成節(jié)點設(shè)備，實時自動監(jiān)測各樓層不同區(qū)域的煙霧濃度狀態(tài)，當(dāng)檢測到某處煙霧濃度過高時，表明有火災(zāi)發(fā)生，立即激活建筑內(nèi)所有節(jié)點設(shè)備組網(wǎng)，根據(jù)預(yù)存逃生路線及火災(zāi)發(fā)生情況自動語音播報火災(zāi)的具體地點以及逃生路線，并能夠?qū)⒚繉訕遣煌瑓^(qū)域的實時狀態(tài)通過無線網(wǎng)發(fā)送至上位機，上位機將收到的數(shù)據(jù)以界面動畫的形式進(jìn)行顯示。同時現(xiàn)場可編程邏輯門陣列(field programmable gate array,FPGA)開發(fā)板通過串口控制上位機樹莓派端進(jìn)行各逃生通道的圖像數(shù)據(jù)采集，將采集的圖像數(shù)據(jù)通過網(wǎng)口發(fā)送至部署有E902-CPU 的FPGA 端，通過運行其部署的中值濾波算法[6]、同態(tài)濾波算法[7-10]進(jìn)行圖像去噪、去煙及補光處理。在樹莓派中部署基于人工智能的行人檢測算法[11-14]對視頻的人數(shù)進(jìn)行監(jiān)測，當(dāng)超過一定的人數(shù)閾值后，界面上就會發(fā)出警報，并重新規(guī)劃各樓層不同區(qū)域的逃生路線。同時，將建筑內(nèi)火災(zāi)報警情況以及人群密度情況在上位機界面進(jìn)行顯示，方便消防及管理部門了解內(nèi)部情況，進(jìn)行智能救援指揮，最大限度地降低火災(zāi)中的人員傷亡。

本系統(tǒng)由硬件設(shè)備和算法軟件兩部分組成。硬件設(shè)備包括TXW8301-WiFi 模塊、JTY-GDDG311 激光煙霧火災(zāi)探測器、WT588D 語音單片機組成的節(jié)點設(shè)備以及系統(tǒng)上位機端。算法軟件包括基于中值濾波的圖像去噪算法、基于同態(tài)濾波的去煙補光算法以及基于深度學(xué)習(xí)的實時行人檢測算法，還有數(shù)據(jù)傳輸模塊以及系統(tǒng)上位機界面。圖1 給出了系統(tǒng)整體工作流程。

圖1 系統(tǒng)整體工作流程Fig.1 Overall work flow of the system

2 系統(tǒng)硬件設(shè)計

整個系統(tǒng)硬件包括節(jié)點設(shè)備和系統(tǒng)上位機端兩大部分，其中節(jié)點設(shè)備用于樓層火災(zāi)檢測，主要由TXW8301-WiFi 模塊、JTY-GD-DG311 激光煙霧火災(zāi)探測器以及WT588D 語音單片機組成，平時系統(tǒng)處于休眠狀態(tài)的，無需電源。當(dāng)火災(zāi)發(fā)生時，通過火災(zāi)檢測信號自動啟動電源，激活各個節(jié)點開始工作?？紤]到火災(zāi)時容易出現(xiàn)斷電現(xiàn)象，因此搭配移動電源使用非傳統(tǒng)的插座式電源，可以滿足系統(tǒng)連續(xù)工作12 個小時。在日常使用中，系統(tǒng)會定時激活所有節(jié)點，進(jìn)行設(shè)備及電池自檢，保證系統(tǒng)始終處于能夠正常工作的狀態(tài)。可實現(xiàn)實時監(jiān)測樓層火災(zāi)、實現(xiàn)系統(tǒng)組網(wǎng)、語音播報以及將監(jiān)測數(shù)據(jù)發(fā)送至上位機。系統(tǒng)上位機端主要由樹莓派主控和FPGA 硬件加速端組成，主要功能是將獲取的火災(zāi)數(shù)據(jù)、圖像數(shù)據(jù)進(jìn)行處理并顯示。本系統(tǒng)的硬件架構(gòu)圖如圖2 所示。

圖2 硬件設(shè)計關(guān)系圖Fig.2 Hardware design relationship diagram

2.1 TXW8301-WiFi 通信模塊

在設(shè)計WiFi 通信模塊時，將集成有玄鐵E803-CPU 內(nèi)核的TXW-8301-WiFi 模塊配置為STA 網(wǎng)絡(luò)模式，通過GPIO 的高低電平即火災(zāi)探測器繼電器的輸出信號來判斷光電感煙器是否檢測到有火災(zāi)發(fā)生，當(dāng)某處檢測到有火災(zāi)發(fā)生后，WiFi 模塊通過GPIO 接口驅(qū)動WT588D 語音模塊進(jìn)行語音播報，同時基于socket 網(wǎng)絡(luò)通信協(xié)議將火災(zāi)信息發(fā)送到上位機AP 端。

該WiFi 模塊工作在730～950 MHz 頻段，相較于2.4 GHz 和5 GHz 頻率的其他WiFi 設(shè)備，在擁有在相同發(fā)射功率的情況下具有傳輸距離遠(yuǎn)，穿透性強的優(yōu)點，最遠(yuǎn)傳輸距離可達(dá)到3 km，非常適用于高樓層之間的無線信息傳輸。同時預(yù)留豐富的接口可用于開發(fā)，本系統(tǒng)對該模塊的使用情況如表1 所示。

表1 TXW8301-WiFi 接口使用情況Table 1 TXW8301-WiFi interface usage

2.2 語音播報模塊

語音播報模塊由WT588D 語音芯片及外掛16M-Flash 存儲芯片組成，將事先錄制好的不同區(qū)域的逃生路線語音通過專用Flash 燒寫器寫入Flash 芯片，一旦某處被檢測到有火災(zāi)發(fā)生時，立即通過TXW8301 模塊的GPIO 接口模擬三線SPI 協(xié)議驅(qū)動WT588D 語音播報不同區(qū)域的逃生路線，同時外接功放來提升語音信號輸出功率。

2.3 系統(tǒng)上位機樹莓派主控端

上位機主控端由端使用樹莓派4B，通過掛載TXW83-01-WiFi 模塊的驅(qū)動使用AH 接口控制WiFi 模塊，通過Linux 指令集配置主控端WiFi 模塊為AP 網(wǎng)絡(luò)模式，并將工作頻段和密匙配置成和STA 端相同，實現(xiàn)主控端與節(jié)點設(shè)備的WiFi組網(wǎng)，具體配置參數(shù)如表2 所示。

表2 WiFi 模塊參數(shù)配置Table 2 Wi-Fi module parameter configuration

通過QT 軟件制作了火災(zāi)報警系統(tǒng)界面充分利用樹莓派的優(yōu)勢，將各子節(jié)點設(shè)備傳輸?shù)臄?shù)據(jù)以界面動畫形式進(jìn)行展示，可以更清晰的在上位機樹莓派端實時反映各樓層的設(shè)備及火災(zāi)發(fā)生情況。同時，在各樓層的逃生通道處置有攝像頭，一旦檢測到有火災(zāi)發(fā)生，將各攝像頭采集的圖像數(shù)據(jù)發(fā)送至上位機端進(jìn)行處理，通過基于深度學(xué)習(xí)的行人檢測算法，獲得各通道的人群密度情況，并在上位機端界面進(jìn)行展示。可實時監(jiān)控逃生通道的人流量，以及時優(yōu)化各區(qū)域逃生路線及消防部門的救援指揮工作。

2.4 FPGA 開發(fā)版

基于Wujian100 軟核的Nexys Video FPGA 將采集的圖像數(shù)據(jù)通過中值濾波算法、同態(tài)濾波算法進(jìn)行處理[15-17]，減少圖像噪點，提升圖像的清晰度，提升在暗光環(huán)境下的圖像質(zhì)量，處理后的圖像數(shù)據(jù)再發(fā)送至樹莓派端。搭建FPGA 圖像處理硬件系統(tǒng)框圖如圖3 所示。系統(tǒng)的硬件加速設(shè)計模塊以移植有Wujian100 軟核移植的Nexys Video FPGA 開發(fā)板為核心，通過構(gòu)建圖像處理系統(tǒng)的Block Design 將其例化到頂層。Wujian100 軟核外設(shè)拓展總線均為AHB 接口，首先添加AHB 轉(zhuǎn)AXI總線橋適配軟核接口，分別通過AXI Ethernet Subsystem 和AXI Direct Memory Access 兩個IP 核實現(xiàn)以太網(wǎng)外設(shè)GEMAC 和DMA 的功能，將圖像數(shù)據(jù)傳入FPGA。然后對圖像數(shù)據(jù)應(yīng)用中值濾波和同態(tài)濾波算法，最后將處理后的圖像數(shù)據(jù)通過DMA 緩存至DDR3。

圖3 圖像處理硬件系統(tǒng)框圖Fig.3 Block diagram of the image processing hardware system

2.4.1 Wujian100 軟核

Wujian100 軟核是一種嵌入式CPU 核，以8 位CPU 的成本獲得32 位嵌入式CPU 的運行效率與性能。該軟核兼容RISC-V 指令架構(gòu)，采用16/32 位混合編碼系統(tǒng)，指令系統(tǒng)與流水線硬件結(jié)構(gòu)精簡高效，具備極低成本、極低功耗和高代碼密度等優(yōu)點。

2.4.2 以太網(wǎng)口高速數(shù)據(jù)傳輸設(shè)計

本硬件系統(tǒng)在FPGA 中搭建AXI Ethernet Subsystem 及AXI Direct Memory Access IP 核用來驅(qū)動以太網(wǎng)端口。其均通過AHB 總線轉(zhuǎn)AXI 總線橋和軟核連接，軟核通過AHB 總線對其進(jìn)行配置和控制。其中AXI Ethernet Subsystem IP 核通過RGM Ⅱ接口與RTL8211 芯片連接，其Block Design 設(shè)計如圖4 所示。

圖4 以太網(wǎng)端口驅(qū)動IP Fig.4 Ethernet port driver IP

3 系統(tǒng)軟件設(shè)計

3.1 中值濾波算法設(shè)計

在火災(zāi)煙霧環(huán)境下采集的圖像，不可避免的會產(chǎn)生噪聲，嚴(yán)重影響行人密度檢測的檢測效果，本系統(tǒng)使用中值濾波算法[18-20]對煙霧圖像進(jìn)行去噪操作。能夠有效平滑圖像內(nèi)噪聲，保護(hù)圖像邊緣細(xì)節(jié)不被模糊。其基本原理是以各像素點作為中心點，將該像素及其濾波尺寸內(nèi)的相鄰像素作為濾波模板，計算出該模板內(nèi)所有像素點灰度值的中值，作為增強后圖像對應(yīng)中心點的灰度值，可消除孤立的噪點，從而讓圖像中的像素值更平滑達(dá)到去除噪聲的效果，且具有硬件易實現(xiàn)的優(yōu)點。因此本文采用中值濾波算法去除噪聲，提高后續(xù)行人密度檢測精度。其偽代碼如下所示。

輸入圖像X尺寸為m×n，濾波核尺寸為r

輸出中值濾波處理后的圖像Y

1) fori=rtom-rdo

2) forj=rton-rdo

3) 以該點為中心根據(jù)濾波核尺寸劃定矩陣，Y(i,j)=劃定矩陣中值

4) end

5) end

為此，在FPGA 中構(gòu)建基于AXI 總線的中值濾波IP 核如圖5 所示，以太網(wǎng)接收的圖像數(shù)據(jù)流通過S00_AXIS 接口進(jìn)入IP 核應(yīng)用中值濾波算法，輸出32 位處理后的流數(shù)據(jù)。

圖5 AXI 總線中值濾波IP 核Fig.5 AXI bus median filter IP core

3.2 同態(tài)濾波算法

在光線比較暗的煙霧環(huán)境下，視頻圖像會出現(xiàn)白色煙霧和低對比度的問題。為了解決光度補償問題，恢復(fù)圖像顏色、紋理等細(xì)節(jié)，使其更適合進(jìn)行行人檢測任務(wù)，本系統(tǒng)采用同態(tài)濾波算法[21-23]，能夠在頻域中同時進(jìn)行對比度增強和壓縮圖像動態(tài)范圍的濾波。根據(jù)光照反射模型，圖像可用式(1)描述：

把圖像f(x,y) 由看作光照分量L(x,y)和反射分量R(x,y)的乘積，其中光照分量在空間內(nèi)變化非常緩慢，對應(yīng)圖像頻域的低頻段；反射分量反映的是圖像的細(xì)節(jié)邊緣特性，對應(yīng)圖像頻域的高頻段。因此在減少光照分量的同時增加反射分量，能夠有效地消除圖像光照不均的影響，實現(xiàn)圖像灰度范圍的調(diào)整。具體算法過程如圖6 及式(2)～(7)所示。

圖6 同態(tài)濾波算法IP 核Fig.6 IP core of homomorphic filtering algorithm

式中：Rh代 表高頻加權(quán)系數(shù)；Rl代表低頻加權(quán)系數(shù)，D(u,v)代 表頻率 (u,v) 距離濾波器中心的距離；D0代表u0和v0為0 時D(u,v)的值，代表截止頻率。

為此，在FPGA 中構(gòu)建基于AXI 總線數(shù)據(jù)流的同態(tài)濾波算法IP 核如圖7 所示。中值濾波IP核輸出的32 位數(shù)據(jù)由fin_data 輸入到同態(tài)濾波IP 核中進(jìn)行圖像對比度增強，同態(tài)濾波IP 核輸出的視頻流數(shù)據(jù)通過DMA 進(jìn)行DDR3 緩存。

圖7 同態(tài)濾波處理流程Fig.7 Homomorphic filtering processing flow

3.3 行人檢測算法

行人檢測算法采用RFBNet 模型[9]，該模型采用輕量級特征提取網(wǎng)絡(luò)，并且采用one-stage檢測策略。其特點是輕量級，網(wǎng)絡(luò)結(jié)構(gòu)簡單，參數(shù)量較少，運行速度快，適合部署到邊緣設(shè)備中，例如樹莓派等微型電腦中。并且能夠保證檢測的實時性以及較高的檢測準(zhǔn)確率。RFBNet 模型[9]原用于多目標(biāo)檢測，本文將模型用PASCAL VOC2007 行人數(shù)據(jù)集進(jìn)行重新訓(xùn)練，專用于行人檢測。

RFBNet 采用改進(jìn)的輕量級VGG16 神經(jīng)網(wǎng)絡(luò)用于特征提取，并通過在檢測頭增加RFB 模塊，實現(xiàn)了可在多特征層同時檢測的功能。其中每層都可預(yù)測4（box）+1（class_num）數(shù)量的結(jié)果，將檢測結(jié)果進(jìn)行整合操作，輸出最終的檢測結(jié)果。RFBNet 整體網(wǎng)絡(luò)結(jié)構(gòu)如圖8 所示。

圖8 RFBNet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 RFBNet network structure

RFBNet[9]檢測模型為達(dá)到在基于輕量級特征提取網(wǎng)絡(luò)的前提下，達(dá)到速度及精度的平衡的目的，設(shè)計了借鑒人類視覺的RFB 模塊，該模塊是一種多分支的結(jié)構(gòu)，其主要包括常規(guī)卷積及膨脹卷積兩部分。這種精心設(shè)計的RFB 模塊通過結(jié)合不同的卷積分支、卷積尺寸、擴張卷積結(jié)構(gòu)來模擬人類視覺系統(tǒng)中的感受野結(jié)構(gòu)，在參數(shù)量相近的情況下擴大感受野，以解決圖像中檢測目標(biāo)大小尺寸不一難以檢測的問題。這種多尺度的思想十分有利于提高檢測性能,其檢測效果遠(yuǎn)超同級別的輕量級網(wǎng)絡(luò)，甚至可以超過部分參數(shù)量巨大的深層網(wǎng)絡(luò)。在該檢測模型中共設(shè)計兩種不同的RFB (receptive fields block)結(jié)構(gòu)分別為RFB 和RFB-s，可以從不同深度的特征層進(jìn)行檢測。進(jìn)一步提高檢測效果。具體結(jié)構(gòu)如圖9 所示。

圖9 RFB 及RFB-s 結(jié)構(gòu)Fig.9 RFB and RFB-s structure

4 系統(tǒng)測試與分析

4.1 中值濾波算法仿真分析

測試時使用的測試數(shù)據(jù)為分別為{99,138,30}、{138,30,69}、{30,69,108}根據(jù)中值濾波算法可求得中值為70，具體內(nèi)容如圖10 紅色標(biāo)記部分。圖中紅色圈所指示，模塊輸出的中值是69，與仿真實驗計算結(jié)果相同，中值濾波IP 核時序正確，完成算法設(shè)計功能。

圖10 中值濾波算法仿真圖Fig.10 Simulation diagram of median filtering algorithm

4.2 同態(tài)濾波算法

同態(tài)濾波的處理效果取決于濾波函數(shù)的選擇及參數(shù)的設(shè)定，恰當(dāng)?shù)臄?shù)據(jù)設(shè)定能夠在壓縮削弱光照分量的同時增強提升反射分量，增強圖像的對比度，本系統(tǒng)經(jīng)反復(fù)實驗確定濾波函數(shù)采用高斯高通濾波函數(shù)，式(7)中參數(shù)設(shè)置為Rh=2.5，Rl=0.6，D0=6。圖像經(jīng)算法測試后的對比結(jié)果圖如圖11 所示。

圖11 同態(tài)濾波算法測試結(jié)果Fig.11 Test results of homomorphic filtering algorithm

從圖11 中可以看出應(yīng)用該算法IP 后能夠明顯提升圖片中物體的整體亮度，恢復(fù)圖片中物體的顏色、紋理、輪廓等細(xì)節(jié)。以便后續(xù)行人檢測算法能夠準(zhǔn)確檢測人流量。

4.3 行人檢測算法

本算法從PASCAL VOC2007 數(shù)據(jù)集中單獨挑選出包含行人的圖片及標(biāo)注，作為數(shù)據(jù)集并進(jìn)行訓(xùn)練。由于深度神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)要求較高，數(shù)據(jù)集規(guī)模越大，包含的目標(biāo)樣本越豐富，模型的泛化能力及魯棒性越強。所以本文在訓(xùn)練時對輸入的圖像進(jìn)行了數(shù)據(jù)擴增操作，通過隨機裁剪、水平翻轉(zhuǎn)、區(qū)域隨機采樣等操作增加了訓(xùn)練數(shù)據(jù)。在訓(xùn)練時模型參數(shù)設(shè)置如下：epoch 為200，batch size 為24，圖像的輸入尺寸為320，IoU 閾值為0.5。學(xué)習(xí)率為0.01，迭代次數(shù)為200，使用SGD 優(yōu)化器。

本文使用通用的P-R 曲線圖繪制檢測結(jié)果圖，即Recall 值為0，0.1，…，1.0 情況下的Precision 值，其中Rcall 為召回率即查全率，Precesion 為準(zhǔn)確率。通過設(shè)置不同的置信度閾值來得到P-R 曲線圖。實驗結(jié)果如圖12 所示。

圖12 P-R 曲線圖Fig.12 P-R curve diagram

從圖中可以觀察到，P-R 曲線呈遞減趨勢，PR 曲線下的面積即為檢測的AP 值，具體公式為

式中：Rj為上述提到的閾值（0，0.1，…，1.0）對應(yīng)得到的所有回歸率，j=0,1,…,10。P(rj+1)為（rj+1）對應(yīng)的準(zhǔn)確率。P、R公式為

式中：TP 為正確檢測出來的數(shù)量，F(xiàn)P 是檢測錯誤的數(shù)量，F(xiàn)N 是未檢測出的數(shù)量。

在目標(biāo)檢測領(lǐng)域中使用mAP 作為評測標(biāo)準(zhǔn)，代表各類目標(biāo)AP 值的平均值。由于在行人檢測任務(wù)中只有行人一類目標(biāo)，所以AP 值與mAP 值相等，在PASCAL VOC2007 val[23]驗證集中計算得mAP 值為87.02%。準(zhǔn)確率完全滿足行人檢測任務(wù)在系統(tǒng)中的實際應(yīng)用需求。原模型用于目標(biāo)檢測，我們根據(jù)所篩選的行人數(shù)據(jù)集進(jìn)行訓(xùn)練及測試，對模型進(jìn)行了應(yīng)用創(chuàng)新，達(dá)到了預(yù)期要求。

在實驗測試中，我們對光線暗、行人被部分遮擋、行人密集、行人抖動模糊等各種特殊情況進(jìn)行了測試，最終得到的檢測結(jié)果如圖13 所示。在各種極端惡劣的條件下檢測效果依然較好，這說明模型的泛化能力較強。

圖13 行人檢測極端情況測試圖Fig.13 Pedestrian detection extreme case test chart

5 結(jié)束語

本文實現(xiàn)了高層建筑火災(zāi)智能報警及逃生指導(dǎo)系統(tǒng)的設(shè)計與搭建工作，通過多個TXW8301 WiFi 模塊實現(xiàn)各樓層節(jié)點模塊組網(wǎng)，一旦建筑內(nèi)某一區(qū)域發(fā)生火情，激光煙霧火災(zāi)探測器發(fā)出信號立即激活建筑內(nèi)布控的所有終端節(jié)點，各樓層自動啟動WT588D 語音單片機語音播報具體的火災(zāi)地點以及逃生路線，智能引導(dǎo)各區(qū)域人群逃生。同時，通過FPGA 開發(fā)板對煙霧監(jiān)控視頻進(jìn)行去煙補光、去噪處理，并基于深度學(xué)習(xí)算法對各逃生通道進(jìn)行行人密度檢測，系統(tǒng)界面實時顯示火災(zāi)報警情況及安全通道的人群密度等監(jiān)測情況，方便進(jìn)行智能救援指揮，可最大限度地降低火災(zāi)中的人員傷亡。