實(shí)驗(yàn)室機(jī)器人火災(zāi)風(fēng)險智能視覺預(yù)警研究

徐建明，徐達(dá)明

（1.仲愷農(nóng)業(yè)工程學(xué)院實(shí)驗(yàn)室，廣東 廣州 510225；2.廣東工業(yè)大學(xué)信息工程學(xué)院，廣東 廣州 510090）

1 引言

實(shí)驗(yàn)室是存放實(shí)驗(yàn)器材的重要場所，同時還是密封空間，內(nèi)部存放了大量的可燃性物品。如果發(fā)生火災(zāi)，會產(chǎn)生不可估量的損失[1?2]。目前實(shí)驗(yàn)室火災(zāi)風(fēng)險預(yù)警存在探測范圍較小和自動化水平較低等方面的問題。實(shí)驗(yàn)室自帶的供電系統(tǒng)和網(wǎng)絡(luò)一旦被破壞就無法進(jìn)行監(jiān)控報警，為了確保實(shí)驗(yàn)室中物品和工作人員的安全，及時發(fā)現(xiàn)火災(zāi)風(fēng)險，將火災(zāi)消滅在初始階段，研究火災(zāi)風(fēng)險智能視覺預(yù)警具有十分重要的意義。國內(nèi)相關(guān)專家給出了一些較好的研究成果，例如，文獻(xiàn)[3]分別從不同角度出發(fā)，分析影響電力電纜風(fēng)險的主要因素，構(gòu)建火災(zāi)風(fēng)險預(yù)警信號評價模型，通過評價結(jié)果完成火災(zāi)風(fēng)險預(yù)警。文獻(xiàn)[4]優(yōu)先計(jì)算不同類型火災(zāi)發(fā)生的概率，同時將其設(shè)定為網(wǎng)絡(luò)輸出，使用量子粒子群算法對BP網(wǎng)絡(luò)訓(xùn)練過程中形成的權(quán)值和閾值分別進(jìn)行優(yōu)化處理，全面提升全局搜索能力，更好完成火災(zāi)預(yù)警。在以上方法的基礎(chǔ)上，重點(diǎn)針對機(jī)器人對實(shí)驗(yàn)室內(nèi)的火災(zāi)風(fēng)險進(jìn)行預(yù)警分析，提出一種實(shí)驗(yàn)室機(jī)器人火災(zāi)風(fēng)險智能視覺預(yù)警方法。經(jīng)仿真分析測試證明，所提方法能夠有效提升預(yù)警能力，同時還能夠加快報警速度，更好預(yù)防火災(zāi)的發(fā)生。

2 方法

2.1 實(shí)驗(yàn)室圖像火災(zāi)風(fēng)險特征提取

通過機(jī)器人自帶攝像頭采集實(shí)驗(yàn)室火災(zāi)風(fēng)險圖像，在進(jìn)行邊緣檢測前期，需要優(yōu)先對采集到的圖像進(jìn)行Gabor變換。以下詳細(xì)給出Gabor變換[5?6]的具體操作步驟：

Gabor濾波器屬于窄帶帶通濾波器，不僅要滿足人眼特征需求，同時還需要將取值偏高的敏感度刪除，確保機(jī)器人對圖像的處理量得到有效降低。同時，通過機(jī)器人能夠獲取實(shí)驗(yàn)室各個方位的圖像，借助Gabor濾波器可以得到對應(yīng)的邊緣信息。以下將采用Gabor濾波器對實(shí)驗(yàn)室圖像進(jìn)行多方位采樣，同時設(shè)定Ga?bor核函數(shù)表示為式（1）的形式：

當(dāng)對機(jī)器人采集到的實(shí)驗(yàn)室火災(zāi)圖像進(jìn)行Gabor小波調(diào)制后，能夠獲取實(shí)驗(yàn)室在不同方位和角度的采樣，有效提升特征提取結(jié)果的準(zhǔn)確性。然后對采樣結(jié)果進(jìn)行Gabor變換，獲取對應(yīng)的Gabor小波系數(shù)；最終，采用Sobel算法對圖像進(jìn)行邊緣檢測，有效確保檢測結(jié)果的準(zhǔn)確性。由于Gabor濾波器在正常應(yīng)用中，檢測圖像的邊緣時會出現(xiàn)多個方向一致的特征點(diǎn)［7?8］。為了有效解決上述問題，需要對其進(jìn)行改進(jìn)，經(jīng)過改進(jìn)后的邊緣檢測流程能夠表示的形式，如圖1所示。

圖1 實(shí)驗(yàn)室火災(zāi)風(fēng)險圖像邊緣檢測流程圖Fig.1 Flow Chart of Edge Detection of Laboratory Fire Risk Images

（1）使用Gabor變換小波函數(shù)對圖像進(jìn)行平滑濾波處理，有效濾除噪聲。

（2）計(jì)算Gabor小波系數(shù)對應(yīng)的幅值和相位，進(jìn)而確定兩者的取值范圍。其中，二維Gabor虛部濾波器的虛部，如式（2）所示：

式中：sin(kj，x)—特定方向的正弦平面波；—采樣頻率。

（3）設(shè)定Gabor變換小波系數(shù)對應(yīng)幅值的最大值取值范圍，對其進(jìn)行分塊和插值取值，獲取經(jīng)過處理后的圖像S(i，j)。

（4）設(shè)定實(shí)驗(yàn)室火災(zāi)圖像表示為S(i，j)，利用Sobel算子增強(qiáng)火災(zāi)圖像邊緣檢測結(jié)果，得到圖像N(i，j)。將S(i，j)和N(i，j)兩者融合，即可獲取最終的邊緣檢測圖像。

當(dāng)使用Sobel邊緣檢測算法提取完實(shí)驗(yàn)室火災(zāi)風(fēng)險的邊緣特征后，再使用Hough算法提取實(shí)驗(yàn)室火災(zāi)風(fēng)險圖像的直線特征，具體的操作步驟如下：

（1）將參數(shù)空間進(jìn)行量化處理，形成m×n個單元，同時設(shè)定累加器矩陣Qm×n。

（2）將參數(shù)空間對應(yīng)的單元分別放置一個累積器，同時將其取值設(shè)定為0。

（3）選取二維空間指標(biāo)坐標(biāo)系中的點(diǎn)(xi，yi)代入對應(yīng)的公式中，經(jīng)過量化處理計(jì)算ρ。

（4）對坐標(biāo)系中的全部坐標(biāo)進(jìn)行遍歷，同時將得到累加器取值一一進(jìn)行檢驗(yàn)，最終得到映射參數(shù)。

在上述分析的基礎(chǔ)上，獲取Hough算法的實(shí)驗(yàn)室圖像的邊緣直線特征：

（1）優(yōu)先對實(shí)驗(yàn)室火災(zāi)風(fēng)險圖像進(jìn)行二值化處理，有效降低圖像參與運(yùn)算的點(diǎn)數(shù)，進(jìn)而獲取圖像K。

（2）結(jié)合直線的主方向特征，獲取圖像K的主機(jī)元，同時對其進(jìn)行分類。

（3）在相同的類內(nèi)，優(yōu)先提取圖像的主基元，同時對其進(jìn)行計(jì)算，獲取對應(yīng)的屬性信息。

（4）結(jié)合直線主基元的位置特征，在設(shè)定范圍內(nèi)進(jìn)行掃描，有效提取主基元的鄰近主基元。

（5）結(jié)合以上步驟，設(shè)定世界坐標(biāo)系中的中心坐標(biāo)，同時結(jié)合分類角度設(shè)定對應(yīng)的約束條件和角度變換范圍。

（6）在以上操作步驟的基礎(chǔ)上，對全部像素點(diǎn)進(jìn)行Hough變換運(yùn)算，獲取實(shí)驗(yàn)室火災(zāi)風(fēng)險圖像的邊緣直線特征。

將實(shí)驗(yàn)室火災(zāi)風(fēng)險圖像邊緣特征和直線特征兩者進(jìn)行融合，進(jìn)而得到實(shí)驗(yàn)室圖像火災(zāi)風(fēng)險特征。

2.2 實(shí)驗(yàn)室機(jī)器人火災(zāi)風(fēng)險智能視覺預(yù)警

實(shí)驗(yàn)室機(jī)器人火災(zāi)風(fēng)險智能視覺預(yù)警的目的就是利用機(jī)器人中自帶的單目相機(jī)獲取目標(biāo)物圖像，進(jìn)而確定對應(yīng)的位姿信息[9?10]。

由于實(shí)驗(yàn)室的環(huán)境是比較復(fù)雜的，同時對多個圖像同時進(jìn)行定位的過程中，信息量會比較大，處理速度較慢等問題，選取兩幅圖像進(jìn)行定位研究，機(jī)器人單目視覺定位的具體操作流程圖，如圖2所示。

圖2 機(jī)器人單目視覺定位流程圖Fig.2 Flow Chart of Robot Monocular Vision Positioning

通過機(jī)器人對目標(biāo)中的三維信息和二維信息關(guān)聯(lián)性進(jìn)行分析，同時利用機(jī)器人自帶相機(jī)構(gòu)建搜索模型，即小孔成像模型。

物空間點(diǎn)P的相機(jī)坐標(biāo)平面和像平面坐標(biāo)兩者之間的直接關(guān)系能夠表示為：

式中：(X，Y，Z)—世界坐標(biāo)內(nèi)的坐標(biāo)；(x，y，c)—圖像的像素點(diǎn)坐標(biāo)。

將式（3）中的非齊次坐標(biāo)進(jìn)行轉(zhuǎn)換，獲取如式（4）所示的齊次坐標(biāo)：

通過機(jī)器人能夠獲取實(shí)驗(yàn)室火災(zāi)圖像，得到對應(yīng)的坐標(biāo)系(u0，v0)和(x，y)，分析兩個坐標(biāo)之間的關(guān)聯(lián)性，得到世界坐標(biāo)系和圖像坐標(biāo)系之間的關(guān)聯(lián)，進(jìn)而獲取相機(jī)矩陣。當(dāng)?shù)玫较鄼C(jī)矩陣后，可以利用機(jī)器人單目視覺對實(shí)驗(yàn)室空間內(nèi)的目標(biāo)進(jìn)行標(biāo)定［11］。

為了簡化計(jì)算過程，當(dāng)建立好機(jī)器人相機(jī)坐標(biāo)系后，需要通過相機(jī)矩陣K獲取世界坐標(biāo)系，具體的表達(dá)形式如下：

相機(jī)的投影矩陣可以劃分為C1和C2，具體的表達(dá)形式如下所示：

在計(jì)算機(jī)器人內(nèi)置相機(jī)中的參數(shù)時，需要優(yōu)先對相機(jī)基礎(chǔ)矩陣進(jìn)行計(jì)算，通過計(jì)算獲取圖像在空間內(nèi)的投影信息，得到圖像的主要特征信息；同時還能夠識別圖像中的異常點(diǎn)，利用匹配點(diǎn)能夠更好完成兩個特征點(diǎn)的投影，進(jìn)而確保定位結(jié)果的準(zhǔn)確性得到有效提升。

將獲取的特征值檢測結(jié)果應(yīng)用于圖像特征匹配中，這樣能夠獲取完整的圖像細(xì)節(jié)信息，同時還能夠加快圖像匹配速度。當(dāng)獲取滿意的特征點(diǎn)后即可進(jìn)行匹配，進(jìn)而能夠獲取圖像的基礎(chǔ)矩陣，同時給出基礎(chǔ)矩陣的相關(guān)約束條件。在得到實(shí)驗(yàn)室火災(zāi)風(fēng)險特點(diǎn)的基礎(chǔ)上，計(jì)算圖像的基礎(chǔ)矩陣和本質(zhì)矩陣，則有：

式中：2P、1P—已經(jīng)完成圖像匹配的特征點(diǎn)；F—實(shí)驗(yàn)室圖像對應(yīng)的基礎(chǔ)矩陣。

基礎(chǔ)矩陣的計(jì)算需要滿足如下條件：最少含有7對以上的匹配特征點(diǎn)。在實(shí)際進(jìn)行計(jì)算的過程中，為了獲取更加精準(zhǔn)的計(jì)算結(jié)果，需要獲取更多的特征點(diǎn)，將錯誤匹配的概率降至最低。同時，選取隨機(jī)采樣一致性算法對基礎(chǔ)矩陣進(jìn)行計(jì)算，同時借助單目視覺的針孔模型計(jì)算火災(zāi)風(fēng)險發(fā)生的位置，最終完成室機(jī)器人火災(zāi)風(fēng)險智能視覺預(yù)警。

3 仿真分析

為了驗(yàn)證所提實(shí)驗(yàn)室機(jī)器人火災(zāi)風(fēng)險智能視覺預(yù)警方法的有效性，選取K城市隨機(jī)一個高校實(shí)驗(yàn)室作為測試對象，進(jìn)行測試分析。

以下仿真分析測試將實(shí)驗(yàn)室火災(zāi)風(fēng)險報警提前時間設(shè)定為測試指標(biāo)，給出詳細(xì)的仿真分析對比結(jié)果，如表1所示。

表1 不同方法的實(shí)驗(yàn)室火災(zāi)風(fēng)險報警提前時間對比結(jié)果Tab.1 Comparison Results of Laboratory Fire Risk Alarm Advance Time of Different Methods

分析表1中的仿真分析數(shù)據(jù)可知，使用所提方法進(jìn)行實(shí)驗(yàn)室火災(zāi)風(fēng)險預(yù)警時，所提方法能夠以更快的速度發(fā)出警報，而另外兩種方法的時間比較長。由此可見，所提方法能夠有效提升火災(zāi)風(fēng)險預(yù)警效率。

在實(shí)驗(yàn)室存在火災(zāi)風(fēng)險的情況下，優(yōu)先對所提方法的預(yù)警能力進(jìn)行分析，分析使用所提方法前后的實(shí)驗(yàn)室的火災(zāi)預(yù)警能力，具體仿真分析結(jié)果，如圖3所示。

圖3 實(shí)驗(yàn)室火災(zāi)風(fēng)險預(yù)警能力分析Fig.3 Analysis of Laboratory Fire Risk Early Warning Capabilities

分析圖3中的仿真分析數(shù)據(jù)可知，在使用所提方法后，當(dāng)火災(zāi)概率接近40%，實(shí)驗(yàn)室就會發(fā)出警報，實(shí)驗(yàn)室工作人員在收到警報后會及時制定防護(hù)措施。而未使用所提方法前，實(shí)驗(yàn)室的火災(zāi)概率接近70%才會發(fā)出警報。由此可見，所提方法具有較高的火災(zāi)風(fēng)險預(yù)警能力。為了更進(jìn)一步驗(yàn)證所提方法的優(yōu)越性，仿真分析選取預(yù)警誤差率、召回率和F1 值作為測試指標(biāo)進(jìn)行測試。其中，預(yù)警誤差率是通過預(yù)警得到的量值降低參考量值；召回率和F1值主要用來評估預(yù)警結(jié)果的質(zhì)量，取值越高，說明預(yù)警結(jié)果越準(zhǔn)確。三種方法的預(yù)警性能分析結(jié)果，如圖4所示。

圖4 不同方法的預(yù)警能力對比結(jié)果Fig.4 Comparison Results of Early Warning Capabilities of Different Methods

分析圖4中的仿真分析數(shù)據(jù)可知，相比文獻(xiàn)[3]方法和文獻(xiàn)[4]方法，所提方法的預(yù)警能力明顯更好一些。主要是因?yàn)樗岱椒▽?shí)驗(yàn)室圖像火災(zāi)風(fēng)險特征進(jìn)行了提取，為后續(xù)的實(shí)驗(yàn)室機(jī)器人火災(zāi)風(fēng)險智能視覺預(yù)警奠定堅(jiān)實(shí)的基礎(chǔ)，同時也說明所提方法能夠獲取比較滿意的預(yù)警結(jié)果。

4 結(jié)束語

針對已有方法存在報警延緩以及預(yù)警結(jié)果不準(zhǔn)確等問題，提出一種實(shí)驗(yàn)室機(jī)器人火災(zāi)風(fēng)險智能視覺預(yù)警方法。研究表明：

（1）所提方法能夠有效縮短火災(zāi)報警時間，全面加強(qiáng)報警速度，促使工作人員能夠及時給出對應(yīng)的防護(hù)措施。

（2）所提方法還能夠有效提升預(yù)警結(jié)果的準(zhǔn)確性，及時發(fā)現(xiàn)實(shí)驗(yàn)室火災(zāi)風(fēng)險，避免重大事故的發(fā)生。