丁健生 邢偉霞 陳洪濤
摘 ?要:該文針對(duì)傳統(tǒng)火災(zāi)監(jiān)測(cè)系統(tǒng)適用場(chǎng)景單一、預(yù)警反應(yīng)較慢等缺點(diǎn),提出一種集成紅外、紫外、可見(jiàn)光等多模光學(xué)信號(hào)的火災(zāi)監(jiān)測(cè)技術(shù),實(shí)現(xiàn)對(duì)明火、高溫、煙霧等險(xiǎn)情的快速識(shí)別。在該基礎(chǔ)上設(shè)計(jì)一套完整的火災(zāi)監(jiān)測(cè)系統(tǒng),實(shí)現(xiàn)對(duì)火災(zāi)數(shù)據(jù)的監(jiān)測(cè)、存儲(chǔ)、報(bào)警,極大地豐富火災(zāi)監(jiān)測(cè)系統(tǒng)的適用場(chǎng)景,縮短系統(tǒng)響應(yīng)時(shí)間,提高系統(tǒng)的可靠性。
關(guān)鍵詞:火災(zāi)監(jiān)測(cè);機(jī)器視覺(jué);煙霧識(shí)別;多模光學(xué)信號(hào);系統(tǒng)設(shè)計(jì)
中圖分類號(hào):S776.29+2 ? ? ?文獻(xiàn)標(biāo)志碼:A ? ? ? ? ?文章編號(hào):2095-2945(2024)14-0104-04
Abstract: This paper in view of the shortcomings of traditional fire monitoring system, such as single scene and slow early warning response, a fire monitoring technology which integrates infrared, ultraviolet, visible light and other multimode optical signals is proposed to realize the rapid identification of open fire, high temperature, smoke and other dangerous situations. On this basis, a complete fire monitoring system is designed, which realizes the monitoring, storage and alarm of fire data, which greatly enriches the applicable scene of the fire monitoring system, shortens the response time of the system and improves the reliability of the system.
Keywords: fire monitoring; machine vision; smoke recognition; multimode optical signal; system design
火災(zāi)監(jiān)測(cè)系統(tǒng)是預(yù)防火災(zāi)、減少火災(zāi)損失的重要保障設(shè)施。識(shí)別火源并第一時(shí)間發(fā)出預(yù)警是火災(zāi)監(jiān)測(cè)系統(tǒng)的核心任務(wù)[1-2]。傳統(tǒng)火災(zāi)監(jiān)測(cè)系統(tǒng),多數(shù)基于對(duì)單一物理量的檢測(cè)原理,如光波、溫度、煙霧及特殊氣體[3-4]。其中針對(duì)光波的檢測(cè)以紫外探測(cè)器為主,其優(yōu)點(diǎn)在于探測(cè)距離遠(yuǎn)、準(zhǔn)確率高,缺點(diǎn)是僅適用于明火檢測(cè)。針對(duì)溫度的檢測(cè)以紅外探測(cè)器為主,適用于明火與暗火,缺點(diǎn)是對(duì)于本身就具有高溫源的場(chǎng)所,如冶煉車間等易產(chǎn)生誤報(bào)。針對(duì)煙霧及特殊氣體的檢測(cè)多為接觸式檢測(cè)技術(shù),其準(zhǔn)確率較高,但反應(yīng)速度較慢[5]。綜上,對(duì)單一物理量的檢測(cè)技術(shù)難以適用于不同的火災(zāi)監(jiān)測(cè)場(chǎng)景。
對(duì)此,本文提出一種基于紅外、紫外及可見(jiàn)光多模光學(xué)信號(hào)的火災(zāi)監(jiān)測(cè)技術(shù),除集成傳統(tǒng)的紫外、紅外檢測(cè)功能以外,增加利用可見(jiàn)光圖像實(shí)現(xiàn)煙霧檢測(cè)的功能,從而實(shí)現(xiàn)對(duì)明火、高溫及煙霧的全覆蓋檢測(cè)。在此基礎(chǔ)上實(shí)現(xiàn)了一套完整的火災(zāi)監(jiān)測(cè)系統(tǒng),極大地拓寬了系統(tǒng)的適用場(chǎng)景,增強(qiáng)了系統(tǒng)的可靠性及靈敏性。
1 ?系統(tǒng)硬件架構(gòu)
系統(tǒng)采用云、邊協(xié)同架構(gòu)設(shè)計(jì),由私有云及邊緣網(wǎng)關(guān)分工協(xié)作,共同組成火災(zāi)監(jiān)測(cè)系統(tǒng)。邊緣網(wǎng)關(guān)負(fù)責(zé)火災(zāi)監(jiān)測(cè)、報(bào)警、消防聯(lián)動(dòng)等基礎(chǔ)功能。云端負(fù)責(zé)人機(jī)交互、數(shù)據(jù)的長(zhǎng)期存儲(chǔ),以及向外網(wǎng)提供訪問(wèn)接口等功能。系統(tǒng)的硬件拓?fù)浣Y(jié)構(gòu)如圖1所示。
邊緣端硬件上由紅外探頭、紫外探頭、可見(jiàn)光攝像頭、報(bào)警器及控制電路組成,各探頭通過(guò)各自的通信接口與邊緣網(wǎng)關(guān)相連,完成原始數(shù)據(jù)采集。各邊緣網(wǎng)關(guān)再通過(guò)交換機(jī)與云端的監(jiān)控服務(wù)器相連,實(shí)現(xiàn)數(shù)據(jù)的上傳、匯總。監(jiān)控服務(wù)器與文件服務(wù)器及數(shù)據(jù)庫(kù)服務(wù)器通過(guò)云端的虛擬網(wǎng)絡(luò)進(jìn)行通信,共同構(gòu)成采集、存儲(chǔ)數(shù)據(jù)的內(nèi)網(wǎng)應(yīng)用系統(tǒng)。如果不考慮外網(wǎng)應(yīng)用,此內(nèi)網(wǎng)系統(tǒng)本身就可獨(dú)立運(yùn)行。但考慮到與上一級(jí)安防系統(tǒng)共享數(shù)據(jù),以及火警發(fā)生時(shí)主動(dòng)向手機(jī)發(fā)送報(bào)警信息等應(yīng)用場(chǎng)景,系統(tǒng)又通過(guò)私有云虛擬出短信服務(wù)器、Web服務(wù)器等應(yīng)用服務(wù)器,用于布署應(yīng)用程序(如短信報(bào)警、Web服務(wù)等),共同構(gòu)成一個(gè)開(kāi)放的數(shù)據(jù)共享環(huán)境。
由于采用私有云架構(gòu),對(duì)外數(shù)據(jù)共享這一部分功能可以根據(jù)實(shí)際需求自由裁切,只需要關(guān)閉對(duì)應(yīng)功能的服務(wù)器即可實(shí)現(xiàn)。
2 ?系統(tǒng)軟件架構(gòu)
2.1 ?云端軟件架構(gòu)
云端搭建于高性能服務(wù)器之上,采用私有云技術(shù),將服務(wù)器資源虛擬出設(shè)備監(jiān)控、數(shù)據(jù)存儲(chǔ)、文件存儲(chǔ)、Web服務(wù)和短信服務(wù)等虛擬主機(jī),在其上布署各類數(shù)據(jù)庫(kù)及服務(wù)器軟件,從而實(shí)現(xiàn)設(shè)備監(jiān)控、數(shù)據(jù)存儲(chǔ)及數(shù)據(jù)發(fā)布等服務(wù)端功能。整個(gè)云端的軟件架構(gòu)如圖2所示。
在整個(gè)架構(gòu)中,監(jiān)控系統(tǒng)的服務(wù)端程序MonitorServer是整個(gè)云端系統(tǒng)的核心組件,負(fù)責(zé)監(jiān)控系統(tǒng)中所有邊緣網(wǎng)關(guān)的運(yùn)行狀態(tài),接收各邊緣網(wǎng)關(guān)上傳的報(bào)警數(shù)據(jù),并向邊緣網(wǎng)關(guān)下發(fā)各種指令和參數(shù)。同時(shí)MonitorServer將接收的數(shù)據(jù)導(dǎo)入存儲(chǔ)系統(tǒng),并向人機(jī)交互系統(tǒng)、對(duì)外接口系統(tǒng)等擴(kuò)展子系統(tǒng)提供數(shù)據(jù)來(lái)源。
各邊緣網(wǎng)關(guān)與MonitorServer之間采用Client/Server架構(gòu)模式,邊緣網(wǎng)關(guān)作為客戶端, MonitorServer作為服務(wù)端。具體實(shí)現(xiàn)上,MonitorServer是采用C#語(yǔ)言開(kāi)發(fā)的一個(gè)TCP Server,其包括通信模塊、管理模塊、數(shù)據(jù)緩沖池3個(gè)部分。MonitorServer程序的架構(gòu)如圖3所示。
通信模塊直接與各邊緣網(wǎng)關(guān)通過(guò)TCP/IP協(xié)議通信,實(shí)現(xiàn)數(shù)據(jù)接收和指令下發(fā)。由于TCP通信會(huì)產(chǎn)生百毫秒級(jí)的時(shí)延,當(dāng)邊緣網(wǎng)關(guān)的數(shù)量較多時(shí),服務(wù)器如采用單線程輪詢的模式較為耗時(shí)。為此該模塊的設(shè)計(jì)采用多線程(MultiThread)并發(fā)模式,當(dāng)客戶端發(fā)起連接后,自動(dòng)為每一個(gè)客戶端創(chuàng)建一個(gè)獨(dú)立的讀寫線程,各線程之間互不干擾,宏觀上處于并行狀態(tài),從而提高系統(tǒng)的實(shí)時(shí)性。
管理模塊用于實(shí)現(xiàn)系統(tǒng)的初始化及參數(shù)設(shè)置。在數(shù)據(jù)庫(kù)中存儲(chǔ)有各個(gè)邊緣網(wǎng)關(guān)的配置信息,當(dāng)MonitorServer啟動(dòng)時(shí),管理模塊從數(shù)據(jù)庫(kù)中加載這些配置信息,通過(guò)通信模塊下發(fā)至邊緣網(wǎng)關(guān),從而實(shí)現(xiàn)對(duì)各網(wǎng)關(guān)的參數(shù)配置。
由于各應(yīng)用系統(tǒng)需要頻繁地獲取各網(wǎng)關(guān)的狀態(tài)數(shù)據(jù),如采用共享存儲(chǔ)系統(tǒng)的模式,會(huì)產(chǎn)生大量的磁盤IO操作,影響運(yùn)行效率。為提高數(shù)據(jù)讀寫速度,通信模塊會(huì)將各網(wǎng)關(guān)上傳的數(shù)據(jù)寫入一個(gè)公共數(shù)據(jù)緩沖池內(nèi),各應(yīng)用系統(tǒng)從緩沖池內(nèi)批量讀取數(shù)據(jù)。具體實(shí)現(xiàn)方式上,緩沖區(qū)采用SQL Server內(nèi)存數(shù)據(jù)庫(kù),通信模塊與其他應(yīng)用系統(tǒng)采用生產(chǎn)者/消費(fèi)者模式,由通信模塊生產(chǎn)數(shù)據(jù),應(yīng)用系統(tǒng)消費(fèi)數(shù)據(jù)。此外,管理模塊會(huì)定時(shí)將緩沖池內(nèi)的數(shù)據(jù),轉(zhuǎn)存入存儲(chǔ)系統(tǒng),實(shí)現(xiàn)數(shù)據(jù)的持久化。
除監(jiān)控系統(tǒng)外,云端還配有人機(jī)交互子系統(tǒng),數(shù)據(jù)存儲(chǔ)子系統(tǒng)及數(shù)據(jù)接口子系統(tǒng),限于篇幅,細(xì)節(jié)不在此贅述。
2.2 ?邊緣端軟件架構(gòu)
邊緣端搭載ARM 9嵌入式芯片,運(yùn)行嵌入式系統(tǒng),實(shí)現(xiàn)對(duì)各探頭數(shù)據(jù)的實(shí)時(shí)采集、處理及上傳。為防止因網(wǎng)絡(luò)通信意外中斷而導(dǎo)致報(bào)警失效,邊緣端在設(shè)計(jì)之初就具備獨(dú)立報(bào)警的功能。即使在沒(méi)有網(wǎng)絡(luò)通信的情況下,邊緣端檢測(cè)到火警后也會(huì)立刻啟動(dòng)內(nèi)置的報(bào)警器,并不斷嘗試向服務(wù)端發(fā)送報(bào)警信息,直至網(wǎng)絡(luò)通信恢復(fù)或由操作人員手工執(zhí)行復(fù)位操作。
為了在火災(zāi)發(fā)生時(shí),第一時(shí)間啟動(dòng)應(yīng)急措施,邊緣端包含8路DO及2路AO輸出端口,用于與水泵、風(fēng)機(jī)、防火卷簾門等第三方消防設(shè)施聯(lián)動(dòng)。輸出端口的輸出規(guī)則可由用戶通過(guò)云端預(yù)先設(shè)置。當(dāng)檢測(cè)到火警后,通過(guò)輸出端口自動(dòng)激活第三方消防設(shè)施,從而使系統(tǒng)不但具備火災(zāi)報(bào)警功能,同時(shí)具備一定的消防設(shè)施控制功能。
綜上,邊緣端的軟件系統(tǒng)架構(gòu)如圖4所示。
3 ?算法實(shí)現(xiàn)
隨著以深度學(xué)習(xí)技術(shù)為代表的機(jī)器學(xué)習(xí)算法飛速發(fā)展,其精度比傳統(tǒng)的圖像檢測(cè)算法有了極大的提高,從而使得通過(guò)可見(jiàn)光圖像實(shí)現(xiàn)煙霧檢測(cè)變?yōu)榭赡躘6]。本文采用深度學(xué)習(xí)的單階段目標(biāo)檢測(cè)算法,利用TensorFlow模型進(jìn)行深度學(xué)習(xí)訓(xùn)練,構(gòu)建了一個(gè)包含20層的神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖5所示。
各層的主要作用及參數(shù)設(shè)置如下。
第一層,卷積層:卷積核數(shù)量為64,大小為3×3,步長(zhǎng)為1。輸入圖像的尺寸為640×640,通道數(shù)為1。激活函數(shù)選擇Relu,卷積層深度為24。
第二層,BN層:用于將卷積之后的數(shù)據(jù)歸一化,提升網(wǎng)絡(luò)的收斂速度。
第三層、第四層重復(fù)上述過(guò)程,用于進(jìn)一步提取圖像特征。這樣做的目的是使用雙層小卷積核來(lái)代替單層大卷積核,在感受野相同的情況下,減少計(jì)算量。
第五層,最大池化層:池化核的尺寸為3×3,移動(dòng)步長(zhǎng)為3,這一層用于特征降維。
第六層至第十五層:交替設(shè)置卷積層與BN層,卷積核數(shù)量為128,大小3×3,步長(zhǎng)為1。
第十六層,最大池化層:池化核的尺寸為2×2,移動(dòng)步長(zhǎng)為2。
第十七層,平均池化層:進(jìn)一步對(duì)特征降維。
第十八層,全連接層:神經(jīng)元個(gè)數(shù)為1 280個(gè),激活函數(shù)為Relu。
第十九層,BN層:將全連接層歸一化。
第二十層,全連接輸出層:將上一層產(chǎn)生的1 280個(gè)特征輸入全連接層,輸出分類結(jié)果。
在TensorFlow框架下,應(yīng)用Python語(yǔ)言構(gòu)建上述神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵代碼如圖6所示。
4 ?試驗(yàn)測(cè)試
為保障識(shí)別的準(zhǔn)確率,本系統(tǒng)使用手動(dòng)實(shí)景采樣。分別在室內(nèi)、室外環(huán)境下,在白天、傍晚、夜間等時(shí)段,人工設(shè)置煙霧源,煙霧類型涵蓋黑煙與白煙,再利用定時(shí)攝像對(duì)不同濃度不同顏色的煙霧圖像拍照采樣,共計(jì)采集5 000張圖片。該數(shù)據(jù)集中包含大量不同距離、濃度及光照條件的樣本,各類樣本占比均勻,這樣有助于提高模型的魯棒性。對(duì)上述樣本進(jìn)行手工標(biāo)注后,隨機(jī)抽取3 000張作為訓(xùn)練集,1 000張作為驗(yàn)證集,剩余1 000張作為測(cè)試集。在此基礎(chǔ)上,為了增強(qiáng)模型的泛化能力,減少過(guò)擬合的風(fēng)險(xiǎn),本文使用數(shù)據(jù)增強(qiáng)技術(shù),對(duì)上述圖片進(jìn)行隨機(jī)縮放、裁剪、旋轉(zhuǎn)和顏色變化,將原數(shù)據(jù)集擴(kuò)充10倍。
由于深度學(xué)習(xí)模型要求訓(xùn)練圖片的分辨率必須一致,并且為了平衡訓(xùn)練速度與檢測(cè)精度,本文將數(shù)據(jù)增強(qiáng)前、后的所有樣本圖片均調(diào)整為640×640的大小,寬高比例不變。
在做好上述準(zhǔn)備工作之后,開(kāi)始訓(xùn)練模型。經(jīng)過(guò)100代訓(xùn)練后,使用測(cè)試集對(duì)模型進(jìn)行測(cè)試,測(cè)試結(jié)果的各項(xiàng)指標(biāo)見(jiàn)表1。
對(duì)完整測(cè)試集的準(zhǔn)確率達(dá)到95.5%。通過(guò)對(duì)檢測(cè)失敗的樣本分析發(fā)現(xiàn),大部分誤檢樣本均為使用樣本增強(qiáng)后的小面積煙霧樣本,剔除這些增強(qiáng)樣本后,模型對(duì)于原始測(cè)試集的準(zhǔn)確率為98.8%。這個(gè)精度再輔以紅外、紫外的數(shù)據(jù)相融合,可以使系統(tǒng)滿足使用要求。
5 ?結(jié)論
本文提出了一種基于紅外、紫外及可見(jiàn)光3種光源的火災(zāi)監(jiān)測(cè)技術(shù),應(yīng)用TensorFlow深度學(xué)習(xí)框架實(shí)現(xiàn)了基于可見(jiàn)光圖像的煙霧檢測(cè)算法,在此基礎(chǔ)上實(shí)現(xiàn)了一套完備的火災(zāi)監(jiān)測(cè)系統(tǒng)。該系統(tǒng)采用云、邊協(xié)同架構(gòu),通過(guò)云端服務(wù)器及邊緣網(wǎng)關(guān)設(shè)備,實(shí)現(xiàn)了對(duì)明火、暗火及煙霧的全覆蓋檢測(cè),極大地拓寬了系統(tǒng)的適用場(chǎng)景,增強(qiáng)了系統(tǒng)的可靠性及靈敏性。同時(shí),該系統(tǒng)的設(shè)計(jì)具有一定的通用性,對(duì)于其他類型的監(jiān)控系統(tǒng)設(shè)計(jì)也具有借鑒意義。
參考文獻(xiàn):
[1] 侯曉云,王書堂.基于NB-IoT的火災(zāi)監(jiān)測(cè)與預(yù)警系統(tǒng)設(shè)計(jì)[J].集成電路應(yīng)用,2023,40(9):383-385.
[2] 張科,葉影,張紅.基于邊緣計(jì)算的森林火災(zāi)監(jiān)測(cè)系統(tǒng)[J].大數(shù)據(jù),2019,5(2):79-88.
[3] 張專成,黃天錄,龐新法.多參量火警監(jiān)測(cè)器的軟判決與單片機(jī)實(shí)現(xiàn)[J].微計(jì)算機(jī)信息,2008(8):149-151.
[4] 荀磊.多傳感器融合的實(shí)驗(yàn)室火災(zāi)監(jiān)測(cè)控制系統(tǒng)設(shè)計(jì)[J].安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報(bào),2023,22(1):6-13.
[5] 王浩森.家用火災(zāi)監(jiān)測(cè)報(bào)警信號(hào)處理系統(tǒng)的研制[D].成都:電子科技大學(xué),2023.
[6] TAO H, DUAN Q, LU M, et al. Learning discriminative feature representation with pixel-level supervision for forest smoke recognition [J]. Pattern Recognition, 2023, 143:5.