大跨度大空間場所火災圖像深度學習樣本采集及分類

摘要：針對大跨度大空間場所火災探測的復雜性與傳統(tǒng)方法的局限性，分析了大跨度大空間場所火災中火焰、煙霧和干擾源圖像特征變化機理和辨識要素，構建適用于大范圍場景、超高清晰度圖像的深度學習分類模型，通過開展大跨度大空間實體火災試驗，采集火焰、煙霧和干擾圖像數(shù)據，采用多場景、多參數(shù)控制的采集策略，涵蓋不同燃燒物、探測距離及背景環(huán)境，累計獲取有效樣本15000余張，結合以往標準實驗室試驗數(shù)據和國內外同領域學者公開的數(shù)據，建立火災和干擾圖像樣本庫并進行分類，為大跨度大空間火災智能探測提供重要數(shù)據支撐。

關鍵詞：大跨度大空間；火災圖像；深度學習；樣本采集

中圖分類號：D631.6" " " 文獻標識碼：A" " " "文章編號：2096-1227（2025）03-0106-04

大跨度大空間場所因大跨度、高挑空，環(huán)境復雜，傳統(tǒng)點型感煙/感溫火災探測器存在誤報率較高的問題[1-2]?；谝曨l的圖像火災探測技術通過分析火災的動態(tài)特征，成為解決大跨度大空間火災早期預警的重要方向。但現(xiàn)有研究存在樣本多樣性不足、小目標檢測困難等問題，公開樣本庫分類粗糙，未區(qū)分燃燒物類型、煙霧顏色及場景干擾因素，導致模型泛化能力受限[3]；大跨度大空間場所火災早期火焰或煙霧像素占比小，傳統(tǒng)算法難以有效提取特征[4]。本研究通過系統(tǒng)采集多場景、多干擾條件下的火災圖像，構建精細化分類樣本庫，為深度學習模型提供高質量訓練數(shù)據，以解決大跨度大空間火災探測的誤報與漏報難題[5]。

1 大跨度大空間試驗圖像樣本采集

1.1" 火焰圖像

在大跨度大空間進行了多組標準火實驗，采集不同的火焰圖像共計3000張，包括不同規(guī)格的燃燒火盤。在放置試驗燃燒盤前端5m和25m處分別放置兩臺網絡攝像機進行圖像采集，保證試驗燃燒盤處于攝像頭的視場范圍內，點燃燃燒液開始采集。根據GB15631—2008《特種火災探測器》中一級、二級防火標準的燃燒盤尺寸規(guī)格，見表1，作為本次標準火試驗火盤。

按照距離燃燒盤5m處二級防火要求，分別采用0.020m×0.020m和0.030m×0.030m的燃燒盤，深度大于0.02m，試驗燃料采用煤油與汽油混合液的燃燒火焰，混合比為10：1，采集的標準火試驗圖像樣本，共計1000張。

按照距離燃燒盤25m處一級防火要求，分別采用0.030m×0.030m、0.040m×0.040m、0.060m×0.060m和0.090m×0.090m的燃燒盤，深度大于0.02m，試驗燃料分別采用煤油與汽油混合液的燃燒火焰，混合比為10：1，采集的標準火試驗圖像樣本，共計1000張。

為保證火焰圖像樣本的多樣性，分別在大跨度大空間和實驗室進行了點火試驗，采用了不同大小的燃燒盤0.020m×0.020m和0.550m×0.550m，燃燒物選取了煤油與汽油混合液的燃燒火焰混合比為（10：1），共計1500張，見圖1。

為基于區(qū)域生成網絡的火災圖像小目標區(qū)域快速定位及檢測算法提供訓練樣本[6]，采集了多組小目標火焰，包括蠟燭燃燒火焰和手持點火器火焰，共計5000張。同時，為區(qū)分與火焰顏色相似的物體，蠟燭和手持點火器選擇紅色和橙色，作為干擾物。在實驗室試驗過程中，蠟燭和手持點火器的點火位置與攝像頭距離為0.5～6.0m之間，不同距離導致不同大小的火焰圖像，使小目標火焰樣本更具多樣性，從而為模型訓練提取樣本提供更豐富的圖像特征信息。采集的火焰樣本圖像見圖2。

1.2" 煙霧圖像

為了實現(xiàn)煙火復合的深度學習圖像火災探測算法[7]，需要采集大量的煙霧圖像樣本，該類樣本圖像較為特殊，由于燃燒物的種類和用量不同，可產生不同程度的白煙和黑煙。因此，開展了棉繩（40、90根）、山毛櫸、發(fā)煙器、試驗火SH-4正庚烷火四種類別的發(fā)煙物體進行煙霧圖像的采集工作。

棉繩選用的是潔凈且干燥的，將40根、90根長度為0.80m的棉繩固定在直徑為0.10cm的金屬圓環(huán)上，并在支架上進行懸掛。

在大跨度大空間環(huán)境中，對棉繩進行點火試驗，在棉繩下端開始點火，保持棉繩處于陰燃狀態(tài)，使其連續(xù)發(fā)煙，當所有棉繩均被點燃后開始圖像采集。采集的煙霧樣本圖像如圖3所示。

項目組開展了山毛櫸陰燃火白煙圖像樣本采集工作，采用了10根75mm×25mm×20mm的山毛櫸木塊。在大跨度大空間環(huán)境中進行山毛櫸的發(fā)煙試驗，將加熱盤通電，使加熱盤的溫度在11min內上升至600℃后保持穩(wěn)定，使山毛櫸處于陰燃狀態(tài)，保持木塊連續(xù)發(fā)煙，當所有木塊均勻發(fā)煙后開始圖像采集。為了獲取更多白煙的特征，項目組在大跨度大空間采用發(fā)煙器設備發(fā)煙，分別從距離、煙霧濃度、有無風向干擾以及有無遮擋等不同程度進行多種形態(tài)的煙霧圖像樣本采集。由于煙霧的形態(tài)飄忽不定，且顏色呈白色、半透狀態(tài)，煙霧后方背景的顏色會影響白煙圖像特征的提取，因此，分別在灰白色和灰黑色背景下進行白煙煙霧圖像采集。下面是采集的煙霧圖像樣本，見圖4。

2 干擾圖像樣本采集

干擾圖像樣本作為模型訓練的負樣本極為重要，是影響模型識別準確率、降低誤報警的決定性因素。因此，對于干擾樣本的采集不但要事先選取可能影響模型判斷的干擾源，還需在應用場景下采集特定的干擾源圖像[8]。主要有3種環(huán)境光源對圖像火災探測器造成影響和干擾，分別是照明光源、裝飾光源和自然光源。

庫區(qū)、車間和隧道等室內外大跨度大空間場所使用的人工光源主要是以照明為主的工業(yè)照明光源。工業(yè)照明光源主要有金屬鹵化物燈、氣體放電燈和LED照明光源。大型商超、會所展館和舞臺廣場等一些室內外大跨度大空間場所，為了營造氣氛、烘托效果，常用很多裝飾性光源進行布置。主要包括霓虹燈、金屬鹵化物射燈、LED彩燈，以及多用于舞臺的花燈、旋轉燈和頻閃燈。由于裝飾性光源色彩鮮明、有動有靜，尤其是舞臺燈具還具有或快或慢的閃爍等特性，當其直射在或者照在某些物體再反射到圖像型火災探測器上時，在亮度、顏色和頻率等特性很接近真實火焰，容易引起誤報，干擾情況見圖5。

3 火災樣本分類

火災由于其成因、燃燒材質、所處階段等因素的不同，其特征表現(xiàn)具有多樣性，然而目前許多公開樣本庫并沒有注意到其中的差異，對樣本的分類處理顯得較為粗糙，甚至只包含火焰或煙霧中的一種類別。大多數(shù)樣本集都存在將不同燃燒材質、不同煙霧顏色以及火災在不同時期的樣本混為一談的問題，無法實現(xiàn)有效的火災機理特征的研究，導致火災圖像識別模型訓練的準確性較低，也造成了大量樣本資源的浪費。針對火災樣本的分類研究，需要廣泛收集各類火災樣本資料，深入探索火災分類理論，依托深度學習技術構建自動化火災分類網絡模型，實現(xiàn)樣本的高效分類。

依據GB/Z24979—2010《點型感煙/感溫火災探測器性能評價》、GB15631—2008《特種火災探測器》和GB4715—2024《點型感煙火災探測器》中關于火災煙霧類型和實驗方法的規(guī)定，搭建基于深度學習的圖像火災樣本庫。針對機場航站樓和體育場館等大跨度大空間場所，采用此類場景預期發(fā)生火災的燃料，在大跨度大空間實驗室、戶外走廊及200m遠距離場所進行樣本采集。根據燃燒物的種類特征對樣本進行了分類，具體分類見圖6。

其中，機場航站樓內會放置休息座椅、書架、商品柜等物品，還可能存在紙箱等可燃物；體育館包含塑膠場地和觀眾席座椅等可燃物品。這些可燃物品根據火災燃燒特性和煙霧顏色，將火焰按照固體和液體燃料的特性進行分類，可分為棉繩明火、木材明火、聚氨酯泡沫燃燒火焰、新聞紙燃燒火焰、煤油與汽油混合液燃燒火焰、正庚烷燃燒火焰和乙醇明火，并根據國標中標準火采集方式進行樣本采集。煙霧則根據燃燒物產生的顏色進行分類，分為可產生黑煙的聚氨酯泡沫燃燒煙霧、十氫化萘燃燒煙霧、正庚烷燃燒煙霧，以及可產生白煙的棉繩陰燃、木材陰燃和發(fā)煙器產生的煙霧，并按照燃燒背景的顏色進行匹配分類，分為黑煙灰背景、白煙白背景、白煙灰背景和黑煙白背景。干擾源根據火焰和煙霧的圖像特性，分為環(huán)境光干擾（如陽光、照明燈、霓虹燈等）、鏡面光反射、橙紅色火焰狀干擾物以及類似煙霧的水蒸氣干擾。

4 實驗

本次實驗在Windows10系統(tǒng)下進行，GPU為GeForce

GTX1080，CPU為Intel（R）Core（TM）i7-3960X，32G內存，模型使用YOLOv5框架。數(shù)據集分別選用比爾肯大學數(shù)據集、啟明大學數(shù)據集、袁飛牛課題組數(shù)據集以及本研究的15000條數(shù)據集，性能對比見表2。利用這些數(shù)據集對YOLOv5模型進行訓練，對1000張大跨度大空間火災圖像進行測試。結果表明，本研究建立的數(shù)據集表現(xiàn)良好，該模型對小型火焰的識別與定位有著很高的準確性，有助于在火災早期進行探測報警。

5 結束語

本文對大跨度大空間場所火災圖像開展深度學習樣本采集及分類研究，構建了精細化分類體系，為智能火災探測提供了數(shù)據基準。未來將結合多光譜成像技術，進一步擴展樣本庫的維度，提升模型在極端場景下的適應能力。

參考文獻

[1]徐偉，丁松令，吳孚輝，等.原料儲運大空間環(huán)境下的早期火災快速識別算法研究[J].今日消防，2021，6（8）：105-108.

[2]方江平，萬峰，傅琪，等.淺析機器視覺在消防技術中的應用[J].今日消防，2020，5（4）：24-26.

[3]賈一鳴，張長春，胡春鶴，等.基于少樣本學習的森林火災煙霧檢測方法[J].北京林業(yè)大學學報，2023，45（9）：137-146.

[4]李海，熊升華.小樣本火災圖像色彩關聯(lián)的模糊隸屬度識別方法[J].火災科學（中英文），2024，33（2）：83-94.

[5]李璞，張苗，楊漪.大型火災圖像數(shù)據集的設計及建立[J].消防科學與技術，2022，41（10）：1430-1434+1476.

[6]張苗，李璞，楊漪，等.基于目標檢測卷積神經網絡的圖像型火災探測算法[J].消防科學與技術，2022，41（6）：807-811.

[7]李曉旭，李泊寧，張曦，等.基于CA-Res注意力機制的YOLOv5圖像火災檢測算法[J].消防科學與技術，2023，42（8）：1113-1116.

[8]丁維奇，李姍姍，張娜娜，等.基于3D卷積神經網絡的視頻火災檢測[J].信息技術，2021（9）：116-120.