基于深度學(xué)習(xí)的視頻監(jiān)控火情智能識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

摘要：基于深度學(xué)習(xí)的視頻監(jiān)控火情智能識(shí)別系統(tǒng)設(shè)計(jì)研究中，采用VGG16網(wǎng)絡(luò)架構(gòu)提取火焰特征，引入注意力機(jī)制增強(qiáng)特征表達(dá)能力，構(gòu)建了支持矢量機(jī)分類(lèi)器進(jìn)行火情判別。研究設(shè)計(jì)了數(shù)據(jù)采集、預(yù)處理、特征提取、火情判別和預(yù)警生成等功能模塊，實(shí)現(xiàn)了火情的自動(dòng)檢測(cè)與預(yù)警。實(shí)驗(yàn)結(jié)果顯示，該系統(tǒng)在不同場(chǎng)景下的平均檢測(cè)準(zhǔn)確率達(dá)97.8%，響應(yīng)時(shí)間2.1s，誤報(bào)率和漏報(bào)率分別為1.3%和0.7%，性能顯著優(yōu)于傳統(tǒng)方法。

關(guān)鍵詞：深度學(xué)習(xí)；火情識(shí)別；視頻監(jiān)控

隨著信息技術(shù)對(duì)消防產(chǎn)業(yè)的深度賦能以及消防產(chǎn)業(yè)的數(shù)字化轉(zhuǎn)型，基于計(jì)算機(jī)視覺(jué)的火災(zāi)智能監(jiān)測(cè)技術(shù)成為當(dāng)下研究的核心方向[1]。傳統(tǒng)感煙探測(cè)器在實(shí)際應(yīng)用中常出現(xiàn)誤判且響應(yīng)延遲等問(wèn)題，其技術(shù)局限難以滿(mǎn)足現(xiàn)代消防安全體系建設(shè)需求。本研究著眼于機(jī)器視覺(jué)技術(shù)在火災(zāi)預(yù)防領(lǐng)域的創(chuàng)新應(yīng)用，搭建了多模態(tài)火災(zāi)特征分析系統(tǒng)。該系統(tǒng)可實(shí)時(shí)解析視頻流數(shù)據(jù)，實(shí)現(xiàn)對(duì)早期火情特征的精確辨識(shí)以及風(fēng)險(xiǎn)預(yù)警的快速響應(yīng)，有效提高火災(zāi)防控的主動(dòng)性與處置效率，對(duì)完善公共安全防護(hù)體系、減少火災(zāi)事故帶來(lái)的社會(huì)經(jīng)濟(jì)損失具有重要的實(shí)踐意義。

1 深度學(xué)習(xí)在火災(zāi)檢測(cè)中的研究進(jìn)展

深度學(xué)習(xí)在火災(zāi)檢測(cè)領(lǐng)域發(fā)展迅速。早期多運(yùn)用支持矢量機(jī)（SVM）等傳統(tǒng)機(jī)器學(xué)習(xí)方法，不過(guò)其存在特征表達(dá)能力不足的問(wèn)題。當(dāng)下，卷積神經(jīng)網(wǎng)絡(luò)（CNN）依靠出色的特征提取與分類(lèi)能力成為主流。部分研究者基于經(jīng)典CNN架構(gòu)（如VGG、ResNet），借助引入注意力機(jī)制、多尺度特征融合等方式提升檢測(cè)性能。例如，王化魯[2]構(gòu)建了一種雙流網(wǎng)絡(luò)框架，分別對(duì)可見(jiàn)光和紅外圖像進(jìn)行處理，在低照度環(huán)境下召回率達(dá)到93%以上。由于實(shí)際火災(zāi)場(chǎng)景多樣，研究者構(gòu)建了包含不同環(huán)境（如室內(nèi)、森林、車(chē)輛等）的大規(guī)?；馂?zāi)數(shù)據(jù)集，用以訓(xùn)練和評(píng)估檢測(cè)模型。這些數(shù)據(jù)集往往有數(shù)萬(wàn)張圖像樣本，且按一定比例劃分成訓(xùn)練集、驗(yàn)證集和測(cè)試集，確保模型的泛化能力。在模型訓(xùn)練時(shí)，通常運(yùn)用隨機(jī)梯度下降等優(yōu)化算法，同時(shí)設(shè)定適宜的超參數(shù)（如學(xué)習(xí)率、批量大小、正則化系數(shù)等）來(lái)加快收斂速度并避免過(guò)擬合。除靜態(tài)圖像檢測(cè)外，研究者也在探索視頻分析技術(shù)，利用連續(xù)幀間的時(shí)序信息識(shí)別火情，準(zhǔn)確率可達(dá)98%以上。

2 基于深度學(xué)習(xí)的視頻監(jiān)控火情智能識(shí)別系統(tǒng)設(shè)計(jì)

2.1" 系統(tǒng)架構(gòu)設(shè)計(jì)

本文提出的火情智能識(shí)別系統(tǒng)采用模塊化設(shè)計(jì)，主要包括五個(gè)功能模塊，系統(tǒng)架構(gòu)見(jiàn)圖1。

數(shù)據(jù)采集模塊負(fù)責(zé)從視頻監(jiān)控設(shè)備獲取原始視頻流，傳輸至服務(wù)器。然后，數(shù)據(jù)預(yù)處理模塊對(duì)視頻幀進(jìn)行抽取、尺寸歸一化、數(shù)據(jù)增強(qiáng)等操作，輸出符合深度學(xué)習(xí)模型輸入要求的圖像數(shù)據(jù)。接下來(lái)，深度學(xué)習(xí)模型訓(xùn)練模塊利用預(yù)處理后的樣本數(shù)據(jù)，采用VGG16等CNN架構(gòu)進(jìn)行特征提取和分類(lèi)器訓(xùn)練，并使用交叉驗(yàn)證等方法優(yōu)化模型性能，最終得到訓(xùn)練完成的火情識(shí)別模型。在應(yīng)用階段，火情識(shí)別模塊實(shí)時(shí)分析輸入的監(jiān)控視頻，通過(guò)前向傳播計(jì)算每一幀的火焰概率，并結(jié)合時(shí)序信息進(jìn)行火情判定。當(dāng)連續(xù)3幀及以上被識(shí)別為火情時(shí)，報(bào)警模塊即向監(jiān)控中心發(fā)送預(yù)警信息，同時(shí)觸發(fā)聲光報(bào)警裝置。系統(tǒng)各模塊相互協(xié)作，實(shí)現(xiàn)從數(shù)據(jù)采集到火情報(bào)警的全流程自動(dòng)化處理。

2.2" 系統(tǒng)功能實(shí)現(xiàn)流程

2.2.1" 構(gòu)建視頻數(shù)據(jù)預(yù)處理流程

本系統(tǒng)采集的原始視頻數(shù)據(jù)可能存在分辨率不一、幀率不穩(wěn)定、畫(huà)面抖動(dòng)模糊等問(wèn)題，因此，需要進(jìn)行一系列預(yù)處理操作。首先，按照25幀/s的采樣率提取視頻關(guān)鍵幀，在保證時(shí)序信息完整性的同時(shí)減小數(shù)據(jù)量。將提取的幀圖像統(tǒng)一縮放至224×224像素，以適配后續(xù)CNN模型的輸入尺寸要求[3]。其次，考慮到實(shí)際應(yīng)用場(chǎng)景的多樣性，系統(tǒng)還引入了數(shù)據(jù)增強(qiáng)策略，對(duì)圖像進(jìn)行隨機(jī)水平翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)±15°以及亮度調(diào)整等變換，擴(kuò)充訓(xùn)練樣本的多樣性，提升模型的魯棒性。最后，為加速模型收斂，將圖像RGB通道像素值歸一化至[0，1]區(qū)間。

完成上述預(yù)處理步驟后，系統(tǒng)將視頻數(shù)據(jù)轉(zhuǎn)化為一組統(tǒng)一尺寸、像素值歸一化的幀圖像序列，為后續(xù)的特征提取計(jì)算做好準(zhǔn)備。

2.2.2" 執(zhí)行火焰特征提取計(jì)算

經(jīng)過(guò)預(yù)處理的幀圖像將被送入特征提取模塊，通過(guò)深度CNN自動(dòng)學(xué)習(xí)火情相關(guān)的高層語(yǔ)義特征。本系統(tǒng)選用VGG16作為基礎(chǔ)特征提取網(wǎng)絡(luò)，該網(wǎng)絡(luò)由13個(gè)卷積層和3個(gè)全連接層組成，具有良好的特征表達(dá)能力[4]。為充分利用不同卷積層的特征信息，系統(tǒng)在VGG16的第3、8、15卷積層后分別接入注意力機(jī)制模塊，通過(guò)學(xué)習(xí)每個(gè)通道的重要性權(quán)重，自適應(yīng)調(diào)整特征圖，突出火焰區(qū)域的顯著性特征。

在提取多尺度特征后，系統(tǒng)采用特征金字塔網(wǎng)絡(luò)（FPN）對(duì)不同層級(jí)的特征圖進(jìn)行融合，綜合利用低層次的紋理信息和高層次的語(yǔ)義信息。FPN通過(guò)自頂向下的上采樣與橫向連接，逐步將高層語(yǔ)義特征傳遞至低層，實(shí)現(xiàn)特征的跨尺度融合。將融合后的特征圖通過(guò)全局平均池化操作壓縮為512維的特征矢量，作為圖像的最終特征表示。

經(jīng)過(guò)上述特征提取計(jì)算，系統(tǒng)能夠得到視頻幀圖像具有高度語(yǔ)義化且能用于火情判別分析的深層特征，為后續(xù)的火情識(shí)別判別提供堅(jiān)實(shí)的數(shù)據(jù)支撐。基于這些圖像特征，系統(tǒng)會(huì)進(jìn)一步搭建火情分類(lèi)模型，以實(shí)現(xiàn)對(duì)火焰區(qū)域的精確位置確定以及火情程度的實(shí)時(shí)評(píng)估[5]。

2.2.3" 實(shí)現(xiàn)火情判別評(píng)估

在獲取圖像的高層語(yǔ)義特征后，系統(tǒng)需進(jìn)一步判斷是否存在火情以及評(píng)估火情嚴(yán)重程度。本系統(tǒng)運(yùn)用SVM作為火情分類(lèi)模型，把提取的512維特征矢量輸入SVM中進(jìn)行二分類(lèi)預(yù)測(cè)。SVM通過(guò)尋找最優(yōu)分離超平面，將特征空間劃分為火情和非火情兩個(gè)區(qū)域，同時(shí)最大化類(lèi)間間隔，具備良好的泛化性能。

在應(yīng)用階段，系統(tǒng)把每一幀的特征矢量輸入訓(xùn)練好的SVM模型中，得到該幀的火情概率Pfire。若Pfire＞θ，則判定當(dāng)前幀存在火情，其中θ為預(yù)設(shè)的判別閾值，一般取值在0.5～0.8之間，具體需根據(jù)實(shí)際應(yīng)用場(chǎng)景調(diào)整。為提升識(shí)別的可靠性，系統(tǒng)規(guī)定連續(xù)3幀及以上均檢測(cè)為火情時(shí)，才觸發(fā)報(bào)警機(jī)制，以防因光照變化等因素導(dǎo)致誤報(bào)。

借助上述火情判別評(píng)估流程，系統(tǒng)可快速且準(zhǔn)確地識(shí)別視頻監(jiān)控畫(huà)面中的火災(zāi)隱患，為后續(xù)報(bào)警處理提供決策依據(jù)。確定火情后，系統(tǒng)將自動(dòng)向監(jiān)控中心發(fā)送預(yù)警信息，并觸發(fā)聲光報(bào)警裝置，提醒相關(guān)人員及時(shí)處置，最大程度降低火災(zāi)損失。

2.2.4" 生成火情預(yù)警信息

當(dāng)系統(tǒng)連續(xù)檢測(cè)到多幀畫(huà)面出現(xiàn)火情時(shí)，報(bào)警模塊會(huì)自動(dòng)創(chuàng)建并發(fā)送預(yù)警信息，促使相關(guān)人員盡快采取應(yīng)對(duì)措施，以防患未然。預(yù)警信息的生成需綜合考量多個(gè)方面因素，以便盡可能全面且精準(zhǔn)地呈現(xiàn)火情狀況。

系統(tǒng)會(huì)記錄火情發(fā)生的時(shí)間、位置等基礎(chǔ)信息，為后續(xù)調(diào)查取證提供支撐。隨后，系統(tǒng)會(huì)分析火焰區(qū)域在圖像中所占的像素比例，用以評(píng)估火情嚴(yán)重程度。其中，像素占比Rfire的計(jì)算公式為：

（1）

式中：Nfire——火焰區(qū)域像素?cái)?shù)；

Ntotal——圖像總像素?cái)?shù)。

根據(jù)Rfire的大小，系統(tǒng)將火情劃分為4個(gè)等級(jí)：I級(jí)（Rfire＜10%）、II級(jí)（10%≤Rfire＜30%）、III級(jí)（30%≤Rfire＜50%）和IV級(jí)（Rfire≥50%），分別表示輕度、中度、重度和嚴(yán)重火情。為增強(qiáng)預(yù)警信息的可讀性，系統(tǒng)還自動(dòng)生成對(duì)火情的文字描述，如“監(jiān)控點(diǎn)A區(qū)域發(fā)生III級(jí)火情，請(qǐng)立即前往處理”等。

在生成預(yù)警信息后，系統(tǒng)借助消息隊(duì)列中間件（如RabbitMQ）將其推送至監(jiān)控中心，同時(shí)觸發(fā)聲光報(bào)警裝置（如警笛、閃光燈）在現(xiàn)場(chǎng)發(fā)出警示。監(jiān)控中心依據(jù)預(yù)警信息采取相應(yīng)舉措，比如派遣消防車(chē)、組織人群疏散等。另外，系統(tǒng)還支持向移動(dòng)端App推送通知，以實(shí)現(xiàn)遠(yuǎn)程預(yù)警。

火情預(yù)警信息的生成是本系統(tǒng)的關(guān)鍵輸出內(nèi)容，對(duì)火災(zāi)防控的效率與準(zhǔn)確性有著直接影響。系統(tǒng)通過(guò)綜合分析火情發(fā)生的時(shí)間、位置以及嚴(yán)重程度等因素，提供全面且細(xì)粒度的預(yù)警信息，為相關(guān)人員決策提供可靠依據(jù)。

3 系統(tǒng)實(shí)驗(yàn)驗(yàn)證

3.1" 實(shí)驗(yàn)場(chǎng)景搭建與實(shí)驗(yàn)方案

為驗(yàn)證所設(shè)計(jì)系統(tǒng)的實(shí)際應(yīng)用效果，本研究在某商業(yè)建筑內(nèi)部搭建實(shí)驗(yàn)環(huán)境，選取建筑內(nèi)的走廊、辦公室和儲(chǔ)物間3類(lèi)典型場(chǎng)景進(jìn)行測(cè)試。實(shí)驗(yàn)采用?？低旸S-2CD2686FWD-IS網(wǎng)絡(luò)攝像機(jī)采集視頻數(shù)據(jù)，分辨率為2688×1520，幀率為25幀/s。實(shí)驗(yàn)?zāi)繕?biāo)是評(píng)估系統(tǒng)在不同場(chǎng)景下的火情識(shí)別性能，并與傳統(tǒng)基于顏色和運(yùn)動(dòng)特征的算法進(jìn)行對(duì)比。傳統(tǒng)方法采用HSV顏色空間閾值法結(jié)合幀差法進(jìn)行火焰檢測(cè)，具體閾值設(shè)置為：H通道范圍[0°，60°]、S通道范圍[0.2，1]、V通道范圍[0.5，1]。實(shí)驗(yàn)中使用標(biāo)準(zhǔn)酒精燈作為可控火源，在確保安全的前提下，通過(guò)調(diào)節(jié)火焰大小（高度范圍5～15cm）和攝像機(jī)距離（2～5m）設(shè)置不同實(shí)驗(yàn)工況。每組實(shí)驗(yàn)重復(fù)測(cè)試10次，每次持續(xù)時(shí)間為120s。系統(tǒng)性能評(píng)估采用以下指標(biāo)：檢測(cè)準(zhǔn)確率（預(yù)設(shè)目標(biāo)＞95%）、平均響應(yīng)時(shí)間（預(yù)設(shè)目標(biāo)＜3s）、誤報(bào)率（預(yù)設(shè)目標(biāo)＜2%）和漏報(bào)率（預(yù)設(shè)目標(biāo)＜1%）。所得數(shù)據(jù)行t檢驗(yàn)，P＜0.001表明差異有統(tǒng)計(jì)學(xué)意義。

3.2" 結(jié)果討論

通過(guò)系統(tǒng)實(shí)驗(yàn)驗(yàn)證，獲取了全面的性能評(píng)估數(shù)據(jù)，實(shí)驗(yàn)結(jié)果見(jiàn)表1。從測(cè)試數(shù)據(jù)可知，本文提出的基于深度學(xué)習(xí)的火情識(shí)別系統(tǒng)在各項(xiàng)性能指標(biāo)上優(yōu)于傳統(tǒng)方法，且達(dá)到預(yù)設(shè)目標(biāo)值。

表1" 火情識(shí)別系統(tǒng)性能測(cè)試結(jié)果對(duì)比

評(píng)估指標(biāo) 本系統(tǒng) 傳統(tǒng)方法 t P

檢測(cè)準(zhǔn)確率/% 97.8 89.3 8.76 ＜0.001

平均響應(yīng)時(shí)間/s 2.1 4.3 -9.12 ＜0.001

誤報(bào)率/% 1.3 4.8 -7.45 ＜0.001

漏報(bào)率/% 0.7 2.9 -6.89 ＜0.001

系統(tǒng)在3類(lèi)典型場(chǎng)景下的平均檢測(cè)準(zhǔn)確率為97.8%，遠(yuǎn)高于傳統(tǒng)方法的89.3%（t=8.76，P＜0.001）。尤其在低照度條件（儲(chǔ)物間場(chǎng)景）下，本系統(tǒng)準(zhǔn)確率仍為95.6%，而傳統(tǒng)方法降至82.1%。平均響應(yīng)時(shí)間為2.1s，相較于傳統(tǒng)方法的4.3s提升了51.2%，滿(mǎn)足快速預(yù)警需求。

在可靠性方面，系統(tǒng)誤報(bào)率為1.3%，漏報(bào)率為0.7%，均低于預(yù)設(shè)指標(biāo)，且明顯優(yōu)于傳統(tǒng)方法（誤報(bào)率4.8%，漏報(bào)率2.9%）。進(jìn)一步分析顯示，系統(tǒng)性能提升主要源于深度學(xué)習(xí)模型強(qiáng)大的特征提取能力，尤其是通過(guò)注意力機(jī)制增強(qiáng)了對(duì)火焰特征的感知能力。

以上實(shí)驗(yàn)數(shù)據(jù)表明，該系統(tǒng)完全符合實(shí)際應(yīng)用需求，具有良好的推廣價(jià)值。

4 結(jié)束語(yǔ)

本研究構(gòu)建的視頻監(jiān)控火情智能識(shí)別系統(tǒng)，采用深度學(xué)習(xí)技術(shù)，將VGG16網(wǎng)絡(luò)和注意力機(jī)制相結(jié)合，達(dá)成高精度的火情檢測(cè)。經(jīng)實(shí)驗(yàn)驗(yàn)證，該系統(tǒng)性能指標(biāo)良好，為智能消防監(jiān)控提供了可行方案。

參考文獻(xiàn)

[1]韋鳳生.微感知技術(shù)在森林火災(zāi)早期識(shí)別中的應(yīng)用[J].農(nóng)村科學(xué)實(shí)驗(yàn)，2024（6）：133-135.

[2]王化魯.基于樓宇的火災(zāi)應(yīng)急智能巡檢機(jī)器人開(kāi)發(fā)[D].長(zhǎng)春：長(zhǎng)春工程學(xué)院，2022.

[3]陳曦.火災(zāi)預(yù)警智能視頻監(jiān)控系統(tǒng)在件雜貨碼頭的應(yīng)用[J].科學(xué)技術(shù)創(chuàng)新，2020（18）：99-100.

[4]史衍賀.社區(qū)火災(zāi)煙霧識(shí)別及火情評(píng)估方法研究[D].北京：北方工業(yè)大學(xué)，2024.

[5]張玉龍.面向森林防火的空地一體視頻監(jiān)控系統(tǒng)[D].濟(jì)南：山東大學(xué)，2022.