基于BP神经网络在火灾图像探测技术中的应用①

谢荣全，徐志胜

(中南大学土木工程学院，湖南 长沙 410075)

由于火灾燃烧具有复杂性和多变性的基本特性，难以用一个比较精确的数学公式来描述火灾图像的特征。对此，国内虽有一些学者和科研单位做过一些模拟实验，但对于运用BP神经网络算法检测火灾图像技术却很少涉及。加之国内火灾报警生产厂家存在着联动模块的接口联接层面和信号输入输出方式不统一、不规范，给火灾自动报警系统实现经济、安全、灵活、便捷的工程优化集成带来了一系列技术问题。为此，本文利用BP神经网络算法的方法，用神经网络对信号的幅度、动态范围和持续时间等特征进行规范处理，使火灾报警输出的信号达到稳定性和准确性，提高火灾报警的准确率［1］。

1 BP神经网络火灾探测算法

BP神经网络算法的基本思想:(1)预处理和神经网络。反向传播是BP神经网络学习的基本特征，用归一化到［0，1］的范围来探测火灾信号。(2)BP神经网络因迭代次数多，收敛慢，需要不断地改进方法。(3)BP神经网络为报警和误报警提供了［0，1］区分标准显示“0”为火灾;显示“1”为非火灾［2］。算法步骤如下:

(1)用随机数据(一般数据比较小)对网络的权值(Wji)，(Vkj)和偏置值(θj)，(γk)赋予一个初值，这就是网络的初始化。

(2)第一步初始化以后，再输入第一个模式。

(3)求中间层单元j的输入Uj对应的输出Hj:

式中:f(*)为Sigmoid函数(以下同)。

(4)求出对输出层单元(k)的输入(Sk)和相对应的输出(Ok)值:

(5)求偏置值，并连接到上权值的误差(δk):

(6)用误差δk、输出层的权值(Vkj)和中间层的输出值(Hj)，求中间层j的偏置值(σj):

(7)用 δk、Hj和常数 α ，对中间层单元j、输出层单元k的权值(Vkj)分别加以调整。再根据δk和常数β对输出层单元k的偏置值(γk)加以调整:

(8)根据误差σj、输入单元i输出(Ii)、常数α对从输入单元i到中间层单元j的连接权值(Wji)加以调整;同时根据误差(σj)和常数β对中间层单元j的偏置值(θj)加以调整，得到公式(9)和(10):

和(9)输入下一个模式。

(10)若有学习模式，则返回(3)。

(11)更新学习次数。

(12)检查自学习过程的次数，达不到规定的次数时，返回(2)重复进行，直到达到要求为止［3］。

2 神经网络与火灾信号识别

如果烟雾信号范围［0，1］对应(0－20)%0bc/m，温度信号范围［0，1］对应(0 －10)℃/min，CO 信号范围［0，1］对应0－100×10－6。分别在通信信号和图像信号识别中予以研究［4］。

2.1 火灾通信信号的识别

信息识别的数据来源于火灾自动报警系统的探测器，而探测器是通过安装在火灾报警系统区域内各种类型的探头而采集到的信号［5］。目前探测器的种类有感烟、感温、感光(分为光焰、光电、红外光焰、紫外光焰、图像光焰)、气体探测器。

在经过了实验分析以后，得出通信数据信息识别的大致步骤如下:

(1)由设置在附属医院各个部位的火灾报警感应探头通过线制向计算机平台输送火警信号，由计算机通过软件系统进行通信数据处理。

(2)计算机软件系统通信数据采集后，经过处理，将起火的部位(方位)传输到显示屏，显示屏上起火方位灯亮。同时还和城市“119”火灾报警网络系统相连。“119”火灾报警网络系统也同样收到了火警信号，并视情予以处理［6］。

(3)计算机根据起火部位(或方位)打印系统打印报警单，如表1所示。

其打印单显示详细的起火地点和起火时间，以便采取有力的救援措施。

表1 火灾自动报警系统监测数打印表Table 1 Parameters surveyed by automatic fire alarm system

(4)通信数据信息识别使用中的局限性。该医院在下面2种情况出现误报警:①由于该医院设有红外线放射科，每天受理放射检查的病号比较多，机器运转时间稍长，红外线放出来的信号也会被火灾自动报警接收产生故障报警信号，出现误报。②该医院有各类工作人员3000余人，住院人数和门诊人数也保持在3000～4000人左右，医院后勤配备的生活锅炉每天2次排放蒸汽浓度过大时，如果被火灾自动报警系统所接收为信号，就出现了误报警。这两者都是在今后报警系统信息识别技术中需要解决的难题［7］。

2.2 火灾图像信号的识别

(1)用轮廓跟踪法捕捉图像信号。图像信号识别的一个很重要的方法是轮廓跟踪法。其总体方法是:首先根据“探测准则”搜索出轮廓线像素;其次使用一定的“跟踪准则”对第一步中像素的特征找出轮廓线上的其他像素。具体来说，首先根据“探测准则”和“顶点判断”条件搜索出火焰的尖角顶点。再从该顶点的左右边界像素用一定的“跟踪准则”从左下和右下两个方法进行跟踪，找到下一行的边缘目标点。“探测准则”是指从对图像从左到右、从上到下进行扫描，若发现是黑点则进一步判定是否为顶点。因边界是连续的，所以每一个边界点都可以用前一个边界点对当前边界点所形成的角度来表示，于是定义“跟踪准则”操作步骤［8］:

Step1:选定一个边界点，初始搜索方向为沿左(右)顺时指方向;

Step2:判断Step1的边界点是否为黑点，若是则转Step3;否则将搜索方向逆方向旋转45°，转Step1，直到找到一个黑点为止;

Step3:用同样的方法以Step2的黑点作为新的边界点，若所有行都已经搜索过，则转Step4，否则转Step1，搜索下一个黑点，直到搜索出足够的行为止;

Step4:结束。

图1即为轮廓跟踪示意图。首先按照先上后下，先左后右的顺序开始搜索，第1个点为边界点，用A表示。用同样的方法，分别找到B点和C点，循环反复回到A点(起始点)。这就是通过设定的顺序找出边缘点来跟踪出边界，即我们常说的轮廓跟踪法［8］。

(2)用中值滤波实验消除噪声。如图2所示，从图可看出大部分噪声得到了很好的消除，图像质量也得到了明显的提高。

图1 轮廓跟踪示意图Fig.1 Sketch map of the tracked profile

图2 火焰滤波前后的实验效果Fig.2 Experimental results of the flame after and before being filtered

(3)用分割实验采集、分割图像。本文在室内通过燃火采集到了参照图和火焰图像，并按背景差分法分割出火焰图像。在实验中，反复设置T值，并取得一个较好的值52，图3(c)为结果图。

图3(c)中火焰提取图是由滤波并灰度化后的图3(b)减去同样处理后的图3(a)得到的结果。在实际应用中，通常只对可疑的目标感兴趣，而对其他的背景目标可以不关注［9］。

(4)用尖角个数实验区分火源图像。实验数据采用5张连续图像，为了检测火灾区域面积和尖角变化特征的对火灾识别的效果，实验时，每张图像的对象面积都是逐渐变大的，且引入手电筒光源和蜡烛光源，满足尖角特征的检测效果。实验结果如表2所示。

图3 火焰图像的分割效果图Fig.3 Identification effect of the flame

表2 火灾火焰及干扰物体的尖角特性统计Table 2 Cusp characteristics statistics of fire flame and interferent

3 BP神经网络算法在火灾探测中的应用

神经网络的输入量为:IN1为面积变化;IN2为形体变化;IN3为边缘变化;IN4为整体移动;IN5为一阶颜色矩。网络输入量设计为5个单元，输出量设计为1个单元，隐含层节点数为4个，训练次数为1000次以上，学习效率为0.001，目标误差为1.0 ×10－5［10］。

3.1 火灾视频探测实验算法

以某大学附属医院采用的海湾安全技术有限公司推出的视频火灾探测报警系统GST－VFD(简称VFD系统)为研究对象进行神经网络算法的火灾探测实验。

图4是一个以微型计算机为基础的现代火灾自动报警系统的基本原理图。系统中，火灾探测器、消防联动设备等必须通过输出接口才能与微处理器相连。

图4 现代火灾自动报警系统工作原理图Fig.4 Modern automatic fire alarm system working principle diagram

系统的输入信号为(CCTV)信号。信号由图像采集经过计算机分析处理后就变成了数字图像序列，只有成为数字图像以便为计算机系统所识别。本算法能探测到火灾场景中的一些极其微小的变化，用提取变化区域与火灾发生的特征进行比较。通过分析、筛选、计算，保证VFD系统能够迅速准确地探测到火灾［12］。VFD系统主要规格和特点是:VFD系统的视频火灾监控软件运行于Windonws2000/windonsXP之上，包括了所有的图像显示，参数、用户、联运和报警设置等功能。其可视化、无接触的特点比起传统的火灾探测方式具有无可比拟的优越性。目前从运行的情况来看，具有界面友好、操作容易、设计简单、维护方便和误报率低等优点。误报警的因素有许多种，主要有以下3种:①火灾场景的光照强度和变化的幅度;②物体运动频率(如飞动的灰尘)、颜色干扰程度;③高温物体变化状况。这里有火灾图像50幅;蜡烛图像20幅;电筒图像20幅;日光灯图像20幅为训练样本。测试结果如表3所示［13］。

表3 火灾火焰及干扰现象的神经网络判断Table 3 Judgement of fire flame and interferent by neural network

综上所述:①任意截取一幅实际操作所得来视频图像样本，即初始背景图像。②利用一幅当前实际视频图像更新初始时背景，得到待检测的背景视频图像。③根据背景图像的边缘梯度值之和，判断视频背景图像的清晰度。这就得到了实际视频图像清晰度评价之值［14］。

3.2 BP网络的火灾气体辨识训练与验证方法

BP神经网络火灾气体辨识训练验证实验方案:①实验地点选择在某大学的火灾实验室内进行;②实验工具采用的是MATLAB6.5的神经网络工具箱。BP网络训练310，样本取10组;③实验得出的结论是相同的:输出误差仅为1×10－6。样本训练后的输出计算值，最大的输出误差为0.023(见样本6)，保持在0.023范围内，小数点后面的4～8位有误差。这就说明辨识效果达到了预期的效果［15－16］，见表 4。

3.3 火灾发生概率(误报警)分析

本文作者在现场同火灾自动报警系统的管理人员一起分析得出以下数据，见表5。

从表5可以看出:电气、违章操作、用火不慎、生活蒸汽(该医院为病房提供的生活蒸汽)起火原因所占的比重大。

统计火灾自动报警系统报警后的资料，借此来分析火灾自动报警系统报警的成功概率(或误报警率)，见表6。

表4 BP网络的训练样本数据表Table 4 Training sample datasheet of BP network

表5 医院各类火灾起火原因所占百分比Table 5 Percent of various causes of fire in hospital %

表6 火灾自动报警成功概率的统计数据Table 6 Statistical datasheet of the right alarm probability of automatic fire alarm system %

这说明火灾自动报警系统在探测烟雾、火灾图像方面的成功概率都在98%以上;说明火灾自动报警探测器在火灾所发生的烟雾、视频图像上灵敏度比较高。

4 结论

(1)从介绍BP神经网络这一理论的基本原理出发，对BP学习算法的12个步骤逐步进行分析研究。

(2)采用BP神经网络算法，对火灾探测进行了实验，首先从信号识别，其中包括通信信号识别与图像信号识别，然后分别采用视频火灾探测算法和气体辨识样本训练与验证及现场数据分析，取得了较好的实验效果和验证的准确性。

(3)从一定的角度、一定的层面得出基于BP神经网络算法在火灾探测领域的应用价值，不管是识别、探测，还是减少误报警都是可行的，具有一定的应用前景。

［1］赵英南，陈南.智能建筑火灾自动报警系统设计与实施［M］.北京:知识产权出版社，2005.ZHAO Yingnan，CHEN Nan.Design and application of intelligent building automatic fire alarm system［M］.Beijing:Intellectual Property Publishing House，2005.

［2］BREA WILLIAMS.An investigation on fire performance of FRP－Strened R/C beams［J］.Fire Science and Technology，2007，9(9):492－498.

［3］谭炳华.火灾自动报警及消防联动系统［M］.北京:机械工业出版社，2007.TAN Binghua.Automatic fire alarm and fire protection linkage system［M］.Beijing:China Machine Press，2007.

［4］陈南.智能建筑火灾监控系统设计［M］.北京:清华大学出版社，2001.CHEN Nan.Design of intelligent building fire surveillance system［M］.Beijing:Tsinghua University Press，2001.

［5］徐志胜.安全系统工程［M］.北京:机械工业出版社，2007.XU Zhisheng.Safety system engineering［M］.Beijing:Mechanical Industry Press，2007.

［6］杨斌，马瑞升，何立，等.基于颜色特征的遥感图像中烟的识别方法［J］.计算机工程，2009，4(4):213－217.YANG Bin，MA Rui－ sheng，HE Li，et al.Method of identifying fume in remote sensing images based on color features［J］.Computer Engineering，2009，4(4):213 －217.

［7］刘翱，马晓茜.基于微粒群算法和模糊神经网络的火灾探测研究［J］.消防科学与技术，2007，6(6):673－675.LIU Ao，MA Xiaoqian.Fire detection based on fuzzyneural network combined with particle swarm optimization algorithm［J］.Fire Science and Technology，2007，6(6):673－675.

［8］王卫东，傅荣生.空气采样式感烟火灾探测报警器误报概率分析［J］.消防科学与技术，2008，9(9):668－670.WANG Weidong，FU Rongsheng.Analysis on the false alarm probability of air sampling smoke detector［J］.Fire Science and Technology，2008，9(9):668－670.

［9］黄松涛，石章松，张丕旭.基于无线传感器网络的火灾现场定位技术研究［J］.消防科学与技术，2009，2(2):113－115.HUANG Songtao，SHI Zhangsong，ZHANG Pixu.Research on the locating technique of fire area based on wireless sensor networks［J］.Fire Science and Technology，2009，2(2):113－115.

［10］姚绪梁，金鸿章，王科俊.多重目标综合决策在火灾报警系统中的应用［J］.消防科学与技术，2004，1(1):68－70.YAO Xuliang，JIN Hongzhang，WANG Kejun.Research on fire alarm system decision－making based on multi－ objectives integrated decision－making［J］.Fire Science and Technology，2004，1(1):68－70.

［11］刘海霞，隋虎林，谷安永.火灾报警控制系统通信数据信息识别的研究［J］.消防科学与技术，2008，8(8):585－587.LIU Haixia，SUI Hulin，GU Anyong.The study on recognition of communication data for fire alarm control system［J］.Fire Science and Technology，2008，8(8):585 －587.

［12］董文辉，李宁宁，梅志斌，等.欧美国家火灾报警系统规范介绍及启示［J］.消防科学与技术，2008，6(6):423－42.DONG Wenhui，LI Ningning，MEI Zhibin，et al.Research on fire alarm codes of Europe and America for application［J］.Fire Science and Technology，2008，6(6):423 －42.

［13］马明键.数据采集与信息处理［M］.西安:西安交通大学出版社，2005.MA Mingjian.Data collection and information manage［M］.Xi’an:Xi’an Jiaotong University Press，2005.

［14］徐志胜，周庆等，隧道火灾烟气回流与临界风速模拟试验［J］.消防科学与技术，2011，7(7):580 －582.XU Zhisheng，ZHOU Qing.Tunnel fire smoke flow and critical wind speed simulation test of［J］.Fire Science and Technology，2011，7(7):580 －582.

［15］赵荣椿.数字图像处理导论［M］.西安:西北工业大学出版社，1999.ZHAO Rongchun.Introduction to digital Image processing［M］.Xi’an:Northwestern Polytechnical University Press，1999.

［16］罗希平，田捷，诸葛婴，等.图像分割方法综述［J］.模式识别与人工智能，1999，12(3):300－312.LUO Xiping，TIAN Jie，ZHU Geying.A Survey on image segmentation methods［J］.Pattern Recognition and Artificial Intelligence，1999，12(3):300－312.