图像处理与BP神经网络在矿井火灾隐患识别中的应用

何晨阳，周孟然，闫鹏程，刘 栋，王 瑞

（安徽理工大学　　电气与信息工程学院，安徽淮南 232001）

图像处理与BP神经网络在矿井火灾隐患识别中的应用

何晨阳，周孟然，闫鹏程，刘 栋，王 瑞

（安徽理工大学电气与信息工程学院，安徽淮南 232001）

矿井火灾在矿井工作过程中比较常见，为了保护矿井安全，减少其对煤矿开采工作的影响，提出了一种图像处理技术与BP神经网络相结合的矿井火灾隐患快速识别方法。实验设置了5个场景，共20组不同的图像，把20组不同实验场景图像经过预处理降噪，之后分别通过BP神经网络、SVM支持向量机和K-means聚类3种不同方法进行分析。结果显示，BP神经网络处理后的正确率最高，达到95%。

矿井火灾；图像处理；特征提取；BP神经网络

火灾是煤矿五大灾害之一，常采用检测相关气体浓度的方法进行监控。由于恶劣的矿井环境，普通的气体分析色谱仪很难在矿井下使用，若采用激光气体分析方法成本又太高［1］。目前应用在矿井内部的多为成本较高的激光气体分析方法。因此，本文提供了一种新型的矿井火灾隐患处理技术，将图像处理技术与神经网络相结合用在煤炭矿井下的火灾隐患识别中。利用可视图像处理使火灾识别更方便、迅速、可靠，并能将矿井火灾隐患及时地排除［2］，对这种技术的探究有着深远的意义和广泛的应用前景。

1　图像处理方法

1.1图像的预处理

将采集到的图像信息进行相关处理，包括彩色图像与灰度图像的转换、灰度增强变化和降噪。

将彩色变为灰度是图像灰度化的过程，R、G、B三色都在0～255的灰度级范围之内，其中下极限0为白，上极限255为黑色［3-4］。经过转换之后，图像信息的处理速度达到最高。利用MATLAB中IPT（image processing toolbox）函数rgb2gray将得到的彩色矿井图像转换为灰度图像。由于矿井下的光线很差，光照不均匀，需要将灰度图像利用直方图灰度变换进行灰度增强变化，使灰度范围改变，改善对比度。

对得到的灰度增强的图像采用中值滤波法进行降噪，其边缘的信息不会被忽略掉，能够很好地保存，并且对椒盐噪声和斑点噪声的去除性能好，能够得到比较清晰的图像。

1.2图形的分割

在经过预处理的矿井图像中，对可疑目标分别进行动态和静态分割。由于井下没有阳光照射，光线微弱，采用时间差分法（temporal difference）对动态目标进行分割。取所采集图像的连续帧，对每相邻的量帧作减法，取其灰度像素值的绝对值进行比较，并设定一个合理阈值Th把图像二值化。标记区域分布的地方，根据时间差分法判断目标在图像中出现的位置。

在将运动的可疑目标物体检测出来的基础上，对空间域内进一步判断可疑火灾图像，从可疑目标中将火灾的图像进一步区别并提取出来。采用改进的Canny算法对静态疑似火焰图像进行边缘分割：第1步利用中值滤波对图像降噪；第2步进行3×3的模块的梯度计算，并且对0°、45°、90°和135°等4个方向上计算一阶偏导的差分；第3步选择自适应阈值，把疑似火焰图像像素中所有的梯度幅值都计算出来之后加在一起并取平均，得到平均梯度幅值g，再计算相对方差σ。把g和σ相加得到η，η作为分割边缘的阈值。之后对3×3模板中4个方向0°、45°、90°、135°像素梯度幅值M（i，j）判断，忽略小于η的点，将大于η的点当作边缘点提取处理出来。图1所示为传统和改进的Canny算法比较。

图1　传统与改进的　Canny算法比较Fig.1 Comparison of traditional and improved Canny algorithm a—含噪原图；b—传统Canny算法；c—改进的　Canny算法

1.3疑似火灾图像的特征提取

提取火灾图像的静态特征，包括能量、灰度相关、圆形度以及逆差矩。根据纹理特征，能量的表达式为

灰度相关的表达式为

其中R为归一化常数。如当δ=1、θ=0°时，图像中共有2Ny（Nx-1）个水平相邻像素对，这时 R= 2Ny（Nx-1）。同样，当δ=1、θ=45°时，R=2（Ny-1）（Nx-1）；当δ=1、θ=90°时，R=2Nx（Ny-1）；当δ=1、θ=135°时，R=2（Ny-1）（Nx-1）。圆形度的表达式为

其中：L为周长；A为面积值。逆差矩的表达式为

图像的动态特征包括面积变化率、形体相似度以及尖角点。面积变化率的计算公式为

其中：ASk为当前帧的面积；ASk-1为上一帧的面积，两者相减得到的值再与当前帧的面积取比值就是面积的变化率。平均形体相似度公式为

其中ξi为连续两帧的相似值。

利用Harris角点提取方法，计算出疑似火灾图像的尖角数目［5-6］。

2　BP神经网络识别火灾图像

BP网络算法是一个有规律的模型，当输入和隐层的节点数确定了以后，3个层次之间的非线性映射的规律就确定了。输入的样本被记录下来，都对应着特定的信号规律。自动地调节权值，把规律记忆下来。对输入的样本根据记忆下的先验规律作出判断并且输出［7-8］。

BP神经网络所描绘的输入量分别为：能量、逆差矩、火焰的圆形度、面积增长率、形体相似度、灰度相关、火焰的边缘尖角变化。

输入层经过隐层过渡，再到输出层，输出层为一个单一结点，对最后的输出结果做归一化处理后，它的值在（0，1］范围内变动。

图2为系统框图，先对训练集进行训练，将训练后的结果分类，包括无火灾隐患、可能火灾隐患和有火灾隐患的类别，再对样本集进行BP神经网络处理，得到的output与训练结果对照并进行样本的分类，实现火灾隐患的快速识别。

图2　系统框图Fig.2 Block diagram of the system

3　实验与结果

选择训练样本共200个，其中100个是火灾图像，另100个是干扰物。训练样本分20组，每10个1组。经过训练得到output的识别规则为：当output∈（0，0.3］时，表示现场环境无异常；当output∈（0.3，0.8］时，可能出现火灾；当output∈（0.8，1］时，表示有火灾出现。

设置了5个实验场景，包括火灾火焰、行人、蜡烛、路灯和运动状态的灯，并给出在实验场景的20组样本，其中第1～7组为火灾火焰样本，第8～13组为行人样本，第14～16组为运动状态的灯样本，第17、18组为蜡烛样本，第19、20组为路灯样本（表1）。

经过处理后的疑似火灾图像，分别利用BP神经网络、SVM支持向量机和 K-means聚类方法进行处理，并对比3种方法，得到3种方法的样本集正确率（表2），火灾图像经过 BP神经网络处理后的识别率比其余两种方法都要高。

对于BP神经网络处理的结果（表3），在20组中，场景为行人、蜡烛、路灯的识别结果准确无误；火灾火焰的识别结果也准确；运动状态的灯的识别结果有两种：可疑和正常，基本达到准确。

表1　火灾隐患样本Table 1 Fire hazards samples

表2　正确率统计Table 2 Correct rate

表3　BP神经网络实验结果Table 3 Experimental results of BP neural network

4　结束语

对实验设置的5个场景，共20组图像数据，进行预处理灰度增强及降噪，之后利用BP神经网络算法对图像数据处理分析，来判断是否发生火灾，并与SVM支持向量机、K-means聚类方法进行对比。实验可见，经SVM支持向量机、K-means聚类方法处理后的结果正确率都在90%以下，而经BP神经网络处理后的结果正确率达到了95%，火灾隐患的识别率很高。图像处理技术与BP神经网络相结合应用在矿井火灾隐患快速识别具有一定的可行性，具有很好的应用前景。

［1］时训先，蒋仲安，何理.矿井电气火灾原因分析及其预防［J］.矿业安全与环保，2005，32（1）：19-21.

［2］程卫民，张圣柱，刘祥来，等.矿井胶带巷火灾灾变预警与风流控制系统的研究 ［J］.矿业安全与环保，2009，36（5）：18-20.

［3］文鸿雁，郭锴，陈伟清.基于遥感图像频率域滤波的灰色线性中值去噪算法 ［J］.桂林理工大学学报，2014，34（4）：697-703.

［4］张素文，褚乃强.一种基于灰色关联度的椒盐噪声滤波算法 ［J］.红外技术，2008，30（11）：651-654.

［5］李卓，郭立红.快速图像处理中阈值选取方法的比较研究 ［J］.微计算机信息，2006，22（7）：224-225，163.

［6］刘林.基于DM365的高清视频编码传输系统的设计［D］.西安：西安电子科技大学，2011.

［7］任慧，孙继平，田子建，等.基于神经网络的多参数矿井火灾识别方法［J］.辽宁工程技术大学学报，2007，26（4）：555-558.

［8］Cao B Q，Liu J X，Wen B.Currency characteristic extraction and identification research based on PCA and BP neural network［J］.Journal of Convergence Information Technology，2012，7（2）：38-44.

Application of image processing and BP neural network on mine fire potential hazard identification

HE Chen-yang，ZHOU Meng-ran，YAN Peng-cheng，LIU Dong，WANG Rui
（College of Electrical and Information Engineering，Anhui University of Science and Technology，Huainan 232001，China）

Mine fire is a common danger in the process of work.In order to protect the mine safety and reduce the fire on coal mining，a fast identification method of mine fire hazard is proposed in this paper，which is based on the combination of image processing technology and BP neural network.The experiments set up 5 scenes. There are 20 groups of different images.The 20 groups of different images can reduce noise by pretreatment.By BP neural network，SVM support vector machine and K-means clustering the data is analyzed.The results show that the correct rate of BP neural network after the treatment reaches 95%.

mine fire；image processing；feature extraction；BP neural network

TD687

A

1674-9057（2016）03-0615-04

10.3969/j.issn.1674-9057.2016.03.032

2015-10-21

国家自然科学基金项目（51174258）；“十二五”国家科技支撑计划重点项目（2013BAK06B01）

何晨阳 （1991—），男，硕士研究生，研究方向：煤矿电气设备安全监控，13155493061@163.com。

周孟然，博士，教授，mrzhou8521@163.com。

引文格式：何晨阳，周孟然，闫鹏程，等.图像处理与BP神经网络在矿井火灾隐患识别中的应用［J］.桂林理工大学学报，2016，36（3）：615-618.