基于小波包能量分析的红外火焰信号识别

周永杰，余震虹，张赵良

基于小波包能量分析的红外火焰信号识别

周永杰1，余震虹1，张赵良2

（1. 江南大学物联网工程学院，江苏 无锡 214122；2. 无锡格林通安全装备有限公司，江苏 无锡 214073）

在设计红外火焰探测器的过程中，人工光源常常会引起探测器的误报。为有效区分人工光源与火焰信号，本文首先对采集的1种人工光源以及3种火焰信号进行分析，将采集的信号进行小波包4层分解，得到信号的能量谱。通过分析发现选取第2,3,4,7频段的能量值能够将这4种信号有效区分。为进一步验证实验结果，本文将双通道两路信号的第2,3,4,7频段的8个能量值作为一组特征向量，与BP神经网络结合进行模式识别。结果表明，通过这样的方法不仅可以区分火焰和人工光源，同时可以对3种火焰进行识别，其识别的正确率为84.1%。因此，基于小波包能量分析的方法提取这8个能量值作为特征值具有一定的可行性，能有效减少人工光源引起的误报，同时为火焰种类的识别以及以后的灭火自动化提供了新的可能性。

红外火焰探测器；小波包；BP神经网络；特征值

0 引言

工业生产安全问题一直为人们所重视，火灾的频频发生，给人们的生命财产带来极大的威胁，而工业环境的复杂性，给火灾的检测带来了极大的困难。最初火灾探测的方式为：感烟型火灾探测和感温型火灾探测[1]。感烟型火灾探测系统是利用火灾发生时产生烟雾的特性来检测环境中的烟雾变化，感温型火灾探测器则是通过周围温度的变化来判断是否有火灾发生。利用这两种方式来探测火灾容易发生误报，且有较大的时间延迟，探测器的灵敏度低[2]。

随着红外技术的发展以及半导体材料和制造工艺的发展成熟[3]，利用热释电红外传感器作为敏感元件的红外火焰探测器逐渐发展起来。红外火焰探测器利用物质在燃烧过程中辐射的电磁波进行检测，能够较好地识别碳氢类化合物燃烧产生的火焰。但同时，其他的红外辐射源，如高温热源以及人工光源，也会对火焰的检测造成干扰。针对这一问题，多采用多波段的热释电传感器加以解决。利用任意一个红外辐射源在不同波段体现不同的辐射强度和强度之间的数学关系来识别火焰与干扰[2]。多波段识别的算法主要有：利用各通道均值的比值[4]、设定阈值及计算超过阈值的个数、通道间阈值能量比较、各信号间的比例与相关性分析等[5]。这些方法在一定程度上可以降低探测器的误报率，但由于探测距离远近的变化以及火焰的强弱变化，导致固定阈值的适用范围较窄。同时，通道强度之间数学关系很难确定，导致比值法的使用受到一定的限制。

本文针对目前多波段识别算法的不足，提出利用小波包能量谱分析人工光源和火焰信号，提取4个频段能量特征，与神经网络结合，进行模式分类。在一定程度上，降低了检测系统误报率，同时提出用这8个特征值识别火焰的种类，不同种火焰的灭火方式不尽相同，为火焰种类的识别以及以后的灭火自动化提供了新的可能性。

1 理论分析

不同材料的碳氢化合物燃烧产生的火焰辐射光谱不同。火焰光谱从紫外、红外到可见光都有能量辐射，但在红外波段辐射能量强于紫外波段。在火焰红外波段内的4.4mm附近能够观察到峰值。另一方面太阳光经过大气层时，由于太阳光中的4.4mm附近的能量被大气层中的CO2所吸收而衰减很大，大气中4.4mm红外波段强度比较弱。因此4.4mm波段是用于红外火焰探测的重要波段[6]。由于人工光源干扰会引起探测器误报，为了排除人工光源的干扰，本文增加了4.8mm波段用以检测人工光源[1]。

火焰除了辐射光谱特征以外，还具有另一个显著的特征是闪烁频率。相关文献表明火焰固有的频率在12Hz左右[7]，受到现场风速与火势的影响，通常频率在1～25Hz之间。

2 实验

2.1 实验平台

根据双波段红外火焰传感器的工作原理，选用4.4mm和4.8mm波段的热释电传感器[8-9]，经过放大滤波处理，将采集的信号经过数据采集卡，传输给计算机。其中，电路的放大倍数为50，带通滤波器的截止频率为2～40Hz，采样频率为128Hz。

2.2 信号采集

1）酒精灯火焰

用双通道传感器探测距离为50cm的酒精灯火焰，其时域波形如图1所示。

图1 酒精灯火焰时域图

从图1中可以看出4.4mm波段的信号幅值要强于4.8mm的信号幅值，2个信号的频率均在10Hz左右。

2）煤油火焰

用双通道热释电传感器采集煤油打火机的火焰信号，其时域波形如图2所示。

图2 煤油火焰时域图

从图2中可以看出4.4mm波段的幅值强于4.8mm的幅值，信号的频率成分较多。

3）蜡烛火焰

用双通道热释电传感器采集蜡烛火焰信号，其时域波形如图3所示。

从图3中可以看出4.4mm波段的幅值略大于4.8mm波段的幅值，信号的频率在12Hz左右。

4）火焰测试灯

火焰测试灯为人工光源，主要有两个频率成分，分别为6Hz和4Hz。采集两路信号时域波形如图4所示。

图3 蜡烛火焰时域图

图4 火焰测试灯信号时域图

从图4中可以看出信号的时域图可以看出，人工光源是4.8mm波段幅值大于4.4mm波段幅值，而火焰信号是4.4mm波段的信号幅值明显大于4.8mm波段的幅值，且这4种信号的频率具有明显差别，不同的辐射源在不同的波段辐射强度关系不同。

3 特征值提取

3.1 小波包分析

小波包变换具有很好的时频分辨率，并且能够在感兴趣的频率点上尽可能细分，弥补了小波变换的不足[10]。4种辐射源信号的频率主要集中在50Hz以下，利用小波包能量分析可以将这个频段加以细分。

假定对待分析信号S进行三层分解，分解结构如图5所示。

A表示低频，D表示高频（这里的高频和低频是相对于上一级而言的），末尾的序号表示小波包分解的层数。分解具有如式(1)关系：

S＝AAA3＋DAA3＋ADA3＋DDA3＋AAD3＋DAD3＋ADD3＋DDD3 (1)

图5 信号的三层小波包分解图

3.2 小波能量谱

按照能量的方式表示的小波包分解结果称为小波包能量谱[11-12]，根据小波包信号分析理论，原始信号()经过小波包分解后依据的频谱能量可以由式(2)计算得到：

式中：x,k中＝0, 1, 2, …, 2－1；＝1, 2, …,c；E,j(t)为原始信号经小波包分解后第层第个节点的频带能量，则原信号()的总的频带能量计算如式(3)所示：

式中：E,j构成小波包能量谱：

3.3 人工光源与火焰信号的小波包多层分解

将信号进行小波包分析时，分解层数视信号的有用成分以及采样频率而定。本文采样频率为128Hz，使用db4小波包对4.4mm波段采集信号四层分解，其频带宽度为4Hz，其第四层节点能量分布如图6所示。

图6 4.4mm波段第四层节点能量分布

对四种物质的4.8mm波段采集信号进行小波包四层分解，其第四层节点能量分布如图7所示。

由图6可以看出火焰测试灯的能量主要集中在2,4频段，酒精灯火焰与蜡烛火焰的能量主要集中在3,7频段，煤油火焰的能量主要集中在2,3,4,7频段。比较图6和图7可以发现，4种辐射源在4.4mm波段与4.8mm波段的能量分布存在明显的差异，与时域幅值差异相一致。本文提出将两路信号进行小波包四层分解后的2,3,4,7频段的能量值作为特征值，如表1所示，其中1～4行为4.4mm波段的4个能量值，5～8行为4.8mm波段的4个能量值。

图7 4.8mm波段第四层节点能量分布

表1 四种信号的8个能量值

从表1中可以看出测试灯在4.8mm波段的能量值明显大于4.4mm波段的能量值，酒精灯为4.8mm波段的能量值明显小于4.4mm波段的能量。蜡烛火焰与煤油火焰在这两个波段均有明显能量值，4.4mm波段能量值大于4.8mm波段能量值，但煤油火焰在第一、三的特征值以及第五、七特征值明显区别于蜡烛火焰。因此，选用这8个特征值能够区分这4种辐射源。

4 模式分类

4.1 BP神经网络模型的建立

为了验证上述8个特征值的可行性，本文选用BP神经网络作为分类器来识别火焰。有关BP神经网络的理论详见参考文献13，本文不再赘述。选取1种人工光源信号和3种火焰信号的8个特征参数作为输入，隐含层节点数为13，输出层的节点数为4。将四种模式分别编码为火焰测试灯（0001），蜡烛（0010），煤油（0100），酒精灯（1000），采集160组数据，其中100组作为训练样本，60组作为测试样本。

4.2 分类结果

60组测试样本的识别准确率如表2所示，从表2中可知，对于火焰测试灯没有发生误判，对于酒精的识别率为92.9%。这4类的总识别率为88.3%，对于3种火焰的平均识别率为84.1%，由于煤油与蜡烛的化学组成相接近，在燃烧时产物以及辐射的电磁波相接近，故两者不易被区分。识别率分别为78.6%和81.3%。

表2 四种辐射源的识别率

5 结论

本文通过对人工光源以及火焰信号进行小波包能量分析，提取双通道传感器采集信号的4个频段能量特征，共8个特征值。采集160组样本数据，结合BP神经网络进行分类识别。结果表明这8个特征值能够将火焰信号与人工光源信号区分开，同时可以将不同种火焰信号进行分类，其分类识别率为84.1%，有利于提高火焰探测器的抗干扰性能，为火焰种类的识别及以后的灭火自动化提供了新的可能性。

[1] 袁积德. 三波段红外火焰探测器的研究与开发[D]. 杭州: 浙江大学, 2012.

YUAN Jide. Research and Development of Triple Channels Infrared Flame Detector[D]. Hangzhou: Zhejiang University, 2012.

[2] 胡幸江. 多波段红外火焰探测系统的研究与产品开发[D]. 杭州: 浙江大学, 2013.

HU XinJiang. Research and Product Development of MIR Flame Detector System[D]. Hangzhou: Zhejiang University, 2013.

[3] 王汝琳, 王咏涛. 红外检测技术[M]. 北京: 化学工业出版社, 2006.

Wang Rulin, Wang Yongtao. Infrared detection technology[M]. Beijing:Chemical industry press, 2006

[4] 杨帮华, 刘燕燕, 何美燕, 等. 多红外火焰探测中基于决策树的火灾识别[J]. 计算机技术与发展, 2013, 23(8): 14-17.

Yang banghua, Liu Yanyan, He Meiyan, et al.Fire Recognition of Multi-infrared Flame Detection Based on Decision Tree[J]., 2013, 23(8): 14-17.

[5] 周向真. 基于多红外波段的火焰探测系统的设计[D]. 武汉: 华中科技大学, 2008.

Zhou xiangzhen. Design of Flame Detection System Based on Multi-infrared bands Sensor[D]. Wuhan: Huazhong University of Science &Technology, 2008.

[6] 王启峰. 火焰光谱数据特征提取、分析系统[D]. 西安: 西安电子科技大学, 2009.

Wang qifeng. Feature Extraction and Analysis System for Flame Radiation Data[D]. Xian: Xian University, 2009

[7] 安志伟, 袁宏永, 屈玉贵. 火焰闪烁频率的测量研究[J]. 计算机应用, 2000, 5(3): 65-68.

An Zhiwei, Yuan Hongyong, Qu Yuping. Research on the measurement of the flicker frequency of flames[J]., 2000, 5(3):65-68.

[8] Chang C. C, Chu K. P, Lai Y. C. The characterization and fabrication of pyroelectric infrared sensor[J]., 2005, 8(3): 203-206.

[9] Moghavvemi M, Seng Lu-Chin. Pyroelectric infrared sensor for intruder detection[J]., 2004: 656-659.

[10] 徐宝国, 宋爱国. 基于小波包变换和聚类分析的脑电信号识别方法[J]. 仪器仪表学报, 2009, 30(1): 25-28.

Xu Baoguo, Song aiguo. EEG signal recognition method based on wavelet packet transform and clustering analysis[J]., 2009, 30(1): 25-28.

[11] 钟崴, 彭梁, 周永刚, 等. 基于小波包分析和支持向量机的锅炉结渣诊断[J]. 浙江大学学报, 2016, 50(8): 1499-1506.

Zhong Wei, Peng liang, Zhou yonggang, et al. Slagging diagnosis of boiler based on wavelet packet analysis and support vector machine[J]., 2016, 50(8):1499-1506.

[12] 孙健, 王成华, 杜庆波. 基于小波包能量谱和NPE的模拟电路故障诊断[J]. 仪器仪表学报, 2013, 34(9): 2021-2027.

Sun Jian, Wang Chenghua, Du Qingbo. Analog circuit fault diagnosis based on wavelet packet energy spectrum and NPE[J]., 2013, 34(9): 2021-2027.

[13] 孙保峰. 基于神经网络的表面肌电信号分类方法的研究[D]. 长春: 吉林大学, 2013.

Sun Baofeng. Research on the classification of surface EMG based on neural network[D]. Changchun: Jilin University, 2013.

Infrared Flame Signal Recognition Based on Wavelet Packet Energy Analysis

ZHOU Yongjie1，YU Zhenhong1，ZHANG Zhaoliang2

(1.,,214122,; 2.,,214073,)

In process of design of infrared flame detector, therecognition rate of which was reduced by some artificial lights. In order to distinguish artificial light and flame, an artificial light and three kinds of flame were analyzed firstly. The collected signals were decomposed by wavelet packet, then the wavelet packet energy spectrum was acquired. The results showed that the four kinds of signal can be distinguished by the energy of 2,3,4 and7 frequency band. In order to verify the experimental results, the eight energy values of the 2,3,4,7 spectrum from two sensors were regarded as a group of feature vector. The mode of recognition was carried out by applying BP neural network and thefeature vector. The results showed that the method can distinguish the artificial light and the flame. In addition, the three kinds of flame were also identified. The recognition rate can reach 84.1%. Therefore, the method based on wavelet packet energy analysis has certain feasibility, which can increase the accuracy of flame identification. It also provides a new possibility to put out the fire automatically in the feature.

infrared flame detector，wavelet packet，BP neural network，feature vector

中文分类号：TP183

A

1001-8891(2017)03-0232-05

2016-09-17；

2016-12-28.

周永杰（1991-），女，汉族，江苏盐城人，硕士研究生，主要研究方向：红外火焰传感器。E-mail：jhzhouyj@163.com。