基于双波段视频探测的智能水炮系统设计

胡乃平，耿同同，王馨民



基于双波段视频探测的智能水炮系统设计

胡乃平，耿同同，王馨民

（青岛科技大学 信息学院，山东 青岛 266100）

针对目前大空间火灾探测的难点，研究出了一种基于双波段视频检测的智能水炮系统。将DSP芯片TMS320DM648作为视频处理芯片并采用STM32f103作为控制芯片，利用双波段（红外与可见光）对火灾的热、色、形以及光谱与运动特性进行识别，使火灾探测准确度大大提高，采用步进电机作为整个系统的驱动部分，CAN作为通信总线提高了水炮的反应速度与灵活性。智能水炮在25s内可定位火源进行灭火，监控距离可达100m，误报漏报率极低，为大空间消防提供了更好的选择。

大空间消防；智能水炮；火焰探测；双波段；红外；可见光

0 引言

随着社会的发展进步，各种大空间建筑越来越多，这些建筑大部分为公共场所，因此消防难度比较大，一旦发生重大火灾，造成的人员财产损失将特别大。传统自动消防喷水灭火系统具有灭火及时性差、灭火效率低、灭火的针对性不强、灭火系统管路复杂等缺点[1]，对大空间建筑物和大面积旷场的消防显得无能为力[2]，智能水炮应运而生，智能消防炮与传统的灭火装置相比具有实时性、有效性、可靠性、系统简单、安装方便以及节能等优势。国内智能水炮采用普通红外或者紫外探测，漏报误报率较高，造成了很多不必要的损失，而日本或者欧美的智能水炮虽然性能优越但价格高昂，如日本的消防炮，每台折合人民币约100万元，整套系统可达上千万[1]，因此开发性价比高的智能水炮系统对我国大空间火灾具有重大的意义。因此，应时代要求，设计了一种基于双波视频检测的智能水炮控制系统，通过对火焰图像静态动态特征以及温度的检测来找准火源，进行实时灭火。

1 智能水炮系统硬件设计

智能水炮系统包括3个部分：火焰探测部分、电机驱动部分、控制部分与其他联动部分，主要包括摄像头模块、视频处理模块，控制模块、电源模块以及电机驱动模块等。由于视频信号处理较为复杂，因此采用双核处理器，也就是将DSP芯片DM648只用于视频信号的处理，来判断并定位火灾信号，STM32则用于整个系统的控制。硬件设计方案如图1。

图1 系统硬件设计

1.1 火焰探测部分

智能水炮的火焰探测部分主要完成发现火灾，定位着火点的功能。本系统采用高速面阵相机作为火灾探测前端，既可防火防盗，又可实现监控功能，并具备防爆防潮的功能，满足了智能水炮在恶劣环境下的工作要求。

系统采用彩色与红外双摄像头来为智能水炮提供准确的火灾信号，彩色摄像头用来探测可见光信号，对于火灾图像的动态与静态分析具有一定的可靠性，但易受类似火焰的物体（强光照、运动物体等）造成的干扰，因此本系统加入了红外摄像头来弥补这一缺陷。红外对温度的探测为系统排除了火焰类似物体的干扰，使得水炮误操作率极低。

1.2 控制与通信部分

控制部分分为中控与现场控制两部分，智能水炮通过摄像头将现场情况实时传递给控制中心，控制中心可远程对水炮进行遥控；现场控制可分为手动控制与自动控制两部分，工作人员可通过现场控制箱来控制智能水炮，在无人监护时，智能水炮可自动完成火灾探测、定位、灭火、复位的功能。当人发现火灾时，中控与手动控制为灭火操作提供了人为控制，在一些大空间场所，当人们发现火灾时可能已经形成较大火灾，因此在火灾初期，智能水炮自动灭火尤为重要，本系统可通过自动监控保护区域将火灾消灭在萌芽中。

图2 视频采集硬件结构

智能水炮采用32位基于ARM核心的带64k字节闪存的微控制器STM32f103作为主控芯片。其内核为CORTEX-M3，最高为72MHz工作频率，处理能力为1.25DMips/MH，功耗为0.19mW/MHz[3]。具有高性能、低成本、低功耗等优点，为灭火时效性提供了有力的保证；多达80个快速I/O端口既可接收DM648的火灾结果信号，输出对电机进行控制，又可作为CAN地址标识，另外拥有9个通信接口包括2个I2C接口，3个USART接口，2个SPI接口，CAN接口以及USB接口满足了智能水炮的可扩展性。多达3个UART接口，既可与现场控制箱进行通信[4]，又可与中控进行通信。系统的优势在于单片机与现场控制箱、中控通过CAN总线进行通信，相对于RS485通信协议来说，CAN总线大大提高了总线利用率并降低了错误率，系统开发难度也降低，开发成本也随之降低，具有较好的实用性[5]。如图3，STM32通过自带的CAN接口与CAN收发器TJA1050相连，TJA1050负责将信号进行转换传输，CAN通信距离最长达10km且通信速率较高，可将现场情况实时传递给中控，中控与现场控制也能实时控制现场，另外单片机通过现场总线来控制其他联动装置，完成了启泵开阀喷水灭火以及报警功能，做到了全自动现场的功能。

图3 控制信号通信

1.3 电机驱动部分

智能水炮采用无反馈信号的步进电机作为整个系统的动力源，步进电机将电脉冲信号转变为角位移或者线位移来控制步进电机件[6]。

系统中STM32通过继电器将脉冲信号发送给步进电机驱动器，驱动器收到信号后驱动步进电机按照设定的方向转动一定角度，通过控制脉冲个数来控制角位移量，从而实现准确定位火源的功能，同时单片机可通过控制脉冲的频率来控制电机转动的速度与加速度，使炮体转动更加灵活准确。然而步进电机在超负载时会破坏同步功能，因此系统设置了限位功能，当炮体转至限位时反转，既保护了电机，又满足了全方位探测保护区域的需要。

2 软件设计实现

图4为软件流程图，系统初始化后与现场控制箱以及中控进行通信参数设定，红外摄像头发现火灾时，STM32通过继电器驱动电机控制炮体水炮转动来进行探测，且DM648通过一定算法处理双视频信号并判断是否有火灾发生，当水炮巡视一周后未发现火灾信号则进行复位。当DM648判断为火灾后，STM32通过联动进行报警，并控制炮体水平与垂直的转动来确定火源坐标，将炮口通过一定的角度补偿算法来瞄准火源中心，通过联动启泵开阀来喷水灭火，灭火完成后进行复位，恢复监控状态。当人为发现火灾时，通过中控或者现场控制箱根据视频信号或者现场情况对水炮进行遥控定位火灾，启泵开阀进行灭火，灭火完成后进行复位。

系统通过双摄像头对火源进行定位，DM648将红外摄像头与彩色摄像头所采集的图像进行对比，并分别确定火源在两个摄像头的水平坐标，通过已知两个摄像头之间的距离来计算火源的位置，得出火源的准确坐标。

图4 软件流程图

3 火灾探测算法

系统火灾探测算法，如图5，包括红外探测与可见光探测，将热辐射特性与视觉特性相结合。红外探测作为火灾探测的基础，可以有效降低或消除强光照、运动物体等干扰物对火焰探测的影响。当DM648判断红外摄像头检测到火焰时，彩色摄像头进行火灾探测。

首先是用典修辞格的使用。“水向东流”是李煜“问君能有几多愁，恰似一江春水向东流”典故的使用，表现了主任公内心无限的愁苦。

3.1 红外探测算法

首先红外摄像头随机采集多幅红外图像，不断对图像进行差分运算处理，若未超过阈值，则系统复位；若超过阈值则判断检测到有较强热辐射，进行图像分割，将可疑区域进行标记，并将不可能是火源的区域滤除。再通过提取火焰图像特征的方式，进行更进一步的判别，当疑似火源方位热辐射能量超过设定的阈值范围时，则DM648判断红外摄像头检测到火焰。

图5 火灾探测算法

1）热辐射探测

火焰在燃烧过程中通常会产生大量的炽热微粒，这些微粒使火焰发射出电磁辐射[7]，而这些电磁辐射在红外图像中表现的异常明显。因此，通过图像差分法对当前获取的图像与背景历史图像相减，可以快速的检测到是否有较强的热辐射。通过图像的减法运算，提高了图像处理的速度，从而提高了智能水炮系统的探测速度。

式中：F和F－1分别表示当前帧和前一帧图像；DF为两帧图像所有对应像的差值，取绝对值的平均值；为根据实验得到的一个阈值，该值的选取决定了热辐射探测结果的稳定性。当DF大于等于阈值时，红外摄像头判断检测到有较强热辐射。

2）阈值的选取

通过拍摄大量的火灾图像和非火灾图像，并统计火灾图像和非火灾图像连续180帧的帧间平均变化量。发生火灾时，由于两帧红外图像有明显变化，导致帧间平均变化量较大；而无火灾的情况下，由于一些小的干扰，存在轻微波动。通过计算可得火灾红外图像的180帧变化量的平均值为0.1792，非火灾红外图像的平均值为0.0573。因此，为了充分检测火灾图像，将阈值设置为0.05。

3）灰度处理

为加快处理速度，图像处理过程中一般要把彩色图像，如图6，转换为灰度图像，这种转化为灰度的过程叫做灰度化处理[8]，如图7为转化后的灰度图。本文采用了一种不同于常规灰度化算法的R-G-B色差分量的灰度处理方法，转换关系为：

Gray(,)＝1.8(,)―0.6(,)―0.2(,) (2)

图6 火焰燃烧红外图

图7 灰度图

4）图像分割

火焰在灰度值上通常表现处高亮特征，我们通常利用这一特性，在灰度图的基础上进行可疑火焰分割[8]。本文利用阈值方法对图像进行分割，根据图像的灰度值大于或小于该阈值，来进行图像分割。

设原图像为D(,)，分割后的二值图像为R(,)，根据图像中每个像素则有：

所以可知阈值分割的关键就是确定T。本文拍摄大量的火灾图像并统计它们的灰度直方图，通过分析并结合经验，选择175作为火焰图像的分割阈值。如图8为阈值分割后的效果图。

5）频率检测算法

对可疑区域进行标记后，为确认其是否为火焰，通常需要对火焰进行特征提取再次判断。火焰具有闪烁特性，火焰闪烁是区别于其他干扰源的一种重要的特征，它反映了火焰所释放的能量及其作用范围的变化[9]。根据现在的研究成果可知，火焰的闪烁频率范围主要集中在8～12Hz[9]。火焰闪烁频率计算公式为：

式中：为火焰的闪烁频率；fd和fd－1表示当前帧和前一帧的检测结果；表示从＝1帧到帧的时间。

3.2 可见光探测算法

可见光图像探测则通过对火源的颜色特征、边缘特征、以及动态特征等多项特征进行判断[10]，首先通过图像的色度特征来去除不是火焰的部分，然后通过图像的纹理特征来区分火焰与干扰目标，最后通过面积变化率等动态特征进行火灾识别。

1）颜色特征

图像中的像素可由RGB三个值表示，代表红、绿、蓝3个分量，如图9，火焰像素点一般出现在红黄范围[11]，因此火焰需满足条件≥＞且＞R，其中R为红色超过的阈值[12]。另外，如图10，背景中较亮的部分可能会引起误判，因此色彩饱和度需要大于一定阈值：

其中系统选取RT为130，ST为55来判断是否有火源，并圈出可疑区域。

2）边缘特征

系统通过边缘检测与区域划分来检测火源，边缘检测采用较为简单Roberts算子，通过对角线方向相邻两像素之差近似梯度幅值来检测边缘[13]，通过梯度公式[14]得到图11中边缘检测结果，从图中可以看出，火焰边缘被很好的检测出来。通过图11与图10的对比，通过边缘的尖角程度与数量区分出火源疑似部分。

3）运动特征

火灾初期，火源面积一般会越来越大，因此可以通过检测火源的面积率来判断可疑火源部分[15-18]，通过上述颜色特征与边缘特征得出火焰区域，计算当前帧图像与隔一段时间后一帧图像火焰像素数目，得出面积增长率D，定义如下：

式中：dS为在i＋k时刻与i时刻火焰区域面积发生的变化；dt为所经过的时间；因此DS表示在i到i＋k这个时间间隔内可能火焰区域的面积变化率。其中k值需大于1，由于火焰面积增长速度一定，若k值取得太小，则DS不能体现出火焰面积变化率。

图11 边缘检测图像

3.3 火灾探测实验

实验时水炮被设置在炮塔上，炮头距离地面7m，喷射仰角为35°，水炮额定工作压力为0.8MPa。实验的火源为33cm×33cm油盘（内装300mL汽油）和木材。实验中还设置了多种干扰源（人体、打火机、烟头等）。实验结果（见表1），统计得出系统对火源的响应时间（水炮发现火源到系统报警的时间）平均小于25s，水炮的射程可达57m（与水炮压力、喷射仰角等因素有关）。随着火源距离的加大，水炮的漏报警概率有所增加，但在100m范围内水炮误报漏报率还是极低的。实验结果证明本文所采用的火灾探测算法具有良好的抗干扰能力，而且具有较高的探测准确度和效率，能够满足工程应用要求。

表1 实验结果

4 结论

基于双波段视频探测的智能水炮系统设计将热辐射特性与视觉特性相结合，漏报误报率极低，大大减少了目前大空间智能水炮误操作造成的损失，且系统采用双核处理，提高了智能水炮的反应速度与效率，系统最大的优势在于采用本地处理，中控仅仅用来进行人工控制与监控，提高了大空间中智能水炮的实用性。

[1] 庄坤森. 大空间火焰检测与自动消防炮系统研究[D].福州: 福州大学, 2010.

ZUANG Kunsen. Research on Large Space Fire Detection andAutomatic Fire-fighting Cannon System[D]. Fuzhou: FuzhoUniversity, 2010.

[2] 喻兴隆. 智能消防炮控制系统设计[D]. 成都: 西华大学, 2011.

YU Xinglong. The Control System Design of Intelligent FireMonitor[D]. Chendu: Xihua University, 2011.

[3] 陈磊, 黄继风. 基于视频的火焰检测方法[J]. 计算机工程与设计, 2014(9): 3143-3147.

CHEN Lei, HUANG Jifeng. Flame detection method based on video[J]., 2014(9): 3143-3147.

[4] 魏崇毓, 王馨民. 基于红外、紫外双波段探测的智能水炮系统设计[J].红外技术, 2016, 38(10): 877-883.

WEI Chongyu，WANG Xinmin. Design of intelligent water Cannon system based on PIRS and UV detection[J]., 2016, 38(10): 877-883.

[5] 蔡鑫. 基于红外技术的野外火灾探测系统研究[D]. 南京: 南京航空航天大学, 2008.

CAI Xin. The wild fire detection system based on infrared technology research[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2008.

[6] 严云洋, 杜静, 高尚兵, 等. 融合多特征的视频火焰检测[J]. 计算机辅助设计与图形学学报, 2015, 27(3): 433-440.

YAN Yunyang, DU Jing, GAO Shangbing. Video Flame Detection Based on Fusion of Multi-feature[J]., 2015, 27(3): 433-440.

[7] 朱蕾. 基于视频监控的火灾特征检测系统[D]. 吉林: 吉林大学, 2010. ZHU Lei. Fire Features Detection System Based on the Video Monitoring[D]. Jilin: Ji Lin University, 2010.

[8] 李忠海, 李建伟, 梁宵, 等. 基于图像的消防水炮智能控制系统设计[J]. 沈阳航空航天大学学报, 2015, 32(5): 74-79.

LI Zhonghai, LI Jianwei, LIANG Xiao. The intelligent control system design of fire-fighting monitor based on video image[J]., 2015, 32(5): 74-79.

[9] 黄庆东. 基于红外热成像的火灾检测算法研究[D]. 广州: 华南理工大学, 2014.

HUANG Qingdong. The Research of Fire Detection Algorithm Based On Infrared Thermal Imaging[D]. Guangzhou: South China University of Technology, 2014.

[10] 陈学军, 杨永明. 基于双核的视频智能消防水炮设计[J]. 计算机测量与控制, 2015(12): 4184-4186.

CHEN Xuejun, YANG Yongming. Design of a video intelligent fire water cannon based on dual-core[J]., 2015(12): 4184-4186.

[11] 栾方军, 李扬, 刘真全. 基于视频图像的火焰多特征检测[J]. 测控技术, 2015(6): 27-30.

LUAN Fangjun, LI Yang, LIU ZhenQuan. Multi-feature flame detection based on video image[J]., 2015(6): 27-30.

[12] 胡艳, 王慧琴, 秦薇薇, 等. 基于粗糙集的火灾图像特征选择与识别[J]. 计算机应用, 2013, 33(3): 704-707.

HU Yan, WANG Huiqin, QIN Weiwei. Fire image features selection and recognition based on rough set[J]., 2013, 33(3): 704-707.

[13] Rinsurongkawong S, Ekpanyapong M, Dailey M N. Fire detection for early fire alarm based on optical flow video processing[C]//9th,,,2012: 1-4.

[14] 王志强, 李立君, 黄雁, 等. 基于模糊最小二乘支持向量机的火灾信号辨识[J]. 中南大学学报: 自然科学版, 2013, 44(1): 202-207．

WANG Zhiqiang, LI Lijun, HUANG Yan. Fire disaster signal recognition based on fuzzy least squares support vector machines[J].:, 2013, 44(1): 202-207.

[15] 荣建忠. 基于多特征的火焰图像探测研究及实现[D]. 合肥: 中国科学技术大学安全科学与工程系, 2012.

RONG Jianzhong. Study and Realization of Multi-Feature Based Fire Image Detection[D]. Hefei: China university of science and technology of safety science and engineering, 2012.

[16] 卢玉书. 大空间火灾探测与定位消防设计[J]. 信息技术与信息化, 2015(6): 208-211.

LU Yushu. Fire system design for large space fire detection and positioning[J]. Information Technology and Informatization, 2015(6): 208-211.

[17] 秦薇薇. 基于红外视频的火灾探测算法研究[D]. 西安: 西安建筑科技大学, 2012.

QIN Weiwei. Fire Detection Algorithms Based on Infrared Video[D]. Xi'an: Xi'an University of Architecture and Technology, 2012

[18] WANG D C, CUI X N, PARK E, et al. Adaptive flame detection using randomness testing and robust features[J]., 2013, 55: 116-125.

Design of Intelligent Water Cannon System Based on Dual-band Video Detection

HU Naiping，GENG Tongtong，WANG Xinmin

(,266100,)

Aiming at fire detection in large spaces, a new intelligent water cannon system based on dual-band video detection is studied, which takes DSP chip TMS320dm648 as the video processing chip and STM32f103 as control chip. Dual-band(infrared and visible light) was used to study heat, color, shape, spectrum and motion characteristics of fire to estimate the fire. The accuracy of fire detection was improved. Stepper motor is used to drive the intelligent water cannon and CAN is used as the communication of the whole system to improve the reaction speed and flexibility of intelligent water cannon. The system can locate fire source in 25s and then carry out fire-fighting. And it can monitor the space within 100m. This system will be a better choice for large spaces fire fighting.

large space fire-fighting，intelligent water cannon system，fire detection，dual-band，infrared，visible light

TN215，TN23

A

1001-8891(2017)10-0884-06

2016-11-06；

2016-12-04.

胡乃平（1968-），男，山东临沂人，教授，博士，主要从事工业信息化、物联网方向的研究。