丁健生 邢偉霞 陳洪濤

摘 ?要：該文針對傳統(tǒng)火災(zāi)監(jiān)測系統(tǒng)適用場景單一、預(yù)警反應(yīng)較慢等缺點，提出一種集成紅外、紫外、可見光等多模光學(xué)信號的火災(zāi)監(jiān)測技術(shù)，實現(xiàn)對明火、高溫、煙霧等險情的快速識別。在該基礎(chǔ)上設(shè)計一套完整的火災(zāi)監(jiān)測系統(tǒng)，實現(xiàn)對火災(zāi)數(shù)據(jù)的監(jiān)測、存儲、報警，極大地豐富火災(zāi)監(jiān)測系統(tǒng)的適用場景，縮短系統(tǒng)響應(yīng)時間，提高系統(tǒng)的可靠性。

關(guān)鍵詞：火災(zāi)監(jiān)測；機器視覺；煙霧識別；多模光學(xué)信號；系統(tǒng)設(shè)計

中圖分類號：S776.29+2 ? ? ?文獻標志碼：A ? ? ? ? ?文章編號：2095-2945（2024）14-0104-04

Abstract： This paper in view of the shortcomings of traditional fire monitoring system， such as single scene and slow early warning response， a fire monitoring technology which integrates infrared， ultraviolet， visible light and other multimode optical signals is proposed to realize the rapid identification of open fire， high temperature， smoke and other dangerous situations. On this basis， a complete fire monitoring system is designed， which realizes the monitoring， storage and alarm of fire data， which greatly enriches the applicable scene of the fire monitoring system， shortens the response time of the system and improves the reliability of the system.

Keywords： fire monitoring; machine vision; smoke recognition; multimode optical signal; system design

火災(zāi)監(jiān)測系統(tǒng)是預(yù)防火災(zāi)、減少火災(zāi)損失的重要保障設(shè)施。識別火源并第一時間發(fā)出預(yù)警是火災(zāi)監(jiān)測系統(tǒng)的核心任務(wù)[1-2]。傳統(tǒng)火災(zāi)監(jiān)測系統(tǒng)，多數(shù)基于對單一物理量的檢測原理，如光波、溫度、煙霧及特殊氣體[3-4]。其中針對光波的檢測以紫外探測器為主，其優(yōu)點在于探測距離遠、準確率高，缺點是僅適用于明火檢測。針對溫度的檢測以紅外探測器為主，適用于明火與暗火，缺點是對于本身就具有高溫源的場所，如冶煉車間等易產(chǎn)生誤報。針對煙霧及特殊氣體的檢測多為接觸式檢測技術(shù)，其準確率較高，但反應(yīng)速度較慢[5]。綜上，對單一物理量的檢測技術(shù)難以適用于不同的火災(zāi)監(jiān)測場景。

對此，本文提出一種基于紅外、紫外及可見光多模光學(xué)信號的火災(zāi)監(jiān)測技術(shù)，除集成傳統(tǒng)的紫外、紅外檢測功能以外，增加利用可見光圖像實現(xiàn)煙霧檢測的功能，從而實現(xiàn)對明火、高溫及煙霧的全覆蓋檢測。在此基礎(chǔ)上實現(xiàn)了一套完整的火災(zāi)監(jiān)測系統(tǒng)，極大地拓寬了系統(tǒng)的適用場景，增強了系統(tǒng)的可靠性及靈敏性。

1 ?系統(tǒng)硬件架構(gòu)

系統(tǒng)采用云、邊協(xié)同架構(gòu)設(shè)計，由私有云及邊緣網(wǎng)關(guān)分工協(xié)作，共同組成火災(zāi)監(jiān)測系統(tǒng)。邊緣網(wǎng)關(guān)負責火災(zāi)監(jiān)測、報警、消防聯(lián)動等基礎(chǔ)功能。云端負責人機交互、數(shù)據(jù)的長期存儲，以及向外網(wǎng)提供訪問接口等功能。系統(tǒng)的硬件拓撲結(jié)構(gòu)如圖1所示。

邊緣端硬件上由紅外探頭、紫外探頭、可見光攝像頭、報警器及控制電路組成，各探頭通過各自的通信接口與邊緣網(wǎng)關(guān)相連，完成原始數(shù)據(jù)采集。各邊緣網(wǎng)關(guān)再通過交換機與云端的監(jiān)控服務(wù)器相連，實現(xiàn)數(shù)據(jù)的上傳、匯總。監(jiān)控服務(wù)器與文件服務(wù)器及數(shù)據(jù)庫服務(wù)器通過云端的虛擬網(wǎng)絡(luò)進行通信，共同構(gòu)成采集、存儲數(shù)據(jù)的內(nèi)網(wǎng)應(yīng)用系統(tǒng)。如果不考慮外網(wǎng)應(yīng)用，此內(nèi)網(wǎng)系統(tǒng)本身就可獨立運行。但考慮到與上一級安防系統(tǒng)共享數(shù)據(jù)，以及火警發(fā)生時主動向手機發(fā)送報警信息等應(yīng)用場景，系統(tǒng)又通過私有云虛擬出短信服務(wù)器、Web服務(wù)器等應(yīng)用服務(wù)器，用于布署應(yīng)用程序（如短信報警、Web服務(wù)等），共同構(gòu)成一個開放的數(shù)據(jù)共享環(huán)境。

由于采用私有云架構(gòu)，對外數(shù)據(jù)共享這一部分功能可以根據(jù)實際需求自由裁切，只需要關(guān)閉對應(yīng)功能的服務(wù)器即可實現(xiàn)。

2 ?系統(tǒng)軟件架構(gòu)

2.1 ?云端軟件架構(gòu)

云端搭建于高性能服務(wù)器之上，采用私有云技術(shù)，將服務(wù)器資源虛擬出設(shè)備監(jiān)控、數(shù)據(jù)存儲、文件存儲、Web服務(wù)和短信服務(wù)等虛擬主機，在其上布署各類數(shù)據(jù)庫及服務(wù)器軟件，從而實現(xiàn)設(shè)備監(jiān)控、數(shù)據(jù)存儲及數(shù)據(jù)發(fā)布等服務(wù)端功能。整個云端的軟件架構(gòu)如圖2所示。

在整個架構(gòu)中，監(jiān)控系統(tǒng)的服務(wù)端程序MonitorServer是整個云端系統(tǒng)的核心組件，負責監(jiān)控系統(tǒng)中所有邊緣網(wǎng)關(guān)的運行狀態(tài)，接收各邊緣網(wǎng)關(guān)上傳的報警數(shù)據(jù)，并向邊緣網(wǎng)關(guān)下發(fā)各種指令和參數(shù)。同時MonitorServer將接收的數(shù)據(jù)導(dǎo)入存儲系統(tǒng)，并向人機交互系統(tǒng)、對外接口系統(tǒng)等擴展子系統(tǒng)提供數(shù)據(jù)來源。

各邊緣網(wǎng)關(guān)與MonitorServer之間采用Client/Server架構(gòu)模式，邊緣網(wǎng)關(guān)作為客戶端， MonitorServer作為服務(wù)端。具體實現(xiàn)上，MonitorServer是采用C#語言開發(fā)的一個TCP Server，其包括通信模塊、管理模塊、數(shù)據(jù)緩沖池3個部分。MonitorServer程序的架構(gòu)如圖3所示。

通信模塊直接與各邊緣網(wǎng)關(guān)通過TCP/IP協(xié)議通信，實現(xiàn)數(shù)據(jù)接收和指令下發(fā)。由于TCP通信會產(chǎn)生百毫秒級的時延，當邊緣網(wǎng)關(guān)的數(shù)量較多時，服務(wù)器如采用單線程輪詢的模式較為耗時。為此該模塊的設(shè)計采用多線程（MultiThread）并發(fā)模式，當客戶端發(fā)起連接后，自動為每一個客戶端創(chuàng)建一個獨立的讀寫線程，各線程之間互不干擾，宏觀上處于并行狀態(tài)，從而提高系統(tǒng)的實時性。

管理模塊用于實現(xiàn)系統(tǒng)的初始化及參數(shù)設(shè)置。在數(shù)據(jù)庫中存儲有各個邊緣網(wǎng)關(guān)的配置信息，當MonitorServer啟動時，管理模塊從數(shù)據(jù)庫中加載這些配置信息，通過通信模塊下發(fā)至邊緣網(wǎng)關(guān)，從而實現(xiàn)對各網(wǎng)關(guān)的參數(shù)配置。

由于各應(yīng)用系統(tǒng)需要頻繁地獲取各網(wǎng)關(guān)的狀態(tài)數(shù)據(jù)，如采用共享存儲系統(tǒng)的模式，會產(chǎn)生大量的磁盤IO操作，影響運行效率。為提高數(shù)據(jù)讀寫速度，通信模塊會將各網(wǎng)關(guān)上傳的數(shù)據(jù)寫入一個公共數(shù)據(jù)緩沖池內(nèi)，各應(yīng)用系統(tǒng)從緩沖池內(nèi)批量讀取數(shù)據(jù)。具體實現(xiàn)方式上，緩沖區(qū)采用SQL Server內(nèi)存數(shù)據(jù)庫，通信模塊與其他應(yīng)用系統(tǒng)采用生產(chǎn)者/消費者模式，由通信模塊生產(chǎn)數(shù)據(jù)，應(yīng)用系統(tǒng)消費數(shù)據(jù)。此外，管理模塊會定時將緩沖池內(nèi)的數(shù)據(jù)，轉(zhuǎn)存入存儲系統(tǒng)，實現(xiàn)數(shù)據(jù)的持久化。

除監(jiān)控系統(tǒng)外，云端還配有人機交互子系統(tǒng)，數(shù)據(jù)存儲子系統(tǒng)及數(shù)據(jù)接口子系統(tǒng)，限于篇幅，細節(jié)不在此贅述。

2.2 ?邊緣端軟件架構(gòu)

邊緣端搭載ARM 9嵌入式芯片，運行嵌入式系統(tǒng)，實現(xiàn)對各探頭數(shù)據(jù)的實時采集、處理及上傳。為防止因網(wǎng)絡(luò)通信意外中斷而導(dǎo)致報警失效，邊緣端在設(shè)計之初就具備獨立報警的功能。即使在沒有網(wǎng)絡(luò)通信的情況下，邊緣端檢測到火警后也會立刻啟動內(nèi)置的報警器，并不斷嘗試向服務(wù)端發(fā)送報警信息，直至網(wǎng)絡(luò)通信恢復(fù)或由操作人員手工執(zhí)行復(fù)位操作。

為了在火災(zāi)發(fā)生時，第一時間啟動應(yīng)急措施，邊緣端包含8路DO及2路AO輸出端口，用于與水泵、風(fēng)機、防火卷簾門等第三方消防設(shè)施聯(lián)動。輸出端口的輸出規(guī)則可由用戶通過云端預(yù)先設(shè)置。當檢測到火警后，通過輸出端口自動激活第三方消防設(shè)施，從而使系統(tǒng)不但具備火災(zāi)報警功能，同時具備一定的消防設(shè)施控制功能。

綜上，邊緣端的軟件系統(tǒng)架構(gòu)如圖4所示。

3 ?算法實現(xiàn)

隨著以深度學(xué)習(xí)技術(shù)為代表的機器學(xué)習(xí)算法飛速發(fā)展，其精度比傳統(tǒng)的圖像檢測算法有了極大的提高，從而使得通過可見光圖像實現(xiàn)煙霧檢測變?yōu)榭赡躘6]。本文采用深度學(xué)習(xí)的單階段目標檢測算法，利用TensorFlow模型進行深度學(xué)習(xí)訓(xùn)練，構(gòu)建了一個包含20層的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖5所示。

各層的主要作用及參數(shù)設(shè)置如下。

第一層，卷積層：卷積核數(shù)量為64，大小為3×3，步長為1。輸入圖像的尺寸為640×640，通道數(shù)為1。激活函數(shù)選擇Relu，卷積層深度為24。

第二層，BN層：用于將卷積之后的數(shù)據(jù)歸一化，提升網(wǎng)絡(luò)的收斂速度。

第三層、第四層重復(fù)上述過程，用于進一步提取圖像特征。這樣做的目的是使用雙層小卷積核來代替單層大卷積核，在感受野相同的情況下，減少計算量。

第五層，最大池化層：池化核的尺寸為3×3，移動步長為3，這一層用于特征降維。

第六層至第十五層：交替設(shè)置卷積層與BN層，卷積核數(shù)量為128，大小3×3，步長為1。

第十六層，最大池化層：池化核的尺寸為2×2，移動步長為2。

第十七層，平均池化層：進一步對特征降維。

第十八層，全連接層：神經(jīng)元個數(shù)為1 280個，激活函數(shù)為Relu。

第十九層，BN層：將全連接層歸一化。

第二十層，全連接輸出層：將上一層產(chǎn)生的1 280個特征輸入全連接層，輸出分類結(jié)果。

在TensorFlow框架下，應(yīng)用Python語言構(gòu)建上述神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵代碼如圖6所示。

4 ?試驗測試

為保障識別的準確率，本系統(tǒng)使用手動實景采樣。分別在室內(nèi)、室外環(huán)境下，在白天、傍晚、夜間等時段，人工設(shè)置煙霧源，煙霧類型涵蓋黑煙與白煙，再利用定時攝像對不同濃度不同顏色的煙霧圖像拍照采樣，共計采集5 000張圖片。該數(shù)據(jù)集中包含大量不同距離、濃度及光照條件的樣本，各類樣本占比均勻，這樣有助于提高模型的魯棒性。對上述樣本進行手工標注后，隨機抽取3 000張作為訓(xùn)練集，1 000張作為驗證集，剩余1 000張作為測試集。在此基礎(chǔ)上，為了增強模型的泛化能力，減少過擬合的風(fēng)險，本文使用數(shù)據(jù)增強技術(shù)，對上述圖片進行隨機縮放、裁剪、旋轉(zhuǎn)和顏色變化，將原數(shù)據(jù)集擴充10倍。

由于深度學(xué)習(xí)模型要求訓(xùn)練圖片的分辨率必須一致，并且為了平衡訓(xùn)練速度與檢測精度，本文將數(shù)據(jù)增強前、后的所有樣本圖片均調(diào)整為640×640的大小，寬高比例不變。

在做好上述準備工作之后，開始訓(xùn)練模型。經(jīng)過100代訓(xùn)練后，使用測試集對模型進行測試，測試結(jié)果的各項指標見表1。

對完整測試集的準確率達到95.5%。通過對檢測失敗的樣本分析發(fā)現(xiàn)，大部分誤檢樣本均為使用樣本增強后的小面積煙霧樣本，剔除這些增強樣本后，模型對于原始測試集的準確率為98.8%。這個精度再輔以紅外、紫外的數(shù)據(jù)相融合，可以使系統(tǒng)滿足使用要求。

5 ?結(jié)論

本文提出了一種基于紅外、紫外及可見光3種光源的火災(zāi)監(jiān)測技術(shù)，應(yīng)用TensorFlow深度學(xué)習(xí)框架實現(xiàn)了基于可見光圖像的煙霧檢測算法，在此基礎(chǔ)上實現(xiàn)了一套完備的火災(zāi)監(jiān)測系統(tǒng)。該系統(tǒng)采用云、邊協(xié)同架構(gòu)，通過云端服務(wù)器及邊緣網(wǎng)關(guān)設(shè)備，實現(xiàn)了對明火、暗火及煙霧的全覆蓋檢測，極大地拓寬了系統(tǒng)的適用場景，增強了系統(tǒng)的可靠性及靈敏性。同時，該系統(tǒng)的設(shè)計具有一定的通用性，對于其他類型的監(jiān)控系統(tǒng)設(shè)計也具有借鑒意義。

參考文獻：

[1] 侯曉云，王書堂.基于NB-IoT的火災(zāi)監(jiān)測與預(yù)警系統(tǒng)設(shè)計[J].集成電路應(yīng)用，2023，40（9）：383-385.

[2] 張科，葉影，張紅.基于邊緣計算的森林火災(zāi)監(jiān)測系統(tǒng)[J].大數(shù)據(jù)，2019，5（2）：79-88.

[3] 張專成，黃天錄，龐新法.多參量火警監(jiān)測器的軟判決與單片機實現(xiàn)[J].微計算機信息，2008（8）：149-151.

[4] 荀磊.多傳感器融合的實驗室火災(zāi)監(jiān)測控制系統(tǒng)設(shè)計[J].安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報，2023，22（1）：6-13.

[5] 王浩森.家用火災(zāi)監(jiān)測報警信號處理系統(tǒng)的研制[D].成都：電子科技大學(xué)，2023.

[6] TAO H， DUAN Q， LU M， et al. Learning discriminative feature representation with pixel-level supervision for forest smoke recognition [J]. Pattern Recognition， 2023， 143：5.