有雾天气下输电线路山火烟雾检测方法研究

消防设备研究
有雾天气下输电线路山火烟雾检测方法研宄
刘志翔\牛彪S王帅\陈青松、龙雅芸:，江柳2
(1.国网山西省电力公司电力科学研究院，山西太原300001;2.华北电力大学（保定），河北保定071003)
摘要：输电线路多处于环境复杂的山林中，早期山火发生时经常以烟雾的形式呈现，而在有雾状况下的山火烟雾检测方法的研究却很少见针对有雾天气状况时的山火检测，提出一种去雾图像增强方法，首先对图像局部均衡化处理，再对全局利用改进的单尺度R e t i n e x方法做增强处理，并使用基于卷积神经网络的山火烟雾检测网络来检测早期山火发生时产生的烟雾_实验结果 表明，基于局部和全局的图像增强方法可使山火烟雾检测准确率有明显提升，通过卷积神经网络的烟雾检测准确率达到97.2%。

关键词：输电线路；图像去雾；烟雾检测；卷积神经网络
中图分类号：X932;T P391.4 文献标志码：A
文章编号：1009-0029(2021)03-0390-04
我国地域广阔，电力资源分布不均，为满足人民对电 力的需求，必须进行大规模远距离的跨地域输电。

输电线 路所跨越的地域多处于草木繁盛的野外，会受到天气或人 为因素影响而导致山火发生，极易引起输电线路跳闸，给 电网安全运行和人民生命财产带来威胁。

烟雾作为火灾 发生的早期信号，在背景复杂的山林中，相对于火焰更容 易被观测到，进而可以及时发现山火，避免事故的扩大。

...............................................................Ill.......Ill................Ill....................................nil.....'I l l'M l......M il.....M il......Ill.......I l l,M i l.....Mi l_"l||'I II,,.. scene o f the laboratory accident. T h r o u g h the control software, the laboratory safety monitoring device a n d feedback in the sys­t e m m a n a g e m e n t a n d control m o d ule, a n d through Z i g B e e net­w o rk, the r emote c o m m u n i c a t i o n m o d u l e feed bac k the simula- tion results a n d control results of laboratory accident to the a p­plication m o d u l e for monitoring, analysis a nd display, so as to realize the design o f laboratory accident alarm system. T h e s i m­ulation experiment is designed, a n d the real-time control is car­ried out b y using the designed laboratory accident alarm sys- tem. T h e results s h o w that the system can effectively simulate the laboratory fire accident, with high safety efficiency a nd w i d e monitoring range.
K e y w o r d s: r emo t e monitoring; laboratory; the accident; safety;
a l arm system
作者简介：包艳华（1982—），女，江苏句容人，南京工 业大学材料学院实验室助理研究员，硕士，主要从事实验 室安全管理和研究生培养管理工作，江苏省南京市浦口区 浦珠南路30号材料学科楼A521室，210009。

收稿日期：2020-09-30
目前，许多研宄人员提出基于计算机视觉的山火烟雾 检测方法。

传统的计算机视觉检测方法主要是基于烟雾的静态、动态特征或二者的融合特征，并采用分类算法进 行烟雾识别。

典型特征包括颜色、纹理、运动特性等。

例 如，文献[9]提出了基于颜色、形状和运动3种特征组成的 多专家系统检测火灾和烟雾区域。

近些年，深度学习方法 在计算机视觉领域取得了显著成果，它能自动学习图像特 征并实现目标检测。

文献[10〜12]分别构建了新型深度归 一化卷积神经网络、9层卷积神经网络和级联卷积神经网 络来识别烟雾。

文献[13]提出一种集成式长短期记忆网络 来识别森林火灾烟雾。

文献[14]通过结合VGG16与 ResNet50网络来检测烟雾。

以上算法均得到了较高的烟 雾检测率。

输电线路建设大多位于野外，环境比较复杂，在实际 监测中经常遇到有雾的天气状况，导致光在传播中产生光 差，在雾天，由于粒子对光的散射作用，使获得的图像出现 颜色不均、细节边缘模糊的现象，严重影响了图片的质量，不利于山火的检测。

用以上烟雾检测方法在雾天检测山火烟雾，其精度势必会降低。

而目前关于有雾状况下的山 火烟雾检测方法的研宄却很少见。

针对这一问题，笔者提 出了一种针对雾天的烟雾图像去雾增强方法，对加雾图像 做局部细节、全局的增强处理，并使用基于C N N的山火烟 雾检测网络来检测早期山火发生时产生的烟雾。

并创建 加雾的山火烟雾图像数据集，验证所提算法的性能。

1有雾天气状况下的山火检测方法
为提高雾天的火灾烟雾检测准确率，先对图像局部及 全局进行增强处理，达到去雾效果，再采用一个轻量级的 卷积神经网络识别增强后的图像，判断有无山火发生。

1.1图像局部细节增强处理
将待检测图像转换到RGB空间，对R、G、B三个通道 分别进行处理，笔者以R通道为例介绍图像局部细节增强 方法。

雾的存在会使图像产生退化效果，整体呈现灰白或 灰色。

根据高斯分布的站准则，对于正态随机变量，其值 落在—" +36]区间的概率达到0.997 4,对于该区
间内的图片像素值进行对比度增强处理是可行的，故取值 见式（1)。

■R m a x="— 1 )式中：/?M A X和i?M IN分别是R通道分量的最大值和最小
基金项目：国网山西省电力公司科技项目“基于影像识别的重要输电通道全天候预警监测分析技术研究与应用”(520530180001.)
值；P和<7是该分量的均值和标准差。

曲，使最终图像颜色偏灰，即呈现图像变暗现象。

因此，要
判断R通道的所有数值，当通道中某一点数值
处于该区间，获取该点的灰度值，并统计整个区间内各个 灰度值的个数，见式（2)。

ja=/?(x,^) +l(2)
|^(l,a)=6〇(l,a)+l
式中：a为灰度值；％(l，a)为灰度值分布矩阵(即灰度值个数)。

灰度值a的范围为0〜255,对应灰度值分布矩阵1〜256,故灰度值要增加一个单位得到最终的灰度值分布矩阵6(l，a)。

灰度值平均化处理见式(3)。

y(l,a)=255xB(l,«)/(M x N)(3)式中：a)为平均化后的灰度值；4为灰度值分布 矩阵以1，4中元素的总和;M、iV为图像的尺寸。

最后将平均化后的灰度值代替原位置的灰度值即可。

1.2图像全局增强处理
经过灰度值平均化处理后的图像细节更明显。

为了 使图像整体更为清晰明了、便于山火烟雾检测，对其进行 全局去雾处理。

R etinex理论是颜色恒常知觉的计算理论，也是一个非常经典的去雾方法。

它认为物体的颜色受 光照影响较小，而是由物体本身对于不同波段光照的反射 能力来确定。

其中，单尺度Retinex方法能在平衡图片色 彩、增强边缘效果的基础上，削弱光照不均匀的影响，增强 图像的细节信息，故有一定的去雾效果，对野外视频监测 的天气状况有一定的包容度。

并且它的算法复杂度低，所 需时间较少，适合输电线路山火的检测。

在单尺度R etinex方法中，图像可以由反射图像和亮 度图像的乘积构成，见式(4)。

l(jr,y)=R(j:,y)X L(x,y)(4)式中：/沁乂)、R(:r,_y)、/J x o；)分别为原图像、反射图像、入射图像的像素值。

先读取原图像像素值，其中的入射图像/^r，3〇可由原始图像与高斯函数卷积表示，见式(5)。

Li^y)=x G{x,y,c)
/-s(.r-jJ + (.v-.y,J (5)
G(x，3；,f)=~^=e
\m Z n j
式中：c■为标准方差；（To,为图像中心点。

为减少算法的复杂度，将式(4)转化到对数域，并提取出对数变换后的反射图像,见式（6)。

"(■r’j)=log R(jr，7) =log(U+?)(6)为防止出现零，导致对数运算无意义，对原图 像和入射图像的像素值作加一处理。

运用R etinex方法处理R、G、B各个颜色分量时，因为各个通道具有相关性，所以图像的像素会出现偏移、扭对进一步处理。

为防止图像失真，要在合理的范围 内做增亮处理，则运用式（1)计算出rir,3〇的最大值尺m a x 和最小值及并对自身的数值归一化，见式(7)。

”(不30 =卜(了-尺M IN)/(尺MAX —尺MIN) (7)
式中：值为0〜1之间。

在较暗图像中具有聚集且偏小的特点，可通过 S形双曲正切函数扩展拉伸像素值，让图片像素值更均匀且有一定的提升，最终使图像亮度增加，呈现更好的视觉效果。

曲线变换见式(8)。

4w)=l/〔l+e•到)〕(8)
式中：々为指数系数，J为像素平均值，因为之前进 行了归一化处理，可直接取值0.5。

多次试验证明，当々值较小时，最终增强图像偏灰；当々值较大时，最终增强图像偏白，都会导致一定程度的图像 失真。

而当其取值为6〜8时，能获得较好的增亮效果。

1.3烟雾检测
卷积神经网络基本结构包括输入层、隐藏层和输出层。

其中，隐藏层又包括卷积层、池化层和全连接层，祌经 网络的方法可以避免人工提取特征单一的局限性，能够更 加全面地提取烟雾的特征。

卷积层采用不同的卷积核滑动卷积的方式提取输入图像的特征，利用激活函数来加入非线性因素，使模型更 接近真实函数，提高神经网络的表达能力。

笔者采用Rein 函数作为激活函数，它相对其他激活函数有计算量小、梯 度传递效果好的优点。

池化层主要用于减小特征图尺寸，池化又分为最大池化和平均池化。

笔者采用最大池化，只取对应区域像素的最大值。

全连接层（F C)将二维特征图 转化为一维向量，再将其进行全连接。

最后通过soft max 函数完成分类，输出识别结果。

采用神经网络的方法构建了一个火灾检测神经网络，以此来检测在有雾状况下的山火烟雾。

网络框架如图1所示。

图1基于C N N的山火烟雾检测神经网络框架
其中，第一个卷积池化层中，使用16个大小为7X7 的卷积核以步长为1进行卷积计算，padding方式为SAME ,以R elu函数为激活函数，然后进行批量标准化。

池化层以池化步长为2、池化大小为2X2将图片维度从
128X128快速减少到64X64:第二个卷积池化层使用32 个大小为3X3的卷积核，随后的设置与第一个模块一样；第三个卷积池化层由两个卷积层堆叠组成，以便学习更多 特征。

它由64个卷积核为3的滤波器进行卷积计算，之后 连接2X2的池化层：最后由两个全连接层和一个softmax 分类器组成，其中使用Dropout随机删除一些神经节点，防 止过拟合，提高网络的泛化能力。

2实验结果及讨论
2.1构建数据集
本实验数据集是经收集整理后进行加雾处理而形成的有雾的烟雾图像数据集。

原始的烟雾图像一部分来源于 GitHub 网站中 Fire—Detection—Image—Data数据集，此数据集所处的场景为山林、野外，可保证实验的可靠性。

根据实验需要，选择火灾图像中呈现烟雾的图像并入数据集；另一部分来源于中国科学技术大学(USTC)火灾 科学国家重点实验室的烟雾数据集，笔者对其数据集中重 复的图像进行删减后再次并入数据集；经过以上筛选后，图像的数量有一定减少，所以增添来源于G oogle图像搜 索中适宜的图像，最终构成了含有1 400张图像的原始数 据集，其中烟雾图像与正常图像各700张。

随后，笔者利用风格迁移的方法对创建的原始数据集 进行加雾处理：选择一张有雾的图像作为参考图像，原始 数据集作为目标图像，赋予目标图像以参考图像的风格，即可完成加雾处理。

采用文中1.1和1.2章节所述方法，对加雾数据集进行局部及全局的图像增强处理，得到增强 数据集。

图2展示了原始数据集、加雾数据集和增强数据集部 分图像。

(g)原图(h)加薄雾(1)增强图像
(f)增强图像
2.2实验结果分析
首先，采用加雾数据集和增强数据集作为实验数据集，对比验证文中提出的图像增强方法的有效性。

利用传 统的计算机视觉方法：分别采用3种特征提取方式，即提 取图像的H O G特征、L B P特征以及利用VGG16提取图 像特征，并结合支持向量机(SVM)对其进行分类检检测，即发生火灾（有烟雾）和正常情况（无烟雾），最后根据分类 结果计算检测准确率。

将加雾数据集和增强数据集分别按照5:2的比例分为训练集（1 000张）以及测试集（400 张），其中有山火发生和正常情况的图像数量各占50%。

最终山火检测准确率结果见表1。

由表1可知，针对加雾数据集，采用HOG+S V M的方法最终检测准确率为45%,而LBP+S V M的方法只达 到44.9%。

另外，采用VGG16+S V M的方法准确率达到 了 71.8%,对比提取HOG、L B P单一特征进行检测的方法，其准确率有一定的提升。

这说明，虽然提取单一特征 的算法简单，但局限性较大，最终导致检测准确率降低。

总之，3种方法在加雾数据集下的检测准确率都处于较低水平。

表1不同方法在不同数据集下检测准确率对比表实验方法实验数据集准确率
H O G+S V M
加雾数据集45.0%
增强数据集74.8% L B P+S V M
加雾数据集44.9%
增强数据集45.2%
V G G16+S V M
加雾数据集71.8%
增强数据集96.0%另外，图像进行局部以及全局增强处理后得到增强数 据集。

在该数据集基础上，相较于加雾数据集，提取LBP 特征方法的准确率无明显变化，这表明在本文山火烟雾检 测中，H()G特征相比于L B P特征更能代表烟雾的纹理特 征。

而提取H O G特征和采用VGG16特征提取的方法使 得最终准确率都有明显提高，其中采用VGG16+S V M的方法检测准确率达到96.0%,是一个准确率较高的结果。

验证了本文图像增强方法的有效性。

随后，采用本文1.3章节中基于C N N的山火烟雾检 测算法对增强数据集和加雾数据集进行训练和测试。

表2
展示了在两种数据集下训练和测试最终达到的具体准确率数值。

表2烟雾检测神经网络的准确率
数据集训练准确率测试准确率
增强数据集95.1%97.2%
加雾数据集94.6%95.3%
由表2可知，在神经网络训练过程中，两种数据集的 准确率都达到了 95%左右。

网络训练完成后，再利用同样 的数据集进行测试，其中直接用加雾数据集来检测山火早 期烟雾的检测准确率只达到95.3%,而利用增强数据集的 检测准确率最终稳定在97.2%,高于上文中利用传统特征 提取结合支持向量机方法的检测准确率。

证明了本文方 法在有雾天气下对早期山火发生时烟雾检测的有效性。

3结论
针对有雾天气状况下输电线路的山火烟雾检测，笔者 提出了一种去雾增强方法，对加雾数据集做局部细节均衡 化处理，再利用改进的单尺度R etim ex方法做全局增强处 理，最后使用基于C N N的山火烟雾检测网络来检测早期 山火发生时产生的烟雾。

同时，创建了含有1 400张图像 的原始数据集，并通过风格迁移获得加雾数据集，在两种 数据集基础上通过实验对比验证了去雾增强方法的有效性，且基于C N N的山火烟雾检测神经网络使烟雾检测准 确率达到97.2%，取得很好的检测效果。

该方法弥补了现 有的检测方法的不足，使有雾天气下的山火烟雾检测的准 确率有所提高。

参考文献：
[1] 李欣.朱培能.祝勇.浅析输电线路“=跨”施工在线雷达测距及监控设
备的研究及应用[J].智能城市，2019,5(2):92-93.
[2] 刘春翔，范鹏.王海涛，等.基于B P神经网络的输电线路山火风险评估
模型[J].电力系统保护与控制，2017,45(17):100-105.
[3] ZHANG Q X,LIN G H,ZHANG Y a/.Wildland forest fire
smoke detection based on faster R-CNN using synthetic smoke Im- ages[J].Procedia Engineering,2018,211:441—446.
[4] MUHAMMAI) K, AHMAD J，BAIK S W.Early fire detection us
ing convolutional neural networks during surveillance for effective disaster managcment[J].Neurocomputing, 2018,288(2)：30-42.
[5] 李娜，齐爱玲，贾澎涛，等.两种火灾烟雾识別方法的研究[J].西安科技
大学学报，2019,39(5):898-904.
[6] 刘欢，房胜，李哲，等.基于背景反馈和k-means算法的野外烟雾检测
[J].中国科技论文，2019,14(3):261—267.
[7] 朱磊.基于图像增强与多特征的森林火灾烟雾检测算法[J].消防科学
与技术，2018,37(2):225-228.
[8] LEE C Y,LIN C T,H()NG C T ,et a/.Smoke detection using spa­
tial and temporal analyses[J].International Journal of Innovative Computing Information and Control, 2012,8(7A)：4749—4770.
[9] FOGGIA P,SAGGESE A,VENTO M.Real-time fire detection
for video-surveillance applications using a combination of experts based on color,shape,and motion[J].Circuits and Systems for Vid­
eo Technology ,2015,25(9)： 1545—1556.
[10] YIN Z. WAN B,YUAN F,^/ al.A deep normalization and convo­
lutional neural network for image smoke detection[J].IEEE Ac­cess ,2017,5： 18429-18438.
[11] FRIZZI S,KAABI R,BOUCHOUICHA a/.Convolutional
neural network for video fire and smoke detection[C]//Industrial Electronics Society, IECON 2016 Conference of the IEEE.IEEE, 2016:877-882.
[12] ZHANG Q,XU J,X U\.,et«/.Deep convolutional neural net­
works for forest fire detection[C]//International Forum on Man­agement ,Education and Information Technology Application, 2016.
[13] 卫鑫，武淑红，王耀力.基于深度卷积长短期记忆网络的森林火灾烟
雾检测模型[J].计算机应用，2019,39(10):2883-2887.
[14] 王洋，程江华，刘通，等.一种多网络模型融合的烟雾检测方法[几计
算机 X 程与科学，2019,41(10):1771-1776.
[15] 杨燕，张得欣，岳辉.基于最小值通道与对数衰减的图像融合去雾算
法[J].北京航空航天大学学报，2020,46(10):1844-1852.
[16] 陈淑環，韦玉科，徐乐，等.基于深度学习的图像风格迁移研究综述
[J].计算机应用研究，2019，36(8):2250-2255.
Study on detection method of mountain fire smoke in transmission lines under fog weather
LIU Zhi-xiang丨，NIU Biao丨，WANG Shuai丨，CHEN Qing-songi, LONG Ya-yun2, JIANG Liu2
(1. State Grid Shanxi Electric P o w e r Research Institute, Shanxi Taiyuan 300001, China; 2. N o r t h C h i n a Electric P o w e r University(Baoding), H e b e i B a o d i n g 071003, China)
Abstract: M o s t of the transmission lines are in the m o u n t a i n for­ests with c o m p l e x environment, a n d early m o u n t a i n fires often appear in the f o r m of s m o k e.B ut the study of s m o k e detection m e t h o d s for m o u n t a i n fires in foggy conditions is rare. A i m i n g
at the detection of wildfires in foggy weather conditions, this p a­per proposes a d e-f ogging i m a g e e n h a n c e m e n t m e t h o d.First, perform the localized equalization o f the image; then conduct e n h a n c e d process b y the global single- scale Retinex m e t hod, a n d detect s m o k e generated during early wildfires using C N N-based wildfires s m o k e detection network. Experimental analy­sis proves that the local a n d global i m a g e e n h a n c e m e n t m e t h o d s can significantly i m p r o v e the accuracy of wildfire s m o k e detec­tion, a n d the accuracy of s m o k e detection through convolution­al neural n e t w o r k reaches 97.2%.
K e y w o r d s:transmission line; i m a g e de- foggy; s m o k e detec­tion; convolutional neural n e t w o r k
作者筒介：刘志翔（1991—),男，山西大同人，国网山西 省电力公司电力科学研究院工程师，硕士，主要从事电网 设备技术监督工作，山西省太原市青年路6号,300001。

收稿日期：2020-10—13。