基于物联网的室内烟火检测与报警研究

基于物联网的室内烟火检测与报警研究

摘要：本文在室内环境下，通过分析视频图像来检测火灾的烟和火焰，首先对视频图像进行运动检测，然后提取火灾烟和火的重要特征信息，通过多特征融合分析，判断是否存在火灾。本文是采用了一种分布式火灾监控和无线互联网技术，将火灾火焰监测、报警传输和灭火机器人设备融为一体，实现联动跟踪烟火和灭火，为目前火灾监测系统的应用和推广提供参考。

关键词：运动检测；烟火识别；无线报警；特征融合

中图分类号：TP391.41

Abstract In this paper, the indoor environment as the application background, by analyzing the video image to detect the smoke and flames of fire, fire video motion detection, and then extract the important features of smoke and fire information, and analyzed by multi-feature fusion, to determine whether there is fire. This paper is distributed using a fire control and wireless Internet technology, make the fire flame monitoring, fire alarm transmission and fire-fighting robot devices a integration, to achieve the linkage track smoke and flame, the fire monitoring system is a reference for current application and promotion.

Key Words motion detection; smoke and flame detection; wireless alarm; feature fusion

1 引言

近年来，大量的高层家庭住宅、地下建筑和石化企业不断涌现。由于这些建筑的特殊性，发生火灾时不能快速高校地灭火。比如高层住宅区发生火灾时，消防人员不可能在短时间内到达火灾发生地点，在地下建筑中，由于环境比较潮湿，烟气不易扩散，消防人员不容易判定火源位置，同时在石化企业发生火灾时，将产生大量的毒气，消防人员容易发生中毒[2]。因此火灾给社会造成了大量生命和财产的严重损失，若能在火灾发生初期就进行识别报警，则可以减少各种损失，同时能让一台灭火机器人及时定位和灭火，将有重要的社会意义。

如今视频应用已经深入到人们工作和生活的方方面面，视频监控作为其中一种应用，对感兴趣的区域或目标进行实时的监视报警[3]。这些视频监控作为物联网的感知层，部署在各种场所的室内或室外环境中，如果将这些感知摄像头加入智能火灾的烟和火焰检测算法，对原有设备的变动和影响并不大，同时可以及时将感知层的报警信息通过无线或有限网络传到信息管理中心，将对火灾自然灾难的报警和处理产生一定影响。

国内外对于图像型火灾探测技术进行了深入研究，其中很多高校和国外都对识别算法进行了研究，目前这些算法有的只局限于对火焰进行检测[4]，或者对设备的要求太高。本文设计了一种提取烟和火的特征算法，对两者进行检测，最终进行融合判决，决定是否报警。如果有报警，将报警信息以多种形式传递出去，同时启动灭火机器人开展灭火，同时将灭火结果反馈给控制终端。本文还给出了一种分布式的视频火灾监控系统，为火灾监控系统实施提供参考。

2 视频烟火探测系统

基于图像处理的火灾探测系统是一种以计算机为核心，结合光电技术和数字图像处理技术而研制的烟火自动报警系统。整个系统结构如下图1：

图1 视频火灾监控系统总框图

如上图1，利用摄像头对现场进行监视，对摄取的视频信号由图像采集卡捕捉为图像并输入计算机，根据图像特征进行处理和分析，然后产生报警信息并传播到相关责任人，同时将位置信息传到对应的机器人，灭火机器人启动云台搜索，发现火源后进行灭火。可以将系统分成烟火检测模块、报警模块、灭火机器人运动模块和分布式部署，下面几节将进行详细论述。

3 烟火检测模块

在室内的众多火灾中，通常烟和火是同时具备的，尤其是在封闭的环境下，烟的传播更广泛，同时传播的速度比火要快。因此笔者不采用闫厚等人提出的判断流程[1]，本文采用先判断是否有流动烟雾，然后判断火灾火焰的方法检测火灾。

为了后期部署和实施方便，本系统采用Visual C++平台编写算法，开始从网络服务器中获取BMP图像信息，然后进行烟火识别，最后给出是否报警的结论。识别算法列成如下图2所示。

图2 室内火灾识别算法基本流程

为了检验此算法，本文实验中采集和处理图像分别为以下三种情况,第一:当只有烟雾产生时，分别分析烟雾的初始形成阶段、积累扩散阶段和逐步散去阶段。第二：当只有火灾火焰产生时，分别分析着火阶段、扩散燃烧阶段和火焰逐渐熄灭阶段。第三：当火灾火焰和烟雾同时存在和发生时，分析整个流程的图像序列。通过分析这三种情况，能够及时发现烟火信息，并产生报警信号。

4 报警模块

报警模块主要负责报警信息的采集和传送，报警模块分为声音报警、短信报警和Web 报警。

4.1 声音报警

当灭火机器人通过Timer定时访问远端报警数据库，检测到室内空间的任一CCD摄像头的报警DB发生变化，则室内空间有火灾报警信息，机器人第一时间产生声音报警。警示周围的人员有火灾险情，提示请尽快撤离，同时机器人开始搜索灭火。

4.2 短信报警

短信报警模块是室内的一个Android[8]的手机服务器通过Servlet实时访问报警DB,当检测到该区域内有火灾报警信息，则手机服务器自动将报警信息和位置发送到指定的负责人，通知负责人采取措施进行灭火。子系统设置如下图3所示：

图3 手机报警子系统

4.3 B/S远程Web显示

远程Web报警即在任何可以访问互联网的地方都可以访问到各个室内传过来的报警数据，报警分为三个等级，实时刷新报警数据，当达到最高3级时，跳出报警窗口和图片，同时传送远端视频信息。报警信息包括：摄像机详细地址、摄像机标号、报警时间、报警级别、

报警图和报警视频。

5 机器人搜索和灭火模块

当机器人中通讯模块，收到此区域内有详细火灾报警信息后，开始启动机器人灭火，本文应用的灭火机器人结构如下图4所示：

图4 机器人灭火响应流程图

从图4中可以看出，移动机器人灭火系统可以分三个过程来考虑，首先是火焰目标的定位和识别，其次是移动机器人对火焰目标的跟踪，最后是开启灭火器灭火。所以本文中移动机器人主要由三大模块构成：视觉处理模块、火焰目标跟踪和灭火控制组成。

视觉处理模块完成火灾火焰目标的定位和识别，包括云台摄像机和ZC0301P摄像机的图像采集以及移动机器人对采集图像的分析的过程。

机器人视觉系统采集图片为320*240，取HIS的颜色取值空间，详细如下图5所示：

图5 机器人采集视觉图像

在移动机器人跟踪过程中，视觉模块通过对图像的预处理、特征提取，最终完成火灾识别，在这个过程中是通过彩色图像区域分隔法完成；火焰跟踪决策模块根据视觉模块得到的

环境信息控制云台电机运作，跟踪火焰目标，使火焰目标重心图像坐标始终处于视频图像中心，并实时获取云台电机的转过角度，以此分析移动机器人自身所处的环境和位置；灭火控制模块主要通过对火焰的确认和灭火组成，机器人确认到合适的位置，通常在0.2-0.5米的位置，然后开始灭火，反复确认是否还存在火焰，直到灭火成功完成，然后发送灭火完成指令给服务器控制端，最后机器人回到原位。

6 分布式火灾检测部署

本文采用物联网的分布式系统架构来部署设备和系统，系统部署分为感知终端、数据采集分析和终端应用平台三个部分。部署结构如下图6所示：

图6 系统部署结构

系统整体部署如上图5所示，第一层除了感知层的摄像头还有时刻待命的灭火机器人，第二层为各个场所采集设备、数据库和Android手机服务器。第三层为统一数据中心和控制终端。

7 结论

本文在物联网的框架下，设计了一种分布式的室内烟火检测系统，将火灾检测、报警以及机器人灭火融为一体，同时对可能发生火灾的烟和火进行分别检测。通过实验表明，这种检测方法可以进一步的提高室内环境下火灾检测的准确性。因本文的灭火机器人是建立在DM-B2x0/450 型号的机器人基础上，灭火效果还有待进一步提高。

参考文献

[1] 闫厚、倪金生基于网络摄像机的森林火灾烟火自动识别技术探讨[J]. 森林防火,2007(2).

[2] 迟权德、沈建华等职能侦查灭火机器人的研究与开发[J].微型机与应用,2011(11)

[3] 葛勇.基于视频的火灾检测方法研究及实现[D]. 2009(4)

[4] T.H. Chen, Y.H. Yin, S.F. Huang, Y.T. Ye, The smoke detection for early fire- alarming system based on video processing, in: IEEE International Conference on Intelligent Information Hiding and Multimedia Signal Processing, (2006)

[5] Byoung Chul Ko, Kwang-Ho Cheong，Jae-Yeal Nam. Fire detection based on vision sensor and support vector machines[J] . 2008

[6] W. Phillips, M. Shah, N.V. Lobo, Flame recognition in video, in: Fifth IEEE Workshop on Applications of Computer Vision, 2000

[7]B.U. T?reyin,Y. Dedeo?lu，U. Güdükbay and A.E. ?etin, Computer vision based method for real-time fire and flame detection, Pattern Recognition Lett27(1) (2006)

[8]胡伟. Android系统架构及其驱动研究[J].广州广播电视大学学报.2010(8)

[9] A. Yavlinsky, E. Schofield, S Ruger, Automated image annotation using global features and robust nonparametric density estimation, ACM Int. Conf. Image Video Retr. (2007) 25–32.

[10] T. Celik, H. Demirel, H. Ozkaramanli, M. Uyguroglu, Fire detection using statistical color model in video sequences, J. Visual Commun. Image Representation 18 (2007) 176–1