基于卷积神经网络室内火焰烟雾识别

Computer Science and Application 计算机科学与应用, 2019, 9(6), 1183-1191

Published Online June 2019 in Hans. /journal/csa

https:///10.12677/csa.2019.96133

Indoor Flame Smoke Identification

Based on Convolutional

Neural Network

Yan Bai, Zekun Xu, Sen Huang, Xianchi Yu, Tan Li, Wei Zhao*

Northeast Forestry University, Harbin Heilongjiang

Received: Jun. 8th, 2019; accepted: Jun. 21st, 2019; published: Jun. 28th, 2019

Abstract

The biggest problem people face in life is the problem of indoor fire. In recent years, fire detection technology based on image pattern recognition has attracted the attention of many researchers and developed rapidly. With computer technology as the core, combined with image processing technology and pattern recognition technology, it can effectively detect and identify fire flame and smoke characteristics, gather people in the market, and play an important role in fire alarm in of-fice areas and production workshops of enterprises and institutions. This paper analyzes the dif-ficulties of smoke and flame pattern recognition, and uses kinematics detection method, feature extraction, convolutional neural network and other methods to solve the shortcomings of the tra-ditional method of indoor smoke and flame recognition which is not accurate. The result shows that the accuracy of the scheme can reach 93%.

Keywords

Characteristics of Smoke, Computer Vision, The Neural Network

基于卷积神经网络室内火焰烟雾识别

白岩，徐泽堃，黄森，于显驰，李覃，赵伟*

东北林业大学，黑龙江哈尔滨

收稿日期：2019年6月8日；录用日期：2019年6月21日；发布日期：2019年6月28日

*通讯作者。

白岩等

摘要

人们在生活中面临的最大问题是室内火灾问题。近年来，基于图像模式识别的火灾探测技术引起了众多研究者的关注，并得到了迅速的发展。技术以计算机技术为核心，结合图像处理技术和模式识别技术，可以对火灾火焰和烟雾特征实现有效的检测和识别，在人流聚集的市场、企业事业单位的办公区域和生产车间区域火灾报警可以发挥出重要的作用。本文分析了烟雾和火焰模式识别的难点，使用运动学检测方法、特征提取、卷积神经网络等方法解决了传统方法对室内烟雾和火焰识别不准确的缺点。结果表明，该识别方案的准确率可以达到93%。

关键词

烟雾特征，计算机视觉，神经网络

Copyright © 2019 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

/licenses/by/4.0/

1. 引言

火灾的发生一直是人们日常生活中最难预防的灾害之一[1]。今天，随着世界经济的发展，城市面积逐渐扩大，出现了许多大型的空间建筑，如大公司、商场、住宅楼等，建筑内部结构复杂多样。通常这些建筑物人流较多，无论是建筑材料还是建筑放置的物品，越易燃，就越容易引起火灾的发生。近10年来，共发生火灾3.1万起，造成474人死亡，直接财产损失15.6亿元。中国高层建筑火灾数据分析显示，在过去10年里，中国发生了3.1万起火灾。数据显示，8层以上24米以上高层建筑34.7万幢，100米以上超高层建筑6000多栋，居世界首位。随着社会的逐步发展，人们一直在总结消防救援经验，试图将火灾的经济损失降到最低。杜绝火灾的发生是不现实的，但如果我们可以找到正确的方式，可以检测火灾的发生，通过自动报警，让人们快速找到火源，用最短的时间将它熄灭，可以极大地减少火灾损失，因此，火焰和烟雾的识别是人们继续研究的重要内容。随着计算机技术和电子技术的发展，“智慧城市”

已成为城市建设的主题，智能监控系统已应用于各种场景环境。与传统的火灾探测器相比，模式识别技术能够以更大的监测距离和更广的应用范围探测火灾情况，为人们及时准确地探测火灾提供了一种新的方法。

2. 火灾与烟雾识别过程

2.1. 运动目标检测

现在常用的运动目标检测方法主要可以分为三种：光流法、帧间差分法、背景减除法。摄像机采集的视频序列具有连续性的特点[2]。因为如果场景内没有运动目标，则连续帧的变化很微弱，存在运动目标，则连续的帧和帧之间会有明显地变化，所以我们采用的是帧间差分法。帧间差分法(Temporal Dif-ference)就是借鉴了上述思想。由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧或三帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。运动目标监测流程图如下图1所示。