标题 | 基于图像处理技术的烟雾检测在家庭火灾防范中应用 |
范文 | 杨剑 陈世娥 摘要:针对家庭火灾防范中缺少更有效、快速的实时烟雾检测问题,本文设计了一种基于图像处理技术的烟雾检测算法,能够对家庭住宅内部进行实时烟雾检测,从而实现火灾防范。本算法主要使用单阶段的端到端YOLO v3算法,对输入的烟雾数据进行学习,提取网络中不同卷积层的特征图进行联合训练。实验结果表明,和双阶段网络的烟雾图像检测方法相比,该方法检测速度快,实时效果好,同时也取得了较高的检测准确率,具有较高的实际应用价值。 关键词:家庭火灾防范;图像处理技术;烟雾检测; YOLO v3算法 中图分类号: TP18? ? ? ? 文献标识码:A 文章编号:1009-3044(2021)06-0189-03 Abstract: In view of the lack of more effective and fast real-time smoke detection in home fire prevention, this paper designs a smoke detection algorithm based on image processing technology, which can detect real-time smoke inside a family house, thereby realizing fire prevention. This algorithm mainly uses a single-stage end-to-end YOLO v3 algorithm to learn the input smoke data and extract the feature maps of different convolutional layers in the network for joint training. The experimental results show that compared with the smoke image detection method of the two-stage network, this method has fast detection speed and good real-time effect. At the same time, it has achieved a higher detection accuracy rate and has higher practical application value. Key words: home fire prevention; image processing technology; smoke detection; YOLO v3 algorithm 在日常电视新闻中常常看见各种火灾的发生,特别在家庭住宅中,火灾事故往往是因为人们的消防安全常识薄弱或存在误区从而导致悲剧发生。根据消防部门的统计,在所有的火灾比例中,家庭住宅火灾占比较高。家庭火灾发生的原因很多,可能发生在我们身边,也可能发生在我们没有注意到的地方。因此,及时发现室内初起火灾,为及时灭火或争取逃生时间,将危险降到最低具有重要的意义。在现实生活中各类火灾探测器主要有热感应式探测器、光感应式探测器以及烟感应式探测器,除了城市旅馆、酒店、商场等公共场所要求安装烟雾报警器外,而民用住宅区域安装烟雾报警器并没有强制性要求,以至民用住宅中安装烟雾报警器很少。此外,各类火灾探测器普遍存在着响应延迟,易故障或失效,不适用于高大空间或室外场景等难以解决的缺陷。因此,开发更有效、可靠的探测或检测方式一直是家庭火灾防治的努力方向[1]。 随着人们安全防护意识的提高,近年来,家用摄像头已成为越来越多家庭的“标配”,许多家用安防设备越来越先进,具备了报警、探测等多种功能。基于图像处理技术的火灾探测技术是一种基于机器视觉、非接触的火灾探测技术,具有响应快、不易受环境因素影响、适用面广、成本低等优势,成为家庭火灾检测方法中较为重要的交叉学科研究领域[2,3]。 1烟雾检测技术发展概述 目标检测目的是识别目标并给出其在图中的确切位置。2012年之前目标检测算法大多是基于手工特征所构建,而近十多年来,因卷积神经网络在图像分类任务中取得了巨大成功后,目标检测任务也取得了很大的进展,形成了许多目标检测算法和成功的应用。在烟雾检测方面,相关算法的发展也经历了基于传统手工特征所构建和基于深度学习的目标检测算法。文献[4]利用高斯混合模型(Gaussian Mixture Model,GMM)进行运动对象分割,再将检测框坐标与面积、雾的速度作为特征参数输入分类器中,判定是否为烟雾。文献[5]提出了一种利用形状,颜色和动态纹理的图像浅层视觉特征进行视频烟雾检测的方法,并取得了不错的效果。此外,卷积神经网络可以自动从目标图像中提取更深、更细粒度的特征能力,能有效提高目标检测性能。因此,基于卷积神经网络的视频烟雾检测方法越来越得到一些学者重视和关注。文献[6]提出一种不规则运动区域直接提取动态纹理特征的方法,支持向量机作为动态纹理特征的分类器完成烟雾实时检测。文献[7]提出了一种基于背景动态更新和暗通道先验的运动目标检测算法,以检测可疑烟雾区域。然后,通过卷积神经网络自动学习可疑区域的特征,最后进行烟雾识别,该方法取得了良好的性能。文献[8]使用批归一化卷积方式代替常用的卷积层,加快训练过程并提高烟雾检测的性能。FRIZZ等[9]利用卷积神经网络来识别视频中的火灾,得到更好的检测效果。目前的基于深度学习目标检测模型研究方向大概分为两大类:一是双阶段(two-stage)检测算法,主要是基于区域候选(region proposal)的方法,即通過某种策略选出一部分候选框,再将所有的候选区域送入分类器进行分类,比如Fast RCNN、Faster RCNN等。在两阶段检测算法中由于经过了粗和精检测流程,使得其在准确度上具有优势。另一个是单阶段(one-stage)算法,其经过单次检测直接得到检测物体的类别概率和位置坐标值,如YOLO系列。深度学习强大的特征表示和学习能力大大提高了目标检测效果,在评价指标上远超于传统算法,本文研究的基于图像处理技术的烟雾检测技术主要使用了单阶段端到端训练的目标检测方法。 2基于深度学习的烟雾检测设计与实现 2.1烟雾检测算法整体流程图 本文的烟雾检测算法整体流程如图1所示。先通过摄像头对烟雾数据进行采集,建立烟雾数据库,再对烟雾数据进行数据增强;然后读取烟雾数据输入到YOLO v3检测模型中进行数据训练学习,从而得到结果模型;同时,对受监控场景,通过摄像头获取监控视频帧序列,将视频帧图像送入训练好的检测模型中进行检测;在此基础上,对视频帧图像做判断处理;当待检测的视频帧序列满足条件時,则判定为有烟雾,并发出烟雾警报。 2.2 YOLO v3算法 YOLO将物体检测作为回归问题求解。基于一个单独的端对端网络,输入图像经过一次推断,便能得到图像中待检测物体的位置和其所属类别及相应的置信概率。YOLO v3是在YOLO v2算法的基础上,其改进之处主要有:主干网络、预测阶段和损失函数等[10]。为了获得更好的特征表达,YOLO v3主干特征提取网络是由5个残差块构成的Darknet-53网络,如图2所示。在预测阶段,借鉴了FPN(Feature Pyramid Network)使用3个尺度的特征图,小的特征图提供语义信息,大的特征图提供更细粒度信息,再将小的特征图通过上采样和大尺度做融合。在损失函数设计中,YOLO v3算法支持对多标签的检测,不再使用soft max作为损失函数而是使用sigmoid激活函数和交叉熵函数。 3结果及分析 3.1 实验平台和参数 本文实验使用的深度学习框架为Pytorch,硬件环境为:Intel Core i7-8750H,NVIDIA GeForce GTX 1070 8GB显卡,16GB内存,操作系统为Windows10。 实验主要参数是:batch是每次输入网络的训练样本个数为32;momentum是梯度下降的动力参数为0.9;learning_rate是学习率为0.01;ignore_thresh是非极大值抑制的IOU阈值为0.5。 3.2数据的扩充和增强 对一些数据比较稀缺的任务,基于深度学习的方法难以得到预期效果。因此在原始数据基础上,采取数据增强技术,对原始图像进行数据扩充,在网络训练过程中十分重要。为了提高模型的鲁棒性,泛化模型,达到预期效果,在已有数据的基础上进行有监督的数据增强,常使用如几何变换,颜色变换,特效处理等方法。 3.3检测模型对比实验 在目标检测任务中,对目标检测模型的性能指标有:平均类别精度(mean Average Precision,mAP)和检测时间(ms)。平均类别精度是指先单独计算各个类别的类别精度(Average Precision,AP),再求各个类的AP的平均值。平均类别精度可以有效避免某些类别极端化而弱化其他类别的性能。本文对不同的检测模型算法进行了实验对比,实验结果如表1所示。 从表1中可以看出双阶段目标检测算法Fast R-CNN、Faster R-CNN算法和单阶段目标检测算法YOLO v3的性能指标。双阶段目标检测算法Fast R-CNN和Faster R-CNN的平均精度分别为86.27%与94.61%,但检测速度相对YOLO v3较低,这主要是由于双阶段目标检测算法在检测过程中候选区域生成网络(RPN)生成包含待检物体的候选框会增加网络模型的计算时间。使用单阶段目标检测算法YOLO v3算法获得了25.2帧每秒的检测速度和94.52%平均精度,与其他两种算法相比,YOLO v3检测速度最快,平均精度与Faster R-CNN算法相当。 4小结 针对现有家庭火灾防范缺少更有效、快速的实时烟雾检测问题,本文实现了一种基于图像处理技术的烟雾检测算法,实验结果表明该算法具有更快的检测速度和较高的准确率。为及时发现室内着火,争取更多灭火或逃脱的时间,将伤亡降到最低具有重要的实际意义。由于实际监控条件和场景的复杂性,为了更进一步提升模型的性能和检测效果,后续的工作可以收集完善烟雾数据集,加强对背景特征和烟雾特征更细粒度的特征学习和表示,提高烟雾检测的准确率。 参考文献: [1] 杜立召,徐岩,张为.一种双网融合的分阶段烟雾检测算法[J].西安电子科技大学学报,2020,47(4):141-148. [2] 袁梅,全太锋,黄俊,等.基于卷积神经网络的烟雾检测[J].重庆邮电大学学报(自然科学版),2020,32(4):620-629. [3] 陈俊周,汪子杰,陈洪瀚,等.基于级联卷积神经网络的视频动态烟雾检测[J].电子科技大学学报,2016,45(6):992-996. [4] Zen R I M,Widyanto M R,Kiswanto G,et al.Dangerous smoke classification using mathematical model of meaning[J].Procedia Engineering,2013,62:963-971. [5] WANG S D,HE Y P,YANG H Y,et al.Video smoke detection using shape color and dynamic features[J].Journal of Intelligent and Fuzzy Systems,2017,33(1):305-313. [6] LIN G H,ZHANG Y M,ZHANG Q X,et al.Smoke detection in video sequences based on dynamic texture using volume local binary patterns[J].KSII Transactions on Internet and Information Systems,2017,11(11):5522-5536. [7] LUO Y M,LIANG Z,LIU P Z,et al.Fire smoke detection algorithm based on motion characteristic and convolutional neural networks[J].Multimedia Tools & Applications,2018,77(12):15075-15092. [8] YIN Z J,WAN B Y,YUAN F N,et al.A deep normalization and convolutional neural network for image smoke detection[J].IEEE Access,2017(5):18429-18438. [9] FRIZZI S,KAABI R,BOUCHOUICHA M,et al.Convolutional neural network for video fire and smoke detection[C]//Conference of the IEEE Industrial Electronics Society,2016:877-882. [10] Redmon J , Farhadi A . YOLOv3: An Incremental Improvement[J]. arXiv e-prints, 2018. 【通联编辑:唐一东】 |
随便看 |
|
科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。