楊劍　陳世娥

摘要：針對家庭火災防范中缺少更有效、快速的實時煙霧檢測問題，本文設計了一種基于圖像處理技術的煙霧檢測算法，能夠對家庭住宅內部進行實時煙霧檢測，從而實現(xiàn)火災防范。本算法主要使用單階段的端到端YOLO v3算法，對輸入的煙霧數(shù)據(jù)進行學習，提取網絡中不同卷積層的特征圖進行聯(lián)合訓練。實驗結果表明，和雙階段網絡的煙霧圖像檢測方法相比，該方法檢測速度快，實時效果好，同時也取得了較高的檢測準確率，具有較高的實際應用價值。

關鍵詞：家庭火災防范;圖像處理技術;煙霧檢測; YOLO v3算法

中圖分類號： TP18? ? ? ? 文獻標識碼：A

文章編號：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

在日常電視新聞中常?？匆姼鞣N火災的發(fā)生，特別在家庭住宅中，火災事故往往是因為人們的消防安全常識薄弱或存在誤區(qū)從而導致悲劇發(fā)生。根據(jù)消防部門的統(tǒng)計，在所有的火災比例中，家庭住宅火災占比較高。家庭火災發(fā)生的原因很多，可能發(fā)生在我們身邊，也可能發(fā)生在我們沒有注意到的地方。因此，及時發(fā)現(xiàn)室內初起火災，為及時滅火或爭取逃生時間，將危險降到最低具有重要的意義。在現(xiàn)實生活中各類火災探測器主要有熱感應式探測器、光感應式探測器以及煙感應式探測器，除了城市旅館、酒店、商場等公共場所要求安裝煙霧報警器外，而民用住宅區(qū)域安裝煙霧報警器并沒有強制性要求，以至民用住宅中安裝煙霧報警器很少。此外，各類火災探測器普遍存在著響應延遲，易故障或失效，不適用于高大空間或室外場景等難以解決的缺陷。因此，開發(fā)更有效、可靠的探測或檢測方式一直是家庭火災防治的努力方向[1]。

隨著人們安全防護意識的提高，近年來，家用攝像頭已成為越來越多家庭的“標配”，許多家用安防設備越來越先進，具備了報警、探測等多種功能?；趫D像處理技術的火災探測技術是一種基于機器視覺、非接觸的火災探測技術，具有響應快、不易受環(huán)境因素影響、適用面廣、成本低等優(yōu)勢，成為家庭火災檢測方法中較為重要的交叉學科研究領域[2，3]。

1煙霧檢測技術發(fā)展概述

目標檢測目的是識別目標并給出其在圖中的確切位置。2012年之前目標檢測算法大多是基于手工特征所構建，而近十多年來，因卷積神經網絡在圖像分類任務中取得了巨大成功后，目標檢測任務也取得了很大的進展，形成了許多目標檢測算法和成功的應用。在煙霧檢測方面，相關算法的發(fā)展也經歷了基于傳統(tǒng)手工特征所構建和基于深度學習的目標檢測算法。文獻[4]利用高斯混合模型（Gaussian Mixture Model，GMM）進行運動對象分割，再將檢測框坐標與面積、霧的速度作為特征參數(shù)輸入分類器中，判定是否為煙霧。文獻[5]提出了一種利用形狀，顏色和動態(tài)紋理的圖像淺層視覺特征進行視頻煙霧檢測的方法，并取得了不錯的效果。此外，卷積神經網絡可以自動從目標圖像中提取更深、更細粒度的特征能力，能有效提高目標檢測性能。因此，基于卷積神經網絡的視頻煙霧檢測方法越來越得到一些學者重視和關注。文獻[6]提出一種不規(guī)則運動區(qū)域直接提取動態(tài)紋理特征的方法，支持向量機作為動態(tài)紋理特征的分類器完成煙霧實時檢測。文獻[7]提出了一種基于背景動態(tài)更新和暗通道先驗的運動目標檢測算法，以檢測可疑煙霧區(qū)域。然后，通過卷積神經網絡自動學習可疑區(qū)域的特征，最后進行煙霧識別，該方法取得了良好的性能。文獻[8]使用批歸一化卷積方式代替常用的卷積層，加快訓練過程并提高煙霧檢測的性能。FRIZZ等[9]利用卷積神經網絡來識別視頻中的火災，得到更好的檢測效果。目前的基于深度學習目標檢測模型研究方向大概分為兩大類：一是雙階段（two-stage）檢測算法，主要是基于區(qū)域候選（region proposal）的方法，即通過某種策略選出一部分候選框，再將所有的候選區(qū)域送入分類器進行分類，比如Fast RCNN、Faster RCNN等。在兩階段檢測算法中由于經過了粗和精檢測流程，使得其在準確度上具有優(yōu)勢。另一個是單階段（one-stage）算法，其經過單次檢測直接得到檢測物體的類別概率和位置坐標值，如YOLO系列。深度學習強大的特征表示和學習能力大大提高了目標檢測效果，在評價指標上遠超于傳統(tǒng)算法，本文研究的基于圖像處理技術的煙霧檢測技術主要使用了單階段端到端訓練的目標檢測方法。

2基于深度學習的煙霧檢測設計與實現(xiàn)

2.1煙霧檢測算法整體流程圖

本文的煙霧檢測算法整體流程如圖1所示。先通過攝像頭對煙霧數(shù)據(jù)進行采集，建立煙霧數(shù)據(jù)庫，再對煙霧數(shù)據(jù)進行數(shù)據(jù)增強;然后讀取煙霧數(shù)據(jù)輸入到YOLO v3檢測模型中進行數(shù)據(jù)訓練學習，從而得到結果模型;同時，對受監(jiān)控場景，通過攝像頭獲取監(jiān)控視頻幀序列，將視頻幀圖像送入訓練好的檢測模型中進行檢測;在此基礎上，對視頻幀圖像做判斷處理;當待檢測的視頻幀序列滿足條件時，則判定為有煙霧，并發(fā)出煙霧警報。

2.2 YOLO v3算法

YOLO將物體檢測作為回歸問題求解?；谝粋€單獨的端對端網絡，輸入圖像經過一次推斷，便能得到圖像中待檢測物體的位置和其所屬類別及相應的置信概率。YOLO v3是在YOLO v2算法的基礎上，其改進之處主要有：主干網絡、預測階段和損失函數(shù)等[10]。為了獲得更好的特征表達，YOLO v3主干特征提取網絡是由5個殘差塊構成的Darknet-53網絡，如圖2所示。在預測階段，借鑒了FPN（Feature Pyramid Network）使用3個尺度的特征圖，小的特征圖提供語義信息，大的特征圖提供更細粒度信息，再將小的特征圖通過上采樣和大尺度做融合。在損失函數(shù)設計中，YOLO v3算法支持對多標簽的檢測，不再使用soft max作為損失函數(shù)而是使用sigmoid激活函數(shù)和交叉熵函數(shù)。

3結果及分析

3.1 實驗平臺和參數(shù)

本文實驗使用的深度學習框架為Pytorch，硬件環(huán)境為：Intel Core i7-8750H，NVIDIA GeForce GTX 1070 8GB顯卡，16GB內存，操作系統(tǒng)為Windows10。

實驗主要參數(shù)是：batch是每次輸入網絡的訓練樣本個數(shù)為32;momentum是梯度下降的動力參數(shù)為0.9;learning_rate是學習率為0.01;ignore_thresh是非極大值抑制的IOU閾值為0.5。

3.2數(shù)據(jù)的擴充和增強

對一些數(shù)據(jù)比較稀缺的任務，基于深度學習的方法難以得到預期效果。因此在原始數(shù)據(jù)基礎上，采取數(shù)據(jù)增強技術，對原始圖像進行數(shù)據(jù)擴充，在網絡訓練過程中十分重要。為了提高模型的魯棒性，泛化模型，達到預期效果，在已有數(shù)據(jù)的基礎上進行有監(jiān)督的數(shù)據(jù)增強，常使用如幾何變換，顏色變換，特效處理等方法。

3.3檢測模型對比實驗

在目標檢測任務中，對目標檢測模型的性能指標有：平均類別精度（mean Average Precision，mAP）和檢測時間（ms）。平均類別精度是指先單獨計算各個類別的類別精度（Average Precision，AP），再求各個類的AP的平均值。平均類別精度可以有效避免某些類別極端化而弱化其他類別的性能。本文對不同的檢測模型算法進行了實驗對比，實驗結果如表1所示。

從表1中可以看出雙階段目標檢測算法Fast R-CNN、Faster R-CNN算法和單階段目標檢測算法YOLO v3的性能指標。雙階段目標檢測算法Fast R-CNN和Faster R-CNN的平均精度分別為86.27%與94.61%，但檢測速度相對YOLO v3較低，這主要是由于雙階段目標檢測算法在檢測過程中候選區(qū)域生成網絡（RPN）生成包含待檢物體的候選框會增加網絡模型的計算時間。使用單階段目標檢測算法YOLO v3算法獲得了25.2幀每秒的檢測速度和94.52%平均精度，與其他兩種算法相比，YOLO v3檢測速度最快，平均精度與Faster R-CNN算法相當。

4小結

針對現(xiàn)有家庭火災防范缺少更有效、快速的實時煙霧檢測問題，本文實現(xiàn)了一種基于圖像處理技術的煙霧檢測算法，實驗結果表明該算法具有更快的檢測速度和較高的準確率。為及時發(fā)現(xiàn)室內著火，爭取更多滅火或逃脫的時間，將傷亡降到最低具有重要的實際意義。由于實際監(jiān)控條件和場景的復雜性，為了更進一步提升模型的性能和檢測效果，后續(xù)的工作可以收集完善煙霧數(shù)據(jù)集，加強對背景特征和煙霧特征更細粒度的特征學習和表示，提高煙霧檢測的準確率。

參考文獻：

[1] 杜立召，徐巖，張為.一種雙網融合的分階段煙霧檢測算法[J].西安電子科技大學學報，2020，47（4）：141-148.

[2] 袁梅，全太鋒，黃俊，等.基于卷積神經網絡的煙霧檢測[J].重慶郵電大學學報（自然科學版），2020，32（4）：620-629.

[3] 陳俊周，汪子杰，陳洪瀚，等.基于級聯(lián)卷積神經網絡的視頻動態(tài)煙霧檢測[J].電子科技大學學報，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.

【通聯(lián)編輯：唐一東】