張建東，劉學(xué)君，沙 蕓，晏 涌，常夢潔

（北京石油化工學(xué)院 信息工程學(xué)院，北京102617）

隨著我國社會(huì)經(jīng)濟(jì)的快速發(fā)展，化工產(chǎn)業(yè)的地位越來越重要，而在化工行業(yè)中安全生產(chǎn)是最重要的行業(yè)準(zhǔn)則[1]。但是我國國內(nèi)近幾年發(fā)生了幾起重大的?；钒踩鹿剩纭皬埣铱?1·28 重大爆炸事故[2]”、“天津港8·12 火災(zāi)爆炸事故[3]”等，這些慘痛的教訓(xùn)深刻地揭露了當(dāng)前我國化工產(chǎn)業(yè)尤其是危化品行業(yè)在安全生產(chǎn)監(jiān)管體系水平的嚴(yán)重不足，主要體現(xiàn)在安全生產(chǎn)和監(jiān)測的技術(shù)專業(yè)性水平低下，行業(yè)內(nèi)的法律法規(guī)不健全，缺乏可靠的危化品安全生產(chǎn)管理體系， 安全生產(chǎn)監(jiān)測的人力資源[4]形勢刻不容緩。

在各行各業(yè)中，火災(zāi)所引發(fā)的安全事故是最頻繁同時(shí)也是最嚴(yán)重的事故類型之一，而且相比普通類型的火災(zāi)事故，化工尤其是?；坊馂?zāi)，其危害后果更加嚴(yán)重，因?yàn)槲；范讯饣馂?zāi)發(fā)生就會(huì)伴隨著危險(xiǎn)化學(xué)品的泄漏和火災(zāi)蔓延甚至爆炸的風(fēng)險(xiǎn)，一旦爆炸就會(huì)產(chǎn)生嚴(yán)重的破壞性后果，會(huì)造成重大的人員財(cái)產(chǎn)損失[5]。

為了實(shí)現(xiàn)對?；范讯獾幕馂?zāi)檢測，采用圖像處理可以作為有效的方案之一。提取危化品堆垛火災(zāi)的火焰信息，可以結(jié)合圖像邊緣檢測來達(dá)到目的[6-8]。

在信息化時(shí)代下，視頻監(jiān)控技術(shù)成為了安防行業(yè)不可或缺的部分[9]，為了得到?；范讯獾膶?shí)時(shí)火災(zāi)信息，可以利用實(shí)時(shí)視頻流監(jiān)控截圖再結(jié)合圖像處理來達(dá)到目的。本文采用改進(jìn)型邊緣提取算法提取圖像中的火焰邊緣關(guān)鍵信息， 檢測火災(zāi)位置，及時(shí)發(fā)現(xiàn)及時(shí)預(yù)警。

在本文場景中，仿真實(shí)驗(yàn)具體內(nèi)容如下：

（1）仿真場景：實(shí)驗(yàn)室模擬的?；范讯饣馂?zāi)；

（2）圖像處理開發(fā)硬件設(shè)備：x64 架構(gòu)處理器amd a10 5757m，8 g 內(nèi)存；

（3）圖像處理軟件環(huán)境：win10 操作系統(tǒng)，visual studio 2013 開發(fā)環(huán)境，opencv3 庫；

（4）時(shí)間：2020.10；

（5）地點(diǎn)：北京石油化工學(xué)院，北京。

1 ?；范讯饣馂?zāi)場景的模擬

由于危化品堆垛的火災(zāi)場景目前沒有權(quán)威的公開數(shù)據(jù)集[10]，且為了盡可能地還原危化品堆垛的火災(zāi)場景，本文參考了火災(zāi)檢測實(shí)驗(yàn)領(lǐng)域內(nèi)使用較多的公開視頻流數(shù)據(jù)，見參考網(wǎng)址：https：//mivia.unisa.it/datasets/video-analysis-datasets/fire-detection-dataset/，視頻流截圖效果如圖1和圖2所示。

圖1 燃燒場景1 視頻流截圖Fig.1 Video stream screenshot of combustion scenario 1

圖2 燃燒場景2 視頻流截圖Fig.2 Video stream screenshot of combustion scenario 2

利用模擬的危化品堆垛和火焰模擬發(fā)生器，仿照真實(shí)場景制作了危化品堆垛的模擬火災(zāi)場景，如圖3所示。

圖3 模擬?；范讯饣馂?zāi)場景視頻流截圖Fig.3 Screenshot of video stream of simulated hazardous chemicals stacking fire scene

從視覺上來說具備較高的仿真度，所以本文的所有算法效果都是基于這個(gè)模擬的?；范讯饣馂?zāi)場景得出的結(jié)果。

隨機(jī)選取3 張現(xiàn)場視頻流截圖1～3，如圖4、圖5和圖6所示， 同時(shí)以這3 張截圖的算法處理效果作為本文的參考和評價(jià)指標(biāo)。

圖4 模擬?；范讯饣馂?zāi)場景 截圖1Fig.4 Screenshot 1 of simulated hazardous chemicals stacking fire scenario

圖5 模擬?；范讯饣馂?zāi)場景 截圖2Fig.5 Screenshot 2 of simulated hazardous chemicals stacking fire scenario

圖6 模擬危化品堆垛火災(zāi)場景 截圖3Fig.6 Screenshot 3 of simulated hazardous chemicals stacking fire scenario

2 相關(guān)邊緣檢測算法的火災(zāi)檢測效果

2.1 傳統(tǒng)Canny 算法的效果

邊緣檢測算法中應(yīng)用廣泛的算法是Canny 算法[11]，首先利用Canny 算法對本場景下進(jìn)行火災(zāi)的邊緣信息檢測， 其中， 截圖1～3 對應(yīng)的傳統(tǒng)Canny火災(zāi)邊緣檢測效果如圖7、圖8和圖9所示。

圖7 傳統(tǒng)Canny 火焰檢測效果圖 截圖1Fig.7 Traditional Canny flame detection effect picture screenshot 1

圖8 傳統(tǒng)Canny 火焰檢測效果圖 截圖2Fig.8 Traditional Canny flame detection effect picture screenshot 2

圖9 傳統(tǒng)Canny 火焰檢測效果圖 截圖3Fig.9 Traditional Canny flame detection effect picture screenshot 3

根據(jù)以上效果圖可以發(fā)現(xiàn)，Canny 算法雖然能對火災(zāi)信息進(jìn)行邊緣檢測，但是同時(shí)也存在大量的非火焰因素的邊緣信息，這就造成了大量的干擾信息。

2.2 改進(jìn)型Canny 算法的效果

由于傳統(tǒng)Canny 算法的火災(zāi)邊緣檢測效果存在大量的干擾信息，所以參考文獻(xiàn)[12]采用局部去雜全局去噪的改進(jìn)型Canny 算法，將其復(fù)現(xiàn)應(yīng)用于截圖1～3 中，觀察其火焰邊緣檢測效果，如圖10、圖11和圖12所示。

圖10 改進(jìn)型Canny 火焰檢測效果圖 截圖1Fig.10 Improved Canny flame detection effect picture screenshot 1

圖11 改進(jìn)型Canny 火焰檢測效果圖 截圖2Fig.11 Improved Canny flame detection effect picture screenshot 2

圖12 改進(jìn)型Canny 火焰檢測效果圖 截圖3Fig.12 Improved Canny flame detection effect picture screenshot 3

2.3 相關(guān)Canny 算法的不足之處

可以發(fā)現(xiàn)，相比傳統(tǒng)的Canny 算法[11]，針對本場景，去噪去雜改進(jìn)型Canny 算法[12]雖然能在一定程度上減輕全局噪點(diǎn)和前景火焰區(qū)域局部的細(xì)小紋理的去除， 但是依然存在較多的非火焰因素干擾，大部分的干擾因素都不能有效去除，兩者算法的火焰邊緣檢測效果都不能作為提取火災(zāi)火焰邊緣信息的可靠支撐數(shù)據(jù)。

3 顏色特征算法的火災(zāi)檢測

由于相關(guān)的Canny 邊緣檢測算法對于火災(zāi)檢測的抗干擾性欠佳，所以利用火災(zāi)檢測的另一個(gè)常規(guī)方法，像素多特征檢測算法，涉及到對像素的顏色空間、像素分類的處理。參考并復(fù)現(xiàn)了文獻(xiàn)[13]的算法應(yīng)用于截圖1～3 的火災(zāi)火焰邊緣檢測，效果如圖13、圖14和圖15所示。

圖13 像素多特征的火災(zāi)檢測效果 截圖1Fig.13 Effect of fire detection based on multi pixel features screenshot 1

圖14 像素多特征的火災(zāi)檢測效果 截圖2Fig.14 Effect of fire detection based on pixel multi features screenshot 2

圖15 像素多特征的火災(zāi)檢測效果 截圖3Fig.15 Effect of fire detection based on multi pixel features screenshot 3

根據(jù)圖13～圖15的效果，可以發(fā)現(xiàn)，火焰的背景中干擾物邊緣信息相比傳統(tǒng)的Canny 算法和改進(jìn)型的Canny 算法的效果，要減少很多。但是背景中的干擾信息依然不容忽視， 還需要盡可能地減少，這樣才更有利于火焰信息檢測的準(zhǔn)確度，更好地支撐后續(xù)基于火焰邊緣特征信息的火情判斷和預(yù)警。

4 改進(jìn)型火焰邊緣檢測算法

為了能在保留火焰主體邊緣特征的同時(shí)，盡可能去除相關(guān)的非火焰因素的干擾， 尤其是背景干擾。針對傳統(tǒng)Canny 算法、相關(guān)改進(jìn)型Canny 算法以及常規(guī)的像素多特征檢測火焰信息的不足之處，本文經(jīng)過調(diào)研相關(guān)文獻(xiàn)[12-15]，經(jīng)過算法改進(jìn)之后，采用結(jié)合像素RGB ＆ HIS 信息、圖像相與處理[13]、otsu前后景分離[16]、二值圖邊緣提取方法[17-18]得到火焰區(qū)域邊緣信息。

改進(jìn)算法的具體流程如圖16所示， 相關(guān)算法公式如式（1）～式（3）所示。

圖16 改進(jìn)型?；范讯饣馂?zāi)邊緣信息檢測流程Fig.16 Flow chart of improved edge information detection for dangerous chemicals stacking fire

4.1 像素RGB & HIS 信息的處理

式（1）用于提取?；范讯饣馂?zāi)場景下的大致火焰區(qū)域。

式（1）中：參數(shù)R，G，B 分別是像素RGB 的紅色分量、綠色分量、藍(lán)色分量；Rt 是整張圖片所有像素點(diǎn)的紅色分量的閾值，一般在115～135 之間；S 是像素HIS 信息分量中的飽和度值；St 是整張圖片所有像素點(diǎn)的飽和度值的閾值，一般在55～65 之間[13]。

這一步得到圖像中大致的火焰區(qū)域后，可以用中值濾波手段平滑去噪[13]，一定程度上降低可能存在的細(xì)小噪點(diǎn)干擾信息。

4.2 火災(zāi)場景的前景和背景的分離

式（2）是otsu 算法[16]，用于分離圖像的前景和背景，可以更加準(zhǔn)確地區(qū)分火焰前景和背景，處理效果是二值圖，為后續(xù)的圖像相與處理減少背景的干擾因素做鋪墊。

式（2）中：m×n 為原始圖像尺寸，灰度化處理后，利用像素灰度閾值t，對圖像進(jìn)行分類，即前景像素和背景像素；n0是前景像素?cái)?shù)目， 占比為w0；u0是前景像素的平均灰度值；n1是背景像素?cái)?shù)目，占比為w1；u1是背景像素的平均灰度值；u 是全圖的平均灰度值；g 是類間方差。當(dāng)g 最大時(shí)，對應(yīng)的閾值t才是分離前景和背景的最佳閾值。

4.3 圖像相與處理去除主要干擾信息

式（3）是將大致的火焰區(qū)域二值圖和otsu 效果二值圖進(jìn)行相與處理[13]，得到干擾信息進(jìn)一步減少的火災(zāi)火焰區(qū)域特征圖。

式（3）中：1111 1111 表示255 的像素值，即白色像素；0000 0000 表示0 的像素值，即黑色像素。

只有兩個(gè)像素值都為255，其相與結(jié)果才會(huì)是255，即白色像素，否則相與結(jié)果都是0，即黑色像素。

4.4 火災(zāi)二值圖的邊緣提取

在上一步的基礎(chǔ)上，利用二值圖邊緣提取技術(shù)[17-18]，對4.3 環(huán)節(jié)中的火焰區(qū)域特征圖進(jìn)行邊緣提取，得到初步火災(zāi)火焰邊緣二值圖。

4.5 提取無火災(zāi)場景邊緣二值圖

對于無火災(zāi)場景重復(fù)做4.1～4.4 環(huán)節(jié)，得到無火災(zāi)場景邊緣二值圖。

4.6 有火和無火邊緣二值圖相與處理

4.4 環(huán)節(jié)中的初步火災(zāi)火焰邊緣二值圖再和4.5 環(huán)節(jié)中的無火災(zāi)場景邊緣二值圖進(jìn)行相與處理，得到干擾信息相對最少的最終火災(zāi)火焰邊緣二值圖。

5 實(shí)驗(yàn)結(jié)果

根據(jù)本文改進(jìn)型算法的流程，對截圖1～3 進(jìn)行實(shí)驗(yàn)，結(jié)果如圖17、圖18和圖19所示。

圖17 本文算法火焰檢測效果 截圖1Fig.17 This algorithm flame detection effect screenshot 1

圖18 本文算法火焰檢測效果 截圖2Fig.18 This algorithm flame detection effect screenshot 2

圖19 本文算法火焰檢測效果 截圖3Fig.19 This algorithm flame detection effect screenshot 3

6 評價(jià)指標(biāo)

參考文獻(xiàn)[12]的效果圖評價(jià)參考，構(gòu)建手工勾勒的標(biāo)簽圖。對火災(zāi)現(xiàn)場的截圖1～3 的主體內(nèi)容，進(jìn)行手工線條勾勒，再二值化處理，白色化處理火焰區(qū)域線條和主要的非火焰內(nèi)容區(qū)域的線條。再利用各個(gè)算法的火焰檢測邊緣二值圖和對應(yīng)的手工勾勒二值圖進(jìn)行圖像相與處理， 可以得到截圖1～3火焰檢測的正確率。

火焰檢測的評價(jià)指標(biāo)的正確率如公式（4）所示：

式中：NumLabelA：火焰標(biāo)簽圖label_A 的白色點(diǎn)數(shù)；NumLabelB： 非火焰標(biāo)簽圖label_B 的白色點(diǎn)數(shù)；numA：各個(gè)邊緣提取算法和火焰標(biāo)簽圖相與得到的公共白色像素點(diǎn)數(shù)；numB： 各個(gè)邊緣提取算法和非火焰標(biāo)簽圖相與得到的公共白色像素點(diǎn)數(shù)。

說明：手工標(biāo)簽圖用8 px 勾勒，目的是減少誤差，因?yàn)閭鹘y(tǒng)Canny 算法、改進(jìn)型Canny 算法以及本文改進(jìn)型算法都是1 px 勾勒的邊緣二值圖，所以最后的公共白色像素點(diǎn)數(shù)要乘8 處理。

各個(gè)算法針對模擬危化品堆垛火災(zāi)場景的火焰檢測正確率，如表1所示。

表1 各個(gè)算法的火焰檢測正確率Tab.1 Flame detection correctness of each algorithm

7 結(jié)語

基于邊緣檢測提取?；范讯饣馂?zāi)信息，本文算法的火焰檢測正確率分別為91.9%，94.3%，94.2%，平均正確率是93.5%；傳統(tǒng)Canny 算法平均正確率是28.6%；改進(jìn)型Canny 算法平均正確率是30.7%； 常規(guī)的像素多特征檢測平均正確率為89.4%。相比傳統(tǒng)的Canny 算法、改進(jìn)型Canny 算法以及常規(guī)的像素多特征的火災(zāi)火焰邊緣檢測效果，本文采用的改進(jìn)型算法能保留火焰邊緣主體信息，降低非火焰因素的干擾，檢測正確率更高，有利于后期基于火焰邊緣特征判斷火情狀態(tài)，及時(shí)發(fā)現(xiàn)及時(shí)預(yù)警。

下一步可以將火焰圖像結(jié)合煙霧信息，進(jìn)行火災(zāi)的綜合處理判斷，進(jìn)一步提高?；范讯饣馂?zāi)檢測效果和進(jìn)行早期預(yù)警。