徐建明，徐達明

（1.仲愷農(nóng)業(yè)工程學院實驗室，廣東 廣州 510225；2.廣東工業(yè)大學信息工程學院，廣東 廣州 510090）

1 引言

實驗室是存放實驗器材的重要場所，同時還是密封空間，內(nèi)部存放了大量的可燃性物品。如果發(fā)生火災，會產(chǎn)生不可估量的損失[1?2]。目前實驗室火災風險預警存在探測范圍較小和自動化水平較低等方面的問題。實驗室自帶的供電系統(tǒng)和網(wǎng)絡一旦被破壞就無法進行監(jiān)控報警，為了確保實驗室中物品和工作人員的安全，及時發(fā)現(xiàn)火災風險，將火災消滅在初始階段，研究火災風險智能視覺預警具有十分重要的意義。國內(nèi)相關專家給出了一些較好的研究成果，例如，文獻[3]分別從不同角度出發(fā)，分析影響電力電纜風險的主要因素，構建火災風險預警信號評價模型，通過評價結(jié)果完成火災風險預警。文獻[4]優(yōu)先計算不同類型火災發(fā)生的概率，同時將其設定為網(wǎng)絡輸出，使用量子粒子群算法對BP網(wǎng)絡訓練過程中形成的權值和閾值分別進行優(yōu)化處理，全面提升全局搜索能力，更好完成火災預警。在以上方法的基礎上，重點針對機器人對實驗室內(nèi)的火災風險進行預警分析，提出一種實驗室機器人火災風險智能視覺預警方法。經(jīng)仿真分析測試證明，所提方法能夠有效提升預警能力，同時還能夠加快報警速度，更好預防火災的發(fā)生。

2 方法

2.1 實驗室圖像火災風險特征提取

通過機器人自帶攝像頭采集實驗室火災風險圖像，在進行邊緣檢測前期，需要優(yōu)先對采集到的圖像進行Gabor變換。以下詳細給出Gabor變換[5?6]的具體操作步驟：

Gabor濾波器屬于窄帶帶通濾波器，不僅要滿足人眼特征需求，同時還需要將取值偏高的敏感度刪除，確保機器人對圖像的處理量得到有效降低。同時，通過機器人能夠獲取實驗室各個方位的圖像，借助Gabor濾波器可以得到對應的邊緣信息。以下將采用Gabor濾波器對實驗室圖像進行多方位采樣，同時設定Ga?bor核函數(shù)表示為式（1）的形式：

當對機器人采集到的實驗室火災圖像進行Gabor小波調(diào)制后，能夠獲取實驗室在不同方位和角度的采樣，有效提升特征提取結(jié)果的準確性。然后對采樣結(jié)果進行Gabor變換，獲取對應的Gabor小波系數(shù)；最終，采用Sobel算法對圖像進行邊緣檢測，有效確保檢測結(jié)果的準確性。由于Gabor濾波器在正常應用中，檢測圖像的邊緣時會出現(xiàn)多個方向一致的特征點［7?8］。為了有效解決上述問題，需要對其進行改進，經(jīng)過改進后的邊緣檢測流程能夠表示的形式，如圖1所示。

圖1 實驗室火災風險圖像邊緣檢測流程圖Fig.1 Flow Chart of Edge Detection of Laboratory Fire Risk Images

（1）使用Gabor變換小波函數(shù)對圖像進行平滑濾波處理，有效濾除噪聲。

（2）計算Gabor小波系數(shù)對應的幅值和相位，進而確定兩者的取值范圍。其中，二維Gabor虛部濾波器的虛部，如式（2）所示：

式中：sin(kj，x)—特定方向的正弦平面波；—采樣頻率。

（3）設定Gabor變換小波系數(shù)對應幅值的最大值取值范圍，對其進行分塊和插值取值，獲取經(jīng)過處理后的圖像S(i，j)。

（4）設定實驗室火災圖像表示為S(i，j)，利用Sobel算子增強火災圖像邊緣檢測結(jié)果，得到圖像N(i，j)。將S(i，j)和N(i，j)兩者融合，即可獲取最終的邊緣檢測圖像。

當使用Sobel邊緣檢測算法提取完實驗室火災風險的邊緣特征后，再使用Hough算法提取實驗室火災風險圖像的直線特征，具體的操作步驟如下：

（1）將參數(shù)空間進行量化處理，形成m×n個單元，同時設定累加器矩陣Qm×n。

（2）將參數(shù)空間對應的單元分別放置一個累積器，同時將其取值設定為0。

（3）選取二維空間指標坐標系中的點(xi，yi)代入對應的公式中，經(jīng)過量化處理計算ρ。

（4）對坐標系中的全部坐標進行遍歷，同時將得到累加器取值一一進行檢驗，最終得到映射參數(shù)。

在上述分析的基礎上，獲取Hough算法的實驗室圖像的邊緣直線特征：

（1）優(yōu)先對實驗室火災風險圖像進行二值化處理，有效降低圖像參與運算的點數(shù)，進而獲取圖像K。

（2）結(jié)合直線的主方向特征，獲取圖像K的主機元，同時對其進行分類。

（3）在相同的類內(nèi)，優(yōu)先提取圖像的主基元，同時對其進行計算，獲取對應的屬性信息。

（4）結(jié)合直線主基元的位置特征，在設定范圍內(nèi)進行掃描，有效提取主基元的鄰近主基元。

（5）結(jié)合以上步驟，設定世界坐標系中的中心坐標，同時結(jié)合分類角度設定對應的約束條件和角度變換范圍。

（6）在以上操作步驟的基礎上，對全部像素點進行Hough變換運算，獲取實驗室火災風險圖像的邊緣直線特征。

將實驗室火災風險圖像邊緣特征和直線特征兩者進行融合，進而得到實驗室圖像火災風險特征。

2.2 實驗室機器人火災風險智能視覺預警

實驗室機器人火災風險智能視覺預警的目的就是利用機器人中自帶的單目相機獲取目標物圖像，進而確定對應的位姿信息[9?10]。

由于實驗室的環(huán)境是比較復雜的，同時對多個圖像同時進行定位的過程中，信息量會比較大，處理速度較慢等問題，選取兩幅圖像進行定位研究，機器人單目視覺定位的具體操作流程圖，如圖2所示。

圖2 機器人單目視覺定位流程圖Fig.2 Flow Chart of Robot Monocular Vision Positioning

通過機器人對目標中的三維信息和二維信息關聯(lián)性進行分析，同時利用機器人自帶相機構建搜索模型，即小孔成像模型。

物空間點P的相機坐標平面和像平面坐標兩者之間的直接關系能夠表示為：

式中：(X，Y，Z)—世界坐標內(nèi)的坐標；(x，y，c)—圖像的像素點坐標。

將式（3）中的非齊次坐標進行轉(zhuǎn)換，獲取如式（4）所示的齊次坐標：

通過機器人能夠獲取實驗室火災圖像，得到對應的坐標系(u0，v0)和(x，y)，分析兩個坐標之間的關聯(lián)性，得到世界坐標系和圖像坐標系之間的關聯(lián)，進而獲取相機矩陣。當?shù)玫较鄼C矩陣后，可以利用機器人單目視覺對實驗室空間內(nèi)的目標進行標定［11］。

為了簡化計算過程，當建立好機器人相機坐標系后，需要通過相機矩陣K獲取世界坐標系，具體的表達形式如下：

相機的投影矩陣可以劃分為C1和C2，具體的表達形式如下所示：

在計算機器人內(nèi)置相機中的參數(shù)時，需要優(yōu)先對相機基礎矩陣進行計算，通過計算獲取圖像在空間內(nèi)的投影信息，得到圖像的主要特征信息；同時還能夠識別圖像中的異常點，利用匹配點能夠更好完成兩個特征點的投影，進而確保定位結(jié)果的準確性得到有效提升。

將獲取的特征值檢測結(jié)果應用于圖像特征匹配中，這樣能夠獲取完整的圖像細節(jié)信息，同時還能夠加快圖像匹配速度。當獲取滿意的特征點后即可進行匹配，進而能夠獲取圖像的基礎矩陣，同時給出基礎矩陣的相關約束條件。在得到實驗室火災風險特點的基礎上，計算圖像的基礎矩陣和本質(zhì)矩陣，則有：

式中：2P、1P—已經(jīng)完成圖像匹配的特征點；F—實驗室圖像對應的基礎矩陣。

基礎矩陣的計算需要滿足如下條件：最少含有7對以上的匹配特征點。在實際進行計算的過程中，為了獲取更加精準的計算結(jié)果，需要獲取更多的特征點，將錯誤匹配的概率降至最低。同時，選取隨機采樣一致性算法對基礎矩陣進行計算，同時借助單目視覺的針孔模型計算火災風險發(fā)生的位置，最終完成室機器人火災風險智能視覺預警。

3 仿真分析

為了驗證所提實驗室機器人火災風險智能視覺預警方法的有效性，選取K城市隨機一個高校實驗室作為測試對象，進行測試分析。

以下仿真分析測試將實驗室火災風險報警提前時間設定為測試指標，給出詳細的仿真分析對比結(jié)果，如表1所示。

表1 不同方法的實驗室火災風險報警提前時間對比結(jié)果Tab.1 Comparison Results of Laboratory Fire Risk Alarm Advance Time of Different Methods

分析表1中的仿真分析數(shù)據(jù)可知，使用所提方法進行實驗室火災風險預警時，所提方法能夠以更快的速度發(fā)出警報，而另外兩種方法的時間比較長。由此可見，所提方法能夠有效提升火災風險預警效率。

在實驗室存在火災風險的情況下，優(yōu)先對所提方法的預警能力進行分析，分析使用所提方法前后的實驗室的火災預警能力，具體仿真分析結(jié)果，如圖3所示。

圖3 實驗室火災風險預警能力分析Fig.3 Analysis of Laboratory Fire Risk Early Warning Capabilities

分析圖3中的仿真分析數(shù)據(jù)可知，在使用所提方法后，當火災概率接近40%，實驗室就會發(fā)出警報，實驗室工作人員在收到警報后會及時制定防護措施。而未使用所提方法前，實驗室的火災概率接近70%才會發(fā)出警報。由此可見，所提方法具有較高的火災風險預警能力。為了更進一步驗證所提方法的優(yōu)越性，仿真分析選取預警誤差率、召回率和F1 值作為測試指標進行測試。其中，預警誤差率是通過預警得到的量值降低參考量值；召回率和F1值主要用來評估預警結(jié)果的質(zhì)量，取值越高，說明預警結(jié)果越準確。三種方法的預警性能分析結(jié)果，如圖4所示。

圖4 不同方法的預警能力對比結(jié)果Fig.4 Comparison Results of Early Warning Capabilities of Different Methods

分析圖4中的仿真分析數(shù)據(jù)可知，相比文獻[3]方法和文獻[4]方法，所提方法的預警能力明顯更好一些。主要是因為所提方法對實驗室圖像火災風險特征進行了提取，為后續(xù)的實驗室機器人火災風險智能視覺預警奠定堅實的基礎，同時也說明所提方法能夠獲取比較滿意的預警結(jié)果。

4 結(jié)束語

針對已有方法存在報警延緩以及預警結(jié)果不準確等問題，提出一種實驗室機器人火災風險智能視覺預警方法。研究表明：

（1）所提方法能夠有效縮短火災報警時間，全面加強報警速度，促使工作人員能夠及時給出對應的防護措施。

（2）所提方法還能夠有效提升預警結(jié)果的準確性，及時發(fā)現(xiàn)實驗室火災風險，避免重大事故的發(fā)生。