摘要：高層建筑由于特殊的結(jié)構(gòu)特點，一旦發(fā)生火災(zāi)，有可能造成人員傷亡和財產(chǎn)損失?；谏疃葘W(xué)習(xí)的高層建筑火災(zāi)煙霧智能識別技術(shù)，可以進(jìn)一步提升煙霧檢測的精度。通過介紹高層建筑火災(zāi)的特點和危害，分析傳統(tǒng)煙霧檢測方法的局限性，并闡述深度學(xué)習(xí)技術(shù)在智能識別領(lǐng)域的優(yōu)勢，描述了煙霧識別算法的設(shè)計過程，在多個真實火災(zāi)事故視頻和公開數(shù)據(jù)集上評估了系統(tǒng)的性能。

關(guān)鍵詞：消防救援；高層建筑；煙霧智能識別；火災(zāi)預(yù)警

中圖分類號：TU976.5" " " 文獻(xiàn)標(biāo)識碼：A" " " "文章編號：2096-1227（2024）09-0049-03

近年來，城市化進(jìn)程的加快和經(jīng)濟的快速發(fā)展，高層建筑日益成為現(xiàn)代城市的主要建筑類型之一。據(jù)不完全統(tǒng)計，全國現(xiàn)有高層民用建筑100多萬棟，超高層建筑5千余棟，總量世界第一。全國高層建筑火災(zāi)呈逐年上升趨勢，2024年前8個月已經(jīng)達(dá)到了3.6萬起，超過了2023年全年的總和[1]。高層建筑一旦發(fā)生火災(zāi)，煙霧蔓延速度快、撲救難度大，容易造成人員傷亡和財產(chǎn)損失。針對高層火災(zāi)煙霧的檢測，傳統(tǒng)方法主要依賴于感煙探測器和人工巡查，其檢測效果往往受響應(yīng)時間、誤報率以及維護(hù)成本等因素的制約。隨著人工智能、深度學(xué)習(xí)技術(shù)的發(fā)展，為解決上述問題提供了新的途徑。將深度學(xué)習(xí)技術(shù)應(yīng)用于高層火災(zāi)煙霧的智能識別，有望顯著提升識別的精度和實時性，為火災(zāi)早期預(yù)警和撲救工作提供有力的技術(shù)支撐。

1 高層火災(zāi)煙霧及智能識別

1.1" 高層建筑火災(zāi)特點與危害

高層建筑是指層數(shù)超過10層的居住建筑或高度大于24m的其他民用建筑。與多層建筑相比，高層建筑內(nèi)人口密度大、功能復(fù)雜、空間垂直性強，一旦發(fā)生火災(zāi)，容易造成嚴(yán)重后果。高層建筑的火災(zāi)具有以下幾個主要特點：①火勢蔓延速度快。高層建筑中，由于豎向井道、管道井、垃圾道、空調(diào)風(fēng)管等貫通整個建筑，加之立面外窗多為玻璃幕墻，容易形成“煙囪效應(yīng)”。熱空氣和煙氣快速上升并向高處蔓延，以3～4m/s的速度豎向蔓延。②煙霧危害大。高層火災(zāi)產(chǎn)生的大量有毒煙霧是導(dǎo)致人員傷亡的主要原因。煙霧中含有大量的一氧化碳、氰化氫等有毒氣體，其濃度遠(yuǎn)超人體所能承受的極限。煙霧會大幅降低能見度，阻礙疏散逃生和救援行動，吸入煙霧導(dǎo)致的窒息是高層火災(zāi)中常見的死亡原因之一。③撲救難度大。高層建筑狹長的豎向空間給撲救行動帶來很大困難。消防車的云梯通常只能到達(dá)20～30層的高度，對于更高樓層，外部滅火將會異常困難。而內(nèi)部滅火受煙霧阻礙、水壓不足以及電梯無法使用等多重挑戰(zhàn)，高溫?zé)煔膺€會損壞建筑結(jié)構(gòu)，引發(fā)坍塌等次生災(zāi)害，進(jìn)一步威脅撲救人員的生命安全。

1.2" 傳統(tǒng)煙霧檢測方法的局限性

目前高層建筑普遍采用的煙霧檢測方法包括點型感煙探測器、線型感煙探測器和光束感煙探測器等。在通過工程質(zhì)量驗收的情況下，基本可以滿足火災(zāi)預(yù)警的需求，但仍存在諸多局限。例如，傳統(tǒng)感煙探測器的工作原理是通過探測煙霧粒子引起的電流變化或光學(xué)信號變化來判斷是否發(fā)生火災(zāi)，通常只能覆蓋探測器附近的小范圍區(qū)域。對于大空間、高空間的高層建筑，需要布設(shè)大量的感煙探測器才能全面覆蓋，無疑增加了安裝和維護(hù)的成本，若布點不當(dāng)，會導(dǎo)致出現(xiàn)探測盲區(qū)。煙霧的濃度、流動速度、顆粒大小等物理特性都會影響探測器的響應(yīng)，高層建筑中的空調(diào)通風(fēng)、人員活動、裝修施工等都可能產(chǎn)生灰塵、水汽等干擾源，這會引發(fā)感煙探測器的誤報。此外，感煙探測器只能感知火災(zāi)發(fā)生的事實，而無法獲取火災(zāi)發(fā)展的細(xì)節(jié)，即便探測到火災(zāi)的苗頭，也無法準(zhǔn)確判斷起火位置、火勢大小、蔓延趨勢，在快速撲救和疏散方面難以起到持續(xù)的支持作用。

1.3" 基于深度學(xué)習(xí)的智能識別技術(shù)優(yōu)勢

與傳統(tǒng)煙霧檢測方法相比，基于深度學(xué)習(xí)的智能識別技術(shù)在高層火災(zāi)預(yù)警領(lǐng)域具有顯著優(yōu)勢。深度學(xué)習(xí)通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，可以自動學(xué)習(xí)數(shù)據(jù)中的層次化特征表示，具有強大的特征提取和分類識別能力。例如，深度學(xué)習(xí)模型通過卷積、池化等操作，可以自動從輸入圖像中提取多尺度、多層次的特征，進(jìn)而擬合復(fù)雜的特征分布，能夠應(yīng)對煙霧環(huán)境下的光照變化、尺度變化、背景干擾等多種因素，實現(xiàn)自適應(yīng)環(huán)境變化，有效降低誤報、漏報的風(fēng)險。利用卷積-循環(huán)神經(jīng)網(wǎng)絡(luò)等模型，可以同時建模視頻序列的空間特征和時間動態(tài)信息，從而捕捉煙霧的動態(tài)演化過程，并預(yù)測火勢的發(fā)展趨勢[2]。

2 基于深度學(xué)習(xí)的高層火災(zāi)煙霧智能識別算法

2.1" 原始數(shù)據(jù)采集

在高層火災(zāi)煙霧智能識別系統(tǒng)中，數(shù)據(jù)采集與預(yù)處理模塊負(fù)責(zé)控制數(shù)據(jù)源頭質(zhì)量和增強特征。本研究主要依托高層建筑內(nèi)采用POE供電的高清網(wǎng)絡(luò)攝像機設(shè)備，獲取1080P分辨率的原始數(shù)據(jù)，先后從20棟高層建筑（包括寫字樓、商場、酒店、住宅等）中采集的監(jiān)控視頻數(shù)據(jù)，時間跨度超過1年。總計錄制視頻時長超5000h，涵蓋白天、夜晚、晴雨等不同光照和天氣條件。視頻數(shù)據(jù)采集遵循《建筑設(shè)計防火規(guī)范》的相關(guān)要求，針對閉門器、疏散通道、配電房等重點區(qū)域，布設(shè)多路視頻監(jiān)控設(shè)備，形成了交叉覆蓋的監(jiān)控網(wǎng)絡(luò)，有效消除了監(jiān)控盲區(qū)。采集的視頻數(shù)據(jù)通過RTSP、ONVIF等標(biāo)準(zhǔn)協(xié)議進(jìn)行封裝，并通過RTMP協(xié)議實時推送給算法服務(wù)器進(jìn)行處理。將視頻流的元數(shù)據(jù)（時間戳、設(shè)備ID、分辨率等）信息寫入InfluxDB時序數(shù)據(jù)庫中，經(jīng)過智能分析后的事件數(shù)據(jù)和截圖也通過API接口寫入關(guān)系型數(shù)據(jù)庫，以便后續(xù)的數(shù)據(jù)管理和分析。

在獲得視頻數(shù)據(jù)后，參考國家標(biāo)準(zhǔn)《特種火災(zāi)探測器》的相關(guān)要求，對原始視頻進(jìn)行人工標(biāo)注，提取出6000段含有煙霧場景的視頻片段，每段視頻的持續(xù)時間為20s～5min之間。對這些視頻片段詳細(xì)標(biāo)注了以下屬性：①位置：標(biāo)注煙霧區(qū)域的位置和大小，即（xmin，ymin，xmax，ymax）。②置信度：煙霧區(qū)域是否觸發(fā)警報的置信度分值，范圍為[0，1]。③煙霧濃度：參考ISO3941：2007標(biāo)準(zhǔn)，劃分輕度、中度、重度三個級別。④火災(zāi)等級：煙霧區(qū)域?qū)?yīng)的火災(zāi)等級分為一般、較大、重大、特大四級。⑤語義屬性：標(biāo)注煙霧區(qū)域所處的室內(nèi)場所（房間、走道、樓梯等）。

在人工標(biāo)注的基礎(chǔ)上，進(jìn)一步采用數(shù)據(jù)增強技術(shù)擴充樣本量，包括但不限于對圖像隨機裁剪、平移、旋轉(zhuǎn)、縮放、翻轉(zhuǎn)、透視變換，亮度、對比度、飽和度、色調(diào)等調(diào)整，疊加隨機噪聲、高斯模糊、運動模糊等操作，模擬不同光照條件下的煙霧外觀，或從帶煙霧標(biāo)注的視頻幀中裁剪出煙霧區(qū)域，再隨機粘貼到其他不含煙霧的視頻幀上，增強后的樣本量將原始的6000段煙霧視頻片段擴充至約14000段。

2.2" 基于深度學(xué)習(xí)的煙霧識別算法設(shè)計

煙霧識別的核心是對視頻幀圖像中的煙霧區(qū)域進(jìn)行精確的檢測和定位。研究采用了基于區(qū)域候選的目標(biāo)檢測框架，即先通過區(qū)域候選網(wǎng)絡(luò)（RPN）生成可能包含煙霧的候選區(qū)域，再利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對候選區(qū)域作分類和回歸，最終輸出煙霧的類別和位置坐標(biāo)。

考慮到煙霧在形狀、大小、紋理等方面的巨大變化，研究選用了ResNet-50作為FPN的backbone網(wǎng)絡(luò)，在ImageNet數(shù)據(jù)集上進(jìn)行了預(yù)訓(xùn)練，以遷移學(xué)習(xí)的方式加速收斂和提升性能。區(qū)域候選網(wǎng)絡(luò)的設(shè)計參考了RPN結(jié)構(gòu)，采用3×3卷積核對共享的卷積特征進(jìn)行再學(xué)習(xí)，同時通過1×1卷積核預(yù)測候選區(qū)域的位置坐標(biāo)和是否包含目標(biāo)的置信度得分，在訓(xùn)練時通過二分類交叉熵?fù)p失和光滑L1損失聯(lián)合優(yōu)化。候選區(qū)域生成后，再通過RoIAlign算法將其映射到原圖尺度，并輸入全鏈接層進(jìn)行分類和回歸，同樣采用多任務(wù)損失函數(shù)優(yōu)化。

針對煙霧識別的特定需求，在損失函數(shù)的設(shè)計上做了進(jìn)一步改進(jìn)。由于實際場景中煙霧區(qū)域的尺度差異較大，為平衡不同尺度目標(biāo)對損失函數(shù)的貢獻(xiàn)，本文提出了尺度自適應(yīng)的焦點損失，該損失函數(shù)對簡單樣本（大目標(biāo)）的權(quán)重進(jìn)行了動態(tài)調(diào)整，使得模型更關(guān)注難分樣本（小目標(biāo)），公式如下：

FL（pt）=-at（1-pt）rlog（pt） （1）

其中，pt是模型預(yù)測的概率值，r是調(diào)制因子，用于平滑簡單與困難樣本之間的權(quán)重，at是平衡因子，尺度越小權(quán)重越大?？紤]到煙霧區(qū)域普遍具有模糊的邊界和不規(guī)則的形狀，研究改進(jìn)了邊界框回歸分支，借鑒了基于矩形框內(nèi)掩模的Mask R-CNN思想[3]，在邊界框回歸的同時預(yù)測煙霧區(qū)域的像素級掩模。在訓(xùn)練策略上，先在大規(guī)模通用數(shù)據(jù)集（如COCO）上預(yù)訓(xùn)練整個網(wǎng)絡(luò)，再在煙霧數(shù)據(jù)集上微調(diào)。

3 測試與結(jié)果分析

3.1" 測試環(huán)境與數(shù)據(jù)集

針對模型的測試環(huán)境主要包括兩大部分：監(jiān)控設(shè)備和邊緣計算單元。在10棟高層建筑（未出現(xiàn)在訓(xùn)練集中）的關(guān)鍵位置（如大廳、走廊、電梯廳、配電房等）部署了高清網(wǎng)絡(luò)攝像機，從這些建筑物中采集了100段真實的火災(zāi)事故監(jiān)控視頻，每段視頻時長2～5min，總時長超過5h，視頻內(nèi)容涵蓋了不同時間（白天、夜晚）、不同位置（室內(nèi)、室外）、不同火情（早期階段、中期階段）下的煙霧發(fā)展過程。額外采集了5棟特殊建筑物的火災(zāi)視頻，包含不同的建筑結(jié)構(gòu)、裝修風(fēng)格以及罕見的火災(zāi)類型（如化學(xué)品爆炸），用于檢驗算法的適應(yīng)性。為方便評估結(jié)果的對比分析，研究還搜集了3個常用的公開煙霧數(shù)據(jù)集，即VisiFire、FireSense和FireNET，VisiFire包含11段火災(zāi)視頻（時長17min），F(xiàn)ireSense包含13段火災(zāi)視頻（時長2h），F(xiàn)ireNET包含39.5h的火災(zāi)和非火災(zāi)視頻，在這3個數(shù)據(jù)集上評估了本文提出的算法和其他傳統(tǒng)機器視覺算法——光流法和Adaboost的性能表現(xiàn)[4]。評估指標(biāo)包括單幀煙霧檢測的準(zhǔn)確率、召回率、F1值、平均響應(yīng)時間等。

3.2nbsp; 算法性能評測結(jié)果

在采集的100段真實火災(zāi)視頻上逐幀評估了系統(tǒng)的煙霧檢測性能，并統(tǒng)計了以下指標(biāo)，見表1。

算法在真實火災(zāi)場景下取得了非常高的煙霧檢測精度，準(zhǔn)確率和F1值均超過97%，且能在0.8s內(nèi)對新出現(xiàn)的煙霧做出響應(yīng)，滿足了實時預(yù)警的需求。進(jìn)一步統(tǒng)計了算法在不同細(xì)分場景下的表現(xiàn)，發(fā)現(xiàn)在白天、夜晚、室內(nèi)、室外等場景下，系統(tǒng)的準(zhǔn)確率波動均在1%以內(nèi)，顯示出良好的環(huán)境適應(yīng)性。針對不同濃度的煙霧，算法的檢測性能見表2。

對于早期的輕度煙霧，系統(tǒng)的檢測精度略低于中重度煙霧，但F1值仍達(dá)到94.4%，推測與注意力機制和多尺度特征的融合有關(guān)，使算法也能捕捉輕微模糊的煙霧特征。在FireSense和VisiFire數(shù)據(jù)集上，本文算法相比傳統(tǒng)的光流法、Adaboost等機器視覺方法取得了明顯的精度提升，見表3，在復(fù)雜度更高的FireNET數(shù)據(jù)集上也展現(xiàn)出了良好的泛化性能。

4 結(jié)束語

高層建筑火災(zāi)煙霧智能識別技術(shù)的研究具有重要的應(yīng)用價值，深度學(xué)習(xí)算法克服了傳統(tǒng)煙霧檢測方法的局限性，大幅提升了煙霧識別的精度，大量真實場景下的高層建筑火災(zāi)視頻數(shù)據(jù)為算法訓(xùn)練奠定了堅實的數(shù)據(jù)基礎(chǔ)。為最大限度減少火災(zāi)造成的人員傷亡和財產(chǎn)損失，在未來高層建筑的火災(zāi)預(yù)警和應(yīng)急管理中，應(yīng)進(jìn)一步做好工程優(yōu)化和系統(tǒng)集成，才能將該技術(shù)真正應(yīng)用于一線消防實踐。

參考文獻(xiàn)

[1]中國新聞網(wǎng).國家消防救援局：近年來全國高層建筑火災(zāi)呈逐年上升趨勢[EB/OL].https：//www.chinanews.com.cn/m/sh/2024/09-25/10291905.shtml

[2]曹永根.大空間建筑可視火災(zāi)煙霧檢測方法研究[D].西安：西安建筑科技大學(xué)，2023.

[3]李旭.基于深度學(xué)習(xí)的煙霧檢測技術(shù)與應(yīng)用研究[D].南京：南京郵電大學(xué)，2023.

[4]鄭琰睿，楊林劍，李曙光，等.基于深度學(xué)習(xí)的森林火災(zāi)煙霧監(jiān)測[J].林業(yè)資源管理，2023（4）：150-160.