摘 要：針對傳統(tǒng)電梯火災識別算法存在的識別率低、延遲大等問題，本文提出一種改進的基于卷積神經(jīng)網(wǎng)絡的電梯火災識別方法。通過融合RGB-HSV雙色彩空間對疑似火災區(qū)域進行預處理和分割，采用改進的VGG16網(wǎng)絡提取深層特征，并結合注意力機制增強關鍵區(qū)域特征表達。試驗結果表明，改進后的算法在電梯火災識別準確率達到95.8%，處理速度為12f/s，對不同光照、煙霧干擾具有較強的魯棒性，可為電梯火災早期預警提供更可靠的技術支持。

關鍵詞：卷積神經(jīng)網(wǎng)絡；電梯火災識別；注意力機制；特征融合；實時預警

中圖分類號：TP 391 文獻標志碼：A

電梯作為高層建筑重要的垂直交通工具，其火災事故頻發(fā)，嚴重威脅人民生命財產安全。2022年全國電梯火災事故造成直接經(jīng)濟損失超過5000萬元。傳統(tǒng)的基于溫度傳感、煙霧探測等電梯火災識別方法容易受環(huán)境因素干擾，存在漏報、誤報率高等問題?；趫D像處理的火災識別技術具有非接觸、反應快速等優(yōu)勢，但在復雜光照、煙霧遮擋等情況下識別效果不佳。因此，研究一種精確可靠的電梯火災識別算法具有重要的現(xiàn)實意義。

1 基于多模塊融合的改進CNN算法

1.1 算法整體框架

改進的電梯火災識別算法由圖像預處理、特征提取、特征增強和分類預測4個核心模塊構成。輸入圖像經(jīng)過RGB-HSV雙色彩空間融合預處理后，增強火焰區(qū)域顯著性并抑制背景噪聲。預處理后的圖像輸入改進的VGG16網(wǎng)絡進行特征提取，網(wǎng)絡中引入殘差連接和深度可分離卷積，在降低計算復雜度的同時保持特征提取能力[1]。特征增強模塊采用雙重注意力機制，通道注意力機制突顯火焰特征通道的權重，空間注意力機制強化火焰區(qū)域的特征響應，兩者協(xié)同作用提高特征判別性。分類預測模塊使用改進的focal loss損失函數(shù)處理樣本不平衡問題，通過動態(tài)權重調整和正則化約束提高模型泛化能力。各模塊間通過前饋傳播和反向優(yōu)化形成統(tǒng)一的端到端識別框架，實現(xiàn)電梯火災的實時精確識別（如圖1所示）。算法框架在保證識別準確性的基礎上，著重優(yōu)化了實時性能和環(huán)境適應能力。

1.2 圖像預處理優(yōu)化

針對電梯環(huán)境光照不均、對比度低等問題，設計了基于RGB-HSV雙色彩空間的圖像預處理方法。在RGB色彩空間中，對R通道進行非線性增強處理，增強系數(shù)根據(jù)圖像整體亮度自適應調節(jié)在1.2～1.8；在HSV色彩空間中，通過S通道閾值分割（閾值設定為0.6）提取火焰候選區(qū)域，增強火焰區(qū)域的色彩飽和度。為改善圖像對比度，采用累積分布函數(shù)的自適應直方圖均衡算法，如公式（1）所示。

P（i）=∑（nj/N），j∈[0，i] （1）

式中：P（i）為累積分布函數(shù)；nj為灰度值j的像素個數(shù)；N為總像素數(shù)。

預處理流程進一步結合高斯濾波（核大小5×5，σ=1.5）抑制圖像噪聲，應用開運算和閉運算（結構元素大小3×3）優(yōu)化火焰輪廓。經(jīng)過雙色彩空間融合預處理后的圖像，在100lux～2000lux光照范圍內均具有良好的火焰區(qū)域突出效果，火焰邊緣清晰，顯著性提高40%以上，為后續(xù)特征提取和識別任務提供了高質量的輸入數(shù)據(jù)。

1.3 網(wǎng)絡結構改進

傳統(tǒng)VGG16網(wǎng)絡結構在電梯火災識別中存在特征提取不充分的問題。通過引入殘差連接和深度可分離卷積，設計改進的網(wǎng)絡結構。殘差塊如公式（2）所示。

F（x）=H（x）-x （2）

式中：H（x）為期望輸出；x為輸入特征。

深度可分離卷積將標準卷積分解為逐通道卷積和點卷積，降低計算復雜度[2]。改進后的網(wǎng)絡在保持識別精度的同時，大幅減少參數(shù)量和計算開銷，處理速度提高40%。多尺度特征融合策略有效提升了對不同尺度火焰的識別能力。

1.4 注意力機制引入

為增強模型對火焰關鍵區(qū)域的感知能力，引入通道注意力和空間注意力機制。通道注意力權重如公式（3）所示。

α=σ（MLP（AvgPool（F））） （3）

式中：σ為Sigmoid激活函數(shù)；F為特征圖。

空間注意力通過學習像素級權重，突出火焰區(qū)域的重要特征。雙重注意力機制的協(xié)同作用顯著提高了模型對火焰特征的捕捉能力，降低背景干擾的影響。注意力模塊的引入使模型更專注于判別性特征的學習[3]。試驗表明，該注意力機制顯著提高了模型對不同尺度、不同光照條件下火焰區(qū)域的檢測能力，在復雜背景和煙霧干擾環(huán)境中具有較強的魯棒性。

1.5 損失函數(shù)優(yōu)化

為解決電梯火災數(shù)據(jù)集中正負樣本不平衡問題，設計改進的focal loss損失函數(shù)。優(yōu)化后的損失函數(shù)如公式（4）所示。

L=-α（1-pt）γlog（pt） （4）

式中：α為平衡因子；γ為調制因子；pt為預測概率。

通過動態(tài)調節(jié)樣本權重，增加難分樣本的損失貢獻。同時，引入正則化項抑制過擬合，提高模型泛化能力。試驗證明，優(yōu)化后的損失函數(shù)顯著提高了模型在不平衡數(shù)據(jù)集上的訓練效果，模型收斂速度提高30%，驗證集上的識別準確率提高3.5%，有效緩解了類別不平衡帶來的性能退化問題。

2 試驗設計

2.1 數(shù)據(jù)集構建

數(shù)據(jù)集構建基于全國多個城市的電梯監(jiān)控系統(tǒng)采集的真實火災視頻序列。原始數(shù)據(jù)集規(guī)模包括2000張電梯火災圖像樣本和3000張正常運行圖像樣本，圖像分辨率統(tǒng)一設置為1920px×1080px。樣本采集場景涵蓋電梯轎廂內部、電梯門區(qū)、井道等關鍵區(qū)域，環(huán)境條件包括100lux～2000lux不同光照強度、0%～50%煙霧濃度以及0.1m2～2m2不同火焰面積[4]。為擴充數(shù)據(jù)規(guī)模，采用幾何變換和光學變換相結合的數(shù)據(jù)增強策略：幾何變換包括±30°隨機旋轉、水平/垂直翻轉、±20%隨機裁剪；光學變換包括±0.3亮度調整、±0.2對比度調整、高斯噪聲注入（σ=0.02）。經(jīng)增強后數(shù)據(jù)集規(guī)模擴充至10000張，其中火災樣本與正常樣本比例保持4∶6。數(shù)據(jù)標注工作由具有5a以上火災調查經(jīng)驗的專業(yè)消防人員完成，采用矩形框標注火焰區(qū)域位置，同時記錄場景類型、光照強度、煙霧濃度等關鍵屬性信息，確保標注質量和數(shù)據(jù)完整性。

2.2 試驗環(huán)境與參數(shù)設置

試驗環(huán)境采用高性能計算平臺搭建，硬件配置包括NVIDIA RTX 3080顯卡（10GB顯存）、Intel i9-12900K處理器（16核心32線程），操作系統(tǒng)選用Ubuntu 20.04 LTS版本。深度學習框架基于PyTorch 1.9.0構建，支持CUDA 11.3加速[5]。模型訓練過程中采用Adam優(yōu)化器進行參數(shù)更新，其中β1=0.9，β2=0.999，初始學習率lr設定為0.001。訓練batch size設置為32，以平衡計算效率與顯存占用，總訓練輪數(shù)為100輪。為提高模型收斂效果，引入學習率動態(tài)調整策略，每經(jīng)過30輪訓練，學習率以0.1的比例衰減。模型正則化采用dropout機制，隨機失活率設為0.5，同時引入L2正則化項，權重衰減系數(shù)為0.0005，有效抑制過擬合現(xiàn)象。數(shù)據(jù)集劃分遵循機器學習最佳實踐，按照7∶2∶1比例隨機分配為訓練集、驗證集和測試集，確保模型評估的科學性與可靠性（如圖2所示）。

2.3 評價指標選擇

本文構建了面向電梯火災識別的多維度評價指標體系?；A性能評估采用準確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1分數(shù)4個關鍵指標。其中，準確率定義為正確識別樣本數(shù)與總樣本數(shù)的比值，精確率表示預測為火災場景中真實火災樣本的占比，召回率反映真實火災樣本被正確識別的比例。F1分數(shù)通過調和平均數(shù)方式綜合評估模型性能，如公式（5）所示。

F1=2×（Precision×Recall）/（Precision+Recall） （5）

模型分類性能評估引入ROC曲線分析，橫坐標為假陽性率（FPR），縱坐標為真陽性率（TPR），曲線下面積AUC反映模型區(qū)分能力。實時性評估采用平均處理時延（ms）和處理幀率（f/s）作為量化指標。針對復雜環(huán)境適應性評估，設計了基于光照強度（lux）和煙霧濃度（%）的分級測試方案，通過識別準確率和誤報率的變化曲線評估模型魯棒性，為算法在實際電梯環(huán)境中的部署應用提供可靠的性能保障依據(jù)。

3 試驗結果與分析

3.1 對比試驗結果

改進的CNN算法在電梯火災識別任務中具有顯著優(yōu)勢。模型性能提高主要源自3個關鍵改進：雙色彩空間預處理提高了火焰區(qū)域特征表達，注意力機制強化了關鍵區(qū)域特征提取，優(yōu)化的損失函數(shù)解決了樣本不平衡問題。在標準測試集上的識別準確率達到95.8%，較基準模型提高8.2%。消融試驗結果驗證了各改進模塊的有效性，其中注意力機制貢獻最顯著，提高了4.3%（見表1）。

3.2 實時性能分析

通過引入深度可分離卷積和優(yōu)化網(wǎng)絡結構，改進算法顯著提高了計算效率。試驗結果表明，處理單幀圖像的時延從156ms降至83ms，平均幀率升至12f/s，滿足電梯火災預警系統(tǒng)對實時性的要求。在資源占用方面，GPU顯存需求從4.2GB降至1.8GB，降幅達57%。隨著數(shù)據(jù)規(guī)模增加，算法的性能保持較好的穩(wěn)定性，當數(shù)據(jù)量達到10000張時，處理時延僅增至89ms，幀率仍維持在11.2f/s以上。通過計算資源需求減少和處理效率提高，改進算法在實際部署中具有更強的實用價值（見表2）。

3.3 魯棒性測試結果

針對電梯環(huán)境中復雜多變的干擾因素，改進算法通過雙色彩空間融合和注意力機制增強了環(huán)境適應能力。試驗設計了不同強度的干擾場景，包括光照變化（1000lux以上的明亮環(huán)境至500lux以下的暗光環(huán)境）和煙霧遮擋（煙霧濃度為20%以下至40%以上）。在弱干擾條件下，算法識別準確率達到94.5%，誤報率僅為2.8%。即使在光照強度低于500lux且煙霧濃度超過40%的強干擾場景下，識別準確率仍保持在90.8%以上，誤報率控制在4.5%以內，驗證了算法在復雜環(huán)境下的魯棒性。這種穩(wěn)定的識別性能對電梯火災的早期預警具有重要意義（見表3）。

3.4 算法局限性討論

雖然改進算法的性能在電梯火災識別任務中得到了顯著提高，但仍存在一些局限性。在計算資源方面，盡管通過深度可分離卷積降低了模型復雜度，但完整的處理流程仍需要1.8GB顯存占用，對邊緣計算設備部署提出了較高要求。在環(huán)境適應性方面，當煙霧濃度超過60%時，算法識別準確率出現(xiàn)明顯下降，說明在極端場景下的魯棒性有待加強。在模型泛化能力方面，由于電梯火災數(shù)據(jù)獲取困難，現(xiàn)有訓練數(shù)據(jù)的場景覆蓋不夠全面，在未見場景下的識別效果需要進一步驗證。在算法實時性方面，當前12f/s的處理速度雖然滿足基本需求，但在高速攝像頭應用場景中仍顯不足。未來需要探索模型壓縮技術，引入跨模態(tài)特征融合，并結合其他傳感器數(shù)據(jù)協(xié)同決策，以克服這些局限。

4 結語

本文對傳統(tǒng)CNN在電梯火災識別中的不足進行分析，提出了基于雙色彩空間融合和注意力機制的改進方案。改進后的算法不僅提高了識別準確率，而且具有較強的抗干擾能力。試驗表明，該算法在不同光照條件下仍能保持穩(wěn)定的識別性能，處理速度滿足實時性要求。后續(xù)研究建議進一步擴充數(shù)據(jù)集的場景多樣性，優(yōu)化網(wǎng)絡結構，以降低計算復雜度，并探索將其與其他傳感器數(shù)據(jù)融合的可能性，為電梯火災預警系統(tǒng)的實際應用提供更可靠的技術支撐。

參考文獻

[1]唐冬來，田富強，何鵬，等.基于時空擴散的輸電走廊圖像火災預警方法[J].電子技術應用，2024，50（10）：51-56.

[2]舒一飛，楊琦，王成武，等.基于電網(wǎng)末端感知數(shù)據(jù)的電氣火災隱患識別技術[J].電氣時代，2024（9）：63-65.

[3]劉暢，王張舒君，張恩茂，等.基于BIM建模和人工神經(jīng)網(wǎng)絡的快/慢速火災識別方法[J].智能建筑電氣技術，2024，18（3）：47-51.

[4]楊國賢.基于圖像處理的智能樓宇火災識別方法研究[J].住宅產業(yè)，2024（4）：52-55.

[5]陳跨越，王保云.基于改進Resnet18網(wǎng)絡的火災圖像識別[J].河南師范大學學報（自然科學版），2024，52（4）：101-112.