英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
消防技术，541249–12632018年
copy;2018斯普林格科学 商业媒体有限责任公司，斯普林格自然的一部分。
美国制造https://doi.org/10.1007/s10694-018-0727-x
结合图像处理和火焰发射光谱的火灾探测算法
邱宣兵*，奚婷玉，孙东元，张恩华，李传良*， 太原科技大学，太原030024，中国
高旺*，电子测试技术国家重点实验室，中北大学，太原030051，中国
接收日期：2018年1月6日/接受日期：2018年4月28日
摘要。火灾对全世界人民的安全、健康和财产构成重大风险。然而，传统的基于空气颗粒、空气温度和烟雾的室内建筑物“点传感器”再检测技术具有灵敏度低、响应时间长和稳定性差的特点。因此，基于视频的火灾检测已成为检测火灾早期征兆的一种特别有效和重要的方法。由于图像模糊、低照度、类火焰干扰等因素，视频火焰识别方法存在一定的误识率。本文在前人对多特征火焰识别算法研究的基础上，提出了一种基于燃烧过程自由基发射光谱的火焰识别算法。首先，利用我们提出的处理方案从视频图像中提取多个特征。然后，通过时间平滑算法对特征进行后处理，消除了由于物体在类平面和真实平面之间具有相似特征而导致的错误识别率。在时间平滑实验中，该方法对丁烷和森林鱼类的真实阳性率分别为0.965和0.937。利用该光谱仪还获得了燃烧物中OH、CH、C2等自由基的光谱信号。在确定CH（410–440 nm）的A2 ▽→ X2Pi;跃迁后，计算振动温度和旋转温度。在验证实验中，所提出的方法完全否定了这类缺陷。在亚连续丁烷燃烧实验中，丁烷的振动温度为4896k，旋转温度为2290k，实验结果表明，通过CH发射光谱可以准确地识别真实的燃烧温度。该方法为图像的再检测和识别提供了新的视角。
关键词：火焰识别，时间平滑，CH自由基，发射光谱，燃烧温度
*通信地址：邱宣兵，电子邮箱：qiuxb@tyust.edu.cn；Chuan-liang Li，电子邮箱：clli@tyust.edu.cn；Gao Wang，电子邮箱：wanggao@nuc.edu.cn
1
1. 简介
火灾是对人类生命最具破坏性的威胁之一。快速准确的识别和预警是减少人员伤亡和财产损失的最重要方法，尤其是在室内建筑中。由于火灾引发因素的多样性、环境的复杂性和火灾发生的随机性，很难对火灾进行检测和预测[1]。目前，预警系统主要基于多传感器网络[2]和监控视频图像识别[3–6]。火焰燃烧产生的光比烟或热传播得快得多。另一方面，用于燃烧的多传感器网络系统，包括烟雾传感器、一氧化碳传感器、温度传感器和其他各种气体传感器，具有灵敏度低、响应时间长和探测范围短的缺点[7]。因此，基于计算机视觉的图像检测技术对于早期图像检测越来越重要和有效。
随着图像传感器技术、图像处理算法和计算机技术的快速发展，基于机器视觉或人工智能的图像检测技术是现有检测技术的可行替代或补充，并已被证明有助于解决与使用传统传感器[8，9]。越来越多的模式识别算法出现，如贝叶斯分类法[3]、人工神经网络[4]和马尔可夫模型[5]。Truong等人[6] 提出了一种适用于开放空间的支持向量机多特征识别方法，该方法具有较低的错误率和较高的可靠性，但其学习具有时间消耗性。Wang等人[10] 采用Wald-Wolfwitz随机测试算法来识别真实的平面和平面区域。这种自适应算法主要利用图像的随机特性来识别目标，但识别精度不高。Bosch等人[11] 提出了一种基于红外视频时空特性的识别方法，通过检测热对象（热源）的信号强度来区分火焰和火焰。Horng等人[12] 提出了一种基于HSI（Hue，Saturation，Intensity）颜色空间的快速识别方法。然而，由于颜色只是火焰的静态特征之一，因此该方法的识别率并不十分令人满意。
在我们之前的研究中，我们提出了一种结合对数回归方法的多特征识别算法，以实现快速识别。首先，根据图像的颜色特征对图像进行分割，根据运动目标与参考图像的差异得到候选区域。其次，提取颜色特征、运动特征、面积变化率、圆度、锐角数、质心位移等多个特征，建立对数回归模型，确定是否存在。基于图像处理的火焰识别在火焰检测中得到了广泛的应用。但是，由于图像模糊、低
光照和像火焰一样的干扰，总会有一定的误差率。对于这些情况，需要对再鉴定结果进行进一步的后处理和优化。由于视频监控范围内的图像中的类火焰干扰通常是短期的，因此可以使用时间平滑算法去除它们。在火焰燃烧场中，温度场是一个非常重要的特征，它可以描述火焰的燃烧阶段和动态特性。因此，该特征可以作为解释燃料燃烧阶段的关键特征，并作为燃烧过程中产生的自由基导致的燃料识别的科学基础。
在燃烧过程中，会产生大量的自由基，如OH、CH、C2等中间体。这些自由基反映了目标温度场的分布。它们可以通过发射光谱获得[14]。世界各地的研究人员已经开展了一系列的火焰温度测量研究。Wang等人[15] 使用海洋光学公司生产的USB4000光纤光谱仪，结合Levenberg–Marquardt优化算法，测量可见光波长范围内的荧光辐射光谱，得到荧光温度和单色发射率的变化。Zhai等人[16] 研究了OH自由基固有的分子结构特征，分析计算了OH自由基发射光谱的谱线跃迁频率、能级分布和爱因斯坦自发辐射跃迁几率等重要参数。实验结果和理论计算谱与实验谱数据的比较表明，火焰根部和中心的温度分别为3125K和3380K。Cao等人[17] 采用激光诱导荧光技术，用吸收波长308nm的激光束照射火焰中的自由基，激发共振跃迁。自发辐射的总荧光强度与初始状态下的OH自由基浓度成正比，并测量了OH自由基浓度。
因此，本文在前人多特征识别研究的基础上，提出了一种基于燃烧过程中火焰温度测量的火焰识别算法。总的来说，首先.多特征快速识别后的图像通过时间平滑操作进行处理，以消除由于类和类区域中物体的相似特征而导致的错误率。其次，利用光谱仪在监测区获得了300~450nm波段的自由基光谱信号。分析了甲烷自由基的光谱特征（从410nm到440nm）。最后，计算了振动温度和旋转温度，以精确地去除类火焰区域。
2. 实验装置
实验设置图和照片如图1a、b所示。首先，将具有30万像素的CMOS相机固定在监视区域内拍摄图像。提取图像颜色特征、运动特征、面积变化率、圆度、锐角数、质心位移等多个特征，构建对数回归框架进行识别。同时，光纤探针将获得火焰发射光谱，通过自由光耦合传输到光谱仪狭缝。最后，笔记本电脑记录光谱仪内部CCD的实时发射光谱信号。利用光谱强度响应系数校正去除光谱背景噪声，得到光谱强度分布。通过与计算谱的比较，可以得到甲烷自由基在火焰中的转动温度和振动温度。不仅可以通过图像处理，还可以通过燃烧过程中的自由基温度来监测火焰。
图1。火灾探测系统实验装置图及照片。（a） 混合实验装置图，（b）火灾探测系统的真实照片。
安道尔SR-500i光谱仪的焦距为500毫米。孔径f/6.5，光谱分辨率0.05nm。经过一系列的测试，选择了最佳的光谱仪参数：闪耀光栅500nm，曝光时间0.5s，扫描次数10次。
3. 基于图像处理的火灾识别算法
3.1.多特征与识别算法[13，18]
首先，视频流中的颜色特征和运动特征用于确定候选区域（CFR）。从候选区域获得YCbCr颜色空间中Cb和Cr分量的平均值（mb, mr）和标准偏差（sb, sr）、面积变化率、圆度、锐角数和质心位移。这些功能与视频是否捕获文件有关。
其次，图像的多重特征和对数回归识别算法如下：
第i帧图像的这八个特征可以用线性关系表示
（1）
如果识别算法的输出是二值化的，表示一个真实的火焰，索引一个类似的火焰，并且再次发生的概率分布服从一定的概率分布。因此，概率密度函数遵循伯努利分布：
（2）
然后，对于视频的i帧，输出=1表示真实感，概率为，而输出=0表示真实感，相应的概率为1-。
为了推导输入和输出之间的关系，假设i帧的重复出现概率对数是每个特征的线性组合：
（3）
其中系数向量是
（4）
因此，第i帧的火焰概率可以表示为：
（5）
最大似然估计法可用于确定未知参数：
（6）
为了避免对数回归的过度设定，随机选择训练图像。在培训过程中，实物和实物样本的数量相同，以确保培训结果的平衡。利用最大似然估计方法得到系数向量，并根据式（5）计算识别结果的概率。最后，根据可疑CFR的标准计算识别结果：
（7）
3.2. 时间平滑算法
如果火焰状物体和真实火焰具有相似的特征，使用传统的识别方法时会出现识别错误【18】。对数回归具有较高的敏感性和假阳性率。过去年份概率的平均值可以写成
（8）
因此，可以稍微降低重新检测的错误率和灵敏度。图2显示了时间平滑在检测中的作用。对于选定的视频剪辑，动画的实际区域由绿色虚线表示，对于动画和动画来说都是这样。没有时间平滑的概率用黑色虚线表示。验证概率的阈值设置为0.5[18]。由于噪声干扰，对于11秒到13秒和24秒到27秒的真实气流和气流，使用原始数据会出现假警报。然而，时间平滑（红色实线）的识别结果表明，对于相同的视频片段，可以正确地识别出仿射区域。该方法能准确地检测出视频中的火焰在1.2秒，18.8秒和33.8秒，实际火焰可视化延迟1.6秒。
3.3. 图像处理实验结果
在本小节中，使用150个实数和类似的150个实数来建立和训练建议的对数回归模型。使用上述选择标准，随机选择300幅图像，以避免过度设置。共有600张丁烷火焰图片和255张森林图片被用作
图2。基于时间平滑算法的视频后处理火灾检测实验结果，概率阈值为0.5。
验证我们提出的方法。在我们的实验中，总共添加了150个红色车灯和6571幅红色衣服的图像，以测试负识别率。算法的识别率可以用TPR（真阳性率）和TNR（真阴性率）来表示。实验结果见表1。可以看出，丁烷和森林石油的TPR分别为0.965和0.937。此外，车灯和红色衣服的TNR分别为0.987和0.996。可以得出结论，提出的时间平滑算法优于我们以前的火焰识别方法[10]。这些结果表明，我们的方法能够
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239581]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
