图像火灾探测范文
图像火灾探测范文（精选8篇）
图像火灾探测 第1篇
“火眼”软件是公安部天津消防研究所等单位开发的一款图像火灾探测报警软件。利用已有的监控摄像系统的实时监控图像,采用先进的图像模式识别技术,可实时探测监控区域可能产生的火焰和烟雾。软件探测速度快、抗干扰能力强、火灾定位准确,可同时识别火焰和烟雾。软件应用场所广泛,可有效应用于生产厂房、大型仓库、博物馆、档案馆、图书馆或地铁隧道等特殊场所。目前已在北京孔庙、上海地铁、天津大胡同等场所成功进行了测试和应用。
浅谈光电烟雾火灾探测技术 第2篇
浅谈光电烟雾火灾探测技术
摘要：本文简要阐述了火灾探测的重要性,回顾了火灾探测技术的发展历史,介绍了烟雾火灾探测技术的.基本原理,并从光学探测室、传感器等层面介绍了光电烟雾火灾探测技术的发展概况.最后,展望了光电烟雾火灾探测技术的发展趋势.作 者：苏静 作者单位：海湾安全技术有限公司,河北秦皇岛,066004期 刊：安防科技 Journal：SAFETY & SECURITY TECHNOLOGY年，卷(期)：,“”(3)分类号：X9关键词：散射 火灾算法 多元传感技术 光学探测室
图像火灾探测 第3篇
火灾是众多灾害中突发频率较高且极具毁坏性的灾害, 其频发率位居各类灾种之首, 直接损失虽小于旱涝灾害, 却是地震灾害损失的五倍, 火灾防治已经成为全社会关注的重大问题。随着现代信息技术和火灾科学的快速发展, 基于视频图像的火灾探测技术己经成为业界关注的焦点, 这种新型的火灾探测技术, 相形于传统预报方法, 它能够有效地提高预报精度、缩短预报时间、提供更丰富的火灾信息。本文就火灾火焰的基本特征、常用视频特征和识别算法做出总结, 并就其中的关键问题给出已有认识。
2 火灾火焰的基本特征
2.1 火灾火焰的静态特征
烟火的静态视觉特征主要包括光谱信息和空间结构两方面。前者主要指火焰亮度和颜色分布规律, 而后者主要指火焰区域的内部结构、纹理和边缘轮廓等特征。
1) 颜色特征
火焰的热辐射包含离散光谱的气体辐射和连续光谱的固体辐射。火焰的波长在0.2~10μm的范围内, 不同物质的燃烧, 其辐射强度随波长分布不同。
火焰的光谱信息主要体现在与周围环境强烈的亮度对比和独特的RGB、HIS等颜色空间模型上, 表现为火焰的颜色在中具有特定动态范围。火焰的颜色特征在RGB空间中, 对于空间中的火焰颜色向量A= (R G B) , 可用多高斯模型描述, 其概率密度分布函数为:
其中∑A是颜色向量的协方差, 描述了火焰颜色向量在空间中的分布情况, 为相应的通道均值, 对于满足下列条件的图像像素, 可以认为是火焰像素, 否则为背景, T值可以根据经验指定也可通过学习确定。
火焰的灰度处于固定的区域150~255, 前提条件是该估计对具体烟火和场景的依赖性大, 阈值范围大, 不便于操作。
2) 结构特征
火焰区域的光谱颜色分布具有持续的由内到外的环形嵌套的变化结构, 对应于光谱颜色随温度的变化, 高温的火焰内核会呈现亮白色, 向外随温度降低颜色会由黄变橙、到红, 呈现出明显的层次结构, 在灰度图像中, 也可看出核心部分明显比边缘亮。较低温的火光颜色饱和度较高, 高温下饱和度较低, 呈环状扩展, 离核越远的结构稳定性越差, 同时火焰区域的整体在一定时段内相对稳定。
烟雾及火焰的纹理是火焰重要的视频特征。通常对烟雾图像的灰度共现矩阵进行4个方向的纹理特征的提取, 主要有:对比度、墒、相关量、角二阶矩。火焰的纹理目前没有明确的界定特征, 需要发掘。形状是描述图像视觉特性的重要参数, 通常来说, 形状特征有轮廓特征、区域特征两种表示方法, 前者只用到物体的外边界, 而后者则关系到整个形状区域的灰度或颜色分布。
2.2 火灾火焰的动态特征
早期火灾火焰是非定常的, 不同时刻火焰的形状、面积、辐射强度等都在变化。抓住火灾的这些特点可以为火灾的识别打下良好的基础。火灾探测中的图像处理是动态图像的连续处理:对图像上的每个目标, 根据一定的算法来确定它同前一帧中目标的匹配关系, 从而得到多目标的连续变化规律。
1) 闪烁频率
火焰的闪动规律, 即亮点在空间上的分布随时间变化的规律。火焰在燃烧过程中会按某种频率闪烁。数字图像中就是灰度级直方图随时间的变化规律, 这个特性体现了一帧图像的像素点在不同灰度级上随时间的变化情况[3]。火焰的闪烁是火焰区别其他辐射的一个显著特征。研究表明, 自由燃烧状态下的火焰产生无规律的闪烁, 如果对火焰发出的红外线频率进行分析, 可以观测到其峰值频率约10Hz左右[1]。当然, 受到火灾规模和风的影响, 其闪烁频率约在2-20Hz之间范围内有所变化。由于扩散火焰的辐射受这个意义的调制量作用, 而背景辐射一般情形下没有类似这种方式的调制作用, 因此, 按火焰闪烁原理工作的探测器可表现出对背景分辨能力很大的改进, 从而相应的减少误报率[2]。
2) 边缘及结构的稳定性
早期火焰的边缘变化有一定的规律, 同其他的高温物体以及稳定火焰的边缘变化不同。精确的方法是用边缘检测和边缘搜索算法将边缘提取出来, 根据边缘的形状、曲率等特性对边缘进行编码, 再根据编码提取边缘的特征量。利用这些特征量在早期火灾阶段的变化规律进行火灾判断。火焰中心在燃烧过程中具有一定的稳定性。火焰中心在水平和垂直方向的相对移动速率一般在一个较小的范围内变化。同时, 火焰在燃烧过程中具有连续性和随机性, 表现在前后几帧图像既有一定的区别又有一定的相似度。
3) 面积变化
早期火灾是着火后火灾不断发展的过程。在这个阶段, 火灾火焰的面积呈现连续的、扩展性的增加趋势。在图像处理中, 面积通过取阈值后统计图像的亮点数来实现。当其他高温物体向着摄像头移动或者从视野外移入时, 探测到的目标面积也会逐渐增大, 容易造成干扰。因此, 面积判断需要配合其他图像特性一起使用。
4) 形体变化
早期火灾火焰的形体变化反映了火焰在空间分布的变化。在早期火灾阶段, 火焰的形状变化。空间取向变化、火焰的抖动以及火焰的分和等, 具有自己独特的变化规律。在图像处理中, 形体变化特性是通过计算火焰的空间分布特性, 即像素点之间的位置关系来实现的[3]。
5) 整体移动
早期火灾火焰是不断发展的火焰, 随着旧的燃烧物燃尽和新的燃烧物被点燃, 火焰的位置不断移动。所以火焰的整体移动是连续的非跳跃性的。
3 视频火焰的模式识别方法
视频火焰的模式识别方法分为火焰识别和烟雾识别二种, 早期的视频火焰检测主要通过火焰颜色在颜色空间中的特定分布模型来判断是否有可疑的火焰区域, 颜色空间中的特定分布模型可以采用不同的方式, 如前所述, 再利用其他的特征来做进一步的判断。如Chen和Kao等采用了一种二阶决策机制, 先利用火焰颜色检测其存在性, 再判断火焰的蔓延或消减状态[4]。Yamaguchit用HSV颜色模型来初步对火焰进行识别, 依据序列图像中火焰颜色区域的色调与饱和度的连续变化来分割火焰区域, 用边缘算子和极坐标变换提取区域轮廓, 引入时空波动方程结合连续的极坐标变换结果形成了时序伏动的火焰轮廓数据, 再提取其傅里叶频域特征输入神经网络来判别真实火焰。
基于视频图像的火焰探测算法较多, Thorsten Schultze认为火焰具有闪烁特性并且用二维傅里叶变换计算出火焰图像的频谱不超过10HZ, 同时认为烟雾的宏观运动有一定的规律, 如整体向上, 并用基于区域的方法求出烟雾的运动矢量, 最后根据火焰和烟雾的双重特征判断是否有火灾的发生。袁非牛提出了一种运动累积和半透明的视频烟雾探测模型, 认为烟雾通常从阴燃点持续冒出, 因而通过累积模型度量运动像素的累积程度, 能够很好地捕获烟雾的时空视觉特征, 并能有效地抑制噪声干扰。同时根据烟雾的模糊和部分遮挡背景特性, 提出了一种基于高通滤波的半透明遮挡快速模型[5]。实验结果表明该模型具有较好的抗干扰性, 并且不需要精确的火焰区域提取, 算法简洁。烟雾越浓的图像越模糊, 反之越清晰。图像的模糊度用边缘检测来判定, 因为越清晰的图像边缘越清晰, 反之越模糊的图像边缘越不清晰, 模糊到一定程度的时候几乎检测不到任何边缘的存在, 如对模糊度设定某个阈位, 若超过这个阈值, 认为图像中出现了烟雾。吴爱国等提出火焰圆型度会在特定的范围内变动, 同时面积增大并有明显的抖动, 但不会出现位置的较大变化, 针对边缘变化, 提取边缘链码, 对边缘的形状、曲率等特征对边缘进行编码, 根据编码获取边缘变化的特征量, 并利用BP网络来实现数据融合和烟火模式分类。此外, Jerome Vicente通过提取烟雾像素灰度时间序列的包络来分析其特征, 并与云彩等其它自然现象作比较分析后进行判断。
现代信号处理方法提供丰富的统计信号处理方法, 例如, 通过火焰边缘链码获取其傅里叶描述子, 然后通过相邻帧间的前向估计获取各区域的自回归AR模型参数, 再以傅里叶系数和AR模型参数为特征对烟火区域进行分类。由于傅里叶变换不能承载时间信息, 有学者从小波时频分析和随机过程理论中寻求相关的解决办法, 利用小波变换来分析烟火运动的时频特性以估计闪烁频率。B.B.ug (7) urT (5) oreyina用背景估计的方法提取出火焰的区域, 在时间域利用一维小波变换求出火焰像素的灰度闪烁频率, 然后在空间域利用二维小波变换计算三个方向的高频能量, 并根据一段时间内该能量的变化情况判断是否有火焰的产生, 实验表明该办法能很好的区分火焰和类火焰颜色。帅师等也在视频序列小波变换后, 监测其子图像的能量值是否减少。一般运动目标的内部颜色没有变化, 也就一般不存在小波系数值的变化, 而烟雾可以导致场景变得模糊, 其高频小波系数值的减少意味着由于烟雾引起了边缘模糊。B.Ugur则对火焰进行三状态隐Markov模型的训练之后用该模型来对视频图像作初步判断得到疑似火焰区域, 对疑似火焰区域进行二维小波变换, 分别计算高、低频系数值之和并求得高频系数值之和与低频系数值之和的比值, 认为真实火焰由于闪烁的原因会有较高的高频系数和较低的低频系数, 根据该比值与事先设置的阈值的大小关系来最终判断是否有火焰出现。
4 结语
本文就基于视频图像的火焰探测的原理方式、常用视频特征和算法作了总结, 并提出了相应的观点。国内外快速发展的基于视频图像检测技术, 其漏报、误报率有待提高, 火焰探测的理论和实际问题需要完善, 以达到真正的消防应用能力。
参考文献
[1]徐仕玲.野外火灾的图像识别方法研究[D].南京航空航天大学, 2008.
[2]王佳.基于数字图像处理的火灾火焰检测算法研究[D].西安工业大学, 2008.
[3]都俊松.图像处理与模式识别在火灾探测领域的应用[D].沈阳工业大学, 2007.
[4]杨俊, 王润生.基于视频图像分析的火燃检测及其应用[J].视频技术应用与工程, 2006, 8:92-96.
图像火灾探测 第4篇
随着神经网络概念的提出, 其良好分类以及多维函数映射的能力, 成为了解决非线性以及模糊数据信息的理想方法。鲁梅尔哈特、麦克莱兰等人提出了BP神经网络算法, 其实现了多层网络非结构性问题的处理, 设计的算法可以模仿动物的神经网络的行为特性。该算法模型有着很好的自适应、学习、容错以及突出的并行处理等功能。它不仅在计算机信息处理、模式系统识别以及自动控制等技术范畴中有广泛的应用, 也极有可能将火灾检测方法推向新的阶段。
1 神经网络火灾探测结构设计
1.1 多层BP网络数学模型
式 (1) 为前向多层BP网络。在这里有单元i、j, 假设j是输出层, 把i设为j上一层的一单元。若要知晓j的输出, 则必须算出总加权输入xj。如式 (1) 所示。
式中:yi为上一层里的第i个单元的输出;wij为第i与第j个单元的连接。
然后, 要通过前面求出的总加权输入xj求出yi, 通常情况选择S型函数, 如式 (2) 所示。
明确全部输出单元以后, 可以通过式 (3) 求出网络误差的结果。
式中:yi为前面层里的第j个单元的输出;dj为第j个单元的期望输出。
误差的反向传播算法, 大致可以划分成四步。
(1) 算出某个输出单元输出发生变化的误差导数EA, 即现实和预期估值的差值, 如式 (4) 所示。
(2) 求出一单元能接收总输入发生改变的误差导数EI, 如式 (5) 所示。
(3) 求出输出单元连接权值发生变化时, 其误差变化率EW, 如式 (6) 所示。
从上可知, EWij值为第二步求出的值EIj, 同时得出该输出单元的误差变化率。
(4) 求出上一层里一个单元输出发生变化时产生的误差变化率以及其和此单元连接的全部输出单元的输出。所以要运算出对误差总的影响, 就得把各输出单元的各自影响进行累加, 如式 (7) 所示。
将 (2) 和 (4) 结合起来, 能够通过一层单元的误差导数得到上一层单元的误差导数。
BP算法可以利用计算机完成, 其实现的步骤如下:
(1) 初始化处理, 将全部权值赋予随机任意一小值, 同时将阈值设置一初始值。
(2) 明确训练的数据集, 即给出输入向量x以及期望输出y。
(3) 求出实际输出的数值y, 如式 (8) 所示。
这里传输函数是Sigmoid函数。
(4) 调整权值。依照误差反向传播的方向, 以输出节点为起点, 返回至隐层。同时, 按照式 (9) 改进权值。
式中:μ为大于零的增益;δj为节点j的误差, 具体计算公式如式 (10) 所示。
当使用冲量时, 调整权值公式如式 (11) 所示。
式中:α为动量因子, 且0<α<1。
(5) 返回 (2) , 直到误差符合要求才停止。
1.2 火灾数据处理的神经网络跟踪设计
使用BP网络, 可划分三层, 3个输入节点:温度、烟雾以及CO气体浓度的信号。依照以往的经验将隐层取8个节点。输出层有3个节点:无火、阴燃火以及明火概率。神经网络的详细结构如图1所示。
火焰尖角识别的轮廓跟踪, 见图2所示。图中的目标像素用黑色表示, 背景像素用白色表示, 搜索像素用箭头表示。一开始依照自上而下、从左到右的次序进行搜索, 第一个点是边界点, 用A表示。采用一样的方法可以搜索到B、C点, 重复返回到起始点A点。该方法是采用选取的次序搜索出边缘点以跟踪边缘, 即轮廓跟踪方法。
2 图像处理过程
火灾自动报警系统的高速、正确是检测火灾最关键的两个部分。由于图像里蕴含的数据信息量很大, 图像处理算法一般较为繁杂, 在系统设计过程中必须兼顾每个部分的影响。火焰图像有很多的特性, 要找到可应用于火灾探测, 同时快速有效的算法方法, 仍要做进一步的研究以及实验。
2.1 火焰图像的中值滤波处理
使用中值滤波方法对火焰图像做滤波实验, 要保证去掉噪声, 同时保留图像分布状况。如图3所示, 大部分噪声都较好地去掉了, 其质量很显著地得到了改善。
2.2 不同光源的尖角个数实验
通过对照火灾火焰以及另外的干扰光源的尖角数目, 并研究其变化规律, 可得出尖角个数变化的阀值, 以辨别是否发生火灾。实验中每种光源使用了5张连续的图像, 实验数据结果如表1所示。
由表1可知, 火灾火焰的尖角数目会随时间随机变化, 电筒以及蜡烛的尖角个数变化较小。
2.3 网络训练实验
实验得到的数据可以作为神经网络的训练样本集数据, 期望输出有:无火情、阴燃火以及有火情。详细的样本数据以及期望输出值, 如表2所示。其中, 发生概率为样本集数据的输出值。
由表2数据可知, 神经网络输入是训练样本数据, 现实和期望输出的概率值都十分相近, 可见网络训练顺利完成。
3 算法可行性验证
BP神经网络的仿真和训练过程在经历8 153次代入之后, 网络误差符合预设的要求。经网络求得的实际和期望的输出值做对比, 见表3所示, 表中的迭代概率通过以下方式得到:按表2数据建立输入的矩阵P, 如式 (12) 所示。
而期望输出矩阵T, 如式 (13) 所示。
通过软件函数newff () 建立的神经网络模型。最终得到的输出函数采用A=sim (net, P) , 得到数值见表3右半部分。
由表3中的数据能够知晓, 神经网络输入是训练样本数据时, 实际和期望的输出概率值基本上是相同的, 网络训练顺利完成。上述结果验证了算法的可行性。
4 实际应用分析
在实际现场里, 通过和火灾智能报警系统的控制人员共同研究得出如表4的分析数据信息。
由表4分析可知:电气、违章操作、用火不慎、生活蒸气所引起的火灾占据总体失火的大部分比例。经过整理资料, 分析可知报警成功的概率 (探测器原理采用的都为应用算法模型) , 如表5所示。
很显然, 火灾自动报警系统在探测烟雾、火灾图像方面的成功概率均在98%以上。由此可知:算法的火灾自动报警探测器对出现烟雾等的探测灵敏度很高。这表明了运用BP神经网络算法在火灾探测上具有很好的效果。
5 结论
采用图像识别技术对早期火灾做辨识, 能够准确、迅速地发现火灾情况, 同时还能掌握其发展蔓延情况, 从而采用可靠的扑救策略并选择合适的疏散通道。将BP神经网络算法运用在火灾探测系统中, 可提高系统的适应性以及抵抗内外界干扰的能力。
摘要：采用神经网络模型进行火灾图像数据处理的跟踪检测, 建立数据处理的算法模型和火灾轮廓的识别跟踪结构, 在图像处理过程中得出火灾火焰的尖角数目会因时间随机变化, 采用MATLAB进行数据实验验证了算法可以保证火灾探测的正确性。实际应用效果表明, 运用BP神经网络算法可以较好地实现火灾探测。这一研究为火灾探测提供了一个具有良好的适应性以及抵抗内外界干扰的能力的方法。
关键词：神经网络,图像识别,火灾探测
参考文献
图像火灾探测 第5篇
关键词：火灾探测,DSP,CCS,DM642
0 引 言
火灾是最常见的严重灾害之一,它往往给人们的生命财产造成巨大的危害。目前用于火焰探测的主要有烟感探测器、红外探测器、紫外探测器等,但这些探测器件在探测范围和抗干扰等方面还存在不少问题。本文提出了一种根据火灾火焰的特征[1],采用DSP技术对火灾火焰进行识别,并给出了其算法实现。
1 火焰图像的特征判据
1.1 面积变化率
火焰在发生的初期,火焰的出现是一个从无到有且不断扩张蔓延的过程,由于风力、空气流动、热量驱动等原因,火焰火苗会不断跳动。火焰的这一物理特性在图像上的表现就是:高亮区域的面积是不断变化的,并且连续几帧图像中,高亮区域的面积是呈增长趋势的[2]。
定义面积变化率为:
式中:AR表示相邻帧间高亮区域的面积变化率;A(n)表示当前帧中可疑区域的面积;A(n+1)表示下一帧中可疑区域的面积,eps为一个极小值,在分母上加上eps是为了防止相邻两帧图像中都不存在可疑火焰区域而使得计算出的面积变化率成为无穷大。为了实现归一化,取两帧中高亮区域面积的最大值作为上式的分母,这样可以使得最终计算出的结果介于0～1之间。通过Matlab仿真分析,得出火焰的面积变化率范围为0.1～0.4,固定光源的面积变化率接近于0,快速闪动的物体面积变化率接近于1。
1.2 圆形度
形状特征是图像表达、图像检索以及图像分类识别的一个重要特征。通过观察大量的火焰以及干扰物体图像会发现:一般的火焰不具有规则的形状,其边缘呈现为不规则的曲线,而手电筒、白炽灯以及蜡烛等干扰光源往往具有比较规则的形状。据此,本文引用了圆形度的概念,用其表征物体边缘的复杂程度,并将其作为区分火焰以及干扰光源的一个特征[3]。
圆形度定义为[4]:
式中:Ck表示编号为k的图元的圆形度;Pk为第k个图元的周长,即可疑图元的边界长度,可以通过计算边界链码得到,在边界链码中,水平和垂直方向的链码步长为单位长度1,对角线方向的链码步长为
1.3 利用DSP实现图像型火灾探测系统的必要性
(1) 目前许多火灾探测系统都是采用传统感温、感烟传感器,这种系统有很多缺点,误报率非常高,受环境限制,而且这种系统不能掌握火灾现场的情况,不能依靠其来进行实时调度等工作,虽然其单个传感器价格较低,但是由于每个监控范围小,必须安装多个各种传感器才能有稍微较好的性能。
(2) 基于PC的图像处理的火灾监控方法,其对于图像采集一般采用摄像头与图像采集卡或者摄像头加图像译码器的结构,然后再把采集的图像传输到后台进行处理,大大增加了监控台的负担。
1.4 基于DSP图像型火灾探测的优点
为了克服传统的感烟火灾探测系统的弊端和许多特殊环境无法使用的问题,可以利用DSP开发出适应不同环境图像型火灾探测系统来满足不同环境的需要,其具有很高的灵活性[5]。而且DSP芯片是一种特殊的微处理器,是高性能系统的核心,它不仅具有可编程性,而且它实时运行的速度远远超过通用微处理器[6]。其特殊的内部结构,强大的信息处理能力以及较高的运行速度,是其重要的特点。它能实时地对大量数据进行数字技术处理。这种实时能力使DSP在图像火灾探测领域应用的十分理想。随着DSP芯片的发展,DSP系统的成本、体积、重量和功耗等逐渐下降,时钟频率、处理速度、处理精度等逐渐提高,对图像型火灾探测系统的发展都起到了很大的促进作用。
2 DSP技术及其开发流程
2.1 DSP芯片介绍
数字多媒体处理器DM642[6]是TI公司C6000系列的一款新型高性能DSP,基于C64x内核,扩展的高级甚长指令字(VelociTI)体系结构,具有64个32位通用寄存器,8个独立计算功能单元(2个乘法器,6个算术逻辑单元)可以并行运行,因此多条指令可同时执行。可工作在600 MHz时钟速率,在此工作频率下,所有功能单元能稳定可靠的工作,外部总线时钟为100 MHz。每个指令周期可并行运行8条32位指令,因此可达到4 800 MIPS的峰值计算速度。DM642采用两级缓存结构,L1P,L1D,L2。DM642具有64个独立通道的EDMA(扩展的直接存储器访问)控制器,负责片内L2与其他外设之间的数据传输。容量较大的两级缓存和EDMA通道是DM642高性能的体现之一,若能合理使用和管理,将能大幅度提高程序的运行性能。它带有3个可配置的视频端口,提供与视频输入、视频输出以及码流输入的无缝接口。这些视频端口支持许多格式的视频输入/输出,包括BT.656,HDTVY/C,RGB以及MPEG-2码流的输入。DM642的其他外设包括:10/100 Mb/s的以太网口(EMAC)、多通道音频串口(McASP)、外部存储器接口(EMIF)、主机接口(HPI)、多通道缓冲串口(McBSP)以及PCI接口等。
2.2 DSP视频处理开发平台
本文用于DSP开发的平台SSD-DM642 Ver 2.0(见图1)是索思达公司出品的基于TM320DM642一款可用于多路视频监控、视频服务器、数字视频录像机等场合的嵌入式平台。
2.3 集成开发环境CCS
采用由TI公司推出的用于开发DSP芯片的集成开发环境CCS(Code Composer Studio)。它采用Windows风格界面,集编辑、编译、链接、软件仿真、硬件调试以及实时跟踪等功能于一体,极大地方便了DSP芯片的开发与设计,是目前使用最为广泛的DSP开发环境之一。CCS有两种工作模式,即软件仿真器和硬件在线编程[7]。软件仿真器工作模式可以脱离DSP芯片,在PC上模拟DSP的指令集和工作机制,主要用于前期算法实现和调试。硬件在线编程可以实时运行在DSP芯片上,与硬件开发板相结合进行在线编程和调试应用程序。利用CCS集成开发软件,用户可以在一个开发环境下完成工程项目创建、程序编辑、编译、链接、调试和数据分析等工作环节。使用CCS开发应用程序的步骤为[8]:
(1) 打开或创建一个工程项目文件(project),包括源程序(C或汇编)、目标文件、库文件、链接命令文件和包含文件。
(2) 编辑各类文件。可以使用CCS提供的集成编辑环境,对头文件(*.h文件)、链接命令文件(*.cmd文件)和源程序(*.c,*.asm)进行编辑。
(3) 对工程项目进行编译。如出现语法错误,将在构建(Build)窗口中显示错误信息。用户可以根据显示的信息定位错误位置,更改错误。
(4) 对结果和数据进行分析和算法评估。用户可以利用CCS提供的探测点、图形显示、性能评价等工具,对运行结果、输出数据进行分析,评估算法性能。主程序流程如图2所示。
3 基于DM642的嵌入式图像型火灾探测系统实现
根据防火规范和系统的功能要求,相应的火灾探测报警和灭火系统软件也应具有如下特点[9]:
实时性 火灾报警系统是一个实时控制系统,对于系统响应时间要求较高,所以对应用软件的执行速度有一定的要求,即能够在采集现场数据后,在允许的时间间隔内,及时对数据进行计算、处理、并做出正确判断,对系统进行控制。
灵活性和通用性 为了节省内存和具有较高的适应能力,软件采用模块化结构,在编写程序的时候,采用自顶向下的分析方法,将整个软件系统划分为若干个软件功能模块,然后针对每一个功能模块编写子程序。以后如果需要添加功能或修改现有功能,只需要添加或修改子程序即可。
本文利用SSD-DM642 Ver 2.0评估板卡为开发研究平台,对图像型火灾系统做进一步的软件开发的研究。
软件系统的总体框架如图3所示。
各个系统的子模块是在主系统控制模块的控制和管理监督下协调工作的。系统的工作流程图如图4所示。
(1) 系统加电开始运行,运行系统初始化模块,设定寄存器初始值,进行存储器的映射,建立系统工作的环境。
(2) 运行图像采集模块,采集连续帧图像,寻找背景图像,存储背景图像,并进行图像动态比。
(3) 运行图像处理火灾识别模块,对可疑目标进行图像处理、特征提取,并把提取的特征与预设的阈值DT比较,若小于门限阈值DT,则可以认为是其他干扰信号,从而跳转到第二步,继续监视。
(4) 若提取的特征值超过预设门限,就确认为火灾发生。
4 实验结果
在充分了解系统运行方式和对算法的Matlab仿真无误的情况下,进行图像型火灾识别算法的DSP实现。由试验的结果(见图5)来看,取得了较为理想的运行结果,为算法的进一步实际应用打下了良好的基础。
5 结 语
研究了基于DSP的图像型火灾探测技术开发的基本流程,并结合自适应图像型火灾探测算法,利用开发板对算法进行了验证,下一步将经过编译的代码利用代码优化器进行优化,提高代码效率,并且开始研究DSP硬件设计问题。
参考文献
[1]金华彪,夏雨人,张振伟,等.基于数字图像处理的火灾探测技术[J].微电脑应用,2003,19(5):25-27.
[2]董华,程晓舫,范维澄.早期火灾图像监测技术的应用与比较[J].光学技术,1997(9):51-98.
[3]唐发明.基于统计学习的支持向量机算法研究[D].武汉:华中科技大学,2005.
[4]陈莹.大空间图像型火灾探测和自动灭火技术的研究[D].天津:天津大学,2006.
[5]徐俊毅.Davinci技术帮助TI开启未来通信与娱乐市场[J].电子与电脑,2005(10):113-115.
[6]张晓勇.基于DSP的汽车牌照识别技术研究[D].贵阳:贵州大学,2007.
[7]王念旭.DSP基础与应用系统设计[M].北京:北京航空航天大学出版社,2000.
[8]孙兴.DSP在机器人视觉系统的应用与研究[D].贵阳:贵州大学,2006.
[9]LI U Che-bin,AHUJA Narendra.Vsion based fire detection[C].Proceedings of the 17thInternational Conference onPattern Recognition.Washington,DC:IEEE Computer So-ciety,2004:134-137.
图像火灾探测 第6篇
在各种自然灾害中，火灾是造成人们生命财产损失最严重的灾害之一。近几年，随着视频监控系统的普及和计算机视觉技术的日益成熟，基于视频的火灾探测技术已受到人们广泛的关注[1]。图像型火灾探测的方法主要为:(1)对火灾图像进行基于火焰颜色空间[2]或基于运动空间的区域分割[3];(2)对疑似区域进行静态或动态特征提取;(3)对火灾进行分类判决。近几年较为常用的识别工具为支持向量机[4,5,6]，实验证明在数据平衡的条件下，支持向量机对火灾识别有很好的分类性能。然而在实际情况中，有火存在的可能性要远远小于无火情况，所以火灾探测问题实际是不平衡数据的判别问题。常用的数据不平衡处理方法是:过采样和欠采样数据处理方法，文献[7]提出的BSMOTE算法通过对少数类样本的增加实现正负样本数据的平衡。文献[8]主要提出一种适用于支持向量机的FN欠采样方法，通过对多数类样本进行剔除使正负样本能够平衡。
上述方法在一定程度上能够使不平衡数据恢复平衡，但使用过采样对少数类样本进行抽样，在增加数据的同时可能会引入一些较难分的样本，导致算法的复杂程度增加。使用欠采样对多数类样本移除，可能丢掉样本的关键信息，特别是对寻找分类边界有影响的关键信息。因此本文提出一种Adaboost和SVM相结合的方法对火灾进行识别，以SVM作为分类器，利用Adaboost算法对少数类样本设定重构的阈值范围，对样本进行重构，使正负类样本达到平衡，在此基础上把SVM在平衡数据条件下良好的分类性能和Adaboost算法优点(在学习过程中不断迭代训练“最富信息的样本点”，着重训练被错分样本支持向量)结合起来，解决在火焰特征数据分布不均衡时火灾的识别问题。
1 Adaboost-SVM火灾识别算法
1.1 Adaboost算法
Adaboost算法的主要思想是利用一个分量分类器，根据分类器训练后的输出结果，自适应的改变样本的权重，把较大的权值赋给被错分的样本，再反复进行迭代，最后根据分类器的表现加权投票给出最终的判决结果。
Adaboost训练样本的目的是为了得到样本的类别表示，可用称之为“假设”的函数表示，记为h:X→Y，在学习过程中对样本每进行一次学习训练就会相应得到一个假设，称之为弱分类器，最后将所有经过学习得到的弱分类器进行合并得到最终的判别函数———强分类器，记为H(x)。定义一个训练样本(x1,y1,),(x2,y2)，…，(xn,yn)，其中xi为样本的特征观测值，属于目标类别特征空间X,yi是xi的类别标签，满足yi=f(xi),f是分类器要训练的目标集合。样本的各个权值为:w(i)=1/n,(i=1,2，…，n)，满足，经过训练后，弱分类器输出的预测结果h:X→{-1,+1}，所有的弱分类器对样本分类的假设空间集合记为H，即强分类器。此强分类器满足当且仅当对任意小的ε和样本分布w，此分类器都能以概率1-δ(0<δ<0.5)输出一个分类假设。
1.2 Adaboost不平衡数据的重构
根据Adaboost算法样本权重更新规则可知:当样本的权重较小时，此样本被正确分类的概率就大，距离分类面就较远。所以当样本被赋予的权重较小时，此样本就较可靠。因此可以复制此样本作为少数类样本。定义一个可靠样本的选取阈值:
其中，δtmax为少数类样本权重最大值，γ为影响因子(0<γ≤1)，所选取的样本权重范围为δtmin<δt≤δtmax。Adaboost算法在分类迭代过程中，影响因子γ的取值直接影响重构样本的数目，γ取值过大则重构后的样本数量较多，可能导致数目再次分布不平衡影响分类性能，同时算法耗时较长。γ取值过小，少数类样本达不到与多数类样本平衡的要求，依然达不到分类要求。因此需要界定一个最高重构样本数目:
其中N为最高样本数目，P为少量样本数目，K为多数类样本数目，M为训练迭代次数。
1.3 Adaboost-SVM分类器的构造
支持向量机(SVM)将训练数据非线性映射到较高维度上，并在新的维度上搜索最优超平面，最终由该超平面决定样本的类别。当解决两分类问题时，存在N个样本(x1,y1),(x2,y2)，…，(xN,yN)，类别标签yi∈{-1,+1};如图1所示，H为分类面，H1,H2分别为过各类且平行分类面H的平面，H1,H2之间的间隔叫做分类间隔。
存在一个超平面wT·x+b=0可以将N个样本分为两类，约束条件为，分类间隔为2/‖w‖2。可将支持向量的原型写为:满足约束条件yi(wT·x+b)≥1使‖w‖2表示间隔，ξi为第i个样本的训练误差程度的度量，其值越小，误差就越小。C为间隔与训练误差之间的平衡调节参数，C越小，对错误分类的惩罚越小[9]。
本文利用Adaboost算法对SVM分类器进行加强，通过不断改变输入样本的权重，重构少数类样本，并加强对错分样本(支持向量)的训练，Adaboost-SVM算法把支持向量机作为Adaboost集成学习框架的学习器，根据Adaboost算法框架，Adaboost-SVM算法的步骤如下所示:
(1)输入训练集和标签{x1,y1}，…，(xn,yn)}，其中xi∈X,yi∈{-1,+1}。其中少数类样本数量P，多数类样本数量K。
(2)初始化训练集中所有样本的权重，w(i)=1/(P+K),(i=1,2，…，P+K)。
(3)设置迭代次数M，选择所有训练集输入分类器SVM进行训练。
(4)得出弱分类器h→{-1,+1}，标记分类器h1正确和错误分类的样本，并计算弱分类器的权值
(5)将所有的测试集数据输入h1分类器进行预测得到hfinal1→{-1,+1}。
(6)由(4)得出的分类权值am更新所有训练样本的权重如式(3)并按照权重从小到大排列:
(7)若P<K，则以式(1)确定被复制的样本权重范围，式(2)确定最大重构样本数目，并对少数类样本进行重构。
(8)继续循环过程，直至M次循环结束，通过M次循环，boost-svm可以得到M个分类器hfinalm，总体分类器的判决函数式如式(4)所示:
H(x)即为最终的分类器。
1.4 Adaboost-SVM火灾识别
本文首先利用RGB和HSI颜色模型对火焰进行疑似区域分割[10]，并根据早期火灾火焰特点以及大量仿真实验，选取4个特征值即:面积变化率、圆形度、红绿分量比、偏移量[5,11]作为SVM分类器的输入参数，然后对Adaboost-SVM进行建模，并将待测数据输入模型中，对数据进行预测得到分类结果，火灾探测算法流程如图2所示。
2 实验结果及分析
为了验证本算法的有效性，对室内大空间及室外场景中不同火焰和干扰源的视频进行了算法验证。视频来源为http://signal.ee.bilkent.edu.tr/Visi Fire网站及本课题组按GB15631-2008《特种火灾探测器》[12]规定所拍火焰和干扰视频。在Matlab2010a环境下进行了仿真实验。PC配置为:CPU:Intel酷睿i5 2410M，主频:2.3 GHz，内存:2 GB。火灾视频场景描述见表1所示。
根据实验经验本文选择SVM的核函数类型为径向基核函数。参数c=100，σ2=2.95,v=4。
传统的模式分类问题中，评判分类性能的指标为准确率，但是在不平衡数据中，当少数集为10个样本，多数集为100个样本，即使少数集全部分错，准确率也达到90%，所以使用准确率不再合理。故本文引入不平衡分类问题的评价标准[8]如式(5)-式(7)所示:
其中，TP表示被正确分类的少数样本，FK表示被错误分类的多数样本，FP表示被错误分类的少数样本，TK表示被正确分类的多数样本。Se用来衡量分类器对少数类的分类灵敏度，Sp用来衡量分类器对多数类的灵敏度，如果Se,Sp其中一个精度较低，则G值相对较低。只有当两者精度都较高时，G值才会较高。所以本文采用G值作为衡量不平衡数据分类问题的标准。
选择表1火灾视频进行训练和测试，算法实验结果如表2和表3所示。
从表2可以看出，本算法在G值上相较于SVM都有一些提升。在第二组和第六组数据集上SVM算法G值结果不高，其原因在于正负数据集相差很大，分布数据极度不平衡。但经过本文算法重构正样本数据，使两者达到平衡，并利用Adaboost算法不断训练错分样本，使得G值有较大的提升。第四组数据集SVM和Adaboost-SVM的G值相差不大，其主要原因是正负样本为1∶2，不平衡程度相对较小，说明在不平衡数据相对较小时，本文算法优势并不明显。但当数据集正负样本不平衡程度较大时，本文算法明显优于SVM算法。
由于在实际火焰识别前，首先利用已有的在多种场景中火灾与非火灾图像作为训练集，构建支持向量机分类器，这部分为离线处理，时间未计算在内。表3中所用时间为测试集图像分割、特征提取、火焰识别所用的整体时间，以及平均每帧图像所用的时间。由于本文Adaboost-SVM算法要对训练器进行多次训练得到多个分类器，所以需把测试集输入已训练好的多个分类器中进行测试，最后其结果要加权求和，所以在时间耗时方面较SVM算法略有偏高。但是在实际测试时，每帧图像火焰识别耗时约0.3 s，用15帧图像为一组进行火灾识别，其火灾报警用时约为4.5 s，小于GB15631-2008《特种火灾探测器》[12]要求的20 s之内。若利用C语言实现该算法，所用时间将会更少，其探测满足系统的实时性要求，因此，此方法可用于在线火焰识别。
3 结语
本文提出了Adaboost-SVM学习算法，将支持向量机作为分类器应用于Adaboost迭代学习框架中，把二者相结合以此对火灾进行识别。在对图像进行分割、特征提取之后，将4种特征值送入SVM分类器中进行识别分类，并利用Adaboost算法对样本进行权重赋值，设定合适的阈值范围，选择权重较小的样本作为重构样本的基准，复制此类样本使正负样本数目达到平衡。并在训练过程中不断加大错分样本的权重，使之再次选入分类器的概率增大。从实验结果来看，该算法将支持向量机在平衡数据条件下较好的学习分类性能和Adaboost不断改变样本的权重以及不断迭代训练最富信息样本点结合起来，提升了算法的分类性能。本文算法由于迭代次数较高，导致耗时较长，因此，如何在提高算法性能的情况下，降低时间复杂度是下一步研究方向。
参考文献
[1]刘培勋.基于视频监控的全天候火灾检测系统[D].长春:吉林大学,2011.
[2]Michael Wirth,Ryan Zaremba.Flame region detection based on histogram backprojection[C]//2010 Canadian Conference Computer and Robot Vision,2010:167-174.
[3]Jiang Q,Wang Q.Large space fire image processing of improving canny edge detector based on adaptive smoothing[C]//2010 International Conference on Innovative Computing and Communication and 2010 Asia-Pacific Conference on Information Technology and Ocean Engineering,2010:264-267.
[4]邹婷,王慧琴,胡燕,等.基于小波变换和支持向量机的火灾识别算法[J/OL].计算机工程与应用.[2012-04-25].http://www.cnki.net/kcms/detail/11.2127.TP.20120425.1721.055.html.
[5]杨娜娟.基于支持向量机的视频火焰探测技术研究[D].西安:西安建筑科技大学,2011.
[6]Tung Xuan Truong,Jongmyon Kim.Fire flame detection in video sequences using multi-stage pattern recognition techniques[J].Engineering Applications of Artificial Intelligence.,2012,25:1365-1372.
[7]Han H,Wang W Y,Mao B H.Borderline-SMOTE:a new over-sampling method in imbalanced data sets learning[C]//Proc International Conference of Intelligent Computing.Hefei,China,2005:878-887.
[8]赵自翔,王广亮,李晓东.基于支持向量机的不平衡数据分类的改进欠采样方法[J].中山大学学报:自然科学版,2012,51(6):10-16.
[9]袁兴梅,杨明,杨杨.一种面向不平衡数据的结构化SVM集成分类器[J].模式识别与人工智能,2013,26(3):315-320.
[10]Chen Juan,Bao Qifu.Digital image processing based fire flame color and oscillation frequency analysis[C]//2012 International Symposium on Safety Science and Technology,2012:595-601.
[11]黄正宇,缪小平,芮挺.基于图像的火焰检测中无量纲动态特征研究[J].计算机应用,2012,32(7):1894-1898.
图像火灾探测 第7篇
目前各种大型、地下、高层等大空间建筑不断出现, 这些场所往往人员密集、环境复杂, 容易存在火灾隐患。特别在空气对流畅通的地方, 火灾发生时火势蔓延较快, 一旦人员疏散不及时, 就会造成人身财产损失。因此, 对建筑内部消防安全的要求日益严格。针对火灾的探测预警, 传统的设备有感烟探测器、感温探测器、喷淋探头等, 由于其探测距离以及保护范围的限制, 这些设备已经不能适应大空间场所的消防要求。一些新型的探测方法应运而生, 如红外探测器将探测距离延伸至八十米甚至更远, 图像探测器则大大拓展了保护视野, 既能克服传统探测器在大空间场合灵敏度下降的缺点, 又能兼顾监控功能。
研究表明, 火焰燃烧时会向四周辐射不同频段的光线, 呈现出不同的视觉特征, 如颜色、形状、亮度, 红外辐射强度等, 通过分析早期火灾图像的特征可以达到火灾预警的目的。由于火灾图像包含的信息量巨大, 如何从纷繁芜杂的图像数据中发现疑似火灾目标, 并最终确认火灾的存在以及发展的态势是图像型火灾探测技术的关键问题。相关技术人员对此展开了深入探索, 如[1,2]从颜色的角度出发, 利用火焰的颜色特征进行判别, [3,4]对火灾发展过程中火势增长的特点进行了分析, [5]通过采集红外图像, 分析火焰在红外成像上所表现的特点, [6,7]收集监控区域中的烟雾, 通过对烟雾的图象特征进行识别, 以确定存在火灾。
如果只利用可见光或是红外光中的一种影像信息去分析火灾的存在性, 由于干扰源的存在, 探测结果往往缺乏可靠性, 干扰源包括具有火焰相似颜色的物体、辐射红紫外线的发光体、移动的明亮物体等, 这些干扰都容易造成探测器的误报警。本文将介绍一种双波段图像型火灾探测装置, 能够综合利用彩色信息和红外信息, 极大改善利用影象信息进行火灾探测的效果。该装置已申请国家实用新型专利, 专利号为CN200720026161.3。
2 系统设计与实现
2.1 火焰的红外成像原理
物理学上黑体定律认为, 在自然界中任何有温度的物体, 只要它的温度高于-273.15℃, 除了可以发出380~770nm的可见光外, 其表面还会不断地辐射红外线, 这些红外线波长在770~1350nm之间, 通常不为人眼所见。
火焰所产生的红外辐射主要集中在950~2000nm这一波段, 如果能将这一波段的光线成像, 则能反映出火焰红外辐射的图像特征。对于普通CCD摄像机而言, 其成像能力是由CCD的感光能力决定的, 通常CCD能感应400~1200nm范围内的光线, 所成图像涵盖了可见光波段和红外线波段, 且可见光的光量远大于红外线, 因此仅从图像我们无法察觉到红外线的存在。为了实现过滤可见光而保留红外光的效果, 本装置在摄像机CCD前安装有红外滤光片, 滤光片的截至波长为850nm, 透光性如图1所示, 波长大于850nm的光线可以穿过滤光片, 而小于850nm的可见光波段被有效地滤除掉。这样在采集火焰图像时, 明显减少了可见光波段带来的干扰, 在CCD上只留下波长在850nm以上的红外线所形成的影像, 如图2显示的是一只蜡烛的火焰。
2.2 双波段图像型探测器的设计
双波段图像型探测器的正面图和侧面图如图3、图4所示, 探测器主要由两台CCD单板摄像机组成, 两台摄像机并列安装在防护罩底板上, 由外部统一供电, 视频线和电源线经出线端接至系统其它设备。两台摄像机属于同一型号的彩色CCD单板摄像机, 从图2可以看到红外摄像机的构成, 与彩色摄像机的不同之处在于CCD前加装了一块红外滤光片。摄像机均采用固定焦距镜头, 镜头焦距根据保护范围和监控距离确定。
3具体实施与应用
下面介绍一种利用双波段图像型探测器的火灾监控系统, 系统结构如图5所示, 主要由双波段图像探测器、控制电路、视频切换设备、图象采集卡以及工控机构成。
其中, 双波段图像探测器的特征如前文所述, 它在系统中作为前端探测设备, 采集现场的彩色和红外图像, 并与视频切换器相连。视频切换器的作用在于控制多路视频信号中的一路或者几路为输出信号, 可实现输入视频的任意切换。图像采集卡用于将模拟视频信号转换为数字信号输入工控主机。工控机上运行有火灾监控软件, 可自动对输入视频信号进行识别处理, 通过工作界面可以查看系统全局的工作状态和运行信息, 通过控制联动设备可实现自动或者人工报警、灭火等动作。
系统工作时, 将所有视频信号接入视频切换器, 视频切换器的输出通过图像采集卡接入工控机, 输出分两路, 分别为彩色视频通道和红外视频通道, 对应某台探测器的两路视频信号。通过控制视频切换器可以使指定探测器的两路视频信号同时出现在输出端, 计算机读取两路视频信号后, 彩色图像一方面被送入电视墙显示, 另一方面计算机对其包含的区域颜色、运动物体闪烁特征、区域尺寸特征等内容进行分析, 对于是否存在疑似火灾进行预判, 如果发现存在可疑区域, 则记录目标的位置。然后在相同位置对红外视频进行分析, 分析内容包括光线辐射强度、闪烁速度、区域扩展速度等, 一旦对红外视频的分析结果也达到预警的条件, 则立刻发出报警指令, 并自动控制联动设备进行声光报警、火灾隔离、扑救、现场记录等, 形成一个完整的自动探测、报警、扑救、记录过程。
4 结语
本文介绍了一种双波段图像型火灾探测器的构成和使用方法, 为早期火灾的探测问题提供了新的思路, 通过工程应用反馈, 图像型探测器具有较好的使用效果, 并且具备以下技术优点:
(1) 具有可视化特征, 方便监控, 提高了工作人员的人身安全和工作效率。
(2) 结合可见光和红外光谱进行火灾分析, 增加了可靠性, 降低了由于环境中不明物体对系统的干扰所造成的误判。
(3) 可以提供火源的位置信息, 能够引导灭火装置进行自动定位、扑救;能够引导监控设备自动切换场景, 使工作人员及时了解现场情况。
(4) 探测距离远、保护范围大, 适合于室内高大空间或者室外使用。
虽然图像型火灾探测器有诸多优点, 但是由于火焰在图像中呈现的多样性, 基于图像识别的火灾探测系统在火焰特征分析、识别算法研究、提高可靠性、降低误判方面仍然有很大的提升空间, 系统的完善将是一个长期的过程, 也将是今后工作的重点。
参考文献
[1]马宗方, 程咏梅, 潘泉, 王慧琴.基于颜色模型和稀疏表示的图像型火焰探测[J].光子学报.2011.40 (8) :1220-1224.[1]马宗方, 程咏梅, 潘泉, 王慧琴.基于颜色模型和稀疏表示的图像型火焰探测[J].光子学报.2011.40 (8) :1220-1224.
[2]陈威, 刘菁华.颜色直方图特征分割方法在火灾探测中的应用[J].计算机技术与发展.2011.21 (7) :199-205.[2]陈威, 刘菁华.颜色直方图特征分割方法在火灾探测中的应用[J].计算机技术与发展.2011.21 (7) :199-205.
[3]王士迪, 裴海龙.基于视频图像的火焰识别算法[J].现代电子技术.2011.34 (2) :82-86.[3]王士迪, 裴海龙.基于视频图像的火焰识别算法[J].现代电子技术.2011.34 (2) :82-86.
[4]徐爱俊, 方陆明, 楼雄伟.基于可见光视频的森林火灾识别算法[J].北京林业大学学报.2010.32 (2) 14-20.[4]徐爱俊, 方陆明, 楼雄伟.基于可见光视频的森林火灾识别算法[J].北京林业大学学报.2010.32 (2) 14-20.
[5]吴龙标, 宋卫国, 卢结成.液晶光闸在火灾探测中的应用[J].光学技术.1999.1:4-6.[5]吴龙标, 宋卫国, 卢结成.液晶光闸在火灾探测中的应用[J].光学技术.1999.1:4-6.
[6]王欣刚, 魏峥, 刘东昌, 郑晓隆.基于烟雾动态特征分析的实时火灾检测[J].计算机技术与发展.2008.18 (11) 9-17.[6]王欣刚, 魏峥, 刘东昌, 郑晓隆.基于烟雾动态特征分析的实时火灾检测[J].计算机技术与发展.2008.18 (11) 9-17.
火灾探测器探测范围剖析 第8篇
伴随科学技术与经济水平的不断发展和进步,和火灾报警系统相关的相关专业例如电子信息探测技术、计算机搜索技术的快速发展,同时并且应目前经济水平的快速发展,出现了大量新型的建筑工程,因此针对上述复杂的情况,我过对于相关消防规范也做出了相应的修改和完善,但是火灾自动报警系统的设计规范一直沿用至今,而其中一部分内容取之于另外他国的应用规范,而并未进行较为全面、科学及详细的解释,给目前火灾探测其的设计、建筑物施工以及今后维护和保养工作也带来了许多困扰。因此笔者通过分析与研究各种特殊状况和条件,能保证火灾探测器不存在盲区或者不会存在过多的安装火灾探测器,最终可以使一个探测区域之内的火灾报警探测器达到布置更科学化、简单化、经济化的更高标准。
1 火灾探测器的根本探测原理
现阶段常用的火灾自动报警系统主要由火灾探测器、手动报警按钮、报警装置以及火灾报警控制器构成。火灾探测器装置是整个系统的“感觉器官”,与此同时它的根本性作用则是监视周围环境中有没有发生火灾。一旦周围发生了火情,火灾探测器就能够将火灾的基本特征物理量,例如温度、烟雾、气体以及辐射光强等转换成为一种电信号,并且最终可以向火灾自动报警控制器发送相关的火灾报警信号。
2 火灾探测器的布置原则
在实践中需要合理地布置好火灾探测器,具体而言应该满足如下几个原则:
(1)布置安全性,也就是所有的火灾探测区域都应该在火灾自动探测器的保护范围以内,不存在任何的“盲区”。
(2)布置经济性,需要充分地利用探测器的保护范围,在确保被保护区域安全性的基础上,其火灾探测器的用量需要做到尽量少。为了充分满足如上条件,火灾自动探测器在布置时应该进行优化,也就是既能够满足其安全性的设置要求,又需要做到经济设置。那么实践中可能影响火灾自动探测器优化设置的关键性参数则是该火灾自动探测器的“列间距离a与行间距离b”。
3 火灾探测其的保护范围及保护半径
3.1 保护半径以及保护范围的内在联系
为能够充分分析与说明火灾探测器“保护范围”及其“保护半径”之间的内在联系,本文中以A-60m2,R-5.8m举例作圆并且加以深入说明,详情见图1所示。
(1)该圆内(含圆周)都应该属于火灾探测器的有效保护范围,那么圆周之上的点也均属于“临界点”,因此超出者就应该得不到有效的保护作用;
(2)该图中的矩形ABCD面积为A-60m2。那么火灾探测器系统的“规范”对应于R-5.8m时为特定情况,因此以此矩形范围就作为火灾探测器的保护范围。它应该由下述的公式所特定:
(3)上述圆中的正方形A'B'C'D'面积作为方形中之最,也应该在火灾探测器的保护范围内。
因此从图1中可以了解到,在同一个保护半径之下的保护范围并不是一个“恒值”,而是一个变值,那么其变化区间则是从特定的矩形(60m)逐渐变化为正方形(67.28m),与此同时保护范围应该以正方形为最大面积。所以能够得出:实践中火灾探测器的设置指标之中,其“保护半径”是最为主要的、核心的、具有决定性的数据以及指标;那么火灾探测器的“保护范围”则是一种次要的、从属性的、辅助的数据以及指标,并且还受到火灾探测器“保护半径”的限制。因此在设置过程中应该以正方形来设置是最为有利的。
3.2 依照保护范围设置探测器的直观性判定设置条件
在实践中火灾探测器的设置过程中,其保护范围不应该超过而超过了标准保护半径的现象时有发生。究其根本原因,从图1中不难了解到,通常情况下在矩形ABCD面积保持不变的前提下,其矩形短边a逐渐变小而长边b则相应逐渐变大,因此超出了该圆的保护范围。同时设矩形a/b=c,因此假如能够将C值最终限定介于特定矩形和正方形间,那么就可完全地避免了超“半径”的问题发生。
3.3 火灾探测器的修正系数
关于火灾探测器设置的修正系数,在相关“规范”中的第8.1.4条已经明确列出,也就是“在一个探测区域字内所需要设置的火灾探测器总体数量,不应当小于如下公式的计算数值”,也就是算式中已经提到的。
以往经验来说,火灾探测器设置的修正系数很容易被工作人员忽略,究其根本原因,大致如下:
(1)火灾探测器设置的修正系数提出并不够醒目,仅仅是在算式中作为一个符号而使用;
(2)在火灾探测区域面积比较小而勿需计算其火灾探测器的数量时很容易将其忽视;
(3)不经过有关的计算,就直接以其保护半径作图来设置火灾探测器时可能忽略;
(4)既能够便通过最终的计算,但是原规范(GBJ116-88)中规定,火灾探测器设置范围的修正系数取值应该以重点与非重点的保护对象分别进行取值和计算,而其保护的重点、非重点对象却根本无据可依,因此采用情况较少。
在以新的、被修正之后的火灾探测器保护范围设置过程中,除了具有明显的小面积场合之外,通常又将会遇到两个问题:①使用新的被修正之后的保护范围进行设置,它同样将会受新保护半径的制约,而通常情况下的这个新被修正之后的保护半径就是个未知数,因此无从判定其火灾探测器的设置有效与否;②在一些建筑物的异形平面设置中,若是按照“保护范围”进行设置则无能为力,那么按照“保护半径”却又缺乏依据。所以,客观的情况下就需要对“保护半径”按照不同的保护级别来分别加以修正和计算。
4 实践中火灾探测器的种类及保护范围
通常情况下,火灾探测器对于发生了火灾之后的某种火灾现象具有特定的响应并且能够将其相应转变为特定的电信号汇报给报警的监测装置。
(1)温感火灾探测器:其是对于火灾现场温度升高之时作出响应的一种自动探测器,其是能够将温度的变化转为特定电信号进行报警的装置。详细分为了定温、差温以及定差的火灾温探测器;在室内空间高度不大于8m时普通保护场所中单只火灾探测器的保护范围为20～30m2,与此同时其保护半径为3.6m。
(2)烟感火灾探测器:这是能够对可见或者不可见的烟雾粒子作出响应的火灾探测器,因为烟雾粒子的干扰而变化转变为电信号进行报警。详细能够分为光电、离子以及激光等信号;在空间高度保持在6～12m时的保护场所内单只探测器的保护范围为80m2,相应的空间高度保持为6m以下保护范围为60m2。与此同时去保护半径也为5.8m。
(3)感光火灾探测器(又称为火焰探测器):这种火灾探测器是对火焰中一些可见或者是不可见的光辐射作出响应的火灾探测器装置。其能够详细分为了红外火焰型与紫外火焰型。这种火灾探测器的最大保护范围为14100=1400m2,与此同时最大的保护宽度为14m。
(4)燃气火灾探测器:这种火灾探测其就是对室内单一或者多种可燃性气体的浓度变化而作出响应的探测器装置。详细可以分为点型、线型(分布型)的火灾燃气探测器安装间距,那么室外则是每隔15m需要安装一只,这种燃气火灾探测器的保护半径为7.5m;同时封闭与半封闭的室内场所之内则是每隔7m的间距安装一只,那么保护半径也就是3.5m。
5 结束语
(1)现阶段使用火灾探测器时的优化布置是最终可以成功实现火灾自动报警功能的决定性条件之一。我国现有的“规范”中并未提到火灾探测器具体需要进行优化布置的概念。但是在实际上,只有首先实现火灾探测其的优化布置后才能够充分满足火灾探测器布置的安全性与经济性要求。因此笔者建议应该在现行“规范”中对特定火灾探测器的布置工作提出合理、科学的优化布置要求。
(2)现阶段常用的火灾自动报警系统主要由火灾自动探测器以及火灾报警控制器构成。火灾探测器装置是整个系统的“感觉器官”,与此同时它的根本性作用则是监视周围环境中有没有发生火灾。在我国现有的“规范”中需要用查极限曲线的手段来最终确定出火灾探测器布置间距的手段相对较为复杂与繁琐,因此实践起来存在多值性,因此很难实现火灾探测器的优化、合理布置。
(3)为了最终可以实现矩形室内空间火灾探测器的优化、科学布置,笔者建议应该采用提出的方法及步骤:分析与计算出所需要布置的火灾探测器总数;并且计算出火灾探测区的总体长、宽近的似比;自重可以依据实际的长、宽近似比对洪灾探测器数进行计算与因式分解。
参考文献
[1]王赞瑞,刘志伟,薛原.关于点型火灾探测器设置的研究[J].消防科学与技术,2002(5):62~64.
[2]《火灾自动报警系统设计规范》(GB50116-98)[S].
[3]程远平,李增华.消防工程学[M].徐州:中国矿业大学出版社,2002.
图像火灾探测范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
