1.文章信息

本次介紹的文章是2022年發表在Elektronika ir Elektrotechnika的一篇基于計算機視覺的火災檢測文章。

2.摘要

近年來，尋找快速、環保的滅火方法一直是一個特別重要的話題。許多學者正進行使用深度神經網絡探測火焰的研究。最有前景的方法之一是用聲波方法滅火。理論上，由于聲波會穿過固體、液體和氣體，所以聲波滅火機可以用于撲滅不同種類的火。原則上，本文所述技術可用于撲滅B級和C級氣體或液體燃燒時的火災。到目前為止，已知的研究只針對低功率的聲學滅火器。因此，需要填補這方面的理論和實踐空白(科學新穎性)。

這些活動的結果是開發了利用深度神經網絡滅火的新技術，然后使用應用于聲學滅火器的高功率和非常高功率揚聲器滅火。文章的主要目的是介紹使用深度神經網絡探測火災的可能性，以及使用幾個頻率的振幅調制(AM)方波撲滅火焰的研究結果，這也是一個科學上的新發現，包括最小聲功率和聲壓級作為聲學系統輸出距離的函數。在此基礎上，可以確定在給定輸入參數下，傳遞給滅火器的最小功率和引起滅火效果的最小聲壓級。

3.介紹

目前，用適當選擇的滅火劑填充的滅火器最常用來撲滅火焰。它的組成取決于火的類型。因此，傳統的滅火器不適合普遍用于撲滅各種材料的火災。根據火災類別的不同，滅火器分為許多組，其中一些適合撲滅幾種類型的火災。在典型的滅火器中，滅火劑很快就會耗盡，給油箱充注很費時，而且只能由授權單位在指定區域進行。因此，傳統滅火器有許多局限性。其他缺點包括:對環境和健康的不利影響，在滅火過程中對設備的損壞，需要定期對罐體進行壓力測試，向滅火器中填充滅火劑。用聲波滅火是最有前景的方法之一。此外，過去已經證明，用放大和調制的人類聲音(使用計算機技術)撲滅火災是可能的。聲壓水平超過人耳的疼痛閾值。

火災可由多種來源引起，為了防止火災的蔓延，需要有滅火系統。大多數火災探測系統是基于溫度和煙霧傳感器。最近，人們可以使用單一攝像頭和訓練有素的神經網絡進行火災識別。工業設施和自然總是會因不同的原因受到火災的威脅。經典的傳感器可能并不總是高效的，因此發展更先進的火災探測方法是必要的。人工神經網絡(ANN)通過分析熱成像攝像機的圖像，可以非常有效地找到各種燃燒物體，并可以成功地用于探測火災。只要使用一個監視系統，它們就可以取代任何昂貴的傳感器。當檢測到火災時，神經網絡可以自動顯示其在圖像中的位置。不同的卷積神經網絡(CNN)網絡可以應用于圖像中的火災和煙霧識別，它們可以應用于該領域的各種類型的算法和神經網絡并與之結合。

基于掩碼區域的卷積神經網絡(R-CNN)是一種深度神經網絡，用于解決計算機視覺中分離視頻或圖像中的對象的實例分割問題。它基于Faster R-CNN架構，有兩個主要變化:它用更精確的RoI對齊模塊取代了興趣區域池(RoI池)模塊;插入了RoI Align模塊的一個附加分支。附加分支接受RoI輸出，然后將其發送到卷積(Conv)層。掩碼是卷積層的輸出。利用神經網絡對采集到的圖像進行處理，并將識別的目標隱藏在圖像上。神經網絡是fast R-CNN的擴展。Faster R-CNN只能預測邊界框，而Mask R-CNN并行預測對象掩碼。

為了減少工業火災事故中的損害和傷害，及時準確的火災探測至關重要。近年來，火災探測技術變得越來越復雜、智能和強大，從傳統的“點”傳感器發展到基于視頻（基于攝像機）的技術，可分為信號、圖像和視頻處理方法。然而，傳統的“點”傳感器（煙霧和熱量探測器）通常需要足夠的高溫或足夠的煙霧濃度來觸發警報，這限制了其在早期檢測電纜燃燒等小型火災方面的應用。在過去幾十年中，計算機計算能力的提高和成像傳感器成本的降低使得基于視頻的火災探測技術能夠用于實時應用。近年來，隨著深度學習的發展，人工智能技術逐漸出現在消防安全研究領域。最重要的應用之一是它解決了傳統火災探測方法很難實現的小型火災探測問題。

為了實現神經網絡火災探測，采用了多種軟件技術。圖像處理采用Opencv，這是一個開源的計算機視覺和機器學習庫。它旨在提供一個通用的視覺應用基礎設施，并加快機器感知。該庫有超過2500個優化算法，包括一套全面的經典和先進的計算機視覺和機器學習算法。

4.模型

A. 訓練神經網絡

采用Mask R-CNN體系結構訓練神經網絡，具有快速檢測各種目標的能力。對120幅圖像進行了火災檢測神經網絡的訓練。這些使用Python腳本的圖像通過轉換、縮放操作和亮度調整乘以數字。這樣就自動生成了3600張圖片，圖片中火的位置各不相同。搜索器算法提取它們的特征和像素注釋，并使用Mask R-CNN Inception架構訓練神經網絡45 000個周期，直到達到所需的精度。在實踐中，訓練需要一個初始的照片數據庫(其中一些照片如下圖所示)，需要從中提取物體的特征，這些特征必須在后面找到。

這還涉及到在每個圖像中創建掩碼注釋。如前所述，神經網絡是使用機器學習TensorFlow的庫進行訓練的。訓練是在圖形處理器設備GTX1080Ti的幫助下進行的。神經網絡能夠識別許多物體，通過軟件過濾，可以從訓練過的物體列表中選擇哪些物體是火災，哪些物體不在圖像中。經過良好訓練的神經網絡可以在具有中央處理單元(CPU)、GPU和視覺處理單元(VPU)的各種處理系統中實現。NVIDIA Jetson Nano工具包用于下圖中當前的實現。該系統包括一個用于實時檢測的USB攝像頭，一個HDMI顯示器，以及控制信號到外部滅火器的繼電器。

Jetson Nano板是一個開發工具包，它包括一個模塊上的系統(SoM)和參考載體板。它主要設計用于為機器學習、機器視覺和視頻處理應用創建需要高計算能力的嵌入式系統。該板具有可用于實時火災探測的攝像頭接口和可用于控制滅火器的通用輸入/輸出(GPIO)引腳。經過訓練的模型被轉移到NVIDIA Jetson Nano的內存中。Jetson Nano傳輸的模型與GPU訓練的模型一致，用于檢測測試圖像中的火災。

B.火焰檢測

由于神經網絡的錯誤包含了假陽性和假陰性的反應，該神經網絡已經在400張未被訓練的圖像上進行了測試，檢測準確率為86%。下圖顯示了圖像中的火災探測，用于基本測試，其中沒有其他對象。

神經網絡的第二次測試使用了客廳里的火災圖像。這張照片顯示了與火相同顏色的物體。即使在這些條件下，神經網絡也能夠將火與其他物體區分開來。試驗結果如下圖所示。

第三張測試照片是在白天燃燒的屋頂。如下圖所示，神經網絡成功探測到火災。

由于之前使用的所有測試照片都是靜態的，因此有必要實時檢查經過訓練的神經網絡的性能。同樣，為了這個目的，使用了加博羅沃技術大學的研究人員從YouTube上下載的火災視頻。這些視頻顯示了不同程度的火災。這些視頻的測試證明了神經網絡識別視頻流中火災的能力。

由神經網絡檢測到的燃燒物體的視頻快照如下圖所示。

如上所示，所提出的神經網絡在火災探測中是可靠的，可以集成到現代消防系統中而不需要任何其他傳感器。這種火災探測系統的優點是所使用的組件成本相對較低，并具有商用的高性能火災探測技術。該系統可應用于其他類型的傳感器不適合火災探測的高溫設施，如鑄造廠、干砂機和熱處理工廠。

應該注意的是，機器人和人工智能在危機管理中找到了應用。將視頻火災探測系統與外部、非侵入性、高聲功率滅火器相結合是可能的，其構造將在下一節(科學新穎性)中介紹。這種方法非常適合于在火災發生的第一階段進行探測和滅火，例如在生產大廳、暴露于火焰發生的專用設備等。

C. 聲波滅火測量站

聲功率也是一個必不可少的參數。到目前為止，研究的重點是使用極低功率的聲波，這使得人們可以撲滅距離系統輸出很短的距離內的火焰。研究表明，僅使用低頻聲波就進行了有效的滅火試驗。使用高的和非常高的聲功率使我們可以擴大這一距離，而使用攝像機對物體進行視頻監控與計算機技術使我們可以快速和準確地檢測潛在的火焰。這是由于滅火過程的有效性取決于空氣振動的振幅。

該測量站由Rigol DG4102發生器、Proel HPX2800功放和聲消器組成。聲級計采用SVAN 979。聲滅火機的結構如上圖所示。

在波導的開始階段，安裝了一個標稱功率為1700 W的B&C 21DS115揚聲器。從理論角度來看，在封閉端管中所需的波導長度是其兩倍。調制和非調制波形都可用于熄滅。對于低頻率，需要一個顯著的波長，例如，對于20hz的聲波，所需波長為閉端管λ1 = 4.28米，而對于開端管λ2 = 8.57米。因此，該聲滅器被制成具有單一隧道彎曲的波導，其矩形截面長度為4.28米，這樣就可以使用揚聲器的全部功率。在實踐中，駐波節點形成于諧振管的開口端，而箭頭形成于諧振管的閉合端。隨著與封閉端距離的增加在管道中，聲壓在管道開口端減小到最小值(波導輸出)。

測量過程中，滅火裝置使用大功率聲學放大器對輸入端進行波形測試，測試參數為:1 V RMS, 1 V RMS × 2√2 = 2.828 V(峰對峰值)。在此基礎上，可以確定在給定輸入參數(幾個頻率的聲滅火器輸出的指定距離L)下，傳遞給滅火器產生滅火效果的最小功率(P)，以及產生滅火效果的最小聲壓級(SPL)。

下圖顯示了滅火器的傳輸特性。在測量過程中，根據AES2-1984標準，麥克風位于距滅火器輸出在裝置軸線上1米的距離處。

設計波導的長度以確保有效發射頻率范圍為15 Hz - 20 Hz的聲波(對于單面封閉波導，該長度為4.28 m)。熄滅器的參數在文章中詳細說明。

測量過程中的聲背景噪聲為64.7 dB。這個值表示測量前的聲壓級。實際上，噪聲水平是一個隨機變量。因此，可以確定臨時噪聲水平屬于給定范圍的概率。LN %可以理解為背景噪聲在不超過N %的觀測時間內超過某個極限水平(見下表I中的數據)。

例如，在測量過程中，超過73 dB背景噪聲水平的時間不超過觀測時間的10%，而超過60.5 dB背景噪聲水平的時間不超過觀測時間的95%。

值得注意的是，所有的測量都是在相同的時間和相同的天氣條件下進行的，因此結果是有意義的。Z過濾器按照IEC 61672-1使用。積分周期為15 s。為了獲得最穩定的背景噪聲水平，在1 s的特定時間間隔內對結果進行平均。這意味著結果每1秒平均一次。

在這些實驗中，火焰的來源是燃燒的蠟燭。當使用蠟燭時，與使用擴散火源(如使用氣體燃料的模型)不同，火焰是否被熄滅是很清楚的。在氣體燃料模型實驗中，可以觀察到，有時火焰沒有完全熄滅，就會被重新點燃。因此，人們認為點源，如蠟燭，可以清楚地觀察到滅火過程。火焰高度大約等于20毫米。

5.實驗分析

A. 聲頻對滅火效果影響的實驗結果

不僅可以用非調制聲波滅火，也可以用調制聲波滅火，這一點在實驗中得到了證實。除了使用高和非常高的聲功率之外，科學上的一個新發現是使用調幅調制波形滅火的可能性的結果。這些試驗是在基爾塞作為" InIn+ "項目(第3/2017號)的一部分進行的，該項目由科學和高等教育部共同資助。

對于由方波調制的正弦波形(AM調制，fMOD = fMFreq= 0.125 Hz = const.)，在三個分析頻率下，提供給揚聲器(能夠撲滅火焰)的電力和聲壓級作為距離滅火器輸出(0.1 m, 0.3 m, 0.5 m，和0.7 m)的函數的結果如下所示。作者的意圖是提出最小聲壓級時，滅火效果被觀察到，以及最小功率交付到滅火器，導致滅火效果作為選擇的輸入參數的函數。因此，每個測量都被單獨處理和評估。值得注意的是，在10hz - 13hz的頻率范圍內，火焰沒有被熄滅。頻率為15hz的結果取決于滅火器輸出的距離，如下圖所示。

在此背景下，導致滅火效果的最小聲壓級(SPL)作為距離滅火器輸出距離(L)的函數的結果非常有趣(下圖)。

頻率為17hz的結果取決于滅火器輸出的距離，如下圖所示。

本研究中分析的最后一個頻率的結果，即20hz，取決于滅火器輸出的距離，如下圖所示。

對于這個頻率，導致滅火效果的最小聲壓級隨到滅火器輸出距離的函數關系圖如下圖所示。

文章清楚地證明了聲波的撲滅效果取決于聲波的頻率。隨著距離的增加，在聲源處需要更多的能量來撲滅火焰。這種現象被觀察到每一個頻率分析。另一方面，隨著到滅火器輸出的距離的增加，測量到的聲壓級與到源距離的平方成反比下降。

6.結論

文章提出的神經網絡是可靠的火災探測，可以集成到現代消防系統，取代其他傳感器。該系統的優點是采用了相對便宜的元件和較高的火焰檢測精度作為視覺系統。需要注意的是，該系統可用于高溫設施，如鑄造廠、干砂機和熱處理工廠，其他類型的傳感器不適合火災探測。

文章的研究證實了大功率聲滅火劑和調幅波形的滅火效果。結果表明，聲波頻率越低，火焰振蕩振幅越大，滅火效果越好。因此，建議使用長波導，但這與技術問題有關。一個關鍵問題，特別是當使用移動滅火器時，是它們的尺寸(設計師的目標是盡可能減少滅火器的尺寸)。聲波是向四面八方發射的，但主要的聲波流位于波導的軸線上。毫無疑問，聲束的分散縮短了成功滅火的距離。人類直接參與的可能應用范圍限制了低頻聲波對人類健康的影響。因此，在這方面需要仔細分析。文章提出了利用神經網絡激活的聲滅火機的優點，即有可能在未來用聲滅火機取代傳統的消防措施。然而，為了使這成為可能，仍然需要大量的研究，包括，例如，集中研究其他波形、調制和火源的影響。另一個問題是確定低頻波對建筑結構的影響。另一方面，配備人工智能和模塊化機器人的自主消防系統可以在危機情況下使用。

此外，滅火器可以作為一種附加的(支持性的)保護手段。與傳統解決方案相比，其毫無疑問的優點是其操作的非侵入性。目前使用的手持滅火劑(例如，滅火泡沫、滅火粉和手泵滅火器)可能對房間或車輛設備(包括電氣系統)造成損壞。正如許多其他研究表明的那樣，有些溶液對健康有害(例如，哈龍滅火劑，它充滿汽化溫度很低的液體)。由于在滅火過程中會釋放有害氣體，目前正在逐步停止使用這種滅火器。一個更好的解決方案似乎是使用滅火毯。然而，在重大火災的情況下，滅火毯并不是非常有效和危險，特別是對火災區域內的人員(由于滅火劑的移動會形成不可控的空氣爆炸，這造成了燒傷人員和火勢蔓延的可能性)。總之，作者提出的使用神經網絡控制聲波滅火的技術可能構成設備的基本元素，永久安裝在房間和車輛，以及暴露于火焰發生的專用設備。

文章描述的技術在未來可能成為一種支持工業大廳安全的技術。當代對圖像識別的研究，包括對攝像機監控數據(如建筑物和設備)的計算機分析，在這方面也至關重要。聲波滅火技術可以成為倉庫或易燃液體罐的消防保障手段。這種解決方案的毫無疑問的優點是，與典型的傳統方法相比，滅火和開采的成本要低得多。

Attention

歡迎關注微信公眾號《當交通遇上機器學習》！如果你和我一樣是軌道交通、道路交通、城市規劃相關領域的，也可以加微信：Dr_JinleiZhang，備注“進群”，加入交通大數據交流群！希望我們共同進步！

總結

以上是生活随笔為你收集整理的基于深度神经网络的火灾探测声学灭火器控制的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。