基于红外图像及环境信息关联的阴燃火探测.pdf

消防理论研究Fire Science and Technology,December 2023,Vol.42,No.12基于红外图像及环境信息关联的阴燃火探测汤伟,张文迪,袁航,解聪（陕西科技大学 电气与控制工程学院，陕西 西安 710021）摘要：针对目前常用的阴燃火检测方法存在检测效率低、准确度低等问题，提出了一种基于红外图像与环境信息关联的卷积神经网络(Convolutional Neural Network，CNN)阴燃火分类预测方法。通过实时获取试验样本的环境信息及红外图像，将目标面积变化率、周长变化率、圆形度和目标移动特性作为特征参数用于阴燃目标探测判别依据；通过随机森林算法（Random forest algorithm，RF）对 4个图像特征参数进行重要性评估，依此分配权重并实现图像信息特征融合，进而与环境信息关联并作为 CNN 的输入参量进行训练测试。结果表明，阴燃早期检测效率及全时段检测准确率均大幅提升，15 s 前阴燃检测召回率提升了 65%，全时间段内的检测准确率提升了 6.25%。研究成果将为阴燃火早期预警提供新思路。关键词：阴燃火检测；红外图像；卷积神经网络；随机森林算法中图分类号：X913.4；TN215 文献标志码：A 文章编号：1009-0029（2023）12-1636-06阴燃具有与明火不同的燃烧形式，有着难以被及时发现和缓慢发展的特点1。由于慢速燃烧等非常规火灾类型的特征信息需要扩散一段时间才能被探测到。因此，目前常用的光电式感烟探测器等火灾探测器对该类型的火灾检测能力较弱，在烟雾过于浓密情况下，容易受雾霾、尘埃等物质的干扰误判为火灾，从而导致误报。因此，阴燃火灾检测必须要做到准确率高、误报率低、速率快2。而传统的火灾探测器由于硬件和算法上的缺陷，难以实现快速准确检测。目前，新检测方式结合人工智能算法能够很好地解决这个问题。近年来，国内外学者针对火灾探测的大量研究表明，基于机器视觉和多传感器融合方法在进行火灾探测时有着良好的检测性能。如 WU L S 等3提出了一种基于反向传播神经网络的室内火灾预警算法，融合了传感器采集的温度、烟雾浓度和一氧化碳数据，并输出火灾发生的概率。林水生等4引入新的火灾探测数据源、热释放速率，研究了将模糊逻辑和 D-S 证据理论融合应用于火灾探测的方法，避免了单纯使用信号阈值误判的缺陷。而基于机器视觉的火灾探测方法也能够在大空间内拥有良好的探测性能，如 WU Z S等5提出一种基于改进 YOLO v5 的视频火灾探测方法，为了提高特征提取和小规模目标检测能力，在 YOLO v5的 SPP 模块中引入扩张卷积模块，采用激活函数 GELU 和预测边界框抑制。该方法的准确率和召回率分别为 0.983 和 0.992，mAP 为 0.993，检测速度达到 125帧/秒。辛颖等6针对森林凋落物阴燃火灾识别问题，通过对阴燃火灾红外图像进行处理后提取特征，将特征作为 BP 神经网络的输入向量，输出为阴燃火概率，对阴燃火的准确率达到 96.6%。通过研究发现，在机器视觉领域上学者们将研究目光大多聚焦在火焰、烟雾识别，检测阴燃火的场景也局限在森林防火领域，而忽略了在大型仓库等场所同样易发生阴燃火灾，并且目标会受到很多障碍物的遮挡，使得该方法泛用性较低。而基于多传感器融合的方法中，尽管研究的检测算法有良好的性能，但往往忽视了传感器探测的时滞性问题，所以检测阴燃等慢速火灾所需要的时间会远大于正常燃烧的时间。因此，本文针对这两种缺陷，提出了基于红外图像特征与环境信息关联的阴燃火探测方法，提升了阴燃火探测的泛用性，克服了传感器探测的时滞性缺陷导致检测速率低的问题，实现了阴燃火早期的高效探测。1基于环境信息和红外特征的阴燃火判别方法为了能够将图像特征与环境信息相关联，同时避免输入特征过多，导致出现训练速度变慢、训练难度增加和维度灾难问题，将阴燃红外图像提取的特征参数进行融合处理，然后进行分类预测。关联特征分类预测模型流程如图 1所示。CO传感器烟雾传感器红外热成像仪阴燃红外图像总变差去噪灰度值化二值化预处理红外图像特征提取红外图像特征CO浓度烟雾浓度阴燃红外亮温图像融合特征加权平均融合特征权重随机森林算法红外图像特征融合一维卷积神经网络判断是否有阴燃输出结果是否结束卷积神经网络分类模型图 1关联特征分类预测算法流程图Fig.1Flow chart of infrared image feature fusion algorithm1.1红外图像特征提取为了获取所需要的特征参数，需要对红外图像进行预处理，本文对阴燃红外图像先采用总变差法去噪，再通过灰度值化和二值化操作减少图像干扰和噪声，有利于理解和研究阴燃火灾的特性和机理。总变差去噪公式见式（1）。infu BV()E(u)=|u dxdy+2(u-f)2dxdy（1）式中：f为观察到的噪声图像；u为去噪后的图像；为平衡正则项和保真项的参数。通过多张不同时刻样张分析，阴燃火不断蔓延的同时，体积不断减小，边缘处轮廓线长度也不断缩短，导致阴燃目标的图像形状特征与位置特征具有一定的变化规律。因此，通过测量阴燃区域的面积变化率、周长变化率、圆形度来体现形状特性，以及以重心坐标二范数的变化情况来体现目标重心的相对移动特性。阴燃发展过程如图 2所示。计算面积变化率、周长变化率、圆形度C公式见式（2）式（4）。=Ptn（2）=Atn（3）C=4AP2（4）式中：A为阴燃目标面积；P为疑似阴燃区域周长；t为相邻两张图片的时间间隔；、n表示与可燃物自身特性有关的参数，本文取=1。重心坐标二范数变化率公式见式（5）式（7）。M=(1M00 x,yxL(x,y),1M00 x,yyL(x,y)=(Mx,My)（5）m=M2x+M2y（6）dmdt=1m(mMxMxdt+mMyMydt)（7）式中：M为重心坐标；M00为轮廓的零阶矩；L(x，y)为像素值；m为重心坐标的二范数。1.2基于 RF的特征融合为了避免特征过多引起的缺陷，并确定不同特征在识别过程中的权重，需要将提取的 4种特征参数进行重要性评估，根据得到的重要性排名进行权重分配。基于 100个决策树的随机森林分类算法8对 4 个特征参数进行重要性评估。将特征重要性评分（Feature Importance Measures）用FIM表示，将基尼（Gini）指数用 GI表示，样本中有 4 个特征、100 棵决策树、两个类别。计算出每个特征Xj的 Gini指数评分FIM(Gini)j，亦即第j个特征在随机森林所有决策树中节点分裂不纯度的平均改变量。第i棵树节点q的 Gini指数公式见式（8）。GI(i)q=c=1|Cc cp(i)qcp(j)qc=1-c=1|C(p(i)qc)2（8）式中：C表示类别数；pqc表示节点q中类别c所占的比例，即从节点q中随机抽取两个样本，其类别标记不一致的概率。特征Xj在第i棵树节点q的重要性，即节点q分枝前后的 Gini指数变化量见式（9）。FIM(Gini)(i)jq=GI(i)q-GI(i)l-GI(i)r（9）式中：GI(i)l和GI(i)r分别表示分枝后两个新节点的 Gini指数。那么特征Xj在第i棵树的重要性见式（10）。FIM(Gini)j=i=1IFIM(Gini)(i)jq（10）式中：I为随机森林中的决策树数量。将求得的重要性评分归一化处理后，得到特征的重要性评分，归一化公式见式（11）。FIM(Gini)j=FIM(Gini)jj=1JFIM(Gini)j（11）求得特征的重要性评分后，进行加权平均融合，得到图像融合特征。加权平均公式见式（12）。x =x1f1+x2f2+xkfkk（12）式中：f1，f，fk表示权数。1.3基于 CNN的分类预测模型卷积神经网络可以直接用于一维信号的特征提取与分类9，一维卷积神经网络结构如图 3所示，由卷积层、池化层、全连接层等结构先后交替组成，不同层级由若干权值共享的神经元组成。本文建立基于图像特征与环境信息关联的 CNN 分类预测算法模型，对一维数据进行分类，能够减少计算和储存成本并提高训练速度；在较小数据集上有更好的表现和适应能力；考虑了更多领域知识，特征更具有代表性和区分性，能够提高分类准确率；通过对某些特定数据集的专业研究和调整，某些数据集可能会比 CNN 更优。而将经过专业调整的特征直接输入 CNN，可以带来更好的分类效果。（a）t=0 s（b）t=60 s（c）t=120 s（d）t=150 s图 2阴燃发展过程Fig.2Smoldering progression1636消防科学与技术2023年 12 月第 42 卷第 12 期1.1红外图像特征提取为了获取所需要的特征参数，需要对红外图像进行预处理，本文对阴燃红外图像先采用总变差法去噪，再通过灰度值化和二值化操作减少图像干扰和噪声，有利于理解和研究阴燃火灾的特性和机理。总变差去噪公式见式（1）。infu BV()E(u)=|u dxdy+2(u-f)2dxdy（1）式中：f为观察到的噪声图像；u为去噪后的图像；为平衡正则项和保真项的参数。通过多张不同时刻样张分析，阴燃火不断蔓延的同时，体积不断减小，边缘处轮廓线长度也不断缩短，导致阴燃目标的图像形状特征与位置特征具有一定的变化规律。因此，通过测量阴燃区域的面积变化率、周长变化率、圆形度来体现形状特性，以及以重心坐标二范数的变化情况来体现目标重心的相对移动特性。阴燃发展过程如图 2所示。计算面积变化率、周长变化率、圆形度C公式见式（2）式（4）。=Ptn（2）=Atn（3）C=4AP2（4）式中：A为阴燃目标面积；P为疑似阴燃区域周长；t为相邻两张图片的时间间隔；、n表示与可燃物自身特性有关的参数，本文取=1。重心坐标二范数变化率公式见式（5）式（7）。M=(1M00 x,yxL(x,y),1M00 x,yyL(x,y)=(Mx,My)（5）m=M2x+M2y（6）dmdt=1m(mMxMxdt+mMyMydt)（7）式中：M为重心坐标；M00为轮廓的零阶矩；L(x，y)为像素值；m为重心坐标的二范数。1.2基于 RF的特征融合为了避免特征过多引起的缺陷，并确定不同特征在识别过程中的权重，需要将提取的 4种特征参数进行重要性评估，根据得到的重要性排名进行权重分配。基于 100个决策树的随机森林分类算法8对 4 个特征参数进行重要性评估。将特征重要性评分（Feature Importance Measures）用FIM表示，将基尼（Gini）指数用 GI表示，样本中有 4 个特征、100 棵决策树、两个类别。计算出每个特征Xj的 Gini指数评分FIM(Gini)j，亦即第j个特征在随机森林所有决策树中节点分裂不纯度的平均改变量。第i棵树节点q的 Gini指数公式见式（8）。GI(i)q=c=1|Cc cp(i)qcp(j)qc=1-c=1|C(p(i)qc)2（8）式中：C表示类别数；pqc表示节点q中类别c所占的比例，即从节点q中随机抽取两个样本，其类别标记不一致的概率。特征Xj在第i棵树节点q的重要性，即节点q分枝前后的 Gini指数变化量见式（9）。FIM(Gini)(i)jq=GI(i)q-GI(i)l-GI(i)r（9）式中：GI(i)l和GI(i)r分别表示分枝后两个新节点的 Gini指数。那么特征Xj在第i棵树的重要性见式（10）。FIM(Gini)j=i=1IFIM(Gini)(i)jq（10）式中：I为随机森林中的决策树数量。将求得的重要性评分归一化处理后，得到特征的重要性评分，归一化公式见式（11）。FIM(Gini)j=FIM(Gini)jj=1JFIM(Gini)j（11）求得特征的重要性评分后，进行加权平均融合，得到图像融合特征。加权平均公式见式（12）。x =x1f1+x2f2+xkfkk（12）式中：f1，f，fk表示权数。1.3基于 CNN的分类预测模型卷积神经网络可以直接用于一维信号的特征提取与分类9，一维卷积神经网络结构如图 3所示，由卷积层、池化层、全连接层等结构先后交替组成，不同层级由若干权值共享的神经元组成。本文建立基于图像特征与环境信息关联的 CNN 分类预测算法模型，对一维数据进行分类，能够减少计算和储存成本并提高训练速度；在较小数据集上有更好的表现和适应能力；考虑了更多领域知识，特征更具有代表性和区分性，能够提高分类准确率；通过对某些特定数据集的专业研究和调整，某些数据集可能会比 CNN 更优。而将经过专业调整的特征直接输入 CNN，可以带来更好的分类效果。（a）t=0 s（b）t=60 s（c）t=120 s（d）t=150 s图 2阴燃发展过程Fig.2Smoldering progression1637Fire Science and Technology,December 2023,Vol.42,No.121）卷积层。卷积层是实现对输入数据的特征提取与数据降维，其本质是对输入的线性表达。2）全连接层。网络的输入经过各级卷积层和池化层的反复运算后，将输出作为全连接层的输入，完成对提取特征的分类任务10。3）激活函数。激活函数通常是一个非线性函数，对于一个网络节点，定义了节点输入与输出的映射关系。本文采用了 ReLu激活函数，数学公式见式（13）。f(x)=x,x 00,x 0（13）采 用 准 确 率 和 回 归 率 对 模 型 检 测 准 确 率11进 行验证。阴燃准确率见式（14）。Aa=TP+TNTP+TN+FP+FN（14）阴燃召回率见式（15）。Ra=TPTP+FN（15）式中：TP指实际为阴燃且判断为阴燃的样本；TN指实际为无火且判断为无火的样本；FP指实际为无火但判断为阴燃的样本；FN指实际为阴燃但判断为无火的样本。Ae、Re表示测试样本为阴燃前 15 s时的准确率和召回率。2环境信息和红外图像数据集获取及分析2.1试验准备1）试验前，要求试验环境为半密闭空间，对试验设备进行校准和设置，确保各传感器的准确性和稳定性。采用合适的采样频率和时间间隔，以保证数据的完整性和可靠性。2）试验中记录时间、位置、采样频率等信息，将采集的火灾环境数据存储在合适的格式和文件中，方便后续数据处理和分析。阴燃试验台结构如图 4所示。2.2环境信息及红外特征数据采集及分析针对纸板、香烟、蚊香 3种阴燃样本及电灯、热水杯两种非阴燃样本，在时间间隔为 3 s 的情况下采集了 5 000组 CO浓度、烟雾浓度与环境温度信息。对 1组纸板阴燃试验环境数据曲线进行分析。由图 5可知，阴燃情况下，温度在 200 s后有较大的变化趋势，并且温度波动幅度仅为 23；CO 浓度和烟雾浓度有 618 s的滞后现象。这是由于阴燃火表面温度较低，难以形成明显火光，燃烧过程缓慢而持续，导致环境参数攀升缓慢，不容易被传统传感器采集12。试验共采集 578 张样张，由于样本表面材质不同，边缘处会出现热辐射波动。为使图像特征趋于稳定，针对不同的样本材质选择合适的采样间隔，图 6为部分试验采集的红外图像。2.3红外图像数据预处理对红外图像进行预处理，在获得阴燃目标边界和细节的同时对背景有一定的抑制作用。纸板阴燃灰度三维图如图 7所示。由图 7可知，获取的阴燃红外图像呈扩散趋势，目标边缘部分处于阴燃状态，目标中间部分为阴燃灼烧后的空洞，处理后该图像的峰值信噪比为 36.3，具有较高的图像质量13。对去噪后的图像进行灰度化、二值化处理，进而提取x1x2x3xn-1xn图 3一维卷积神经网络结构图Fig.3Structure diagram of one-dimensional convolutional neural network1564321-红外热像仪；2-CO浓度传感器；3-温度传感器；4-烟雾浓度传感器；5-阴燃物；6-上位机图 4阴燃试验台结构简图Fig.4Schematic diagram of the structure of the smoldering test bench归一化参数0 200 400 600 800时间/s1.00.80.60.40.20.0CO浓度烟雾浓度温度图 5环境信息趋势图Fig.5Trend chart of environmental information（a）电灯红外图像（b）热水杯红外图像（c）蚊香红外图像（d）香烟红外图像（e）阴燃红外图像图 6部分试验采集红外图像Fig.6Part of infrared image samples1638消防科学与技术2023年 12 月第 42 卷第 12 期面积变化率、周长变化率、圆形度和重心坐标二范数变化率特征值。图 8为初始阴燃图像及预处理后图像特征。2.4红外图像特征提取及融合图 9 为 5 种样本的面积变化率、周长变化率、圆形度和重心坐标二范数变化率的特征参数分布图。分析可知，以形状属性为特征的面积变化率和周长变化率与其他 4种干扰源有较为明显的区别。在阴燃的过程中，火源会处于一种持续随机的变化状态，导致红外图像在演化过程中出现了多态性的现象。电灯、热水杯等热干扰源处于无变化状态，蚊香处于规律变化状态，香烟与阴燃的变化趋势虽然类似，但是在尺度方面有所差别。因此，采用面积变化率、周长变化率、圆形度以及重心坐标二范数变化率作为特征参数对阴燃进行识别。为了获取各个特征的重要程度，采用 RF 对特征进行重要性评估。评估结果显示，面积变化率和周长变化率对模型预测具有较高的贡献，其重要性分别为 0.464 和0.341，重心坐标的重要性为 0.159，圆形度的重要性为0.036。根据重要性评估结果，对 4 个特征进行加权平均融合，得到图像融合特征。3基于 CNN算法的训练和测试3.1网络结构及参数确定对环境特征参数、红外图像特征参数、图像融合特征与环境特征的关联参数样本进行对比试验。采用了两个卷积层、一个最大池化层、一个全连接层的结构。设置最大训练次数为 500 次，初始学习率为 0.001，L2 正则化参数为 0.000 1，学习率下降因子为 0.1。3.2训练与测试结果及分析选择与红外图像相对应的 578组环境信息数据，组成由环境特征与红外图像特征相结合的数据集，进行训练测试。3.2.1环境特征参数环境特征参数在阴燃探测中的局限性较为明显，难以及时准确地做出响应。对基于环境信息的 CNN 分类预测模型进行训练和测试，训练集的准确率为 95.9%，测试集的准确率为 90.0%。当测试集为前 15 s采集的信息时，检测准确率为 62.5%，阴燃召回率为 25%，如图 10图 11所示。早期阴燃召回率低是因为在阴燃前 15 s 内，环境信息还未被火灾探测器感应到，被检测的环境数据变化趋势也不明显，因此，难以准确地检测出阴燃。3.2.2红外图像特征参数阴燃红外图像可以克服传感器探测阴燃时特征信息传递慢的缺陷，但是识别时易受环境干扰，泛用性低。通过对基于红外图像特征信息的 CNN 分类预测模型进行训练和测试，发现训练集识别准确率为 94.9%，测试集识2502001501005000100200300300250200150100500图 7阴燃图像灰度三维图Fig.73D grayscale plot of smoldering images（a）初始阴燃图像（b）灰度化阴燃图像（c）二值化阴燃图像（d）初始阴燃图像（e）灰度化阴燃图像（f）二值化阴燃图像（g）初始阴燃图像（h）灰度化阴燃图像（i）二值化阴燃图像图 8初始阴燃图像及处理后图像Fig.8Initial smoldering image and post-processing image试验组数0 20 40 60 80 100圆形度0.90.80.70.60.50.40.30.2热水杯电灯蚊香香烟阴燃试验组数0 20 40 60 80 100面积变化率0.250.200.150.100.050.00热水杯电灯蚊香香烟阴燃试验组数0 20 40 60 80 100周长变化率0.150.100.050.00热水杯电灯蚊香香烟阴燃重心变化率试验组数0 20 40 60 80 100181614121086420热水杯电灯蚊香香烟阴燃（a）面积变化率分布图（b）周长变化率分布图（c）圆形度分布图（d）重心变化率分布图图 95种样本阴燃图像特征分布情况Fig.9Characteristic distribution of smoldering images for samples预测样本0 100 200 300 400 500 6002.01.81.61.41.21.0预测结果真实值预测值误差（a）训练集预测结果对比（b）测试集预测结果对比预测样本0 100 200 300 400 500 6002.01.81.61.41.21.0预测结果真实值预测值误差图 10预测值实际值对比图Fig.10Comparison of actual values of predicted values1639Fire Science and Technology,December 2023,Vol.42,No.12别准确率为 97.5%。当测试集为前 15 s采集的信息时，准确率为 97.5%，阴燃召回率为 95.0%，如图 12图 13 所示。发现该模型相较于环境信息模型在全时间段的准确率和早期阴燃召回率的表现更加良好。3.2.3图像融合特征与环境特征的关联参数通过对基于图像融合特征与环境特征关联的 CNN分类预测模型进行训练和测试，发现训练集识别准确率为 99.2%，测试集识别准确率为 97.5%。当测试集为前15 s 采集的信息时，准确率为 95%，阴燃召回率为 90%，如图 14图 15所示。发现该模型相较于基于红外图像特征的信息模型在早期阴燃检测准确率略低，但在全时间段的阴燃检测性能更优。该方法采用环境参数对寻常干扰源进行区分，并利用图像特征克服环境信息滞后的影响，同时，通过不同权重融合图像特征，实现对不同干扰源的精准识别与处理。而测试集的召回率没有提升的原因是由于测试集数量不足，通过训练集的训练结果可以看到准确率的显著提升。3.2.4对比试验结果及分析对环境特征参数、红外图像特征参数、图像融合特征与环境特征的关联参数样本进行对比，通过准确率和召回率分析模型的检测性能。通过对比试验结果（见表 1），得知基于红外图像特征与基于红外图像特征与环境信息关联的结果远远大于基于环境信息的预测结果，阴燃检测准确率提升了 6.25%，阴燃召回率提升了 17.5%。阴燃前 15 s 时，阴燃召回率提升了 65%，因此，可以认为本文提出的方法能大幅度提升阴燃检测准确率和检测速率。虽然该方法在阴燃召回率低于单独使用红外图像特征方法，但是检测准确率高于图像特征方法，考虑了在仓库等大空间内图像易受障碍物等因素干扰，本文认为基于红外图像特征与环境信息关联的卷积神经网络分类预测算法模型具有更好的检测效果和泛用性。4结束语本文对近年来的火灾探测方式分析总结，并将一维卷积神经网络分类模型应用在阴燃火检测中，提出了一种基于图像融合特征与环境信息关联的 CNN 分类预测模型，提升了检测的准确率和速率，并与常见的基于环境信息、基于图像特征模型进行对比分析。结果表明，相较于传统的火灾检测方法，本文提出的基于图像融合特征与环境信息关联的分类模型和基于红外图像特征的模型具有更优的检测性能，阴燃检测准确预测样本0 5 10 15 20 25 30 35 40预测结果2.01.81.61.41.21.0真实值预测值误差（a）测试集预测结果对比预测类真实类12（b）测试集混沌矩阵2012155100.0%25.0%75.0%57.1%42.9%100.0%图 11前 15 s测试集结果与混淆矩阵图Fig.11First 15 s test set results and confusion matrix plot0 100 200 300 400 500 600预测样本预测结果2.01.81.61.41.21.0真实值预测值误差真实值预测值误差（a）训练集预测结果对比0 5 10 15 20 25 30 35 40预测样本预测结果2.01.81.61.41.21.0（b）测试集预测结果对比图 12图像特征预测值与实际值对比图Fig.12Image feature prediction value vs.actual value0 5 10 15 20 25 30 35 40预测样本2.01.81.61.41.21.0预测结果真实值预测值误差（a）测试集预测结果对比（b）测试集混淆矩阵预测类真实类1212201100.0%100.0%1995.0%5.0%95.2%4.8%图 13前 15 s测试集结果与混淆矩阵图Fig.13First 15 s test set results and confusion matrix plot0 100 200 300 400 500 600预测样本预测结果2.01.81.61.41.21.0真实值预测值误差真实值预测值误差（a）训练集预测结果对比0 5 10 15 20 25 30 35 40预测样本预测结果2.01.81.61.41.21.0（b）测试集预测结果对比图 14关联模型预测值与实际值对比图Fig.14Comparison between predicted and actual values of the correlation model预测样本0 5 10 15 20 25 30 35 40预测结果2.01.81.61.41.21.0真实值预测值误差（a）测试集预测结果对比预测类真实类12（b）测试集混沌矩阵2012218100.0%90.0%10.0%90.9%9.1%100.0%图 15关联模型前 15 s测试集结果与混淆矩阵图Fig.15Correlation model test set results and confusion matrix chart for the first 15 Seconds表 1对比试验结果表Table 1Compare the results of the experiment性能指标AaRaAeRe环境信息92.95%80.00%62.50%25.00%红外特征95.9%95.0%97.5%95.0%图像与环境特征关联99.2%97.5%95.0%90.0%1640消防科学与技术2023年 12 月第 42 卷第 12 期率提升了 6.25%，阴燃召回率提升了 17.5%，阴燃前 15 s时，阴燃检测率提升了 32.5%，阴燃召回率提升了 65%。虽然本文提出的方法在前 15 s的阴燃召回率略低于基于红外图像特征的方法，在阴燃检测全过程中本文提出的方法检测率更高，具有更强的泛用能力。参考文献：1 RUSSO P,DE ROSA A,MAZZARO M.Silo explosion from smoldering combustion:A case studyJ.The Canadian Journal of Chemical Engineering,2017,95(9):1721-1729.2 MILKE J,ZEVOTEK R.Analysis of the response of smoke detectors to smoldering fires and nuisance sourcesJ.Fire Technology,2016:1235-1253.3 WU L S,CHEN L,HAO X R.Multi-sensor data fusion algorithm for indoor fire early warning based on BP neural networkJ.Information,2021,12(2):59.4 林水生,卫伯言,杨海芬,等.引入新数据源的 D-S 融合检测方法J.电子科技大学学报,2021,50(6):861-867.5 WU Z S,XUE R,LI H.Real-time video fire detection via modified YOLOv5 network modelJ.Fire Technology,2022:2377-2403.6 辛颖,李禹洁,邢美净.基于红外图像的森林凋落物阴燃火灾探测J.消防科学与技术,2018,37(1):61-64.7 JAISWAL J K,SAMIKANNU R.Application of random forest algorithm on feature subset selection and classification and regressionC/2017 World Congress on Computing and Communication Technologies(WCCCT),2017:65-68.8 RAHUL J,SHARMA L D.Automatic cardiac arrhythmia classification based on hybrid 1-D CNN and Bi-LSTM modelJ.Biocybernetics and Biomedical Engineering,2022,42(1):312-324.9 AJIT A,ACHARYA K,SAMANTA A.A review of convolutional neural networksC/2020 International Conference on Emerging Trends in Information Technology and Engineering(ic-ETITE),2020:1-5.10 ZHOU J L,GANDOMI A H,CHEN F,et al.Evaluating the quality of machine learning explanations:A survey on methods and metricsJ.Electronics,2021,10(5):593.11 CHATTI S,GHABI C,MHIMID A.Computational model of smoldering combustion in polyurethane foamJ.Journal of Applied Fluid Mechanics,2019,12:59-70.12 CHANG C I.Hyperspectral target detection:Hypothesis testing,signal-to-noise ratio,and spectral angle theoriesJ.IEEE Transactions on Geoscience and Remote Sensing,2021,60:5505223.Detection of smoldering fires based on the correlation between infrared images and environmental informationTang Wei,Zhang Wendi,Yuan Hang,Xie Cong(School of Electrical and Control Engineering,Shaanxi University of Science and Technology,Shaanxi Xian 710021,China)Abstract:In this paper,a smoldering fire classification and prediction method based on the fusion of infrared images and environmental information with a convolutional neural network(CNN)is proposed to address the issues of low detection efficiency and accuracy that are common in currently used smoldering fire detection methods.Firstly,environmental information and infrared images of experimental samples were obtained in real-time,and the rate of area change,the rate of perimeter change,circularity and target movement characteristics were used as the characteristic parameters for the discrimination basis of smoldering fire detection;Secondly,the importance of the four image feature parameters was evaluated using a Random Forest algorithm(RF),and weight allocation was assigned based on their respective importance.Finally,image feature fusion was performed based on the assigned weights,and the fused information was related to environmental information as input parameters for training and testing of the CNN.The results indicate a significant improvement in the early detection efficiency and overall detection accuracy of smoldering fires using the proposed method.The recall rate of smoldering fire detection increases by 65%during the 15 seconds before the occurrence of smoldering fire,while the detection accuracy for the entire detection period is improved by 6.25%.The research provide a new approach for early warning of smoldering fires.Key words:smoldering fire detection;infrared image;convolutional neural network;random forest algorithm作者简介：汤 伟(1971-)，男，陕西科技大学电气与控制工程学院二级教授，主要从事轻化工过程控制、纸病检测、智慧消防等研究，陕西省西安市未央区陕西科技大学，710021。收稿日期：2023-06-20（责任编辑：董 里）1641