冯宏伟,单正娅,齐 斌,温子腾,谭 勇

(1.无锡职业技术学院,江苏 无锡 214121；2.江南大学物联网工程学院,江苏 无锡 214122)

1 引 言

火灾一直都是危害生命和财产安全的重要隐患,在各种化工场所例如易燃易爆气体的仓储和运输、石油的采取与提炼等重要场所,一旦发生火灾几乎是毁灭性的破坏[1-2]。传统的感烟、感温火灾探测器易受温湿度等环境因素影响,误报率较高；而紫外火焰探测器的灵敏度差且探测范围较小,均无法满足要求[3]。红外火焰传感器属于感光式火焰检测装置,由于红外辐射波长较长,穿透力较强,因而探测范围也比较广,适用于各种工业与住宅区域,也被广泛应用于森林火灾监测[4-5]。

近些年,火灾检测算法得到了不少国内外学者的深入研究。文献[6]提出了融合绝对温度和基于高度变化的火焰判定概率模型,利用红外热成像技术实现火灾预警检测。文献[7]通过建立一种基于颜色空间的火灾识别概率模型,以获取火灾目标区域,结合运动特征实现对火焰识别。文献[8]提出了一种基于层次分析法获取火焰多种动态特征相融合的火焰检测方法。

但基于图像的火焰检测识别方法往往受限于人工设计的火焰特征,由于场景变换和场景复杂情况各异,可能会导致检测算法对火焰识别的准确度下降。为解决火焰探测器在复杂环境下难以区分火焰和背景,导致误报率较高的问题,本文基于三波段点型红外火焰传感器,应用T-S模型RBF神经网络替代传统的火焰检测算法,并根据干扰与火焰分别在三个波段的特征来判断是否发生火灾,从而有效的抑制对高温热源、卤素灯、太阳光等干扰源的误报。

2 红外火焰探测系统整体结构

2.1 火焰探测器实现原理

本文所设计的三波段红外火焰探测器是基于3.8 μm、4.3 μm、5.0 μm三个波段来对火焰的红外辐射进行探测,由于天然气、酒精等碳氢化合物燃烧的同时会不断的产生二氧化碳气体,其在4.3 μm波段的辐射强度明显比其他的波段大。太阳光的红外辐射由于大气中的二氧化碳和大地的吸收和反射,在4.3 μm波段的强度较小,因此三波段火焰探测器中选用4.3 μm作为检测波段[9]。3.8 μm、5.0 μm两个波段则是对人工热源、背景光辐射等干扰源比较敏感的两个参考波段。借助三个波段之间的相互特性来进行火焰判断,可有效地解决距离较长所带来的信号衰减的问题。

2.2 硬件整体框架

三波段红外火焰探测器主要由红外传感器模块、三通道前置放大电路、信号采样模块、EEPROM模块、微处理器模块、远程标定和复位接口、4～20 mA电流环电路、Modbus通讯接口模块等构成。系统硬件结构如图1所示。

图1 探测器系统硬件结构框图

传感器模块中选用了三个中心波长分别为3.8 μm、4.3 μm和5.0 μm 处带宽为150 nm窄带波段的红外热释电传感器。

三通道前置放大电路中主要由信号预处理电路、运算放大电路、二阶巴特沃斯带通滤波电路组成。信号采集模块实现了传感器信号放大后的模数(A/D)转化。选用的A/D转换芯片为内置可编程增益调节(PGA)的ADS8694,可根据采集信号的强弱自适应调节增益。微处理器模块是以STM32F429VIT6为核心构建的电路,为火焰识别算法得以实现搭建了平台。

3 火焰识别算法原理分析

3.1 火焰检测算法

由于三波段火焰探测过程中,可能会出现单一的非火焰波段通道的数据丢失、失真、饱和等对样本特征数据产生强干扰的情况,所以本设计采用基于T-S模型RBF神经网络检测算法。本系统采用的T-S模型RBF模糊神经网络结构如图2所示。

图2 T-S型RBF模糊神经网络结构图

1)输入层:输入样本X=[x1,xi,…,xn],其中n是输入特征的维数,本系统中n=12。

2)隐含层:先对参与训练的数据采用k-means聚类算法将数据聚为h类,即隐含层也称为模糊规则层,含有h个节点,每个节点均具有n个高斯隶属度函数。之后将这h类样本的样本聚类中心作为隐含层各高斯隶属度函数的初始中心参数。

其中模糊隶属度表示为:

(1)

3)归一化层:标准RBF模糊神经网络虽然在训练中表现良好,但是在测试中的泛化能力不高,而归一化之后的RBF模糊神经网络能够有效地提高模型的泛化能力,归一化处理如下:

(2)

(3)

输出层的激活函数采用双曲正切函数,如下:

yn=tanh(yn1)

(4)

3.2 系统软件设计

软件设计以IAR Embedded Workbench开发环境为平台,应用嵌入式C语言编写实现。程序主要分为系统初始化、系统自检、传感器数据采集、数据处理、通讯、报警等几个部分,软件总体流程图如图3所示。

1)系统初始化与自检

系统上电之后,首先从EEPROM中读出各参数的值,进行参数初始化；之后通过检测硬件电路是否有故障,各个参数初始值是否正确完成系统自检。

2)数据采集

当系统进入正常工作状态,将进行传感器数据采集工作,本系统采用STM32微处理器的DMA连续转换模式实现对三个传感器通道的数据采集。

3)数据处理

当数据采样完成,从采集数据中提取的火焰特征用于火焰判断。理论上提取的火焰特征越多,对火焰检测的准确度越高,误报率越低,但是特征量提取越多处理器的计算量越大,判断所用的时间也越长,将会影响探测器实时性的需求。经研究分析,本系统所提取的火焰特征主要有以下几部分:

a)三个波段数据的电压峰值；

b)三个通道采集数据相互间的比值；

c)频谱中各频率段幅值之和；

d)频谱中峰值对应的频率和幅值大小。

图3 系统软件流程图

本探测器因选用三个不同波段的通道,所以利用三个通道之间的相互特性可以有效地降低距离远近导致的误报。同时,探测器通过Modbus通信协议与集总控制系统进行数据传输,故可通过上位机查看各个寄存器中的数据,实时地监控探测器的运行工作状态。

4 实验结果与分析

本文对酒精灯、正庚烷、高温电烙铁、白炽灯、卤素灯、太阳光等多种火源和干扰源进行了数据采集及模型训练。图4～8为各种火源或干扰源的采集时域波形与4.3 μm主波段的频域处理波形。

图4 正庚烷燃烧时样本信号的采集与处理

图5 酒精灯燃烧时样本信号的采集与处理

图6 高温电烙铁样本信号的采集与处理

图7 卤素灯样本信号的采集与处理

图8 太阳光样本信号的采集与处理

表1 特征向量中的变量

实验过程中总共使用621组采样数据(每组200个数据),每组实验数据均被归一化在[-1,1]之内。为了方便比较,分别选取365组作为T-S型RBF模型和GA-BP(Genetic Algorithm-Back Propagation,遗传算法BP网络)模型的训练集,其中阳性样本184组,阴性样本181组,其中输出1表示“有火”,-1表示“无火”。另外,为了避免过度拟合,选取另外101组作为验证集,选择最佳匹配模型,其中53组为阳性样本,48组为阴性样本。两种模型网络训练测试的数据比较如表2所示,归一化训练误差(RMSE)比较图如图9所示。

表2 网络训练测试数据比较

图9 模型归一化训练误差比较图

从表2和图9可看出,探测器不论是存在火焰还是干扰源情况下,T-S型RBF网络探测准确性优于GA-BP网络,且对高温电烙铁、白炽灯、卤素灯、太阳光等干扰无误报情况,验证了T-S型RBF网络在火焰检测中具有较好的鲁棒性,表现出较好火焰探测性能。

同时,本文还对火源及干扰源进行了角度偏移45°情况下的准确度验证。测试数据如表3所示。

实验结果显示,大角度偏移对数据特征的提取有轻微影响,但T-S型RBF神经网络的检测算法可有效消除,仍可保持较高的检测准确度。

表3 火源和干扰源角度偏移45°下的测试数据

5 结 论

本文基于T-S模型RBF神经网络火焰检测算法,利用三个红外波段实现了对火焰的精准探测,有效地排除了多种干扰源,大大提升了探测器报警的准确性。相比于传统的BP网络,验证了该检测算法在强干扰源情况,具有更好的鲁棒性和更准确的探测性能。在硬件设计方面,前置通道可根据模拟信号的强弱自动调节增益,实现了信号的最优化利用,有效地避免了信号过弱导致的数据丢失和信号饱和导致的数据失真,保证了较优火焰识别算法的实现。