多模态火灾检测报警系统设计

郭灼豪，彭杰琛，庄乙辉，郭志鹏，卢虹兆

（韶关学院 智能工程学院，广东 韶关 512005）

近年来室内火灾频发，伤亡人数众多，导致财产损失巨大，与目前较多楼宇消防设施存在隐患有关［1］. 为此较多学者进行了火灾报警系统或火灾识别技术的研究. 其中，火灾报警系统多采用烟雾报警器单一模态检测方法，但该方法无法连接互联网，易受到环境颗粒、空气湿度等影响，检测范围有限，容易导致火灾漏检或迟检［2］；图像型火灾识别技术（衍生出多种火灾识别算法）比传统火灾预警有无可比拟的优点：减少了环境干扰，响应速度更快［3］；Kim等提出基于RGB空间的颜色检测算法，计算变化图和斑点面积，变化图显示连续两帧之间像素的时间变化，面积增减百分比表征火灾的状态［4］；熊昊等提出将火焰的融合特征通过向量机SVM和卷积神经系统的机器学习的方法实现火焰识别［5］；严云洋等提出一种基于高斯混合模型与三维的局部二值模式纹理特征的火焰检测算法［6］；亓文杰等提出Lucas-Kanade稀疏光流算法跟踪运动区域，获取火焰的主运动方向作为火焰识别特征以实现火灾识别的方法［7］；刘燕燕等提出采用多个红外火焰探测器、温度传感器对火灾的多参量进行探测，采取DMA方式实时读取探测器及传感器A/D转换后的数据，进而进行数据处理及算法分析，实时判断是否发生火灾［8］；庞建莹等提出采用以红外热电堆为温度传感器，利用非接触红外测温技术，并设计温度修正算法以提高测温精度，实现火灾预警［9］；孙金祥等设计了一种基于激光粉尘浓度传感器的火灾预警系统，该系统通过PMS3003（G3）主动吸气式激光粉尘传感器采集数据，并加入温度传感器，以STM32F107为控制核心，一旦检测到火情将数据传输到服务器并发出语音警报提示，实现火灾的预警［10］.

但以上方法均采用单一模态或双模态方式触发火灾报警，易产生漏报警和迟报警的问题. 为此，我们设计了一个多模态火灾检测综合预警系统，通过树莓派调用阿里云火焰识别API实现火焰检测［11］，通过STM32分别实现烟雾检测和高温检测，三检测模态任一模态超过阈值都会触发系统报警，以此达到多模态火灾检测，减少火灾的漏报和迟报.

1 系统总体设计

系统设计分为3大部分，输入部分、控制部分、响应部分. 输入部分包括Camera Module V2摄像头、烟雾传感器、温度传感器；控制部分包括树莓派和STM32开发板；响应部分包括声光报警模块、蓝牙模块、灭火装置. 系统一旦检测到火焰、或检测到环境烟雾浓度过高、或温度过高，则启动声光报警系统、灭火装置、蓝牙模块进行声光报警、喷水灭火、传送火灾信号. 系统总体设计和实物图如图1所示.

图1 系统总体设计和实物图

2 硬件设计

2.1 控制模块

系统以树莓派作为主控制模块，以STM32作为副主控模块，如图2所示. 树莓派具有类PC的属性，通过Camera Module V2摄像头实时获取环境图像，并调用阿里云提供的火灾识别API接口，拥有多个GPIO接口，具有较强的扩展性，能实时检测环境是否有火焰. STM32能实时调用烟雾传感器和温度传感器数据进行火灾判断，并能控制蜂鸣器、预警灯、蓝牙模块进行一系列多模态综合性的火灾防控措施. 树莓派与STM32进行串口通信，保障了火灾报警系统能够高效稳定运行.

图2 控制模块

2.2 图像获取模块

图像获取模块采用带舵机的Camera Module V2，拥有800 w像素，因配备上舵机能实现多角度扫描［13］，且体积较小，成本低，如图3所示.

2.3 烟雾传感器模块

此模块采用MQ-2烟雾传感器（见图4）.识别功能主要由STM32开发板与MQ-2烟雾传感器连接实现的. MQ-2烟雾传感器属于表面离子式N型半导体，当与烟雾接触时，就会引起表面导电率的变化，获得烟雾存在的信息，烟雾浓度越大，则输出的模拟信号越大. 通过STM32开发板上的AD通道将模拟信号转化为电压值，根据电压值大小判断是否有烟雾.

图3 Camera Module V2摄像头

图4 MQ-2烟雾报警器

2.4 温度传感器模块

采用的DHT11温度传感器（见图5）是一款数字温度传感器，当温度发生变化时，温度传感器内部晶振发生变化，从而判断环境的温度变化. 该模块接入STM32的VCC引脚直接供电，再接入信号线以接收传感器传回的数据，具有成本低、耐磨耐碰、体积小、使用方便、封装形式多样、易控制的特点.

2.5 蓝牙模块

蓝牙模块（见图6）与STM32的串口连接，设置好串口的波特率，以蓝牙模块为媒介，向手机APP发送数据，提醒住户和保卫人员及时对火灾进行控制［12］.

图5 DHT11温度传感器

图6 蓝牙模块

2.6 声光报警模块

该部分为STM32开发板自带的，可装在户内、户外，属于声光一体报警器.当声光报警器接收到STM32发来的报警信号，则会发出警报，警示人群及时撤离.

3 软件设计

系统经过配置和代码烧写后，可以开启工作. 当启动系统时，先对各个模块进行初始化，然后进行实时火焰识别、环境烟雾浓度检测、环境温度检测，当系统识别到环境存在火焰时，或环境烟雾浓度超过阈值时，或环境温度超过阈值时，均会触发声光报警器报警、灭火装置洒水灭火，并通过蓝牙模块发送火灾信号. 系统的软件工作流程如图7所示.

图7 软件工作流程

4 实验与结果分析

4.1 火焰识别实验

为了验证系统的火焰识别功能，本文在多个室内环境进行了视觉火焰识别实验. 此外，为了验证系统火焰识别的鲁棒性，还在实验中增加了4个具有干扰源的场景. 表1为此实验场景的说明.

表1 火焰识别实验场景说明

火焰识别实验结果由图8所示，系统能正确识别前4个室内不同场景的火焰，并在后4个有干扰源的场景中仍能检测无误.

图8 检测图片

4.2 烟雾检测和温度检测实验

为验证系统的烟雾检测和温度检测功能，在室内距系统2 m处布置火源进行实验. 系统通过烟雾传感器采集50次的烟雾数据，每次采集时间间隔为500 ms；通过温度传感器采集50次温度数据，每次采集时间间隔为2 s，然后通过串口收集实验数据，见图9、图10.

图9 烟雾检测实验数据

图10 温度检测实验数据

由图9可知，随着室内烟雾的产生与积聚，室内烟雾浓度逐渐上升，传感器检测到烟雾的浓度越大，输出电压就越大；由图10可知，随着燃烧物的燃烧，传感器检测到环境的温度逐渐上升. 通过上述实验，验证了该系统的烟雾检测和温度检测功能.

4.3 火灾检测鲁棒性实验

为了验证系统的整体火灾检测鲁棒性，本文从Bilkent University火焰视频库中取4个测试视频，如图11和表2所描述，使用火焰准确检测率（TPR）、火焰误检率（FPR）作为鲁棒性评价标准，其计算公式为：其中，TP、FP、N分别表火焰正确检测的视频帧数、火焰误检的视频帧数、视频总帧数.

图11 Bilkent University火焰视频库

表2 视频场景说明

表3 同类技术对比

由表3可知，在真实存在火焰的场景中（视频1和视频2），本文的平均火焰识别检测率分别比文献［13］和文献［14］高9.8%和1.8%；在不存在火焰但有光照干扰的场景中（视频3和视频4），本文的平均误检率分别比文献［13］和文献［14］低31.0%和85.7%. 且文献［13］和［14］均是单一模态的火灾检测，而本文还辅以烟雾检测和温度检测，使火灾检测更具鲁棒性.

4 结论与展望

本系统采用树莓派、STM32嵌入式开发板作为硬件主控，通过调用阿里云平台提供的高度完备的API接口进行火灾识别，通过烟雾传感器和温度传感器实现烟雾检测和温度检测，实现多模态火灾报警，提高了火灾检测率和减少火灾漏检. 下一步工作是提升火灾识别的响应速度，以及加强拓展功能，使得能够根据客户的实际需求来定制功能，实现更加完善的避险和灭火措施，增强实用性.