考虑ZigBee无线通信的智能仓库火灾监控研究

张家兴，张振荣

(广西大学计算机与电子信息学院，广西 南宁 530004)

1 引言

仓库是各类物资的存储场所，其中包含一些高风险的易燃、易爆、有毒货物[1]，但如果无法及时发现火灾[2，3]，造成严重的经济损失，也会威胁相关工作人员的安全。为有效管理仓库安全，避免火灾现象发生，刘树东[4]等人提取视频内多个图像为样本数据，去雾处理样本图像，通过基于Horn-Schunck光流法的烟雾检测算法实现烟雾检测，采用最大类间方差法消除相邻帧图像的像素质量差异，使用扩散性定理评估火灾现象。但该方法抗干扰能力不强，火灾评估结果误报率较高。罗胜[5]等人按照烟雾动态轨迹特征，运用切片策略在卷积神经网络中获得时间压缩轨迹特征，使用循环神经网络提取长程时间关联关系，通过分块方法增强精准计算烟雾轨迹并发出火灾预警。但该方法神经网络训练周期较长，无法保证火灾检测结果及时性。

为改善传统方法火情分析方法应用的弊端，将仓库信息采集与传输作为首要研究目标，提出一种基于ZigBee无线通信技术的智能仓库火灾监控方法。利用高斯建模计算火焰的颜色特征，完成火灾区域标记，运用主机、协调器等模块创建ZigBee无线通信技术下智能仓库信息传输系统，通过卡尔曼滤波方法完成智能化、高精度的仓库火灾监控任务。

2 火灾区域标记

挑选N帧初始图像作为得到背景帧图像的原始训练数据，针对一个背景图像而言，其像素亮度分布条件必须满足高斯分布，背景图像E(x，y)点亮度的收敛条件为

I(x，y)～N(u，σ)

(1)

式中，u、σ分别代表各个背景像素的均值与方差，各个点的高斯分布均为独立状态。

建模图像背景内的各像素根据高斯分布状态，更新N帧初始图像训练获得的参数，依照更新后的背景图像获得原始背景帧[6]，将更新像素点参数的过程描述为：

u(t+1，x，y)=a×u(t，x，y)+(1-a)×I(x，y)

(2)

其中，u表示像素点灰度平均值，a是更新参数，t是更新周期。

高斯建模后获得二值化的前景图像，同时在图像内计算动态区域轮廓，并添加轮廓标记，极大提升了火灾区域跟踪效率。设定原始输入状态矢量是(x，y，w，h，0，0)，x、y代表动态范围轮廓的中心坐标，w、h分别表示轮廓的宽度与高度。按照火灾初始阶段火焰呈现出的特质，使用火焰色彩完成火灾区域标记。

彩色图像内，火焰的内核为亮白色，外部伴随温度的下降颜色逐步由黄变红，因此，火焰的红色分量与亮度是划分火焰的关键特征[7]。火焰色彩分量拥有很多内在关联，红色分量大于等于绿色分量，且火焰图像饱和度与亮度值极高。挑选如下颜色判断解析式，分析火焰色彩的特征点

R(x，y)≥105

(3)

R(x，y)≥G(x，y)≥B(x，y)

(4)

S(x，y)≥0.2

(5)

(6)

(7)

max=max(R(x，y)，G(x，y)，B(x，y))

(8)

min=min(R(x，y)，G(x，y)，B(x，y))

(9)

其中，R(x，y)、G(x，y)、B(x，y)分别表示图像坐标(x，y)位置像素点和红绿蓝色彩分量，S(x，y)、I(x，y)分别代表饱和度与亮度。扫描初始图像动态区域各像素点，若此像素点同时满足式(3)～(9)，则此像素点是疑似火焰点。计算此区域全部的疑似像素点，分析疑似火焰点占该区域像素总值的比例，若比例高于10%，标记该区域为火焰疑似区域。

3 基于ZigBee无线通信技术的火灾动态区域跟踪

为更好地收集仓库内的细节信息，及时挖掘潜在的火灾威胁因素[8]，运用ZigBee无线通信技术建立一个智能仓库信息传输系统。本文信息传输系统涵盖主机、协调器、路由器、监控节点四部分。系统硬件中的无线烟雾报警器通过中央处理器、传感器板块与发射板块共同构成。系统架构如图1所示。

图1 ZigBee无线通信技术下智能仓库信息传输系统

利用ZigBee无线通信传输系统获得足够的仓库监控信息后，利用卡尔曼滤波算法有效识别仓库火灾险情。卡尔曼滤波使用待计算目标的方位、速率与加速度来定义目标状态向量，按照递推策略[9]，持续更新目标形态并实现检测。

卡尔曼滤波为一个线性连续系统[10]，将其记作

(10)

其中，表示系统的n维状态矢量，w(t)、v(t)均是p维零均值白噪声矢量，A(t)代表n×n维系统矩阵，B(t)表示n×p维扰动输入矩阵，z(t)代表m维测量矢量，H(t)为m×n维测量矩阵。

离散化计算式(10)，得到

(11)

其中，Φ、Γ表示离散化系数。

卡尔曼滤波计算过程如下：设定输入的n维目标状态向量为x，那么先验估计的推导公式为

(12)

其中，F表示传递矩阵，C为一个具备状态更改功能的n×c矩阵，wk为过程噪声。

(13)

使用式(13)计算测量值zk，并更新误差协方差矩阵，得到

(14)

其中，Hk表示k时段下的测量矩阵，FT为转置矩阵，Qk-1为过程噪声wk的协方差矩阵。

使用卡尔曼滤波器追踪仓库中的动态区域，明确被追踪区域是否连续存在，特征检测多帧动态区域，并以此判定火焰大小。

4 智能仓库火灾监控及报警

动态目标检测即从ZigBee传输网络中获得的视频图像中完成目标识别任务，当前大多使用的目标检测算法包含帧间差分法、光流法[11]等。圆形度可清晰展现出物体或区域范围形态复杂度水准，将其描述成

(15)

其中，S为物体/某个区域的面积，L表示周长。周长代表区域边界长度，这里的周长是目标动态轮廓边界白点的数量。不规则物体的圆形度小于1，若火焰圆形度处于0.3～0.7区间，推断该区域可能发生火灾。

因火焰燃烧时形状的复杂性，导致火焰动态范围中心在水平与垂直两个方向上不停抖动。持续记录N帧图像各动态范围中心点坐标的位移量，排除规则动态方向的物体干扰。将轮廓中心表达式记作

(16)

式中，M、O依次为轮廓点的宽度与高度。

若(Xn，Yn)、(Xn-1，Yn-1)为邻近两帧图像的相同轮廓中心点坐标，(DXn，DYn)为邻近两帧图像相同轮廓中心点坐标差值，创建计数器CT1、CT2，得到如下对应关系：

(17)

火焰处于随时变化状态，因此DXn、DYn的取值在大于0和小于0之间。在火场内的人体位移一般是面向一个方向活动的，在持续的若干帧图像内，CT1、CT2均符合式(18)的收敛式，可确认仓库产生火灾程度，进行报警。

(2

(18)

ZigBee无线通信技术下的信息传输系统中，主机和协调器之间利用串口进行通信，协调器和路由器利用无线连接传递采集到的仓库信息，无线烟雾报警器会定时分析仓库内火灾动态的信息，传递给协调器，报警器稳定运行时会步入周期性休眠形态[12]，降低节点消耗量，烟雾报警节点使用CC2530芯片作为中央处理器，此芯片拥有优秀的接收灵敏度与抗干扰性，功耗较低，可以很好地完成仓库内部信息处理与传输工作。触发蜂鸣器报警工作过程如图2所示。

图2 无线烟雾报警器工作流程

系统软件设计使用Visual Studio研发平台，主界面融合仓库火灾信息传输的独特需求，包含如下几个板块：串口参变量设定、环境监测、数据库、现场图像监测和节点数据。运用Matlab平台创建火灾预警模型[13]，分析仓库产生火灾的几率，在SQL Server数据库储存火灾记录，在节点数据板块引入休眠机制，优化网络信息处理能力。

ZigBee无线通信网络中的节点会定时收集仓库所属范围中的传感器数据，利用路由器探寻传输路径并输送至协调器，协调器把数据经过串口上传至计算机中[14]。计算机融合处理传感数据，在环境监测板块内展现仓库不同区域的传感数据与报警信息。

产生火灾事故时，数据库板块会自动记录并显现出历史火灾信息，计算机使用协调器给传感节点传送仓库实时图像与预警指令。传感节点开启蜂鸣器报警，收集现场图像[15]，把图像传输给计算机，快速地将仓库现场信息传输给外围工作人员，提供可靠的灭火决策数据。

5 仿真研究

设计仿真验证本文算法的可靠性，实验中对比方法为文献[4]提出的基于机器视觉的火灾监控方法和文献[5]提出的基于时间压缩法的火灾监控方法，实验分为数据传输性能和火灾图像识别两部分。仿真工具为MATLAB 2020b，仿真参数如表1所示。

表1 仿真参变量

5.1 数据传输性能

图3为三种方法节点动态为10m/s时网络的传输带宽情况。

图3 网络传输带宽实验结果

从图3看到，本文方法的网络传输带宽要远远高于两个文献方法。这是因为本文方法全方面考虑了仓库图像数据传输过程中的网络能耗与时延元素，利用ZigBee无线通信技术极大降低了因簇头节点受限产生的传输拥堵现象，因此拥有很高的网络传输带宽。

图4为节点动态速率为20m/s时，三种方法数据传输网络延时情况。

图4 网络传输时延检测结果

观察图4看到，实验次数较少时，三种方法的传输时延无明显差距，但伴随传输次数的不断增多，逐步凸显出本文方法的优势。原因在于机器视觉法没有考虑通过优化簇头节点的方法增强网络拥堵控制能力，极易产生因簇头节点失效导致延时变多。时间压缩法在数据传输时只考虑了流量过载多产生的网络延时的影响，分析角度不够全面，方法在大量实验次数中展现出一定不足。本文方法中添加了休眠机制，大幅减少簇头节点的能量消耗情况，降低了数据重传次数，从而改善了网络延时现象。

5.2 火灾监控识别

挑选仓库监控视频1000帧图像完成火灾监控识别检测，为降低计算量，将视频裁剪成80*80的分辨率，实验结果如图5所示。

图5 火灾监控识别结果

根据图5可知，由于火灾发生后火焰面积为持续性、拓展性的增长趋势，机器视觉法进行火灾识别时，误将发光的物体，即路灯识别成火灾位置，证明该方法无法排除火灾火焰相似特征的发光物体的干扰，极易产生误判。时间压缩法在火焰照亮火光背景中，因发生流动变化，误把烟雾当作火焰，计算结果也产生了一定偏差。而本文方法全方位分析火焰的色彩、轮廓等数据，可在多帧图像内准确挖掘火情，实用性较强。

为及时发现火情并采取对应灭火措施，对火灾的高效率识别尤为重要，图6为三种方法火灾识别效率对比。

图6 仓库火灾识别效率对比

根据图6可知，本文方法识别时间较为稳定，效率远高于两个文献方法。综合以上实验内容可知：本文方法构建的火灾监控网络能快速采集并传输仓库内部信息，同时具备优秀的火灾识别速度，得到更加精准的仓库火情信息。

6 结论

为保证仓库货物安全，维护企业或个人的经济利益，提出一种ZigBee无线通信技术下智能仓库火灾监控方法。所提方法能有效获取准确锁定火情位置，得到火灾细节特征，并完成及时快速的灾情预警，便于采取对应的应急举措，大幅降低火灾发生的概率与财产损失，实用性强，可广泛应用于现实场景中。