基于图像处理的火灾检测系统

使用图像处理进行火灾检测的无线传感器网络

扎伊古姆·阿提克, Mohammad Momani Study Group 澳大利亚, 信息技术部门, 悉尼, 澳大利亚 qasim324147@gmail.com, mmomani@studygroup.com

摘要

无线传感器网络（WSN）是一种具有影响力的技术，主要用于环保监测。它能够对城市交界区等危险野火地点进行低成本细粒度检测。与早期森林火灾探测技术相比，一些系统效果较差，因此有必要建立针对森林火灾迹象的早期预防系统。在危险情况下，火灾检测需要快速响应，而无线传感器网络可用于提供系统化网关，以检测精确火灾位置和蔓延位置。基于图像处理的火焰识别已广泛应用于火灾检测中。本研究旨在提出一种基于无线传感器网络并利用图像处理进行火灾检测的系统。远程图像数据、分割和评估是本研究工作中使用的分类法，定义了实现基于无线传感器网络的火灾检测所需的各个组件。建议将所提出分类法的组件用于验证标准，以实现基于图像处理的无线传感器网络火灾检测系统。该解决方案将作为一个资源池，帮助用户理解火灾检测系统中无线传感器网络所需的必要元素。

关键词 - 无线传感器网络，火灾检测，图像处理，报警生成，火焰识别

I. 引言

无线传感器网络（WSN）是指一组用于观测和记录环境物理状况，并在中心位置处理所收集数据的离散专用传感器。如今，WSN 是在各种场所中使用的最标准服务。一个无线传感器网络由基站和大量节点（无线传感器）[1]组成。这些网络通过在森林、工业和其他一些领域中的易于部署，用于监测压力、温度等物理和环境条件，以及用于烟雾和火灾的检测[2]。

无线传感器网络连接到多个传感器节点，能够恢复和处理稳定图像[3]。在发生火灾时，可在多个维度上轻松处理图像，从而减少野生动物和其他资源的损失。它通过传感器为系统提供早期预警并防止火灾蔓延。采用该技术的原因在于处理器和通信方面的技术发展[4]。它具有较低的连接计算机设备功耗[5]。无线传感器网络被用于基于图像处理技术的森林火灾检测，事实证明该方法在构建火灾检测、报警和触发位置系统方面非常有效。本文的主要目的是开发一个利用无线传感器网络进行有效火灾检测的框架。文中重点介绍了与火灾检测中图像处理相关的大多数模型，以实现有效感知和监控。

基于使用传感器与环境进行火灾检测过程的方法[6]被采用。一些方法被研究以改进其有效功能，并为未来的研究找到最佳解决方案。少数系统已用于森林火灾检测，并已在商业应用中实施。无线传感器网络广泛应用于森林火灾检测，这些系统在不同类型的领域中应用，具有多种特征和几何结构。传统火灾探测系统耗能，且无法检测到森林火灾的精确火灾位置。提出的工作旨在包含无线传感器网络和图像处理的所有必要因素，以帮助找到正确途径，克服高效火灾探测系统的局限性。

剩余工作计划如下：第2节讨论了关于一些先前解决方案的文献综述以及系统组件的架构。第3节进行了系统组件的分析与评估。第4节对系统的组件进行了讨论。第5节探讨了未来工作，第6节总结了整体工作。

II. 文献综述

A. 研究领域

无线传感器网络是包含不同类型的节点和传感器的研究领域。该网络用于监测声音、压力和温度等物理和环境条件，并通过不同的网络协同传输数据。火灾探测系统在误报和检测方面面临一些问题。本文基于当前政策对相关操作进行了回顾，重点审查了采用有效图像处理技术的系统。论文的选择基于在不同领域中关于火灾检测的当前研究。

B. 综述

1) 火灾函数的坐标识别

早期和传统的森林火灾检测方法准确率不高。森林监控系统需要一种实用的方法来应对森林中的活动。[7]的作者提出了一种有效的机器学习算法，如图1所示，该算法基于智能物联网传感器。该方法有助于早期火灾检测，并在火灾事故中具有良好的响应时间。该方法主要应用于山区系统[8]。它能够对火灾活动进行主动监控，准确率达到60%。系统生成的图像影响了数据处理过程的顺序[9]。传统的火灾检测方法面临三个主要问题：火灾误报率、火灾预测不准确以及监控延迟[9]。为克服早期方法的相关问题，[10]的作者提出了一种有效的图像火灾检测算法，该算法将火灾检测准确率提高到83.7%。

该系统有助于减少火灾活动造成的损失，并通过高效火灾检测系统 [11] 实现。该系统的图像特征是无法区分火灾活动与其他干扰 [12]。用于定位和感知的传感器节点面临关键问题，这些问题影响了精度。通过引入路由机制解决了节点定位问题。采用模糊算法通过估算所有节点的流量测量来确定节点的未知位置 [13]。系统在处理过程中产生噪声，影响了分析的准确率和节点位置的精度 [14]。

2) 数据帧处理与火灾检测

传统火灾活动无法检测火灾活动，需要借助高效规划和决策来实现。为了实际观测，[15]的作者提出了一种模糊启发式方法，该方法有助于在森林火灾评估中找出可疑点，并通过森林火灾识别来完成。该方法还通过观察当前情况，有助于制定未来规划。该方法的准确率约为88% [16]。该模型面临环境因素相关的问题，这些因素会影响所提出数据集的准确性 [17]。森林火灾对森林保护构成重大威胁，需要高效且准确的决策 [18]。作者提出了有效的火灾暂停策略，以帮助不准确预测森林火灾。时不变模型通过观测因素的主动空间依赖性，有助于保持观测数据集的异质性 [19]。

该系统受限于假设，这会影响整体火灾检测的澄清和分类 [20]。环境条件的高温可能是引发火灾的原因，因此在预测后需要进行监测和评估 [21]。作者提出了一种自一种组装方法，有助于修复阻燃系统，以改进火灾报警 [22]的响应。该过程包含不同类型 的卤化物，使得过程复杂化，并减少了应用的可能性[24]。

3) 基于传感器节点的数据监控

无人机（UAV）有助于检测火灾活动，并通过报警装置实现快速响应。基于视觉的技术在确定火灾位置方面也很有用，这是通过基于观测的应用中图像运动来实现的 [25]。为了提高可靠性，在声明中采用结构化方法以识别正确的实施时间 [26]。运动检测可能不准确，可能会提供错误的火灾位置。当前的无人机模型在识别火灾活动方面仍存在安全隐患 [27]。

传统火灾检测方法在从向量中提取多维特征以识别火灾时面临准确率问题，且目前尚无系统可用于检测火灾坐标。作者提出了一种智能火灾检测方法，有助于检测火灾活动 [28]。该过程借助计算机视觉方法完成。运动检测方法与检测技术相结合，有助于降低复杂性和目标检测难度 [29]。该模型可用于在帧内对网络进行主动监控。火灾检测的准确率约为98.4%。该模型的局限性在于神经网络生成的信号需要调整大小 [30]。传统的火灾检测方法耗时，在发生火灾和寻找位置时可能非常危险。为解决此问题，作者提出了一种基于视觉的智能火灾检测系统 [31]。所提出的方法适用于农村地区、建筑物和森林。该方法有助于在不同场景下实现正确的阳性率和检测率 [32]。该系统的局限性在于颜色转换和检测精度。由于传感器不兼容，传统的环境分析方法准确性较低 [33]。

为提高准确性，作者提出了一种无线缝隙天线，可精确测量温度、压力和湿度 [34]。使用了多种类型的传感器，并根据周围环境的参数进行定制。材料变化引起的电容会影响传感器的整体过程，并可能导致谐振频率偏移 [35]。

4) 无线传感器网络与火灾数量的准确预测

火灾检测是一项挑战，需要一个稳定且活跃的网络。[36]的作者提出了一种贝叶斯系统，有助于对火灾活动的可能原因进行早期检测和快速响应时间的预测。该模型用于研究和分析可能的火灾场景，基于观测和证据，该模型的准确率达到90% [37]。该模型被发现非常复杂，影响了网络应用中的决策。未来工作将集中在可添加到提出模型中的潜在的林业变量上 [38]。火灾活动可能导致森林火灾中的各种森林火灾疾病，包括树木，因此需要借助遥感技术实现早期预测。在[39],中，作者提出了一种多光谱时间感知技术用于

检测地面以及空中应用的火灾活动。该过程的准确率为 91%。该过程受限于背景减除，会影响检测中使用的光谱数据。未来工作将基于K折交叉验证技术，可与遥感技术结合以实现精确加速[40]。

火灾活动可能对栖息地造成破坏，并对环境条件和森林产生负面影响[41]。为了实现早期检测，作者提出了一种非大规模方法，该方法通过减少对环境活动的破坏来呈现森林的栖息状况[42]。通过检测已被证明有利于生态系统的最小火灾活动，可以借助该方法管理火灾和燃烧作业，见图 2[43]。该系统依赖于气候条件，且其应用范围有限。未来工作将基于亚种的能力和潜力，这将有助于未来的早期火灾预测[44]。

来源: [45]

野生动物可能对森林和人类生活造成环境及生态风险，因此需要进行长期预测。为此，作者提出了一种全球火灾检测方法，有助于检测火灾活动。该过程通过将数据集划分为网格单元 [46] 来实现。所提出的系统有助于分析森林活动。评估通过机器学习算法和现有数据集的探索来完成。该系统需要准确的信息，否则可能影响准确率。未来工作将基于全球分析方法，其中其他活动将作为变量使用 [47]。火灾的实际应用和监控至关重要，但由于资源缺乏而效率较低，可能对环境造成严重破坏 [48]。

为解决这一问题，作者提出了一种时空框架，有助于实时应用中的火灾监控，并通过权重函数方法实现 [49]。该框架用于增强火灾监控方法的预测能力。改进的结构未提供实时数据库，有时会影响准确率 [50]。未来工作将基于保真度的用于获取高频、监控和映射的提出模型。

C. 研究空白

本次综述基于无线传感器网络（WSN）结合图像处理技术对火灾检测过程进行了研究。综述依据了火灾检测中存在的不同问题和挑战，以及多位作者提出的用于克服这些障碍的模型。大多数研究人员主要关注特定领域的火灾检测系统。由于现有方法缺乏足够的功能性，因此并不充分。一些模型的决策能力和错误率方面的表现较差。高错误率和误报是目前尚未被任何研究人员解决的重要问题，这使得系统可靠性降低。在系统评估方面，由于相机功能不够完善，导致图像采集时图像质量不佳。为此，本文提出了远程图像数据（RID）分类法，该分类法聚焦于使用无线传感器网络（WSN）的火灾探测系统中的图像处理，以弥补现有方法的不足。

D. 组件分类

在下面的表1中，全部15篇论文根据提出的RID分类法进行了分类和评估。分类表的第一部分列出了各综述论文的作者。远程图像数据被分为三个部分：图像数据源、图像维度和节点图像源。所提出的组件根据所有15篇论文中不同的数据采集来源和使用的无线传感器网络（ WSN）进行分类。每篇文章中的图像分割均被深入审查和分类，展示了各论文中用于构建检测系统的实际监控与图像处理技术。分类表显示，支持向量机（SVM）和 CVM是数据处理监控中最常用的技术，而深度学习算法 （DLA）用于数据帧处理。每个系统均根据其独特的检测功能进行分类。该评估基于每个提出模型和方法的主要成果进行。每个系统的效率通过空间特征（SF）、随机森林（RF）和YOLOv3等特征进行了验证。每个系统的结论显示在所提分类表的最后一部分。

E. 架构的图形化展示

图像数据在控制中心进行操作，信息来自不同位置，并在三个不同方法中进一步处理，如图3所示。生成的报告被传输至无人机或卫星。另一方面，数据也可以从控制中心传输到月球。节点图像传感器（如温度传感器、摄像头传感器）对任何活动产生信号，活动数据被发送到节点图像源。图像维度显示了图像的质量。图像活动数据被传输到卫星，信息在那里被收集并发送至检测系统。在检测系统中，图像数据用于检测位置。

III. 分析表

表2展示了针对15篇论文中所用系统的分析。第一部分基于所提出论文的作者，第二部分基于数据控制中使用的控制中心类型。数据存储在图像中，下一部分显示了维度类型。每个系统都基于特定类型的传感器，并在本表的下一部分中描述了其覆盖范围。区域监视表明，大多数系统监视系统基于用于检测的监视技术类型，以及后续章节中分析的处理方法。投影系统的检测性能主要基于用于检测的关键因素。检测错误率可用性在分析表的下一部分中显示。通过评估每个火灾探测系统的性能参数来进行探讨。

四、讨论

A. 引言

无线传感器网络（WSN）正成为在不同领域进行有效监控的相关技术。该技术被作为结合图像处理技术的火灾检测的一部分使用[27]。一些系统在火灾的早期预防和检测方面效果较差，因此本文旨在综述基于图像处理的不同火灾探测系统[31]。针对此项工作，提出了RID解决方案以对所用系统和数据进行实际分析[46]。本部分讨论了在选定的15篇论文中RID解决方案所使用的组件。该分析基于对主要使用和较少使用成分的探索，并附有示例。分别讨论了RID解决方案的每个元素，以展示火灾探测系统和图像处理技术[8]的有效性。重点突出了主要使用的组件，以显示特定顺序的重要性。并对每个元素及相关因素进行了相关讨论，以发现其中的不确定性[29]。

使用图像处理进行火灾检测的无线传感器网络（续）

B. 图像源的远程图像数据

远程图像数据是RID解决方案的首要因素，它展示了用于收集和生成图像数据的不同来源和中心[30]。从表2可以看出，研究人员使用空中控制中心获取无人机和卫星等图像数据。在[5]中指出，空中控制中心非常有帮助，由于图像源具有宽光谱特性，数据采集更加便捷。这些来源能够轻松覆盖大面积区域，基于动态图像处理设备实现。该设备有助于在多维空间中捕捉图像[37]。表2显示，部分研究人员采用地面数据控制中心，因其控制范式较少且维护简便。该控制中心所使用的来源包括电荷耦合器件和立体相机。在对系统的考察中发现，地面数据控制中心生成的二维和一维图像数据较少，效果较差，但操作更为简便[41],[42]。

空中源能够覆盖平均75公里的区域，而地面源的覆盖范围则局限于10至20公里。在一些提出的系统中，发现使用不同的无线传感器网络传感器较为分散。由于快速响应和有效范围，激光传感器被用于多个系统中。[49]指出，激光传感器能够轻松检测图像对象[11]。这些系统中使用的传感器能够覆盖大面积，压力容量为‐132至‐132 hg，该范围是有效的。这些传感器可应用于任何领域，如森林、建筑物等。大多数激光传感器被安装在地面，以便于火灾检测。表2显示，由于集成不足和关注较少，纳米复合传感器仅在少数系统中被使用[17]。纳米复合传感器大多配备最高质量的200万像素摄像头传感器，其有效范围有限，仅为‐10至 +10 hg。这些传感器无法准确定位进入其范围内的物体的初始位置。然而，其准确率优于温度传感器，因而引起了众多研究人员的关注。

C. 图像分割-监控与图像数据帧

数据分割是基于图像数据处理技术和用于火灾检测不同系统的数据帧算法的所提出的RID解决方案的第二个因素[29]。在处理监控因素时，FLM和SAFDM被发现是最有效的方法，因为这些系统能够每秒生成高质量图像的非活动数据帧率。

火灾预测的系统精度通过给定公式进行评估：
检测过程的精确率和召回率

这里，TP = 真阳性；TN = 真阴性；FP = 假阳性；FN = 假阴性。

CVM的假阴性率最高，达到每公里122次，这会降低系统的准确率。Bhanu等人在[28]中指出，模糊逻辑算法具有主动可视化能力，能够创建有关某些信息的火灾区域。FLA生成的数据量较少，这使其在估计初始位置[39]方面更具实用性。SAFDM提供了不同目标状态的易于检测和可视化功能[7]。每篇论文都使用了图像分类以实现系统的快速监控。通过对每篇文章的分析，从表2可以明显看出，基于视觉和基于视频的监控类型适用于监控。该系统安装和维护简便，但存在高能耗问题，限制了其应用[25]。

塞文奇、库楚克和戈尔塔斯在[6]中观察到，基于视频的监控使监控更加便捷，若将其部署在线性路径上，则目标丢失的可能性更小。视频监控使得传感器跟踪更加容易[40]。在PLS路径建模中使用的基于视觉的过程监控，通过目标定位能够快速找到目标[9]。从表2可以看出，在FLM等某些系统中，基于视觉的监控足以实现火灾早期预测[22]。由于高错误率，传感监控方法在有限系统中以一种鲁棒方式以及ODBS被使用。这些系统构建了多阶段检测过程，使其使用变得至关重要[4]。

D. 检测性能评估-系统测试参数

检测性能评估是基于15篇论文中所提系统性能评审的RID解决方案的第三个因素。通过对表2中不同方法的明确探讨，可以得出大多数检测系统都建立了检测功能。一些系统使用ResNet‐50软件来创建检测功能约束，例如作为一种鲁棒方法。莫亚迪等人在[19]中指出，ResNet‐50软件支持任何系统中图像的空间结构，并与数据建立关联。表2显示，由于检测平均精度[31]的原因，仅有少数系统使用了ImageNet软件。使用ResNet‐50数据集的系统具有较低错误率（约0.1）。

阿姆里等人在[16]中观察到，ImageNet软件会降低任何图像的召回率。这使得系统效率降低，并增加了误报率。火灾探测与预警方法基于ImageNet软件，因此会产生错误警报[47]。召回率较低的系统的误报率为23%，而错误率较高的系统的准确率低于80%。几乎每个火灾检测系统都能够产生信号，但由于帧率和传感系统效果较差，CVM和FFDM的报警率较高，但FFDM具有79%的有效报警生成率。一些研究人员在其操作中支持简单可视化，以提高表2中的检测精度。采用复杂技术的检测系统具有高错误率和火灾平均检测准确率[60]。

V. 未来工作

火灾检测系统经过了仔细评估，所提出的RID解决方案表明，一些系统缺乏相关图像数据源和中心。由于在任何领域中检测都可能存在隐患，因此RID解决方案无法包含在这些类型的检测系统中。人们认为，火灾探测系统的未来必须着眼于检测热量和烟雾的能力，并结合对区域内个体人员的主动感知。这将平衡检测效果并相应降低风险。温度传感器可以作为未来工作进行改进，因为它有助于快速定位人员并实现快速响应。在资源方面，可以通过提高激光传感器标准来改进潜在的地面技术，如CVM和RFDM。本文提出的分类法可以通过增加针对误报的具体标准来进一步发展，这有助于提高系统未来的可靠性。错误率问题必须在未来得到解决，以减少检测中的冗余。这将对软件的更好兼容性产生重要影响。总体而言，上述提到的未来工作有助于克服火灾探测系统的局限性。

VI. 结论

本文的分类表明，已对用于火灾检测的无线传感器网络（WSN）的某些元素进行了评估和验证。可以得出结论：在精确维度的基础上，结合近似算法和网络学习算法，利用图像处理技术的无线传感器网络可用于火灾检测。然而，由于资源缺乏，现实世界中的火灾应用与监控至关重要但效率较低，可能导致对环境造成严重破坏。现有系统在颜色转换和检测精度方面存在局限性，部分操作的图像特征无法区分火灾活动与其他干扰。改进框架未提供实时数据库，有时会影响检测精度。研究表明，该研究有助于森林活动的分析，火灾检测准确率约为98.4%。