1 吉林大学 电子科学与工程学院 集成光电子学国家重点联合实验室吉林大学实验区，长春 130012
2 吉林省红外气体传感技术工程研究中心，长春 130012
由于红外热释电探测器在低温环境下易发生温度漂移，导致非分散红外（NDIR）二氧化碳（CO2）农业火灾检测仪受低温影响较大。针对上述问题，本文设计了一种应用于-40 ℃低温环境的探测器温度控制系统。给出了NDIR农业火灾检测仪的原理，探究了热释电探测器温度漂移现象，在此基础上，设计了以STM32F103为核心的温度控制系统。将温度控制系统集成于火灾检测仪中，在-40 ℃环境温度下，将探测器温度从20 ℃起始温度控温，稳定在21 ℃的响应时间为16 s，温度波动的1σ值为0.012 6 ℃，响应时间和稳定性均满足低温环境下的控温需求。在控温条件下，对传感器进行了标定，将气体标定实验得到的吸收通道与参考通道电压信号的一次谐波幅值比和标准气体浓度值进行指数拟合，拟合优度达到了99.852%。利用纯氮气（N2）样品，对检测仪进行了25 min的稳定性测试，测得的浓度波动范围为-28.128 76×10-6~27.240 5×10-6。引入Allan方差进行评估，当积分时间为0.25 s时，检测下限为1.213 01×10-6；当积分时间为114.75 s时，理论上系统的检测下限可达到4.822 5×10-7。实验结果表明，该温度控制系统可以保证火灾检测仪在低温环境下的正常工作。
火灾检测 气体吸收 温度控制 BUCK电路 牛顿迭代法 增量式PID Fire detection Gas absorption Temperature control Buck circuit Newton iteration method Incremental PID
新疆大学电气工程学院, 新疆 乌鲁木齐 830047
传统的卷积神经网络目标检测算法需要使用大量的数据来对网络参数进行训练,会花费大量的时间,并且森林火灾数据属于小样本数据。基于此,提出一种基于迁移学习的卷积神经网络森林火灾检测算法,该算法采用迁移学习的方法训练森林火灾检测网络模型。在建立的森林火灾数据集上进行实验,结果表明使用该算法进行森林火灾检测,准确率可达97%,具有准确率高、误报率低、检测时间短等优点,将其应用在森林火灾检测上具有一定的可行性。
图像处理 森林火灾检测 迁移学习 卷积神经网络 目标检测 激光与光电子学进展
2020, 57(4): 041010
针对现有视频图像火灾检测算法前景信息丢失严重、误报率高、泛化能力弱等问题,提出一种新的火灾检测算法。其主要由前景提取和分类决策两大模块组成。在前景提取模块中改进ViBe算法,实现对运动区域的选择性更新;同时使用随机森林和支持向量机组成的两级分类器对运动区域颜色进行分类,以获取精确的前景区域。在分类决策模块中,提出两种新的早期火焰特征用于描述帧间火焰区域重叠率和火焰区域不同部分运动剧烈程度比率,再结合Hu矩特征训练出决策分类器。实验结果表明,该算法具有准确率高、误报率低、泛化能力强、响应时间短等优点,并能很好地应用于实际环境中。
图像处理 ViBe 机器学习 火灾检测 前景提取 特征提取
