0 引言

煤炭在中国能源供给中占据主要地位，在今后相当长的时期内，中国能源仍将以煤炭为主。煤炭行业是高危行业，瓦斯、水、火、顶板等事故困扰着煤矿安全生产[1-2]。在一次死亡3人及以上事故中，火灾事故占比较高，严重威胁煤矿井下作业人员生命安全和安全生产[3]。矿井火灾包括采空区遗煤自燃等内因火灾、胶带和电缆燃烧等外因火灾。矿井外因火灾具有偶然性、突发性、蔓延快速性等特点。因此，实时监测并及早发现矿井外因火灾，及时处置，对减少人员伤亡和财产损失具有十分重要的意义[4]。

目前矿井外因火灾监测方法主要有温度传感器、烟雾传感器、光纤分布式测温、可见光图像、红外图像等[5-6]。温度和烟雾等传感器矿井外因火灾监测方法若布置点多，则成本高、维护工作量大；若布置点少，则成本低、维护工作量小，但不能及时监测火灾特征参数的变化，会造成火灾漏报警或滞后报警。

可见光图像矿井外因火灾监测方法具有监测范围广、使用简单、成本低、受距离影响小、分辨率高、色彩信息丰富、边缘特征清晰、火焰纹理特征便于提取等优点，但受矿灯、巷道灯、车灯及红色物体等影响大。

红外图像矿井外因火灾监测方法具有监测范围广、使用简单、可在浓烟等能见度低情况下监测火灾等优点，但受监视距离、矿尘、环境温度和湿度、物体表面发射率等影响，近距离的作业人员、白炽灯和机电设备等均会影响火灾监测。

为解决可见光图像受照明等影响大、红外图像受监视距离等影响大等问题，笔者提出了基于可见光和红外图像的矿井外因火灾识别方法，提高了矿井外因火灾识别准确率，并通过试验验证了该方法的可行性。

1 基于可见光和红外图像的矿井外因火灾识别方法

基于可见光和红外图像的矿井外因火灾识别方法融合可见光图像和红外图像的火灾信息，其工作原理如图1所示。

当可见光摄像机监测到目标区域存在火灾特征时，矿井可能是发生了火灾，也可能是照明设备等干扰，不能判定火灾，判识为疑似火灾，进行疑似火灾预报警。进入预报警状态后，红外摄像机若监测到目标温度超过设定的阈值和温度场面积快速增大，则判定为火灾，进行火灾报警，如图1(a)所示。

(a) 可见光图像预报警的火灾识别流程(b) 红外图像预报警的火灾识别流程

图1 基于可见光和红外图像的矿井外因火灾识别方法工作原理
Fig.1 Working principle of mine exogenous fire identification method based on visible light and infrared image

当红外摄像机监测到目标温度超过设定的阈值和温度场面积快速增大时，矿井可能发生了火灾，也可能是近距离作业人员、白炽灯及机电设备等，不能判定火灾，判识为疑似火灾，进行疑似火灾预报警。进入预报警状态后，对疑似目标的可见光图像进行火灾特征提取，若可见光图像具备火灾特征，则判定为火灾，如图1(b)所示。

1.1 可见光图像火灾特征提取

1.1.1 火焰颜色

火焰颜色主要体现在红色和亮度上。颜色特征用颜色矩表达，将图像中的色彩分布表现出来。颜色矩主要有一阶矩、二阶矩和三阶矩，分别代表均值法、方差法和斜度法，计算公式为[7-8]

(1)

(2)

(3)

式中：Ei，δi，si分别为彩色图像第i个颜色分量的一阶矩、二阶矩、三阶矩；M为图像像素总数；Vi,j为图像第j个像素的第i个颜色分量。

1.1.2 火焰面积

火灾发生过程中，随着时间推移，火焰面积不断变化。火焰面积变化率可通过连续帧图像计算[7]：

(4)

式中：ΔS为火焰面积变化率；St为t时刻(帧)火焰图像面积。

1.1.3 火焰边缘

火焰边缘特征是排除干扰源的主要判据。火焰边缘特征主要有偏心率和致密度。

偏心率表示火焰形状的紧凑程度。一般情况下，火焰形状复杂，偏心率较大；但矿灯、巷道灯、车灯等干扰源形状简单，偏心率小。偏心率计算公式为[9-10]

(5)

式中：为偏心率;αmax，αmin分别为目标区域外接矩形中心点两侧行或列的最大值和最小值。

致密度表示目标面积与周长之间的关系。目标形状越复杂，致密度越小；目标形状越简单，致密度越大。一般情况下，火焰形状复杂，致密度小；但矿灯、巷道灯、车灯等干扰源形状简单，致密度大。致密度计算公式为[9-10]

(6)

式中：Ck，Ak，Pk分别为目标区域k的致密度、面积和周长；m为目标区域总数。

1.1.4 火焰闪烁

火焰闪烁特性可通过一段时间内像素亮度的变化来表示。首先计算在T时间内，目标区域内每一个像素点亮度差值的累计值[7]：

(7)

式中Vj(t)为目标区域内第j个像素点在t时刻的亮度值。

然后计算在T时间内，目标区域所有像素累计亮度差值的平均值[7]：

(8)

式中N为目标区域像素总数。

1.2 红外图像火灾特征提取

火灾会产生火焰、烟雾和热量等，会辐射大量红外线。红外摄像机可以获取这些火灾参量，将火灾参量可视化。红外摄像机具有温度测量和热成像功能，可同时对目标区域物体的温度和温度场变化进行监测，呈现目标区域物体的热分布状态，将目标区域的热分布以图像形式呈现出来。由于目标区域物体温度不同，温度分布正比于热辐射，火灾温度和目标区域背景温度与红外图像的灰度值一一对应。温度越高，热辐射能力越强，红外图像颜色就越亮，图像灰度值也就越大；温度越低，热辐射能力较弱，红外图像中颜色就越暗，图像灰度值也就越小。矿井火灾红外图像监测主要通过提取火灾的温度特征来实现火灾监测。

红外摄像机可通过图像灰度值辨识火源位置。红外线可穿透烟雾，红外摄像机可在能见度极低的夜晚、浓烟、浓雾等情况下获取火灾图像。红外图像可实时采集每个像素点的温度值。但是红外火灾图像具有清晰度差、分辨率低、图像层次感不够明显的缺点，无法对火焰颜色、火焰形状等特征进行直接提取。

2 试验研究

2.1 试验设计

选取钨丝灯、红色蜡烛、平面镜、可见光摄像机和红外摄像机作为试验器材。通电的钨丝灯具有一定的温度和亮度，用作红外摄像机的温度干扰源和可见光摄像机火焰亮度特征的干扰源。红色蜡烛具有燃烧火焰的颜色特征，用作可见光摄像机火焰颜色特征的干扰源。蜡烛火焰模拟矿井火灾发生时的早期火焰。通过平面镜对燃烧的蜡烛成像，镜像出火焰形状及变化、火焰抖动及闪烁。通过可见光图像对火焰特征提取时，无法辨识真实的火焰与平面镜中的火焰。

将钨丝灯通电一段时间达到最高温度，同时点燃蜡烛。将可见光摄像机和红外摄像机放在同一水平线上，同时将钨丝灯、蜡烛放置在与2个摄像机距离相等的同一位置上。平面镜与蜡烛放置呈一定角度，对蜡烛和燃烧的火焰成像，可见光摄像机和红外摄像机可同时检测到蜡烛燃烧和平面镜中蜡烛燃烧的成像。

在同一距离摄取钨丝灯、蜡烛燃烧及其镜像图像，得到红外图像和可见光图像，如图2所示。

(a) 红外图像

(b) 可见光图像

图2 同一距离燃烧蜡烛和通电钨丝灯红外及可见光图像
Fig.2 Infrared and visible light images of burning candle and energized tungsten lamp with the same distance

钨丝灯保持原距离不变，移动蜡烛和平面镜，使其远离摄像机，保持蜡烛与平面镜相对位置不变，获取的图像如图3所示。

(a) 红外图像

(b) 可见光图像

图3 不同距离燃烧蜡烛和通电钨丝灯红外及可见光图像
Fig.3 Infrared and visible light images of burning candle and energized tungsten lamp with different distance

2.2 火灾图像识别

2.2.1 可见光图像火灾识别

对可见光图像进行图像预处理，并提取火焰颜色、亮度、形状、抖动和面积变化等火焰特征。

火焰颜色集中分布在红色和亮度上。对红色火焰进行特征提取，结果如图4所示。可看出火焰的外焰和蜡烛自身均为红色，因此无法通过颜色判定火焰。对火焰亮度进行特征提取，同时白炽灯的亮度也被提取，如图5所示。高亮度的白炽灯严重影响对火焰亮度的提取。根据提取结果可知，通过对红色火焰和火焰亮度进行识别不能判定火焰。

(a) 原始图像

(b) 颜色特征提取

图4 火焰颜色特征提取
Fig.4 Feature extraction of flame color

(a) 原始图像

(b) 亮度特征提取

图5 火焰亮度特征提取
Fig.5 Feature extraction of flame luminance

燃烧的火焰形状不断发生变化，对火焰形状提取主要包括对火焰面积及其变化、边缘角数及其变化、高度及其变化、形状及其变化等特征的提取。对火焰面积和边缘进行特征提取，结果如图6所示。可看出通过可见光图像提取火焰面积及边缘，难以区分真实的蜡烛火焰和平面镜中的蜡烛火焰。

(a) 原始图像

(b) 火焰面积提取

(c) 火焰边缘提取

图6 火焰面积和边缘特征提取
Fig.6 Feature extraction of flame area and edge

平面镜中的镜像蜡烛火焰随着真实蜡烛火焰燃烧的抖动而抖动，闪烁频率相同。因此，通过可见光图像提取火焰抖动及闪烁频率，难以区分真实蜡烛火焰和平面镜中蜡烛火焰。

2.2.2 红外图像矿井火灾识别

对近距离红外图像和远距离红外图像进行对比分析，如图7所示。当蜡烛燃烧火焰温度高于钨丝灯温度时，通过红外图像温度能够识别火焰。保持钨丝灯位置不变，增大蜡烛与摄像机距离，随着距离增大，燃烧火焰红外图像温度逐步降低，红外摄像机检测到的钨丝灯温度高于火焰温度。因此，根据红外图像温度不能判定火焰。

(a) 近距离红外图像

(b) 远距离红外图像

图7 不同距离下红外图像对比
Fig.7 Comparison of infrared images with different distance

对增强后的红外图像进行对比分析，如图8所示。随着距离增大，火焰逐渐变成一个亮点，无法对火焰特征进行提取。

(a) 近距离红外图像增强

(b) 远距离红外图像增强

图8 增强后的红外图像对比
Fig.8 Comparison of enhanced infrared images

通过上述分析可看出，通过单一可见光图像或红外图像识别，均不能判定火焰。

2.2.3 红外和可见光矿井火灾图像识别

红外图像能够监测温度及温度场，但受摄像距离、矿尘、环境温度和湿度、物体表面发射率等影响，当有其他高温物体接近红外摄像机时，会干扰对火灾的判定。可见光图像能够提取火焰颜色、形状、亮度、抖动和面积变化等特征，但矿灯、巷道灯、车灯、红色物体等会干扰对火灾的判定。

为提高火灾识别准确率，笔者提出了基于可见光和红外图像的矿井外因火灾识别方法：当可见光图像和红外图像均识别出火灾时，才判定为火灾，发出火灾报警信号；当仅有单一可见光图像，或红外图像识别出火灾时，不判定为火灾，发出疑似火灾报警信号。该方法发挥了红外图像和可见光图像各自的优势，取长补短，实现矿井火灾辨识。

3 结论

(1) 温度和烟雾等传感器矿井外因火灾监测方法若布置点多，则成本高、维护工作量大；若布置点少，则成本低、维护工作量小，但不能及时监测到火灾特征参数的变化，造成火灾漏报警或滞后报警。

(2) 可见光图像矿井外因火灾监测方法具有监测范围广、使用简单、成本低、受距离影响小、分辨率高、色彩信息丰富、边缘纹理信息清晰、火焰结构信息便于提取等优点，但受矿灯、巷道灯、车灯及红色物体等影响大。

(3) 红外图像矿井外因火灾监测方法具有监测范围广、使用简单、可在浓烟等能见度低情况下监测火灾等优点，但监视距离、矿尘、环境温度和湿度、物体表面发射率等均会影响温度测量，近距离的作业人员、白炽灯及机电设备等均会影响火灾监测。

(4) 提出了基于可见光和红外图像的矿井外因火灾识别方法：当可见光图像和红外图像均识别出火灾时，才判定为火灾，发出火灾报警信号；当仅有单一可见光图像或红外图像识别出火灾时，不判定为火灾，发出疑似火灾报警信号。该方法提高了火灾识别准确率。

(5) 通过试验分析了可见光图像、红外图像矿井外因火灾监测方法存在的问题，验证了基于可见光和红外图像的矿井外因火灾识别方法的可行性。

参考文献：

[1] 孙继平,钱晓红.煤矿重特大事故应急救援技术及装备[J].煤炭科学技术,2017,45(1):112-116.

SUN Jiping,QIAN Xiaohong.Emergency rescue technology and equipment of mine extraordinary accidents[J].Coal Science and Technology,2017,45(1):112-116.

[2] 孙继平,钱晓红.煤矿事故与应急救援技术装备[J].工矿自动化,2016,42(10):1-5.

SUN Jiping,QIAN Xiaohong.Coal mine accident and emergency rescue technology and equipment[J].Industry and Mine Automation,2016,42(10):1-5.

[3] 孙继平,钱晓红.2004—2015年全国煤矿事故分析[J].工矿自动化,2016,42(11):1-5.

SUN Jiping,QIAN Xiaohong.Analysis of coal mine accidents in China during 2004-2015[J].Industry and Mine Automation,2016,42(11):1-5.

[4] 孙继平,孙雁宇.矿井火灾监测与趋势预测方法研究[J].工矿自动化,2019,45(3):1-4.

SUN Jiping,SUN Yanyu.Research on mine fire monitoring and trend prediction method[J].Industry and Mine Automation,2019,45(3):1-4.

[5] 王媛彬,马宪民.煤矿外因火灾早期探测方法研究[J].工矿自动化,2015,41(9):63-66.

WANG Yuanbin,MA Xianmin.Research of early prediction method for exogenous fire in coal mine[J].Industry and Mine Automation,2015,41(9):63-66.

[6] 兰琪,贾敏智.基于图像型的矿井火灾探测方法研究[J].煤炭技术,2016,35(4):187-189.

LAN Qi,JIA Minzhi.Research on fire detection based on image in coal mine[J].Coal Technology,2016,35(4):187-189.

[7] 孙琛.基于视频图像的火灾检测算法研究与设计[D].济南:山东大学,2018.

[8] EMMY PREMA C,VINSLEY S S,SURESH S.Multi feature analysis of smoke in YUV color space for early forest fire detection[J].Fire Technology,2016,52(5):1319-1342.

[9] 陈东阳.基于图像分析的火灾报警系统研究[D].哈尔滨:哈尔滨工业大学,2018.

[10] 王媛彬.基于图像特征的煤矿火灾检测与识别研究[D].西安:西安科技大学,2015.