一、引言

随着城市化的步伐不断加快，人口密集、建筑复杂的城市环境给消防工作带来了前所未有的挑战。高层建筑和超大型综合体作为现代城市的标志，虽然提供了便利的居住和工作环境，但同时也成了火灾隐患的重灾区。

2024年1月，工信部、应急管理部联合发布《关于加快应急机器人发展的指导意见》，提出强化消防等重点领域应急机器人研制。因此，有必要研制一种能够在消防员到达和火势扩大之前，快速、准确、安全地将特定消防物资运送到火场一线，帮助被困人员及时逃生的消防机器人。这成为高层建筑消防中急需解决的技术难题，而本算法正是针对消防机器人在火场中有效穿行而提出的专属算法，具有较强现实意义。

二、火场检测技术国内外研究现状

（一）红外热成像火焰检测技术

红外热成像仪测量的是景物的红外热辐射分布，其成像不受光照等因素的影响，具有良好的云雾穿透能力，即使在极低可见度的烟雾环境中也能有效探测^[1]。基于红外热成像的火灾检测主要包括对获得的红外图像进行滤波去噪、图像增强、图像分割、特征提取和模式识别等处理，最终判断图像中是否存在火灾^[2]。国内外的研究主要集中在这些处理算法上。针对建筑火灾检测，黄庆东等人分析了火灾红外图像，提取了圆形度变化、中心位置变化、面积变化以及Hu矩等显著特征，并采用支持向量机（SVM）对这些特征进行训练和分类，以实现火灾检测^[3]。此外，Jong-Hwan和 Latiimer B Y^[4]提出了基于红外热像仪的实时火灾和烟雾概率分类算法。他们首先通过相关方法提取火灾区域，然后创建包含小波系数的时间火灾模型，最后使用 SVM 分类器对图像进行分类，从而有效分离火灾区域和烟雾。

（二）可见光火焰检测技术

可见光摄像机提供了高分辨率的图像以及丰富的色彩和纹理信息，但对光照强度敏感，易受到遮挡物和阴影的影响。近年来，随着深度学习的发展，基于可见光的火灾检测方法也逐渐从传统方法转向基于深度学习神经网络的方法。常见的卷积神经网络包括 R-CNN、Mask R-CNN、Fast R-CNN和YOLO系列等，其中YOLO系列因其网络速度快和准确率高，已广泛应用于各个研究领域。同时，研究人员也将卷积神经网络引入火焰检测中。例如，Shen采用YOLO深度学习模型进行火灾训练和检测，并通过数据增强将127张图片样本扩充至 1270张^[5]。Kim和Lee则使用Faster R-CNN 划分火灾和非火灾区域，以判断短期内是否有火灾发生^[6]。虽然这些基于卷积神经网络的火焰检测在大规模火灾检测中表现良好，但由于可见光摄像头易受颜色干扰，神经网络在复杂场景中的小型火焰检测可能会出现较高的误报和漏报率。

三、多模融合火场检测算法研究

（一）红外热成像火焰检测算法研究

红外热成像相机是目前测量火点温度最可靠的传感器之一，在各种领域已经广泛应用于温度检测。通过红外热成像探测，可以收集热红外辐射进行图像编码，生成热成像图片。检测时，对热成像图片进行定性分析，即根据相机中传回的温度数据，若当前温度信息高于预定的温度阈值，则初步判断存在火点。随后进行定量分析，采用图像分割算法中广泛采用的OTSU算法对图像进行自动分割。图像分割后，对分割后的部分进行多边形框选，并将该部分同步到原始热成像图像的灰度图上。

（二）可见光YOLOv5火焰检测信息

基于可见光的图像进行YOLOv5深度学习框架，进行火灾的训练和检测。也是火场融合导航里一种常见的导航策略。YOLOv5是近年来深度学习神经网络的常见方法。因其网络速度快，准确率高，已经广泛使用在各个领域中。

在本项目的火焰检测中，首先对YOLOv5进行火灾数据集的训练，然后从搭载的可见光相机RTSP地址取视频流，然后将视频流转化为图像帧数据，并对图像数据进行自适应预处理，导入图像至训练模型中进行置信度判断，若置信度大于阈值，则检测到火点信息，若小于阈值，则继续进行下一针的检测。

四、结语

本文针对高层建筑火灾的救援难题，提出了基于多模融合的火场检测算法，创新性地结合了红外热成像、可见光YOLOv5检测算法和机载传感器数据融合的多维度检测方法，提升了火场检测的准确性和环境适应性。通过该算法的应用，消防机器人能够在复杂火场中灵活穿行，安全高效地完成物资运送任务。未来，随着算法的进一步优化和硬件设备的改进，本研究的火场检测算法将在火场救援中发挥更重要的作用，具有广阔的应用前景和市场价值。

 [参考文献]

[1] 杜建华,张认成.火灾探测器的研究现状与发展趋势[J].消防技术与产品信息, 2004(07): 10-15.

[2] 陈钱,隋修宝.红外图像处理理论与技术[M]. 北京:电子工业出版社,2018.1.

[3] 黄庆东.基于红外热成像的火灾检测算法研究[D].华南理工大学,2014.

[4] Kim J H, Latiimer B Y. Real-time probabilistic classification of fire and smoke using thermal imagery for intelligent firefighting roobt[J].Fire Safety Journal,2015,72: 40-49.

[5] Shen D，Chen X，Nguyen M，et al. Flame detection using deep learning［C］.2018 4th International Conference on Control，Automation and Robotics （ICCAR）， Auckland,New Zealand，April 20-23，2018.

[6] Kim B，Lee J. A video-based fire detection using deep learning models ［J］. Applied Sciences ，2019，9（14）：2862.

[作者简介] 吴祥晨（1993—），男，浙江温州人，讲师，硕士，主要研究方向：机器人应用。

[基金项目] 2024年浙江省教育厅一般科研项目研究成果 （项目编号：Y202455870）。]

[]吴祥晨