Détection de fumée
Helen Li
SMQT
2016-06-14 16:43:59
Détection de fumée
Quand un incendie se produit, la latence minimale de détection est cruciale pour minimiser les dommages et sauver des vies. détecteurs de fumée actuels souffrent intrinsèquement du retard de transport de la fumée du feu au capteur. Un système de détection de fumée vidéo aurait pas ce délai. En outre, la vidéo est un capteur de volume, et non pas d'un capteur de point. Un capteur de points ressemble à un point dans l'espace. Ce point ne peut pas être affectée par la fumée ou le feu, de sorte que la fumée ne serait pas détecté. Un capteur de volume surveille potentiellement une plus grande surface et a probabilité beaucoup plus élevée de la détection précoce réussie de la fumée ou des flammes.
détection de fumée de vidéo est une bonne option lorsque la fumée ne se propage pas d'une manière «normale», par exemple, dans les tunnels, les mines, et d'autres zones avec ventilation forcée, et dans les zones de stratification de l'air, par exemple, hangars, entrepôts, etc. vidéo est également une bonne option pour les grands espaces ouverts où il peut y avoir aucune chaleur ou à la propagation de la fumée à un point fixe, par exemple, a vu les usines, les raffineries pétrochimiques, les incendies de forêt, etc.
La recherche dans la détection des caméras de surveillance de fumée à l'aide est devenu très actif récemment. Tout comme le vieux dicton "où il y a de fumée sans feu" puts, détection de fumée précoce concerne la vie et la propriété de la sécurité des personnes.
Avec la détection de fumée vidéo, il est possible de répondre à deux problèmes dans les détecteurs de fumée traditionnels qui sont principalement basées sur des particules s
ÉCHANTILLONNAGE: 1. Les détecteurs de fumée traditionnels nécessitent une proximité de la fumée.
2. En général, ils ne fournissent pas d'informations sur l'emplacement du feu, taille, brûlant degré etc. Cependant, la détection de fumée vidéo a encore de grands défis techniques depuis son courant le rendement est inférieur à celui de particle- traditionnel échantillonnage des détecteurs basés en termes de taux de détection et de faux taux d'alarme.
Ceci est principalement dû aux raisons suivantes avec signal de fumée vidéo:
1) Variabilité de la densité de la fumée, l'éclairage, fond diversifié, interférant objets non-rigides, etc.
2) Aucune des caractéristiques de l'image primitifs tels que l'intensité, le mouvement, le bord, et l'obscurcissement caractérise la fumée bien.
3) motif visuel de la fumée est difficile à modéliser.
Techniques existantes
Récemment, plusieurs méthodes de la vidéo capturée en spectre visible de détection de fumée ont été proposées. Ces méthodes font usage de ces signatures visuelles que le mouvement, le bord, l'obscurcissement, et la géométrie des régions de fumée. Ils utilisent ensuite l'analyse bayésienne, ou une analyse basée sur des règles pour décider si la fumée est détectée.
Les méthodes représentatives sont résumées ci-après:
1. Fujiwara et Terada
[1] a proposé d'utiliser des concepts de codage fractal pour extraire les régions de fumée à partir d'une image. Ils ont utilisé la propriété d'auto-similitude des formes de fumée pour chercher des caractéristiques des régions de fumée dans le code produit par le codage fractal d'une image.
2. Kopilovic et al.
[2] a profité d'irrégularités dans le mouvement en raison de la non-rigidité de la fumée. Ils ont calculé champ de flux optique en utilisant deux images adjacentes, et ensuite utilisé l'entropie de la distribution des directions de mouvement comme un élément clé pour différencier le mouvement de la fumée du mouvement non-fumée.
3. Töreyin et al.
[3] extraits caractéristiques de l'image telles que le mouvement, le scintillement, bord flou pour le segment mobile, vacillante, et les régions de bord de flou à partir de la vidéo. Les méthodes pour extraire ces caractéristiques étaient soustraction de fond, la transformation en ondelettes temporelle, et la transformation en ondelettes spatiale.
4. Vicente et Guillemant
[4] extrait les mouvements locaux de l'analyse de cluster de points dans un espace d'intégration temporelle multidimensionnelle afin de suivre les enveloppes dynamiques locales de pixels, et les caractéristiques puis utilisées de l'histogramme de distribution des vitesses de discriminer entre la fumée et divers phénomènes naturels tels que les nuages et vent ballottés arbres qui peuvent causer de telles enveloppes.
5. Grech-Cini
[5] utilisé plus de 20 caractéristiques de l'image, comme le pourcentage de changement d'image, corrélation, variance, etc., extraite à partir des deux images de référence et des images actuelles, et ensuite utilisé une analyse de règles de première bayésienne-next fondé sur des règles ou méthode pour différencier le mouvement de la fumée du mouvement non-fumée.