تشخیص اشتعال مبتنی بر پردازش تصویر با استفاده از طبقه‌بندی منطق فازی

چکیده

کلید واژه ها

1. مقدمه

2. استراتژی تشخیص

1.2 شناسایی پیکسل

شکل 1. سطح مدل طبقه‌بندی فازی برای شناسایی پیکسل‌های اشتعال-مانند یا آتش-مانند

2.2. پارامتر گسترش فضایی

شکل 2. بخش سطحی مدل فازی برای تایید اشتعال

3.2. تشخیص آتش بر اساس فرکانس

شکل 3. سطح مدل طبقه‌بندی فازی برای تایید آتش

3. تجهیزات تست

1.3. اشتعال‌های مقیاس کوچک

شکل 4. (a): دستگاه تست هنگام تغذیه محفظه با جعبه باز (به ابعاد 100×50×50 cm3)؛ (b) محفظه اشتعال با حجم 2 لیتر [21].

شکل 5. رشته تصاویر از یک اشتعال معمولی ایجاد شده داخل ماکت خودرو؛ دوربین سرعت بالا در خارج ماکت نصب شده است [18].

2.3. سناریوهای واقعی

1.2.3. اشتعال‌های پایه-JP8 در یک مدل مقیاس-کامل از کابین خدمه

2.2.3. آتش ساکن در یک مدل مقیاس-کامل از کابین خدمه

4. تحلیل عملکرد الگوریتم

1.4. اشتعال معیار

شکل 6. سطر اول: رشته اشتعال پایه-پروپان؛ سطر دوم: تقسیم‌بندی اشتعال بوسیله مدل طبقه‌بندی فازی برای شناسایی پیکسل

شکل 7. ارزیابی اشتعال نشان داده شده در شکل 6؛ 900 پیکسل شناسایی شده به عنوان حداقل تعداد.

شکل 8. خروجی مدل طبقه‌بندی فازی برای تایید اشتعال مربوط به شکل 6.

2.4. اشتعال پایه-JP8

شکل 9. سطر اول: سلسله اشتعال پایه-JP8؛ سطر دوم: تقسیم‌بندی اشتعال با استفاده از مدل طبقه‌بندی فازی برای شناسایی پیکسل.

شکل 10. ارزیابی اشتعال نشان داده شده در شکل 9؛ 900 پیکسل شناسایی شده به عنوان حداقل تعداد.

شکل 11. خروجی مدل طبقه‌بندی فازی برای تایید اشتعال مربوط به شکل 9.

3.4. آتش‌ها

1.3.4. آتش بنزین

شکل 12. سطر اول: سلسله اشتعال بنزین؛ سطر دوم: تقسیم‌بندی اشتعال با استفاده از مدل طبقه‌بندی فازی برای شناسایی پیکسل.

شکل 13. ثبت لحظه‌ای تعداد پیکسل‌های شناسایی شده و پارامتر گسترش فضایی (SEP) برای رشته تصاویر آتش بنزین نشان داده شده در شکل 12.

شکل 14. طیف فرکانسی (2048 نقطه داده) تعداد پیکسل‌های شناسایی شده برای آتش پایه-بنزین نشان داده شده در شکل 12؛ دامنه به مقدار حداکثر جهش نرمالیزه شده است.

شکل 15. نسبت دامنه و خروجی مربوط به مدل طبقه‌بندی فازی برای تایید آتش مربوط به شکل 12.

2.3.4. آتش n-هپتان

3.3.4. آتش گازوئیل

4.3.4. آتش اتانول

5.3.4. آتش JP8

شکل 16. طیف فرکانسی (2048 نقطه داده) تعداد پیکسل‌های شناسایی شده برای: (a) آتش پایه-n-هپتان؛ (b) آتش پایه-گازوئیلی؛ (c) آتش پایه-اتانول؛ (d) آتش پایه-JP8.

4.4. منابع مزاحم

5. نتیجه‌گیری

تشخیص اشتعال مبتنی بر پردازش تصویر در حال حاضر یک روش بدیع با پتانسیل قابل ملاحظه برای توسعه است. بعلاوه، این تکنولوژی می‌تواند جایگزین سنسورهای متداول مادون قرمز فوتودیود-محور شده و در جلوگیری از حوادث تونل یا سوانح در تجهیزات شیمیایی، قابلیت اطمینان بیشتری داشته باشد. سیستم‌های فعلی تشخیص اشتعال فقط سیگنال شناسایی را بدون هیچ اطلاعات اضافی درباره عامل شروع ارائه می‌دهند. همچنین این سیستم‌ها قادر به تمایز بین یک اشتعال خطرناک با یک فرایند کم خطر آتش-مانند نیستند. این مقاله یک الگوریتم دو مرحله‌ای برای تشخیص اشتعال جهت بدست آوردن این اطلاعات ارزشمند ارائه می‌دهد. مرحله اول، پیکسل‌های اشتعال-مانند یا آتش-مانند را بوسیله مشخصات رنگ و رفتار شدت دینامیکی آنها شناسایی می‌کند. مرحله بعدی، گسترش لحظه‌ای پیکسل‌های مورد نظر را با استفاده از یک پارامتر گسترش فضایی (SEP) معین ارزیابی می‌کند. به موازات این، تغییرات نوسانی در تعداد پیکسل‌های شناسایی شده در طی زمان به حوزه فرکانسی انتقال داده می‌شود. تحلیل طیف فرکانسی، شناسایی آتش بوسیله فرکانس لرزش معمول آن را آسان می‌سازد. روش شناسایی پیشنهادی از طبقه‌بندی منطق فازی برای هر مرحله بهره می‌برد. بنابراین به هیچ آستانه استاتیکی نیاز نیست و این مساله باعث می‌شود انتخاب‌های بیشتری به منظور افزایش انعطاف‌پذیری این الگوریتم در دسترس باشد. در نهایت، کل الگوریتم در سناریوهای واقعی مختلف و با تمرکز روی اشتعال‌ها تست گردید. به عنوان یک نتیجه کلی از تست‌های عملکردی، این الگوریتم قادر به تشخیص و برقراری تمایز بین اشتعال‌ها و آتش‌ها با دقت بالا است. بعلاوه، گسترش فرایندهای احتراقی شناسایی شده بطور کمّی توضیح داده شده است.

تشخیص اشتعال یک حوزه بسیار خاص در موضوع وسیع تشخیص فرایندهای احتراقی است. بر خلاف تشخیص آتش که یکی از کاربردهای پراستفاده‌ی تشخیص است، سیستم‌های فعلی تشخیص اشتعال عمدتاً روی شناسایی سریع خطر تمرکز دارند. این مساله بدین معنی است که اشتعال‌ها باید در مراحل اولیه و قبل از اینکه به حد خطرناک برسند تشخیص داده شوند. در نتیجه هر اندازه اشتعال سریع‌تر تشخیص داده شود، شانس جلوگیری از اثرات بعدی نظیر افزایش سریع فشار یا دماهای بالا بیشتر خواهد بود. تشخیص اولیه یک اشتعال در حال گسترش، بوسیله فوتودیودهای مادون قرمز ساده همراه با فیلترهای طول موج انجام می‌شود که امکان نظارت بر تشعشع محصولات احتراقی هیدروکربن-محور را فراهم می‌کند. سنسورهای فوتودیود-محور قادر به تشخیص اشتعال‌ها در 10 ms هستند که زمان کافی برای از بین بردن آنها است. با این وجود بعلت نیاز به سرعت تشخیص بالا، سایر ویژگی‌های واقعه نظیر مقیاس، خطر یا مکان نادیده گرفته می‌شود. سیستم‌های کنونی تشخیص اشتعال فوتودیود-محور بیشتر برای کاربردهای خاص نظارتی در اتاق‌های کوچک (بطور مثال در تولید مواد انفجاری) استفاده می‌شود. یک مثال از این کاربرد، تشخیص‌گر دیجیتال فوق سریع آتش و شعله است که انرژی تابشی را در طیف‌های ماوراء بنفش، قابل مشاهده و مادون قرمز حس کرده و توسط یک الگوریتم مبتنی بر میکروپروسسور پشتیبانی می‌شود [1]. کاربرد دیگر تشخیص‌گرهای اشتعال، نظارت بر کابین خدمه در خودروهای نظامی است. در هنگام حمله، سربازان داخل خودرو در یک خطر بالا از نظر آسیب‌های ناشی از اشتعال هستند. تشخیص‌گرهای اشتعال همراه با یک سیستم آتش خاموش‌کن می‌تواند رفع اشتعال را در 150 ms تضمین کند [2]. با این وجود بسیاری از منابع بالقوه مزاحم در داخل خودرو می‌تواند منجر به هشدارهای اشتباه شده و باعث فعال‌سازی ناخواسته‌ی سیستم آتش خاموش‌کن (که برای مواقع ضروری لازم است) گردد. بنابراین، قابلیت اطمینان تشخیص اشتعال حداقل به همان اندازه سرعت تشخیص، اهمیت دارد. یک فرایند تشخیص قابل اطمینان شامل توانایی تمایز بین فرایندهای خاص احتراقی و نادیده گرفتن منابع بالقوه مزاحم است. تشخیص‌گرهای فوتودیود-محور بعلت مود فعالیت خود قادر به تمایز بین یک اشتعال خطرناک و یک فرایند آتش-مانند کم خطر نیستند. هر دو رویداد باعث انتشار تشعشع در طول موج نظارتی می‌شوند و برای تشخیص‌گر بسیار دشوار است که بین فرایندهای احتراقی و منابع مزاحم نظیر جوشکاری، آتش کبریت یا سیگار تمایز قائل شود. اطلاعات دیگری نظیر تمایز بین خطرات شناسایی شده، محل و ابعاد آن کمک خواهد کرد تا از هشدارهای اشتباه جلوگیری شود و کارایی فرایندهای دفع حریق بهبود یابد. کارایی عوامل رفع آتش غیرشیمیایی بویژه اندازه بهینه‌ی قطرات بخار آب بطور بخشی وابسته به اندازه بالقوه‌ی آتش است [3]. در نتیجه، اطلاعات اضافی تامین شده توسط تشخیص‌گر نظیر میزان خطر می‌تواند در جایگزینی کامل عوامل فعلی غیرشیمیایی دفع حریق با عوامل سازگار با محیط زیست نظیر عوامل مبتنی بر بخار آب کمک کند. برای تامین اطلاعات بیشتر، یک روش بینایی-محور برای تشخیص اشتعال یک جایگزین جدی برای سیستم‌های فوتودیود-محور متداول است. استفاده از روش‌های پردازش تصویر برای تشخیص آتش قبلاً یک روش اثبات شده برای حداقل دو دهه بوده است [4]. بسیاری از روش‌های تشخیص آتش عمدتاً بر اساس ویژگی‌های رنگی معمولی آتش و حرکت آتش یا شعله هستند [5]. یکی از اولین روش‌های پردازش تصویر برای تشخیص آتش توسط Healey و همکاران [4]، آتش را با نشانه‌گذاری دستی منطقه آتش-رنگ با یک مستطیل تشخیص می‌دهد و در یکی از آخرین این روش‌ها، از ویژگی‌های رنگی آتش برای شناسایی پیکسل بهره برده می‌شود [6]. این مساله نشان می‌دهد که رنگ با فاصله بسیار همچنان یکی از قابل اعتمادترین ویژگی‌های آتش است و منجر به نتایج موفقیت‌آمیز برای تشخیص می‌شود. فضاهای رنگی که معمولاً استفاده می‌شوند، فضای رنگ شناخته شده‌ی RGB، فضای رنگ YCbCr که موجب تسهیل در تمایز بهتر درخشندگی از رنگ‌تابی می‌شود، و فضای رنگ HIS/HSV برای استفاده مجزا در اشباع و شدت است [5]. بسیاری از روش‌های قاعده-محور از هیستوگرام هموار شده گاوسی برای تشخیصپیکسل‌های آتش-رنگ بهره می‌برند [7]. مدل‌های آماری رنگ [8] یا قواعد ساده تصمیم‌گیری مبتنی بر روابط بین کانال‌های مجزای رنگ نیز معمولاً مورد استفاده قرار می‌گیرند [9]. پس از تشخیص موفقیت‌آمیز پیکسل‌های آتش-رنگ، روش‌های دیگری مورد استفاده قرار می‌گیرد تا ناحیه پیکسل انتخاب شده، به عنوان آتش تایید گردد. یک روش، اندازه‌گیری نامنظمی آتش است [10]. در این روش، اختلاف کمیت پیکسل شعله بین دو فریم متوالی ارزیابی شده و با یک مقدار آستانه که بطور تجربی تعیین شده مقایسه می‌شود. روش دیگر، برسی نرخ رشد تعداد پیکسل‌های آتش است [9]. این روش امکان ارزیابی افزایش آتش و خودکارسازی فرایند تشخص آتش را فراهم می‌سازد. حرکت یا رفتار لحظه‌ای یک آتش را حتی می‌توان یک ویژگی بسیار مهم برای آتش دانست. حرکات را می‌توان در دو مقیاس میکروسکوپی و ماکروسکوپی از هم متمایز کرد. حرکات میکروسکوپی به تغییر مقدار هر پیکسل اشاره دارد، یعنی آتش متحرک را می‌توان با تحلیل تغییر درخشندگی پیکسل [11] یا شدت پیکسل [12] از پس‌زمینه خود جدا کرد. این روش‌ها برای شناسایی پیکسل‌های بالقوه‌ی آتش مورد استفاده قرار می‌گیرند. حرکت ماکروسکوپی، تغییر کل آتش یا شعله را توصیف می‌کند. همانطور که در Hamins و همکاران [13] ارائه شده، آتش یا شعله در یک محدوده فرکانسی خاص (1 تا 10 هرتز) که فرکانس لرزش نامیده می‌شود، تکان می‌خورند. روش‌های تشخیص آتش مبتنی بر این شناخت، تغییرات لحظه‌ای شکل آتش را با استفاده از موجک [12] یا تبدیل فوریه [14] به یک طیف فرکانسی تبدیل می‌کنند. اگر فرکانس‌های حاصله در محدوده لرزش باشند، ناحیه پیکسل به عنوان آتش یا شعله در نظر گرفته می‌شود. تحلیل نتایج تشخیص توسط طبقه‌بندی فازی، شبکه‌های عصبی مصنوعی یا ترکیبی از این دو انجام می‌گیرد [15]. این روش‌های به اصطلاح هوشمند یک سیستم تشخیص آتش خودکار را ارائه می‌دهند که در آن می‌توان از شناخت بشر درباره طبقه‌بندی آتش استفاده نمود. با این وجود، تشخیص تصویر-محور اشتعال نیاز به الگوریتم‌هایی دارد که روی ویژگی‌های اشتعال تمرکز داشته باشند. بعلاوه، روش‌های اخیر برای تشخیص آتش مبتنی بر الگوریتم‌های زمان‌بر نظیر چندین تبدیل بین فضاهای متفاوت رنگ و تحلیل‌های پیشرفته فرکانسی هستند. بنابراین احتمال بالایی دارد که زمان تشخیص بطور قابل ملاحظه‌ای بیشتر از حداقل زمان 15 ms شود. همچنین بسیاری از این الگوریتم‌ها فرض می‌کنند که آتش به تدریج رشد می‌کند. این مساله ممکن است درباره گسترش یک اشتعال درست نباشد. بنابراین، الگوریتم‌های متداول تشخیص-آتش برای تشخیص اشتعال مناسب نیستند [16].