当前位置:首页 > 新闻 > 正文

基于人工智能的烟火识别技术在秸秆禁烧中的应用

发布时间: 2019-02-25 16:55   作者: 王叶青、马亮   来源: 人工智能杂志

  中国生态环境部(原中国环境保护部)曾分析指出大面积焚烧秸秆是造成空气污染的主要原因,并多次强调秸秆禁烧的管控问题。本文围绕秸秆禁烧场景的需求,介绍了当前在秸秆禁烧中常用的监控手段,并重点介绍了一种基于人工智能的烟火识别技术的原理、优势与现场部署要求。文章就一些具体的部署实施案例,对基于人工智能的烟火识别技术在秸秆禁烧的实施中所遇到的问题及实施效果进行了分析和展示,并给出了该技术在秸秆禁烧项目中的执法闭环。基于人工智能的烟火识别技术实现了对秸秆禁烧与森林防火的低成本、可靠、自动的监测,为秸秆禁烧和森林防火自动化监测的大规模部署提供了有益的探索。

  近年来,环境保护越来越受到重视。中国生态环境部(原中国环境保护部)曾分析指出,大面积焚烧秸秆是造成空气污染的主要原因。秸秆在田间焚烧产生大量浓重的烟雾,不仅成为农村环境保护的瓶颈问题,而且成为殃及城市环境的一大因素,甚至酿成过严重的后果。

  本文研究通过人工智能技术,针对涉农区域秸秆、垃圾、杂草、落叶的违法露天焚烧行为,对远距离的烟与火进行智能识别并自动告警。

  一、秸秆禁烧监控的现状

  在现阶段,烟火智能识别基本都是采用视频监控来采集前端视频的方式,借助影像中的烟雾、起火识别技术识别烟火。就核心技术而言,业界常见的识别方式有四种,分别为:红外热成像双通道摄像头、视频流动态分析、图片差分比对和one-shot单张静态图片识别。

  红外热成像双通道摄像头方案

  热成像双通道摄像头的硬件由红外温感摄像头和自然光呈像摄像头构成。其中,红外温感摄像头负责检测起火导致的显著高温目标,再辅以自然光呈像摄像头图片特征来判定是否有起火现象。该方式传统上多用于森林防火场景,其核心优势是:一般情况下,对火的高温现象响应较好。在大片森林应用场景中一定距离尺度上的初期起火,火情可能被树木、枝叶稀疏遮挡。此时,可见光摄像头可能还能看到烟和火的画面。

  热成像双通道摄像头除了价格高(一般为可见光摄像头价格的数十倍,根据检测距离差异甚至可达到其价格的近百倍)的商业因素外,也存在一些技术限制:

  1. 镜头遮挡障碍:当红外热成像摄像头被一张A4纸挡在前面时,它很难有效识别火情。

  2. 遮挡、发射衰减障碍:同样,当一张A4纸或一堵墙挡在火源前时,红外热成像摄像头也很难识别火情。

  3. 大气衰减障碍:红外辐射受大气影响。空气中的水蒸气、二氧化碳、臭氧都会对红外辐射有吸收效应。因此,严格来讲,热成像双通道摄像头达到较为精确的测温是有天气条件要求的(例如:晴天、湿度低、污染度低)。

  4. 距离衰减障碍:温度测量跟距离远近也有较强的关系。例如,同样是800度的两个火源,在100米和200米的距离上用红外热成像摄像头测得的温度是不同的。50米处的一辆汽车的温度测量值可能和几百米外的火的温度测量值是类似的。相同的热源在离红外热成像仪的探头远近不同时感应到的温度也不同,从而无法设置有效的阀值,导致漏报误报。因此,红外摄像头的使用场景一般也会界定在最佳探测距离内。

  就烟火识别防燃场景而言,热成像摄像头还存在时效性较弱的问题。根据商用运行系统随机抽样2000张真实报警记录的分析挖掘,仅有烟而没有火的告警图片共有1989张,既有烟也有火的告警图片有11张,由火导致的秸秆和森林燃烧告警仅占0.5%。事实上,在大面积农田区域及森林面积区域中,秸秆和森林树木燃烧的早期可见现象均为烟雾,等见到火时,事态已经较为严重了。因此,仅仅依赖对火的检测来实现烟火识别预警,大幅降低了早期预警的实际意义。

  视频流动态分析方案

  热成像摄像头是针对起火检测,而不是烟。但烟火识别防燃的主要防范场景在于烟,而不是火。因此,起火检测只是秸秆和森林防燃预警的一小部分。这降低了热成像摄像头方案的有效性。那么,是否有其他识别技术能够有效检测烟雾和起火的场景呢?

  早期的图像识别技术多以特征描述的方式来解决问题。从直观上看,烟和火都存在一定的运动特征——类似飘动、晃动、扩散等现象。于是,产生了与其对应的基于视频流的特征描述识别方案。其基本原理是:借助视频编码技术中的变化区域(或自行解码计算变化区域),试图提取烟火的运动模型,从而实现烟火检测。不同厂家的技术差异在于采用哪种方法进行运动建模。这种方案的优点是考虑了烟和火的变化特征,从而使得对烟和火的识别和检测成为可能,部分填补了红外摄像头烟感能力弱的空白。之所以说“部分填补”,是因为烟火运动建模普遍存在以下问题:

  1. 一般建模都是以缓慢运动模型(飘动、晃动、扩散)为基础。这种方法可以避免对类似的快速运动物体(行驶车辆等)的误检测,但是对于缓慢运动的目标误报明显(例如:树头随风摇晃、光影变化等)。

  2. 在烟火识别场景中,早期起烟都较小、较弱,人眼不一定能看出明显晃动。因此,对小烟、薄烟的检测均存在缺陷。

  3. 视频解决方案需要大量的服务器资源(抛开算法自身,仅视频解码就需要较多的服务器资源)、带宽资源支撑,规模化商用的硬件成本和运营成本均大幅增加。普遍的视频解决方案中,一台服务器可支撑30路左右的摄像头。

  4. 检测时间长,检测期间占用服务器资源多。运动检测需要以连续一段时间的视频流作为参考,因此识别时间均较长,具体情况视各自算法而异。

  图片差分对比方案

  从以上分析中已知,在视频流动态分析方案中,服务器、带宽资源消耗过高。因此有厂商提出对应的解决方案,即通过图片差分对比的方式来实现烟火检测。实际上,该方案的思路是:既然视频流的运动模型和特征检验需要长时间视频流前后帧之间的图片来进行建模,从而导致了资源消耗过高,那么是否能够只通过对视频流中的部分帧进行抽样,从而降低消耗,节省资源,并且也能达到可对比的识别效果。

  该方案的一般结果只能解决视频流动态分析方案中资源消耗的问题,对于中小烟、误报等问题依然无法解决。就识别能力而言,该方案还存在着摄像头震动、树叶飘落、人员走动等易造成误报的场景。

  One-shot单张静态图片识别方案

  试想一下,如果从某一张较为清晰照片中就可以一目了然地看到里面是否有烟,是否有火,不需要再看第二眼——这就是one-shot单张静态图片识别能力。

  二、烟火识别智能预警系统技术方案

  随着近年来人工智能技术的突破性进展,针对烟、火检测识别技术,one-shot单张静态图片识别技术已经成为可能。这种方案较好地解决了以上方案存在的问题。然而,将这种技术高精度地应用到秸秆和森林防燃预警场景中,还存在一些关键技术需要解决。本部分将重点介绍大唐移动烟火识别平台中采用的技术与方案。

  基本原理

  图像识别的实现方式有不同技术路线,例如,热成像的方式价格贵,在大片森林应用场景中一定距离尺度上的初期起火,火可能被树木、枝叶稀疏遮挡;基于视频流的动态分析方法需要大量的服务器资源和网络带宽作为支撑,不利于大规模推广;而基于单张静态图片识别技术的one-shot识别方法,由于通过单张图片来识别,大大减少了对服务器和网络带宽的要求,成本也更经济。但因为单张静态图片缺少了视频流前后帧的相关性参考,所以对厂商的技术能力提出了较高的要求。

  智能图像识别算法的主要模块及流程如图1所示。其中涉及到的关键技术包括:抖动、平移、偏转不变性算法(图像预处理);小微烟火检测、甄别(特征提取);区域位置回归与精修算法(区域提取);多目标并发检测(目标分类)。

  抖动、平移、偏转不变性(图像预处理技术)

  针对视频监控系统的图像识别技术往往会受到摄像头抖动、偏移、光照条件等因素的干扰。为保证算法的稳定性、普适性和强大的模型泛化能力,算法对摄像头抖动、平移、偏转应该具有极强的鲁棒性。这可以依托专利技术2015**400389.3中的算法来实现。通过对输入图片进行一系列变换, 将待处理的原始图像转换成相应的归一化形式,使得图像对平移、旋转、缩放等仿射变换具有不变特性。

  小微烟火检测、甄别(特征提取技术)

  特征提取算法的实现,是通过预训练好的模型应用深度神经网络来分层抽取图像特征(包括卷积、线性整流和池化等不同层的交替输出图像的特定特征)。利用权值矩阵作为从原始图像矩阵的数千个特征中提取某些特征的过滤器(例如,一个权值组合用来提取边缘信息,另一个用来提取特定颜色,下一个用来提取过渡特征等),并对不需要的噪点进行模糊化弱化处理。

  特征提取模块的关键技术是小微烟火特征。对于小微烟火的检测能力越强,意味着能够越早感知火灾隐患。在高清画质的图像中如何正确、有效地提取小微目标特征对于早期预警意义重大。依托专利技术2017**797182.3,通过已有的海量小微烟、火图片特征,采用分布参数拟合方法及贝叶斯优化技术,极大地提高了小微目标的识别能力。

  增量自学习(持续优化技术)

  在系统的实际使用过程中,会积累更多有效的场景数据。这些数据对于算法的持续优化有着重要价值。然而,持续优化一般都需要重新训练算法,这需要耗费极多的计算时间和算法资源。如果能够实现增量式学习,即在现有算法模型基础上,只对新增的数据样本进行优化训练,而无需从头训练所有数据,则会对算法持续优化产生很大的帮助。本方案依托专利技术2015**400389.3的动态剪枝方法,结合迁移学习方法进行增量式学习,并已经得到成功的商用验证。

  One-shot单张图片识别能力包括烟雾检测识别和火焰检测识别。

  系统总体设计要求

  烟火识别智能预警系统是依托视频监控系统的上层人工智能技术的典型应用。为最大化利用客户已有资产、设备和投资,图像识别预警系统采用松耦合设计原则:无论是用户现有的视频监控系统还是拟新建系统,只要产品符合国家规范,图像识别系统均支持无缝对接。

  其交互逻辑如图3所示。图像识别预警系统为新增独立功能模块,为行业应用大数据平台提供数据交换接口,而原有的视频监控功能不受其影响。

  系统拓扑结构

  系统组成

  秸秆禁烧数字化监控系统由前端系统、传输网络、用户监控平台和云端图片识别中心四个部分组成,相互衔接、缺一不可。

  (1)前端系统

  前端系统主要通过部署高清红外球型摄像机,利用30米-50 米的高点位资源来实现稳定的不间断监控。高清红外球型摄像机主要用于前端视频监控的图像采集,同时设置多个预置位,对预置位进行定时抓拍,并分别将图像及抓拍图片上传至用户监控中心和云端图片识别中心。

  (2)传输网络

  传输网络起到连接前端和平台的桥梁作用,也是系统关键的部分。其性能直接决定着系统监控中心的图像和数据质量。本方案中的传输网络确定为运营商专线网络。系统涉及的点位众多,且分布比较广,根据实际需要租用带宽,形成监控专用网络。

  前端摄像头点位和中心平台,各需租用至少3M带宽以保证视频和图像效果。网络可以以流量卡、VPN或运营商专线的方式实现,建议采用VPN或是专线。

  (3)用户监控平台

  监控平台设置在沈阳市环境保护局,通过对网格元管理人员的权限设置,接收由所辖区域上报的图像及告警信息,满足用户视频图像查看和设备控制的需求,同时也将相关的图像等信息提供给上级监控平台。

  监控平台设备包括视频录像存储设备、显示控制设备、工作站等。

  (4)云端图片识别中心

  作为整个系统的中枢识别环节,云端图片识别中心至关重要。它会通过AI技术对每张图片进行高速算法分析。采用云端算法分析,有效地节省了用户对识别服务器的硬件投入。

  前端摄像机抓拍的图片将会上传至云端图片识别中心,由云端高性能识别服务器对每张预置位抓拍的图片进行单张图片的烟火分析。如果识别为存在烟火现象的图片,会再次传送到用户监控中心,在用户端进行告警。

  中心处理人员配置

  由于站点数量较多,监控管理中心需要及时处理烟火报警的真实性问题。建议在中心配置1名执法人员,在线判断火情真实性,并及时与负责每个站点的指定执法人员保持联系,确保站点执法人员的现场处理工作。

  以上内容精选于《人工智能》杂志第八期

  本文作者

  

  欲阅读完整文章,可通过以下方式购买《人工智能》杂志!

  订阅2019年《人工智能》杂志6期共计360元

  银行转账:北京赛迪出版传媒有限公司

  开户行及账号:中国建设银行股份有限公司北京紫竹桥支行11050170560000000152

  银行转账,请备注:人工智能

  接收详细信息请发到:aiview@ccidmedia.com;或是添加客服微信:13601092749

收藏