一种基于长短期记忆模型的火焰探测方法及装置与流程

1.本发明属于检测分析领域，具体涉及火焰探测领域，特别涉及一种基于长短期记忆模型的火焰探测方法及装置。


背景技术：

2.随着人们生活质量的提高，安全生产变得尤为重要，火焰探测器在日常生活、生产中应用越来越多。火焰探测器是一种检测燃烧室或燃烧器火焰强度的装置，主要由探头和信号处理器两部分组成，输出表示火焰强度的模拟量信号、表示有无火焰的开关量信号和(或)表示火焰强度的视频信号。火焰探测器分为紫外光火焰探测器、红外光火焰探测器和可见光火焰探测器。根据火焰的光特性，使用的火焰探测器有三种：一种是对火焰中波长较短的紫外光辐射敏感的紫外探测器；另一种是对火焰中波长较长的红外光辐射敏感的红外探测器；第三种是同时探测火焰中波长较短的紫外线和波长较长的红外线的紫外/红外混合探测器。火焰探测器在工业生产和生活中已经得到广泛应用，热释电红外传感器、紫外传感器先后得到应用，并互相融合。
3.火灾初期开始火焰燃烧表现出特有的特征，即火焰中含有肉眼无法辨别的不同波长的紫外线和红外线。算法大都采用阈值法结合与或关系的融合策略，性能强于单一传感器，但简单的线性分类和融合策略并未完全发挥出红紫外传感器结合的优势，火焰探测算法上仍有巨大的进步空间。
4.长短期记忆模型(long
‑
short term memory)是一种特殊的循环神经网络(rnn)模型，是为了解决rnn模型梯度弥散的问题而提出的；在传统的rnn中，训练算法使用的是bptt(back
‑
propagation through time)算法，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出rnn的长期记忆的效果，因此需要一个存储单元来存储记忆，因此lstm模型被提出。本发明一种基于长短期记忆模型的火焰探测方法及装置，成功解决了现有火焰探测中存在的这些缺陷，可以给社会带来了安全、可靠、准确的质量保证。


技术实现要素：

5.本发明为了有效地解决以上技术问题，提供了一种基于长短期记忆模型的火焰探测装置，其特征在于，包括三通道红外传感器，紫外传感器、放大电路、a/d采样芯片、控制器；所述三通道红外传感器信号通过所述放大电路、a/d采样芯片实现信号放大和模数转换后，通过所述控制器实现数字滤波、三通道红外传感器信号特征提取、归一化处理、建立长短期记忆模型输出结果；所述紫外传感器通过所述控制器实现紫外传感器信号特征提取、归一化处理、建立长短期记忆模型输出结果。
6.另一方面，本发明还提供了一种基于长短期记忆模型的火焰探测方法，其特征在于，使用所述基于长短期记忆模型的火焰探测装置，按照以下步骤进行：
7.步骤一：收集火焰样本和各种类型干扰源样本，组成火焰样本集和干扰源样本集；
8.步骤二：三通道红外传感器信号特征提取和紫外传感器信号特征提取，并将所述
三通道红外传感器信号和紫外传感器信号均进行归一化处理，所述三通道红外传感器信号特征提取步骤为先进行傅里叶变换，后进行主元分析，所述紫外传感器信号特征提取为计算紫外脉冲总数、平均密度、最大值；
9.步骤三：建立长短期记忆模型并输出，利用循环神经网络记忆之前的输入信息，对本次输出结果产生影响，对火焰样本信号中微弱部分结合历史信息做出判断，使用遗忘门、输出门、输入门公式相结合实现长短期记忆模型的遗忘、记忆功能，所述长短期记忆模型结构主要包括以下公式：
10.遗忘门公式为f
t
＝f
sigmod
(w
xf
x
t
w
hf
h
t
‑1 b
f
)，公式中，f
t
为遗忘门输出，w
xf
为遗忘门输入连接矩阵，w
hf
为遗忘门状态连接矩阵，b
f
为遗忘门阈值，所述遗忘门是由于激活函数f
sigmod
输出0～1从而实现旧状态的遗忘；
11.输出门公式为o
t
＝f
sigmod
(w
xo
x
t
w
ho
h
t
‑1 b
o
)，h
t
＝o
t
*f
tanh
(c
t
)，公式中，o
t
为输出门输出，w
xo
为输出门输入连接矩阵，w
ho
为输出门状态连接矩阵，b
f
为输出门阈值，所述输出门负责过滤、输出；
12.输入门公式为c
t
＝f
t
*c
t
‑1 i
t
*f
tanh
(w
xc
x
t
w
hc
h
t
‑1 b
c
)，
13.i
t
＝f
sigmod
(w
xi
x
t
w
hi
h
t
‑1 b
i
)，公式中，x
t
为当前模型输入，h
t
、h
t
‑1为当前和上一次模型状态，c
t
为模型状态矩阵，f
t
为遗忘门输出，c
t
‑1为模型上一时刻状态矩阵，i
t
为输入门局部参数，w
xc
、w
hc
、w
xi
、w
hi
为输入门局部连接矩阵，b
c
、b
i
为输入门局部阈值，所述输入门决定让多少新输入加入新状态；
14.f
sigmod
和f
tanh
为两种激活函数：和其中z为激活函数的输入，sigmod和tanh两种激活函数使循环神经网络具有非线性拟合能力；
15.步骤四：测试结果。
16.进一步的，所述步骤一还包括，火焰样本种类包括氢火、汽油、正庚烷、甲醇、煤油、蜡烛、打火机、纸张；干扰源样本种类包括白炽灯、日光灯、荧光灯、卤素灯、钨丝灯、金卤灯、钠蒸汽灯、汞蒸汽灯、led灯、摄影大灯、电弧焊、阳光直射反射；分别将不同种类火焰样本和干扰源样本跟火焰表不同距离、不同相对角度进行组合，录制若干组数据。
17.进一步的，所述步骤二中傅里叶变换为，设采样频率为f
s
，傅里叶变换时间窗为t
window
，则离散傅里数据长度为n1＝f
s
*t
window
，所述三通道红外传感器和紫外传感器的通道离散信号记为ir
bj
和uv
j
，角标b∈{1、2、3}表示红外第几通道，时序角标j∈{1、2、...、n1}，根据公式公式中g为累加中用的字母无实际意义，j代表复数，e为指数，h为频域内的第h个点；由于频域最小分辨率为f
s
/n1，设|f(0)|为傅里叶变换后第一个点，则|f(0)|对应直流分量，|f(1)|对应频域f
s
/n1幅值，对所述三通道红外传感器信号分别处理，去除直流分量和对称数据，三通道红外传感器特征总数量为n2个，n2＝3*n1/2，记为
18.进一步的，所述主元分析流程为，设傅里叶变换后的特征样本集为n为傅里叶变换后特征样本数量，n2为特征数量，
19.(1)中心化处理，即x
i
＝x
i
‑
e(x)，i＝1、2、...、n，公式中，x
i
为1
×
n2的特征样本点，e(x)为特征样本集x的均值1
×
n2；
20.(2)计算协方差矩阵，即上角标t为矩阵转置符号；
21.(3)根据(2)计算出的协方差矩阵计算协方差矩阵的特征值和特征向量
22.(4)对特征值从大到小的排序对应特征向量为选择对应特征向量组成变换矩阵。
23.进一步的，所述步骤二中主元分析，取w个主元，则此时贡献率为g为累加中用的字母无实际意义，对应变换矩阵为提取特征为当贡献率取99％时，对红外频域幅值特征作进一步的特征提取，归一化后作为长短期记忆模型红外传感器特征部分的训练样本集。
24.进一步的，所述紫外传感器信号特征提取流程为，紫外传感器信号特征提取共计三个特征作为模型输入的紫外传感器信号特征部分，所述紫外脉冲总数公式为所述平均密度公式为所述最大值公式为上述式子中除以一个常数β，β＝256，保证紫外传感器信号特征feature
uv
∈[0，1]，达到归一化效果，公式中count_nonzero为1至n1个紫外脉冲信号中非零的数量。
[0025]
进一步的，所述紫外传感器信号特征提取，设算法模型输入的时间窗留有更改接口，根据实际情况选择，重视报警灵敏度可设时间窗较短，重视火焰探测器抗干扰能力则可设时间窗较长，所述时间窗的设置长度为报警的延时时长。
[0026]
进一步的，所述步骤三，按照如下流程进行：
[0027]
(1)采用公式实现长短期记忆模型隐层神经元数目，并对α网格寻优选择最佳hide_len，其中，input_len为模型输入数量，output_len为模型输出数量，hide_len为隐层神经元数目；所述网格寻优为，所述α选择1
‑
10，训练好模型后看交叉测试精度，选择精度最高时对应的α；
[0028]
(2)输出结果，长短期记忆模型输出层，输出为火与干扰源二分类，设t时刻模型输出y
t
＝[y
t1
，y
t2
]，采用softmax变换输出]，采用softmax变换输出公式中，y
t1
为火焰输出，y
t2
为干扰源输出，所述softmax激活函数为所述长短期记忆模型预测火焰与干扰源的概率。
[0029]
进一步的，所述三通道红外传感器信号滤光片波长优选为，人工热源干扰检测通道选择3.8um、背景干扰检测通道选择5.0um；火焰检测通道分为氢火焰检测通道和非氢火焰检测通道，所述氢火焰检测通道选择2.95um，所述非氢火焰检测通道选择4.4um。
[0030]
本发明的有益效果是：
[0031]
(1)本发明的一种基于长短期记忆模型的火焰探测方法及装置，对现有火焰探测算法进行了突破，解决了传统的火焰探测器算法大都采用阈值法结合与或关系的融合策
略，性能强于单一传感器，但简单的线性分类和融合策略并未完全发挥出红紫外传感器结合的优势等问题。
[0032]
(2)本发明的一种基于长短期记忆模型的火焰探测方法及装置，对火焰探测算法做了进一步改进，解决了现有火焰探测中存在的这些缺陷，可以给社会带来了安全、可靠、准确的质量保证。
[0033]
(3)相比与传统的bp神经网络只和当前输入有关，本发明的循环神经网络(rnn)能够记忆之前的输入信息，对本次输出结果产生影响，对火焰信号中微弱部分，结合历史信息仍能够做出最佳的判断，可以缓解梯度消失问题。
附图说明
[0034]
为了更好地表达本发明的技术方案，下面将对本发明的进行附图说明：
[0035]
图1实施例一系统框图；
[0036]
图2实施例二方法流程图；
[0037]
图3实施例二实时采样软件信号显示图；
[0038]
图4实施例二火焰样本和干扰源样本种类表；
[0039]
图5实施例二三通道红外传感器信号特征提取流程图；
[0040]
图6实施例二循环神经网络隐藏层映射图；
[0041]
图7bp神经网络与长短期记忆模型测试结果对比；
[0042]
附图标号说明：1、三通道红外传感器，2、紫外传感器，3、放大电路，4、a/d采样芯片，5、控制器，51、数字滤波模块，52、傅里叶变换模块，53、主元分析模块，54、三通道红外传感器信号归一化模块，55、长短期记忆模型模块，56、紫外传感器信号特征提取模块，57、紫外传感器信号归一化模块。
具体实施方式
[0043]
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
[0044]
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0045]
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
[0046]
实施例一参阅图1，一种基于长短期记忆模型的火焰探测装置，包括三通道红外传感器(1)、紫外传感器(2)、放大电路(3)、a/d采样芯片(4)、控制器(5)；三通道红外传感器(1)信号通过放大电路(3)、a/d采样芯片(4)实现信号放大和模数转换后，通过控制器(5)中的数字滤波模块(51)、傅里叶变换模块(52)、主元分析模块(53)、三通道红外传感器信号归
一化模块(54)、长短期记忆模型模块(55)实现数字滤波、三通道红外传感器信号特征提取、归一化处理、建立长短期记忆模型输出结果；紫外传感器(2)通过控制器(5)中的紫外传感器信号特征提取模块(56)、紫外传感器信号归一化模块(57)、长短期记忆模型模块(55)实现紫外传感器信号特征提取、归一化处理、建立长短期记忆模型输出结果。a/d采样芯片(4)采用ads1115，控制器(5)采用stm32f429。
[0047]
相比与传统的bp神经网络只和当前输入有关，循环神经网络(rnn)的结构参见图6，能够记忆之前的输入信息x
t
，对本次输出结果h
t
产生影响，对火焰信号中微弱部分，结合历史h
t
‑1仍能够做出最佳的判断。长短期记忆模型是在循环神经网络基础上对循环层的一种改进，可以缓解梯度消失问题。长短期记忆模型在语音识别、自然语言处理方面应用已经取得不错效果，在火焰探测器仪表方面的应用暂未发现。
[0048]
实施例二参阅图2
‑
6，三通道红外传感器(1)信号滤光片波长优选为，人工热源干扰检测通道选择3.8um、背景干扰检测通道选择5.0um；火焰检测通道分为氢火焰检测通道和非氢火焰检测通道，由于2.95um可以检测h2o红外辐射，从而探测氢火焰；换成4.4um后，可以检测co2红外辐射，从而探测常规火焰，所以氢火焰检测通道选择2.95um，非氢火焰检测通道选择4.4um。
[0049]
一种基于长短期记忆模型的火焰探测方法，使用实施例一中的基于长短期记忆模型的火焰探测装置，按照如下步骤进行：
[0050]
步骤一：收集火焰样本和各种类型干扰源样本，组成火焰样本集和干扰源样本集；火焰样本种类包括氢火、汽油、正庚烷、甲醇、煤油、蜡烛、打火机、纸张；干扰源样本种类包括白炽灯、日光灯、荧光灯、卤素灯、钨丝灯、金卤灯、钠蒸汽灯、汞蒸汽灯、led灯、摄影大灯、电弧焊、阳光直射反射；分别将不同种类火焰样本和干扰源样本跟火焰表不同距离、不同相对角度进行组合，录制若干组数据。
[0051]
数据录制的组数理论上越精细越好。本实施例中，拿正庚烷火焰举例，录制了0度角下5、10、15、
…
、65米样本，左右上下偏15、30、45度角下5、10、
…
米样本，直至火焰信号微弱为止。干扰源(如各种灯、阳光直射等)还需要添加调制，即物理上周期性的对干扰源进行遮挡，调制频率为1～20hz。
[0052]
软件实现数字滤波、傅里叶变换和主元分析特征提取、长短期记忆模型计算输出(判断火警与非火警)。软件方面采用matlab编写ui界面，实时存储和显示当前的三通道红外传感器(1)和紫外传感器(2)信号，界面如图3。
[0053]
步骤二：三通道红外传感器(1)信号特征提取和紫外传感器(2)信号特征提取，并将三通道红外传感器(1)信号和紫外传感器(2)信号均进行归一化处理，三通道红外传感器(1)信号特征提取步骤为先进行傅里叶变换，后进行主元分析，紫外传感器(2)信号特征提取为计算紫外脉冲总数、平均密度、最大值；
[0054]
傅里叶变换为，设采样频率fs＝128hz，傅里叶变换时间窗为t
window
＝2s，则离散傅里数据长度为n1＝fs*t
window
＝256，红外三通道和紫外通道离散信号记为ir
bj
和uv
j
，角标b∈{1、2、3}表示红外第几通道，时序角标j∈{1、2、...、n1}。以红外通道一为例，傅里叶变换过程根据公式公式中g为累加中用的字母无实际意义，j代表复数，e为指数，h为频域内的第h个点，b＝1，由于频域最小分辨率为设|f(0)|为傅里叶
变换后第一个点，则|f(0)|对应直流分量，|f(1)|对应频域0.5hz幅值，以此类推。对所述三通道红外传感器信号分别处理，去除直流分量和对称数据，则三通道红外传感器特征总数量为个红外特征，记为
[0055]
主元分析可以大大降低三通道红外传感器信号特征的维度，从而降低模型参数规模，减轻硬件负荷，提高本发明的火焰探测装置稳定性。设傅里叶变换后的特征样本集为n为傅里叶变换后特征样本数量，n2为特征数量384，主元分析流程为，(1)中心化处理，即x
i
＝x
i
‑
e(x)，i＝1、2、...、n，公式中，x
i
为1
×
n2的特征样本点，e(x)为特征样本集x的均值1
×
n2；(2)计算协方差矩阵，即上角标t为矩阵转置符号；(3)根据(2)计算出的协方差矩阵计算协方差矩阵的特征值和特征向量(4)对特征值从大到小的排序对应特征向量为选择对应特征向量组成变换矩阵。取两个主元，则此时贡献率为w为主元个数，w＝2，g为累加中用的字母无实际意义，对应变换矩阵为[p
′1，p
′2]，提取特征为x
′
x[p
′1，p
′2]，当贡献率取99％时，对红外频域幅值特征作进一步的特征提取，归一化后作为长短期记忆模型红外特征部分的训练样本集。
[0056]
紫外传感器(2)信号特征提取流程为，紫外传感器信号特征提取流程为，紫外传感器信号特征提取共计三个特征作为模型输入的紫外传感器信号特征部分，紫外脉冲总数公式为所述平均密度公式为所述最大值公式为上述式子中除以一个常数β，本发明中β＝256，保证紫外特征feature
uv
∈[0，1]，达到归一化效果，公式中count_nonzero为256个紫外脉冲信号中非零的数量。算法模型输入的时间窗可以留有更改接口，时间窗的设置长度为报警的延时时长，如设置为10秒，则延迟至少10秒报警。重视报警灵敏度可设短时间，重视火焰探测器抗干扰能力则可设长时间。
[0057]
步骤三：建立长短期记忆模型并输出，利用循环神经网络记忆之前的输入信息，对本次输出结果产生影响，利用所述长短期记忆模型的特性，录制样本集训练好的模型有记忆能力，对火焰样本信号中微弱部分结合历史信息做出判断，使用遗忘门、输出门、输入门公式相结合实现长短期记忆模型的遗忘、记忆功能，长短期记忆模型结构主要包括以下公式：
[0058]
遗忘门公式为f
t
＝f
sigmod
(w
xf
x
t
w
hf
h
t
‑1 b
f
)，公式中，f
t
为遗忘门输出，w
xf
为遗忘门输入连接矩阵，w
hf
为遗忘门状态连接矩阵，b
f
为遗忘门阈值，遗忘门是由于激活函数f
sigmod
输出0～1从而实现旧状态的遗忘；
[0059]
输出门公式为o
t
＝f
sigmod
(w
xo
x
t
w
ho
h
t
‑1 b
o
)，h
t
＝o
t
*f
tanh
(c
t
)，公式中，ot为输出门输出，w
xo
为输出门输入连接矩阵，w
ho
为输出门状态连接矩阵，b
f
为输出门阈值，输出门负责过滤、输出；
[0060]
输入门公式为c
t
＝f
t
*c
t
‑1 i
t
*f
tanh
(w
xc
x
t
w
hc
h
t
‑
1 b
c
)，i
t
＝f
sigmod
(w
xi
x
t
w
hi
h
t
‑1 b
i
)，公式中，x
t
为当前模型输入，h
t
、h
t
‑1为当前和上一次模型状态，c
t
为模型状态矩阵，f
t
为
遗忘门输出，c
t
‑1为模型上一时刻状态矩阵，i
t
为输入门局部参数，w
xc
、w
hc
、w
xi
、w
hi
为输入门局部连接矩阵，b
c
、b
i
为输入门局部阈值，输入门决定让多少新输入加入新状态；
[0061]
f
sigmod
和f
tanh
为两种激活函数：和其中z为激活函数的输入，sigmod和tanh两种激活函数使循环神经网络具有非线性拟合能力；
[0062]
按照如下流程进行：
[0063]
(1)采用公式实现长短期记忆模型隐层神经元数目，并对α网格寻优选择最佳hide_len，其中，input_len为模型输入数量，output_len为模型输出数量，hide_len为隐层神经元数目；所述网格寻优为，所述α选择1
‑
10，训练好模型后看交叉测试精度，选择精度最高时对应的α；交叉测试为数据样本被均匀切割成较小子集，测试部分不参加模型训练。
[0064]
(2)输出结果，长短期记忆模型输出层，输出为火与干扰源二种分类，设t时刻模型输出y
t
＝[y
t1
，y
t2
]，采用softmax变换输出]，采用softmax变换输出公式中，y
t1
为火焰输出，y
t2
为干扰源输出，softmax激活函数为长短期记忆模型预测火焰与干扰源的概率。长短期记忆模型训练采用数学仿真软件自带函数trainnetwork实现。
[0065]
步骤四：测试结果。
[0066]
图7为bp神经网络与长短期记忆模型测试结果对比表。
[0067]
为验证长短期记忆模型测试效果，增加bp神经网络模型作为对比模型。bp模型和长短期记忆模型具有相同数量的输入、隐层、输出节点数量。特征提取方式为傅里叶变换结合主元分析，假设三通道红外传感器(1)取贡献度99％的特征，共计55个模型输入，隐层神经元数量输出节点为2。测试样本集中，火焰样本集总时长250分钟左右，干扰源样本集时长680分钟左右，测试样本集为本发明的火焰探测装置性能指标内的不同距离、不同角度下的均匀组合，整个样本集为另外录制，非训练样本集同批次录制，该仿真测试效果和真实测试效果一致(之前已多次验证一致性)。
[0068]
从表中可以看出火焰测试报警精度上升到100％，总体精度也有提升。如果希望长短期记忆模型偏向对干扰源的抗误报能力，可以通过调整训练样本集组成，使长短期记忆模型对干扰源误报率降为0％。
[0069]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。