2025基于雙光譜成像技術的礦井早期火源識別及抗干擾方法研究

目錄TOC\o"1-3"\h\u108341 4212922 6320492.1 68552.2 6200872.2.1 6219682.2.2 7167082.2.3 741232.2.4雙光譜火源識別多工況對比 9124623 10礦井火災作為煤炭開采行業面臨的主要安全隱患之一，嚴重影響了煤礦的安全生產環境[1]火災分為內部原因引發的火災（內因火災）和外部因素引起的火災（外因火災）[2]發生在已開采區域，由于煤炭等易燃物質與氧氣接觸發生自燃現象。外因火災則源于井下的膠帶與滾筒及托輥之間的摩擦生熱、電纜和電氣設備過載運行、漏電或短路現象、焊接作業、違章爆破操作及瓦斯和煤塵的爆炸等產生的明火[3-6]為了應對礦井外因火災，目前主要采用的監測手段包括但不限于煙霧、溫度及氣體（如二氧化碳、一氧化碳、氧氣）傳感器監測、光纖分布式溫度監測系統及基于圖像分析的礦井外因火災監測等[7-12]其中，傳感器監測方式雖然能夠提供精確的數據，但其監測范圍有限，對于遠離火源位置的傳感器來說，存在較大的延遲，且多點布設傳感器不僅增加了成本，也加大了后期維護的工作量[13]度監測系統，初期投資和維護成本高，空間分辨率與測量距離難以兼顧，長距離監測時精度不足；易受環境噪聲、應變和溫濕度干擾。基于圖像分析的礦井外因火災監測方法具有監測范圍廣、成本低、可視化等特點[14-15]，但礦井環境中存在多種光源（如照明設備、電氣設備等），這些光源可能產生與火源相似[16]膠帶摩擦等其他發熱源同樣會干擾對火源的識別[17-18]。針對干擾對圖像質量的影響，[19]通過圖像的內凹度解決干擾光源影響火災識別問題，但對于引燃這些沒有明顯火源特征的初期火源難以判斷。[20]通過基于多模態圖像的火災監測算法將紅外與可見光圖形特征融合，綜合判斷彌補單模態

圖像監測中的不足，但其沒有完全利用溫度信息進行火源判定。針對上述問題，本文提出一種基于雙光譜成像技術的礦井早期火源識別及抗干擾方法（以下簡稱雙光譜成像方法），通過結合可見光的圖像信息與紅外的溫度信息，提高了礦井火源在有干擾源情況下的識別準確率，并通過試驗驗證了該方法的可行性。雙光譜成像方法流程如圖1判斷存在火源1Fig.1Processofearlyfiresourceidentificationandanti-interferencemethodforminesbasedondualspectrumimaging首先，當雙光譜火源識別系統監測到火源時，將可見光攝像頭和紅外攝像頭拍攝到的火源圖像進行剪裁。然后，Canny算法邊緣化含有火源的圖像，并分別存儲到可見光疑似火源邊緣列表和紅外疑似火源邊緣列表。最后，pHash（感知哈希）算法對可見光圖像與紅外圖像中的疑似火源區域進行海明距離計算，當可見光火源與紅外火源的海明距離在全部配對中達到最小值且該值小于25時，判定兩者表征同一火源目標，并分別將它們移出可見光疑似火源邊緣列表和紅外疑似火源邊緣列表，發出火源預警，列表內剩下的疑似火源之間的海明距離25，將可見光疑似火源邊緣列表剩下的疑似火源判斷為光源干擾源，將紅外疑似火源邊緣列表剩下的疑似火源判斷為熱源干擾源，由于高溫熱源同樣是礦井火災的誘因之一，對其也進行火源預警。雙光譜成像技術的互補性源于可見光與紅外波段在成像原理及物理特性上的本質差異。可見光光譜可有效識別火源的化學發光特征，但會規避非燃燒熱源；紅外熱成像通過溫度異常監測突破煙霧遮蔽限制，同時可檢測非燃燒熱源。兩者通過聯合決

當物質燃燒時，燃燒過程不僅釋放出可見光，還會產生大量的熱能，這些熱能以紅外輻射的形式散發出去，通過紅外光得到物體表面溫度。在礦井環境中，火源的溫度與周圍環境的溫度存在顯著差異。通常情況下，普通火源的溫度大約400160035～ 通過紅外攝像頭可以得到溫度矩陣0，并通過該溫度矩陣的最高值和最低值指定渲染圖像的顏色上下限 30.630.6···30.730.830.530.6···30.730.630.530.630.6···30.830.730.8T0

從電磁輻射機制來看，可見光成像（400～700）主要依賴物體表面反射的環境光信息，其輻射強度遵循朗伯余弦定律，能夠精確表征火源的幾何形態、（814）于普朗克黑體輻射定律，能夠精確表征火源的溫度。M=εσT 式中：M為單位面積上的總輻射能量；ε為物體的發σ為斯蒂芬?玻爾茲曼常數σ=5.67×10?8W·m?2·K?4；T為絕對溫度。從化學特性層面來看，火源燃燒產生的碳氫化程中產生的碳氫化合物自由基的激發態）特征輻射（430nm藍光帶、515nm綠光帶），而燃燒釋放的熱量在紅外波段形成顯著熱輻射梯度（ΔT≥50K）。YOLOv10YOLOv10是基于Ultralytics框架開發的實時目標檢測模型，通過消除非最大值抑制（NonMaximumYOLO版本的后處理和計算效率問題，在火源檢測任務中實現了更優的精度?延遲平衡。本文采用百2059張火源圖像進行訓練與測試，結YOLOv10在該數據集上的準確率、召回率、\hmAP@0.5（交并比閾值為0.5的平均精度均值）分別景中兼具高精度與低計算開銷的優勢，適用于火源

29.429.5···29.329.329.729.529.5···29.329.129.529.6···29.329.1由于火源由外焰到焰心，溫度是遞減的，這就會導致溫度矩陣在渲染成圖像的過程中火源整體顏色不一，使邊緣化的結果存在多層邊緣，為避免上述情況，在對溫度矩陣渲染成圖像時，需要對其進行二值化。將溫度矩陣大于40的數值全部設為溫度最高值，渲染效果對比如圖2所示。應用Canny算法進行邊緣化紅外渲染結果如圖3所示。 2Fig.2Renderingeffect 3Fig.3Edgeinfraredrendering由圖2可看出，溫度矩陣的紅外渲染圖中火源內外顏色不一。二值化后的紅外渲染圖中火源整體明亮。由圖3可看出，直接對紅外渲染圖進行邊緣化，得到的火源邊緣圖是多層的，對二值化后的紅外渲染圖進行邊緣化，得到的火源邊緣圖是單層的。通過上述的紅外數據處理，可以將溫度矩陣轉化成單層火源邊緣圖。這與通過可見光攝像頭得到的火源邊緣圖是高度相似的，避免了因成像原理不同造成的顏色、形狀上的差異。由于通過可見光識別的結果可能是光源，紅外識別的結果可能是熱源，所以只通過單模態的信息判定為火源并不可靠，因此需要將其識別的火源部分進行二次判定，當可見光識別的結果和紅外識別的結果為同一物體，則判定其為火源；如果不是，為干擾光源和干擾熱源。可見光與紅外拍攝到的火源圖像在顏色上、形狀上都有差異，紅外拍攝到的火源有明顯的內外焰的顏色區別且火源上的加熱氣流也會顯示出來。可見光拍攝到的火源整體顏色相對統一，觀察不到火源上方的加熱氣流，如圖4所示。由于差異性較大，無法直接通過傳統的相似度算法判斷可見光識 4Fig.4Comparisonofinfraredandvisible為準確衡量紅外和可見光圖像的相似度，需對紅外和可見光圖像進行預處理，消除差異性。采用pHash算法對提取到的火源邊緣圖像進行相似度計算。pHash是一種將圖像轉換為固定長度的哈希值算法，這種哈希值能夠反映圖像的視覺內容而非其字節內容，非常適合可見光和紅外邊緣圖像相似度的計算，因為它們的邊緣圖像的像素字節并不是一選取紅色蠟燭，用于模擬礦井火災發生時的早期火源，通過平面鏡的火源鏡像模擬礦井下的干擾光源，80℃熱水注入透明塑料瓶，作為紅外攝像機的熱干擾源，可見光攝像機和紅外光攝像機作為實驗器材，在同一距離分別擺放蠟燭、平面鏡、干擾熱源，如圖5所示。

5Fig.5Experimentalequipment4080S，中央處理器（CPU）為IntelCorei7?14700。紅外檢測模塊搭載海康HM?TD2B28T?7/T1機芯可1920×108060幀/s的處理能力其運算核心為RTX4080SGPU識別系統則在256×192分辨率下保持25幀/s的檢測頻率HM?TD2B28T?7/T1機芯獨立完成數據將可見光攝像機拍攝的圖像輸入先前訓練好的YOLOv10模型，如圖6所示。可看出由于蠟燭的火源與鏡子里的映像視覺信息幾乎一樣，都將其識別為火源。由此可見，僅通過視覺信息很難判斷火源6Fig.6Visiblelightidentificationoffire為了進一步判斷火源，YOLOv10模型所有判斷為火源的目標框裁剪出來，Canny算法提取邊緣圖像，如圖7所示。可看出鏡子里的火源鏡像受鏡子反射角度、距離等影響，映射火源邊緣圖與實際火源邊緣圖不相像。 7Fig.7Visiblelightedge將紅外攝像機拍攝的圖像輸入溫度場火源識別算法中，如圖8所示，為保證熱成像圖清晰，本實驗渲染采用溫度越低顏色越黑紅、溫度越高顏色越亮紅。可看出由于高溫干擾源的存在，注入熱水的透明塑料瓶被誤判為火源，因此，僅通過溫度信息很難判斷火源與干擾熱源。溫度溫度

9Fig. Imagebinarization 10Fig.10Comparisonofedgeextractionbeforeandafter118Fig. Infraredfire由圖6與圖8（b）的對比可知，可見光圖像中難以觀測到焰心區域，而紅外圖像中卻能清晰呈現完整的焰心結構。這種現象源于火源不同區域的熱輻射特性差異，使得紅外成像設備能夠有效捕獲焰心的熱輻射特征。這種輻射特性的本質差異，導致同一燃燒源在可見光與紅外成像系統中呈現出截然不同的形態特征。為了進一步判斷火源，對紅外圖像進行二值化操作，結果如圖9所示，可看出瓶子中的熱水變得整體明亮起來，內外焰顏色不一的火源也變得整體明亮。二值化前后邊緣提取對比如圖10所示，可看出在沒有進行二值化之前，瓶子中的熱水邊緣不完整

Fig.11Infrarededge其準確性可能受到拍攝距離、煤礦粉塵、周圍環境的溫度與濕度及目標表面的發射特性等因素的影響。當有其他高溫源靠近紅外攝像頭時，可能會對火災的識別造成干擾。而通過可見光圖像則能捕捉到火源的顏色、形態、亮度、搖曳情況及覆蓋范圍的變化等信息，然而礦井中的燈光、隧道照明、車輛燈光或紅色物品等都可能影響到火源判斷的準確性。為進一步提高火源識別的準確率，pHash算法對提取的可見光和紅外火源邊緣圖進行相似度計算。將圖像尺寸縮小到8像素，以減少計算量并去除高頻信息。應用離散余弦變換提取縮小后的圖像的主要頻率特征，將像素特征矩陣轉化為頻率特征矩陣，火源的內外焰分層且輪廓不完整。二值化之后，X=α(u)α(v)∑p?1∑火源的內外焰分層且輪廓不完整。二值化之后，將溫度場火源識別算法所有判斷為火源的目標框裁取出來，應用Canny算法提取邊緣圖像，如圖11所示。可看出盡管高溫物體都被暫判定為火源，但紅外圖像可以用于監測溫度和溫度分布，不過

cos[π(x+1)u]cos[π(y+1) 式中：uv為變換后的頻率矩陣，表示在頻率在u（水平方向）（垂直方向）處的分布；（u）（）為歸一化因子，用于確保變換矩陣的正交性；y為圖像像素值的原始數據，xy為空間坐標 通過式（3）9的頻率矩0，由左上到右下代表著由低頻到高頻，其中頻率系數的正負與圖像中亮度的變化方向相關，系數的絕對值表示對應頻率的能量，數值越大，該頻率成分在原始信號中的能量越強。數值越接近0，該頻率成分的能量越弱，0所示，左上角數值偏大，右下角數值偏小，說明該圖整體噪聲小，整體結構和主要特征明顯。 ··· ·· ?25.1?128.7·· ?21.3

12（）得到要進行比較的圖像A，AB的元素與頻率矩陣的元素一一對應，AB1位都為1，12頻率矩陣的左上角第1個值是相似的，0，表示對應的頻率成分也是相似的，第三A0，B1則該頻率成分不相似。為判斷整體的相似度，進一步應用海明距離進行整體相似度的比較。 ··

A=(10 ·· 10B=(10 ·· 10 ·· ··· 低頻成分包含了圖像的主要信息，如整體結構和平均亮度；高頻成分包含了圖像的細節和噪聲。由于紅外和可見光拍攝的圖像細節本身就不一樣，所以僅保留紅外和可見光頻率矩陣8×8的低頻部分來判斷相似度。1為可見光火源低頻部分，2為紅外火源低頻部分，12中可以觀察到，2個矩陣數值變化相同呈現左上角數值高右下角數值 ·· ··

式中Ai，Bi為哈希值的每一位；⊕為64位，海明距離的值域為[0,64]。其中海明距離為0代表低頻矩陣的哈希值每一位都相等，也就是2張圖像每一部分都相似與之相反海明距離為64為定量判斷相同火源，對火源相似度進行標定Pythone函數庫生成100組隨機的閉合曲線，設生成隨機曲線步數為100、隨機長度為[1，3]、隨機角度為[?45，45]，生成隨機曲線模擬疑似火源，如圖12所示。 ?25.1?128.7·· ··

··· ·· ·· ?71.5 ?57.5··· ?3.0?55.8··

12Fig.12Random

在5s內對同一火源目標進行同步影像采集 ·· ·· ?12.5 ·· 為進一步確定各個頻率成分是否相似，將得到Hash函數。 H(C)={1C>

20張（圖131代表性畫面）、紅外圖像20張（圖13右欄），構建雙選取雙光譜火源邊緣圖中1張可見光火源圖像作為比較樣本，通過pHash算法分別計算比較樣本與可見光火源圖像庫（20張）、紅外火源圖像庫（20張）及隨機曲線（100張）之間的海明距離，如式中：H（C）為Hash函數；C為矩陣元素；C為低頻 由圖14可看出，I1—I20的海明距離在[0，25]內13Fig.13Dualspectrumfiresourceedgeimage

為更接近現場火源，在中國礦業大學文昌校區火災實驗室，采用正庚烷燃燒模擬火災現場，15所示。

15Fig.15Partialfiresourcevalidation為了驗證雙光譜成像方法在實際任務的有效性，在驗證集上與現有的目標監測方法進行比較，結果見表1。可看出在無粉塵無干擾源工況下，雙光譜成像方法的準確率與召回率均高于YOLOv10，這是因為雙光譜成像方法將溫度信息作為額外的輸入對于一些小火源或者形狀差異大于訓練集的火源也能進行捕捉，不依賴于訓練集，YOLOv10對訓

1Table1Comparisonoffiresourcemonitoringmethod 隨機閉合曲線海明距離14Fig.14Hammingdistance較相同火源可見光海明距離值增大，說明相似度下降了，這是因為紅外和可見光的邊緣圖像本身就有微小的不同，通過該組標定得到，當可見光與紅外圖像中火源的海明距離≤25時，可判定其為同一火源。1—100的海明距離在[30，64]內，較相同火源紅外圖海明距離值大幅度增大，說明圖像之間差異度很大，符合隨機曲線本身就與可見光火源圖像形狀完全不相同，通過該組標定，當可見光與紅外圖像中火源的海明距離>25時，不為同一物體。通過上述分析可知：若可見光與紅外圖像中火源的海明距離最小且≤25，則判定為同一火源