火焰检测技术在消防安全应用中至关重要，尤其是基于视觉的火焰检测方案已逐渐成为主流。然而，由于传统相机的成像原理，仍存在一些无法完全解决的挑战。例如，静态背景或运动模糊可能导致误报，而曝光过度则会影响火焰定位的精度（如图 1）。此外，高分辨率图像数据冗余，不仅影响传输速度，还增加了复杂的预处理步骤和大规模模型结构的负担。一种新型的仿生相机——事件相机[1]，有望突破这些限制。事件相机的成像原理模仿了生物视网膜的工作机制，每个像素独立、异步工作，仅在场景亮度发生变化时输出（即触发事件）。在该成像原理下，事件相机具有极高的动态范围（> 120 dB）和高时间分辨率（< 1毫秒），有效克服了环境光变化和运动问题[2]，见图 2。利用事件相机的异步特性，我们可以突破传统火焰检测技术的限制，带来以下优势：
（1）静态背景去除：事件相机仅关注动态物体，显著减少了由静态物体引起的误报。
（2）高动态范围：事件相机能够在极高的动态范围内工作，不受光照变化影响，确保在明亮或昏暗环境中的稳定性能。
（3）超高响应速度：事件相机在微秒级别响应，迅速捕捉火焰的瞬时变化，提供更快、更准确的火灾预警。
（4）低功耗：仅在像素变化时激活，显著减少了功耗，适用于长时间监控任务。
然而，目前尚未有任何基于事件相机的火焰检测数据集被公开。基于此，我们拍摄并发布了一个基于事件的单火焰目标检测数据集FlaDE，该数据集包括多种照明条件和干扰物体，同时包含事件数据和传统灰度图像数据（如图 3所示）。此外，为了解决事件相机在低光照场景中可能存在大量噪声的问题，我们设计了一个递归去噪模块对数据集中的噪声进行人工预处理。图3：基于事件的火焰检测数据集FlaDE部分场景示例
随后，基于火焰的事件分布特性[3]，我们设计了一个高速的火焰检测算法BEC-SVM，如图 4所示。该算法首先通过生成器对可能存在火焰的区域进行提取，随后送入分类器中对运动物体进行分类，从而实现火焰的检测[4]。得益于事件相机的高时间分辨率和SVM算法的高计算效率，该检测算法在FlaDE数据集上实现了96.6%的mAP检测精度，同时仅在CPU上就达到了500FPS的检测速度。![]()
目前，相关研究成果已发表在《Expert Systems with Applications》。未来的研究工作将引入深度学习的方法，以提高算法的鲁棒性。
![]()
相关链接文献
[1] Gallego at al. (2022). Event-Based Vision: A Survey. IEEE Trans. Pattern Anal. Mach. Intell., 44(1), 154–180.[2] Brandli et al. (2014). A 240 × 180 130 dB 3 µs Latency Global Shutter Spatiotemporal Vision Sensor. IEEE Journal of Solid-State Circuits, 49(10), 2333–2341.[3] Lin et al. (2022). Autofocus for Event Cameras. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 16323–16332.[4] S. Ding, H. Zhang, Y. Zhang, X. Huang, W. Song (2024) Hyper real-time flame detection: Dynamic insights from event cameras and FlaDE dataset. Expert Systems with Applications, 125746.丁赛喆：香港理工大学博士生，主要研究智慧消防及虚拟现实在消防中的应用。
查看丁赛喆个人网页
黄鑫炎：香港理工大学副教授、博士生导师，研究领域包括基础燃烧科学和火灾安全应用。
![]()
![]()
相关阅读：
图文 | 丁赛喆
审核 | 黄鑫炎
