Kümmerlen_Einfluss potentieller Störquellen auf einen

Einfluss potentieller Störquellen auf einen hochdynamischen
bildverarbeitungsbasierten Detektionsalgorithmus für
Deflagrationen
Dipl.-Ing. Thomas Schrödera, B.Eng. Sebastian Cepelaka, Dr.-Ing. Vico Haverkampa, Prof. Dr.-Ing.
Klaus Krügera, Dipl.-Phys. Felix Kümmerlenb
a
Institut für Automatisierungstechnik, Helmut-Schmidt-Universität / Universität der Bundeswehr
Hamburg, Holstenhofweg 85, 22043 Hamburg; [email protected]; [email protected];
[email protected]; [email protected]
b
Wehrwissenschaftliches Institut für Schutztechnologien - ABC-Schutz (WIS), Humboldtstrasse 100,
29633 Munster; [email protected]; +49-5192-136-242
Kurzfassung:
Zur Erfassung von stationären Verbrennungsvorgängen wie Bränden und Feuern stehen heutzutage
vielfältige Möglichkeiten zur Verfügung. Im Gegensatz dazu basiert die Detektion von dynamischen
Verbrennungsvorgängen (Deflagrationen) beinahe ausschließlich auf Fotodioden (oder Fotorezptoren).
Mit dieser Art von Detektoren kann zwar eine frühzeitige Erfassung und somit eine rechtzeitiges
Unterdrücken der Deflagrationen in deren Anfangsstadien realisiert werden. Die Sensoren generieren
dabei jedoch nur ein Detektionssignal und liefern keine weiteren Informationen (wie z. B. Ausmaß,
Position) über die erfasste Gefahr. Darüber hinaus ist die Fehlalarmanfälligkeit solcher
Detektionssysteme, insbesondere wenn die Sicherheit von Menschen von ihnen abhängt, nicht
vernachlässigbar. Dies wiederum macht die Entwicklung alternativer Detektionsmöglichkeiten für
Deflagrationen erforderlich. Ein sehr großes Potential bietet dabei die Detektion von
Verbrennungsvorgängen mittels Bildverarbeitung, wie sie bereits sehr erfolgreich bei der
Überwachung von großen Waldgebieten oder infrastrukturellen Einrichtungen (wie z. B. Tunneln,
Raffinerien) eingesetzt wird.
In Zusammenarbeit mit dem WIS Munster entstand an der Helmut-Schmidt-Universität Hamburg ein
zweistufig ausgeführter bildverarbeitungsbasierter Detektionsalgorithmus zur Erfassung von
Deflagrationen in deren Anfangsstadien. Dabei werden in einer ersten Stufe anhand der chromatischen
Eigenschaften und des dynamischen Intensitätsverlaufes der einzelnen Bildpunkte deflagrations- bzw.
feuerähnliche Pixel identifiziert. Anschließend wird die Ausbreitung der Deflagration durch die
Bewertung des zeitlichen Verlaufes der Gesamtanzahl an identifizierten Pixeln pro Bild ermittelt.
Parallel dazu kann ebenso ein Feuer erkannt werden, indem der zeitliche Verlauf der Anzahl der
identifizierten Pixel in den Frequenzbereich überführt und auf typische Flackerfrequenzen (1-20 Hz)
untersucht wird. Sowohl für die Deflagrations- als auch für die Feuererfassung werden mithilfe von
Methoden der künstlichen Intelligenz entsprechende Auftrittswahrscheinlichkeiten berechnet.
Die Leistungsfähigkeit des Algorithmus wurde an selbstentwickelten Versuchsständen in Hamburg
oder Munster untersucht. Es zeigt sich, dass der Algorithmus in der Lage ist, Deflagrationen und Feuer
frühzeitig und mit einer hohen Zuverlässigkeit zu erfassen. Zudem liefert der Algorithmus
Informationen über den Grad der Ausbreitung der Deflagration und ist gegenüber stationären
Störquellen (z. B. Zigarette, Streichholz, Mündungsfeuer) unempfindlich. Instationäre,
intensitätsstarke Licht- und Störquellen (z. B. Rundumleuchte, Taschenlampe, Blitzlicht, einfallendes
direktes Sonnenlicht) führen jedoch zunächst zu ungewünschten Fehlalarmen.
Dementsprechend wurden weitere Untersuchungen an speziellen Vorrichtungen unternommen, die
einzelne Störquellen reproduzierbar nachbilden können. Hierbei zeigt sich, dass Deflagrationen im
Vergleich zu den Störquellen ein typisches exponentielles Anstiegsverhalten im zeitlichen Verlauf der
identifizierten Pixel aufweisen. Die Mehrheit der Störquellen weist dagegen ein lineares bzw.
sprunghaftes Ausbreitungsverhalten auf. Anhand dieser Charakteristiken lassen sich Deflagrationen
und Störquellen mittels einer exponentiellen Modellierung des zeitlichen Verlaufes der identifizierten
Pixel voneinander unterscheiden. Dabei wird auf Basis der Zeitkonstante des jeweils erfassten
Ereignisses ein Regressionskoeffizient berechnet und mit dem empirisch ermittelten typischen
Wertebereich der Zeitkonstanten von Deflagrationen verglichen. Bei der Feuerdetektion verursachen
die Störquellen, insbesondere periodisch blinkende Warn- und Rundumleuchten hoher Intensität, das
Auftreten von Harmonischen im typischen Flackerfrequenzbereich. Hier lässt sich der Einfluss der
Störquellen verringern, indem das Verhältnis von Grund- und Oberschwingungsgehalt des zeitlichen
Verlaufes der identifizierten Pixel untersucht wird.
Durch diese in einem weiteren Algorithmus entsprechend implementierten Optimierungsmaßnahmen
kann die bisherige Fehlalarmrate bei der Deflagrationsdetektion um 70 % und bei der Feuerdetektion
um 66 % gesenkt werden.
1. Einleitung
Die Erkennung von Verpuffungen und Deflagrationen ist ein spezielles Feld der Identifikation von
Verbrennungsprozessen. Ziel ist die Erkennung und möglichst auch Charakterisierung von
Deflagrationen, bevor diese ihre Gefährdungswirkung voll entfalten können. Auf Basis von
vorangegangenen Untersuchungen muss eine Deflagration innerhalb von 150 ms erfasst und
unterdrückt werden, um letale Verletzungen zu vermeiden.
Stand der Technik sind Systeme auf der Basis von Fotodioden, die beispielsweise für die
Überwachung von Räumen in der Explosivstoffverarbeitung verwendet werden. Eine weitere
Anwendung ist die Überwachung des Innenraums militärischer Fahrzeuge. Insbesondere bei Angriffen
sind die Insassen der Gefahr von Verletzungen ausgesetzt, die durch die Hitzeeinwirkung und den
Druckanstieg von Deflagrationen im Innenraum entstehen können. Sehr schnelle Löschsysteme stellen
hier das Unterdrücken von Deflagrationen sicher, bevor diese lebensbedrohende Wirkungen entfalten.
Problematisch können aber Fehlalarme sein, die aufgrund der Vielzahl möglicher Lichtquellen in
einem Fahrzeuginnenraum auftreten können. Daher ist die Zuverlässigkeit der Deflagrationserkennung
sehr wichtig. Ein verlässlicher Detektionsprozess sollte zwischen Deflagrationen und anderen
Verbrennungsprozessen unterscheiden können und Fehlerquellen (z.B. eingespiegeltes Sonnenlicht)
ignorieren. Weitere Informationen über die entdeckte Verbrennung wie ihre Ausmaße oder
Lokalisation innerhalb des Innenraums wären wünschenswert.
Bildverarbeitende Methoden können genau diese Informationen liefern und sind aus diesem Grund
auch schon seit langem bei der Entdeckung konventioneller Brände etabliert [1]. Viele dieser
Verfahren nutzen die von den entsprechenden Kameras gelieferten Farbinformationen, um die Brände
zu entdecken und zu charakterisieren, beispielsweise über die typische Färbung und Bewegung des
Feuers oder der Flamme [2]. Gemeinsam ist diesen Verfahren aber, dass sie die Flammenbewegung
mindestens über einen Zeitraum im Sekundenbereich beobachten müssen, da die typischen Merkmale
der Flammenbewegung in dieser Größenordnung liegen (Flackerfrequenzen im Bereich 1-20 Hz). Aus
diesem Grund sind bisherige bildverarbeitende Branderkennungsalgorithmen nicht für die
Deflagrationserkennung geeignet.
2. Erkennungsalgorithmus
Der in Zusammenarbeit mit dem Wehrwissenschaftlichen Institut für Schutztechnologien – ABCSchutz in Munster an der Helmut-Schmidt-Universität Hamburg entwickelte Detektionsalgorithmus
zur Erfassung von Deflagrationen ist zweistufig ausgeführt [3]. In einer ersten Stufe werden anhand
der chromatischen Eigenschaften und des dynamischen Intensitätsverlaufes der einzelnen Bildpunkte
deflagrations- bzw. feuerähnliche Pixel identifiziert. Anschließend wird die Ausbreitung der
Deflagration durch die Bewertung des zeitlichen Verlaufes der Gesamtanzahl an identifizierten Pixeln
pro Bild ermittelt. Parallel dazu kann ebenso ein Feuer erkannt werden, indem der zeitliche Verlauf der
identifizierten Pixel in den Frequenzbereich überführt und auf typische Flackerfrequenzen untersucht
wird.
2.1. Identifizierung von deflagrations- und feuerähnlichen Bildpunkten
Da eine Deflagration ein hochdynamischer Prozess ist, werden in einem ersten Schritt zur
Identifizierung der deflagrationsrelevanten Pixel diejenigen Pixel im Bild erfasst, die eine hohe
Dynamik aufweisen. Um diese zu identifizieren, werden zunächst alle Pixelpositionen im Bild einer
Hochpassfilterung unterworfen:
n
n 1
(1)
IHP
( x, y )    IHP
( x, y )    (I n ( x, y )  I n 1( x, y ))
Hierbei repräsentiert I die Pixelintensität des Bildpunktes mit den Koordinaten x, y. Der
Gewichtungsfaktor α ist folgendermaßen mit der Zeitkonstante des Filters verknüpft:
1

T

 t
(1)
2  fCOF 1  
Dabei stellt fCOF die Grenzfrequenz des Hochpassfilters dar und t repräsentiert den durch die
Hardware vorgegebenen zeitlichen Abstand der Bilder. Da bei allen nachfolgend dargestellten
Untersuchungen immer die gleiche Kamera mit 210 fps eingesetzt wurde, beträgt t in den
dargestellten Fällen immer 4,76 ms.
Zusätzlich zur hochpassgefilterten Intensität IHP des Bildpunktes wird auch die aktuell bestimmte,
ungefilterte Pixelintensität, bezeichnet als statische Intensität Ist, zur Klassifizierung eines Bildpunktes
als deflagrations- und feuerähnlich herangezogen. Für die Klassifizierung steht ein fuzzylogikbasiertes
Modell zur Verfügung, das die Möglichkeit bietet, Erfahrungswissen in Form von unscharfen Mengen,
die als linguistische Terme vorliegen (bspw. „sehr niedrig“ oder „hoch“), in die Evaluierung der
generierten Kennzahlen mit einfließen zu lassen.
Eine zusammenfassende Darstellung des Modells bietet Abbildung 1. Dort sind die beiden
Eingangsvariablen sowie die sich aus den Inferenzen ergebende Wahrscheinlichkeit eines
deflagrations- und feuerähnlichen Pixels XP(x,y) dargestellt. Es zeigt sich, dass die ausgegebene
Wahrscheinlichkeit bei sehr großen hochpassgefilterten Intensitätswerten (> 0,5) auch am höchsten ist.
Eine sich kontrahierende Deflagration, dargestellt durch eine negative hochpassgefilterte
Pixelintensität, wird in diesem Modell nicht berücksichtigt und ist für den Detektionszweck auch nicht
von Bedeutung [9].
Abb. 1: Oberfläche des Fuzzy-Klassifizierungsmodells zur Identifizierung von deflagrations- und
feuerähnlichen Bildpunkten
Zusätzlich zur Intensität wird auch die Farbinformation der Pixel ausgewertet, indem das Verhältnis
von Rot- und Blauwert des entsprechenden Pixels berechnet wird. Ein Wert größer oder gleich eins
entspricht einem rötlichen oder farbgesättigtem Pixel, wie sie unter anderem für ein Feuer oder eine
Deflagration typisch sind. Die entsprechende Bedingung lautet:
R( x, y )
 1.
(3)
B( x, y )
Ein deflagrations- und feuerähnlicher Pixel gilt als erkannt, wenn eine Wahrscheinlichkeit größer als
70 % vorliegt und das dem Klassifizierungsmodell nachfolgendem Rot-Blau-Verhältnis gemäß
Gleichung (3) erfüllt ist. Das Ergebnis dieser Stufe ist die Anzahl der identifizierten Pixel m für das
Bild i.
2.2. Expansionsparameter
In der nächsten Stufe des Algorithmus wird die notwendige Unterscheidung zwischen einem Feuer
und einer Deflagration getroffen. Dazu wird der Zeitverlauf der Anzahl der identifizierten Pixel 𝑚
ausgewertet und darauf basierend ein räumlicher Expansionsparameter (Spatial Expansion Parameter,
SEP) gebildet, indem mittels eines modifizierten Rückwärtsdifferenzenquotienten die Ableitung dieser
Anzahl nach der Zeit berechnet wird:
(4)
 n  mn  mn  2 .
SEP  m
2t
Die Klassifizierung dieses Zeitverlaufes als eine expandierende Deflagration erfolgt wiederum durch
ein fuzzylogikbasiertes Modell. Neben der generierten Kennzahl zur Expansionserfassung nach
Gleichung (4) dient auch die Anzahl der identifizierten Pixel pro Bild als Eingangsvariable. Die
anschließende Verknüpfung der unterschiedlichen Wertebereiche beider Variablen und die Inferenz
einer jeden Verknüpfung ergibt wieder ein spezifisches Kennfeld, dargestellt in Abbildung 2. In
diesem Fall ist das Ergebnis des Modells die Wahrscheinlichkeit einer Deflagration XD für das Bild i.
Die Abbildung zeigt nur einen kleinen Ausschnitts des Wertebereiches beider Eingangsvariablen, um
den schmalen Bereich des Übergangs von niedriger zu hoher Wahrscheinlichkeit besser darstellen zu
können [9].
Abb. 2: Oberfläche des fuzzylogikbasierten Klassifizierungsmodells zur Verifizierung einer
Deflagration mittels der Kennzahl zur Expansionserfassung SEP und der Anzahl der
identifizierten Pixel pro Bild mi
Bei Betrachtung der Modelloberfläche zeigt sich, dass die Evaluierung maßgeblich von der
Expansionskennzahl SEP abhängt. Der Wertebereich des Expansionsparameters von null bis fünf
beschreibt den Übergang von einem statischen zu einem dynamischen Ereignis. Ab dem Wert fünf der
Kennzahl SEP wird mit eine hohe Wahrscheinlichkeit für einen dynamischen deflagrationsähnlichen
Prozess ausgegeben. Basierend auf empirisch ermittelten Erkenntnissen kann letztendlich ab einer
Wahrscheinlichkeit von 80 % von einer Deflagration ausgegangen werden [9].
2.3. Frequenzbasierte Branddetektion
Parallel zu dem in Abschnitt 2.2 beschriebenen Deflagrationserkennungsalgorithmus kann auch das
mögliche Auftreten von Bränden erfasst werden. Dieser Erkennungsmechanismus basiert auf der
bekannten Tatsache, dass die Flackerfrequenz eines Brandes sich in einem bestimmten
Frequenzbereich befindet [4]. Bereits bekannte Verfahren zur Feuerdetektion separieren Objekte mit
rötlicher Farbgebung vom Hintergrund um anschließend deren Zeitverhalten mittels Fourier- oder
Wavelet-Transformationen auf Flackerfrequenzen zu untersuchen [5, 6].
Da in der vorliegenden Anwendung der Schwerpunkt auf einer schnellen Erkennung liegt, wurde auf
ein Verfahren gesetzt, in dem mittels schneller Fouriertransformation (Fast Fourier Transform, FFT)
die Zahl der identifizierten Pixel m in den Frequenzbereich überführt wird. Für den interessierenden
Frequenzbereich von 2 bis 8 Hz wird ein Gewichtungsfaktor a berechnet:
8 Hz
 X (f ) ²
a
f 1 Hz
fmax
.
(6)
 X (f ) ²
f 1 Hz
Die Variable a kennzeichnet das Verhältnis der im Frequenzband von 1-8 Hz enthaltenen Signalanteile
zum Gesamtsignal und X(f) den Amplitudenwert bei der jeweiligen Frequenz f. Die obere Frequenz
fmax ist gemäß dem Nyquist-Theorem auf die halbe Bildaufnahmefrequenz limitiert, die bei den weiter
unten vorgestellten Untersuchungen immer bei 210 Hz lag. Diese liegt damit weit oberhalb des
interessierenden Frequenzbereiches. Die Überführung des zeitlichen Verlaufes der identifizierten
Pixelanzahl pro Bild in den Frequenzbereich mittels FFT erfordert eine Anzahl an Abtastpunkten, die
einer Zweierpotenz entspricht. Im Hinblick auf eine akzeptable Auflösung der dargestellten Frequenz
wird die Anzahl der Abtastpunkte für die Auswertung auf 1024 Bilder festgelegt. Dies entspricht bei
210 Bildern/s einer Detektionszeit von ca. 4,9 s bzw. einer Frequenzschrittweite von 0,2 Hz.
Abb. 3: Oberfläche des fuzzylogikbasierten Klassifizierungsmodells zur Verifizierung von Feuern
mittels frequenzbasierter Feuerdetektion
Als Eingangsvariablen dienen der erzeugte Gewichtungsfaktor und der Mittelwert der Anzahl der
identifizierten Pixel pro Sequenz (Länge der Sequenz entspricht der Anzahl an Abtastpunkten). Das
entsprechende Kennfeld des fuzzylogikbasierten Modells ist in Abbildung 3 dargestellt. Das Ergebnis
der Klassifizierung ist die Wahrscheinlichkeit eines Feuers XF innerhalb der Sequenz j. Wie in der
Abbildung zu sehen, ist die Wahrscheinlichkeit zum großen Teil abhängig vom Gewichtungsfaktor. Ab
einen Gewichtungsfaktor von 0,4 steigt die Wahrscheinlichkeit eines Feuers stark, fast unabhängig von
der mittleren Anzahl der identifizierten Pixel, auf den maximalen Wert an. Nur zur Prävention von
Fehlalarmen, wie beispielsweise ungefährliche Kerzen- oder Streichholzflammen, sinkt die
Wahrscheinlichkeit bei einer geringen mittleren Pixelanzahl stark ab. Übersteigt die ausgegebene
Wahrscheinlichkeit einen Wert von 80 %, so kann angenommen werden, dass ein Brand vorliegt [9].
3. Versuchseinrichtungen
Die Leistungsfähigkeit des oben beschriebenen Algorithmus wurde an zwei verschiedenen
selbstentwickelten Versuchsständen in Hamburg [7] und Munster untersucht. Der erste Teststand
erzeugt reproduzierbare Deflagrationen in einem kleinen Maßstab. Zusätzlich wurde ein
maßstabsgerechtes Modell des Innenraums eines gepanzerten Fahrzeuges genutzt, um Messungen
unter realitätsnahen Bedingungen durchführen zu können.
Abb. 4: (links) Testraum mit Verpuffungskammer (Abmessungen Testraum 100×50×50 cm³); (rechts)
Verpuffungskammer mit einem Volumen von 2,0 L
3.1 Kleinskalige Versuchseinrichtung
Die kleine Testeinrichtung besteht aus einer Verpuffungskammer mit einer Brennstofffülleinheit, einer
Zündeinheit und Drucksensoren. Die Verpuffungskammer hat ein Volumen von 2,0 L und eine große,
mit einer Aluminiumfolie von 13 oder 25 m Dicke abgedeckte Öffnung. Sie ist in einem
abgeschlossenen Raum untergebracht, der immer gleichbleibende Testbedingungen sicherstellt
(Abbildung 4). Wird die Kammer mit einer definierten Luft/Brennstoff-Mischung gefüllt, so stellen
sich bei Zündung weitgehend reproduzierbare Verpuffungen ein, an denen der vorgestellte
Algorithmus untersucht werden kann.
In Abbildung 5 ist das Anfangsstadium einer in der beschriebenen Versuchseinrichtung erzeugten
Deflagration dargestellt. Es ist deutlich die Entwicklung der Flammenfront der Deflagration sowie
deren Expansion in den Raum zu erkennen.
Abb. 5: Bildersequenz einer Propan-Luft-Deflagration in der Verpuffungskammer (Belichtungszeit
600 µs); Zeitangaben beziehen sich auf Beginn der Zündung des Gemisches; Abstand KameraDeflagration 0,6 m
3.2 Realitätsnahes Testmodell
Um realitätsnähere Verpuffungen reproduzierbar zu erzeugen, wird in das maßstabsgerechte Modell
des Innenraums eines gepanzerten Fahrzeuges eine Kugelkappe aus Metall platziert, die einen
Durchmesser von 47,5 cm hat und in deren Zentrum sich eine beheizbare Glühwendel befindet. Im
Abstand von ca. 1,5 m wird eine Einspritzdüse auf die Öffnung der Kugelkappe gerichtet. Zur
Erzeugung einer Deflagration wird die Glühwendel rotglühend erhitzt. Anschließend wird ein auf ca.
81 °C erhitztes 1:7 Gemisch aus n-Heptan und JP-8 aus der Einspritzdüse in Richtung Glühwendel
gesprüht. Das entstehende Brennstoffaerosol entzündet sich in weniger als einer Sekunde. Nach einer
Sprühzeit von 3 Sekunden wird die Brennstoffzufuhr abgestellt (Brennstoffverbrauch in dieser Zeit ca.
0,2 L). Einen Eindruck vom Aufbau der Versuchseinrichtung und von der entstehenden Verpuffung
gibt Abbildung 6.
Abb. 6: Bildreihe von einer typischen Verpuffung im Modellinnenraum; Zeitangaben beziehen sich auf
den Beginn des Sprühvorgangs
Das Anfangsstadium einer im maßstabgerechten Versuchsstand erzeugten Deflagration ist in
Abbildung 7 dargestellt. Dort ist deutlich zu erkennen, wie sich innerhalb der Kugelkappe das
Brennstoffaerosol an der Glühwendel entzündet und die Flammenfront sich entlang des Sprühvektors
in den Raum expandiert. Zudem ist in der dargestellten Bildersequenz die schnelle Zunahme der
Intensität sehr gut beobachtbar, was sich die erste Stufe des Algorithmus (Identifizierung von
deflagrations- und feuerähnlicher Pixel) zu Nutze macht.
Abb. 7: Bildersequenz einer Verpuffung in der realitätsnahen Versuchseinrichtung (Belichtungszeit
600 µs); Zeitangaben beziehen sich auf das Kamerabild mit Beginn der Verpuffung; Abstand
Kamera-Deflagration 2,3 m
4. Leistungsfähigkeit
Die beiden Teststände erlauben es, mit dem vorgestellten Algorithmus zu arbeiten und diesen
hinsichtlich des Leistungsvermögens zu optimieren. Dabei dienen die Deflagrationen der kleinskaligen
Versuchseinrichtungen als Referenzdeflagrationen für die Entwicklung des Algorithmus. Die mit dem
realitätsnahen Testmodell erzeugten Deflagrationen werden zur Überprüfung der Leistungsfähigkeit
des Algorithmus im realitätsgetreuen Umfeld verwendet.
Anhand der aufgenommenen Bildersequenz einer Propan-Luft-Deflagration in Abbildung 5 lässt sich
allgemein die Leistungsfähigkeit der einzelnen Stufen des Algorithmus aufzeigen. Das Ergebnis der
Pixelidentifizierung kann anschaulich über binäre Bilder dargestellt werden (Abbildung 8). Es zeigt
sich, dass die potentiellen Pixel vom Algorithmus erkannt und entsprechend auch als deflagrationsund feuerähnlicher Bildpunkt identifiziert werden. Besonders die Verwendung der Intensitätsdynamik
erweist sich als effektives und zuverlässiges Merkmal bei der Pixelidentifizierung.
Abb. 8: Ergebnis der Pixelidentifizierung für die in Abbildung 5 dargestellte Bildersequenz;
Weißes Pixel – deflagrations- und feuerähnlich; Schwarzes Pixel – ungefährlich
Die quantitativen Ergebnisse der Pixelidentifizierung und der Expansionserfassung sowie die
entsprechende Wahrscheinlichkeit einer Deflagration der in Abbildung 5 dargestellten Deflagration
sind in Tabelle 1 aufgelistet. Die ermittelte Wahrscheinlichkeit einer Deflagration überschreitet bereits
nach 14,3 ms die Detektionsschwelle von 80 %.
Tabelle 1: Quantitative Ergebnisse der einzelnen Algorithmusstufen für das in Abbildung 5 dargestellte
Anfangsstadium einer Propan-Luft-Deflagration
Zeit in ms
0
4,8
9,5
14,3
19,0
23,8
Anzahl identifizierter Pixel
66
771
2959
4929
5458
4534
Expansionskennzahl (SEP)
0,00
0,00
3,04
4,37
2,62
-0,41
Wahrscheinlichkeit einer
Deflagration in %
11
12
57
85
57
11
Wie in Abbildung 9 aufgezeigt, ist der Algorithmus auch bei realitätsgetreuen Deflagrationen in der
Lage potentielle Pixel zu detektieren. Im Gegensatz zur vorherigen Referenzdeflagration sind die
Ausmaße dieser Deflagrationsart deutlich größer. UnterVerwendung des Abbildungsmaßstabs für diese
Aufnahme als Grundlage für die Berechnung der zweidimensionalen Größe der Deflagration, ergibt
sich für den Zeitpunkt 57,1 ms eine projizierte Fläche von 0,1 m². Zum Vergleich weist die
Referenzdeflagration in Abbildung 8 zum Detektionszeitpunkt von 14,3 ms eine Fläche von 0,003 m²
auf.
Abb. 9: Ergebnis der Pixelidentifizierung für die in Abbildung 7 dargestellte Bildersequenz;
Weißes Pixel – deflagrations- und feuerähnlich; Schwarzes Pixel – ungefährlich
Aufgrund dieser perspektivischen Verzerrung ist auch die Detektionszeit (Zeitpunkt, wenn die
Wahrscheinlichkeit einer Deflagration die Detektionsschwelle von 80 % überschreitet) im Vergleich
zur Referenzdeflagration deutlich größer (Tabelle 2). Trotzdem detektiert der Algorithmus anhand der
durch das Klassifizierungsmodell ausgegebenen Wahrscheinlichkeit einer Deflagration in einem
angemessenen Zeitraum die dargestellte Deflagration in einsatzzweckgetreuer Umgebung.
Tabelle 2: Quantitative Ergebnisse der einzelnen Algorithmusstufen für das in Abbildung 7 dargestellte
Anfangsstadium einer Deflagration in realitätsnaher Anwendungsumgebung
Zeit in ms
0
23,8
38,1
47,6
57,1
71,4
Anzahl identifizierter Pixel
0
1047
4781
6257
12919
28156
Expansionskennzahl
0,00
1,06
2,85
1,55
7,00
11,10
Wahrscheinlichkeit einer
Deflagration in %
11
23
64
33
88
89
Als weiteres Ereignis, das zwingend durch den Algorithmus detektiert werden muss, ist der statische
Verbrennungsvorgang in Form eines Brandes zu betrachten. Exemplarisch für verschiedene Brennstoffe wird im weiteren Verlauf für ein Feuer auf Basis des Brennstoffes Benzin die Leistungsfähigkeit
des Algorithmus im Bereich der Feuerdetektion aufgezeigt. Abbildung 10 zeigt ausgewählte Bilder
einer 10 s-Sequenz eines Benzin-Feuers und die entsprechend durch den Algorithmus identifizierten
Pixel. Im Gegensatz zu den Deflagrationen detektiert der Algorithmus nicht das gesamte Feuer, sondern nur die sich mit einer hohen Intensität dynamisch ändernden Teile des Feuers.
Abb. 10: Bildersequenz einer 10 s langen Aufnahme eines Benzin-Feuers und der entsprechenden
Ergebnisse der Pixelidentifizierung; Abstand Kamera-Feuer: 2,3 m
Die quantitativen Ergebnisse des Leistungsverhältnis und des Fuzzy-Modells sind in Tabelle 3 aufgeführt. Die Verzögerung bei der Ermittlung der Wahrscheinlichkeit durch das Fuzzy-Modell resultiert
aus den für eine Analyse notwendigen 1024 Abtastpunkten. Unter Berücksichtigung der Bildaufnahmefrequenz der Kamera von 210 fps entsprechen die 1024 Abtastpunkte bzw. Bilder ca. 5 s Aufnahmezeit. Das Feuer wird mithilfe des Fuzzy-Modells in der verbleibenden Zeit sicher detektiert (Wahrscheinlichkeit eines Feuers >80 %).
Tabelle 3: Quantitative Ergebnisse des Leistungsverhältnis und des Fuzzy-Modells zur Feuerdetektion
für das in Abbildung 10 dargestellte Feuer
Zeit in s
0
1,0
2,5
5,0
7,5
10,0
Anzahl identifizierter Pixel
8714
13764
19086
18021
9737
12851
Leistungsverhältnis
-
-
-
0,91
0,91
0,90
Wahrscheinlichkeit einhes
Feuers in %
-
-
-
81
83
77
5. Untersuchung der Störquellenanfälligkeit des Detektionsalgorithmus
Der vorgestellte Algorithmus für die Detektion von Deflagrationen soll diese nicht nur schnell und
sicher erkennen können, er soll auch unempfindlich gegen Störsignale sein und bei deren Auftreten
kein falsch-positives Signal geben. Anwendungsbezogen ergeben sich eine Reihe von potentiellen
Störquellen, die nach ihrer Art in verschiedene Gruppen eingeteilt werden können. Eine entsprechende
Auflistung dieser Störquellen ist in Tabelle 4 gegeben.
Tabelle 4: Einteilung der potentiellen Störquellen in vier verschiedene Gruppen
Gerichtete Lichtabgabe: Taschenlampen (Glühlampe oder LED) und
Gruppe A Laserpointer (werden nur kurzfristig im Rahmen einer Bewegung auf die
Kamera gerichtet)
Ungerichtete Lichtabgabe: Lichtbogen- und Autogenschweißgerät, brennendes
Gruppe B
Streichholz, Feuerzeug, Zigarette, Rundumleuchte
Gruppe C
Eingespiegeltes Sonnenlicht
Gruppe D
Mündungsfeuer
Um die Wirkung der verschiedenen Störquellen auf den oben dargestellten Algorithmus zu
untersuchen, wurde eine Reihe von Versuchen durchgeführt, in denen mit den oben dargestellten
Störquellen Licht erzeugt und aufgenommen wurde. Die Störquellen der Gruppe A werden dazu auf
einen Drehteller montiert und dabei Drehzahl sowie Abstand so gewählt, dass die Geschwindigkeit der
Überstreichung des Störsignals über die Kamera 0,5 m/s, 1,0 m/s und 2,0 m/s beträgt.
Für Gruppe B wird ein modifizierter Schweißstand als Versuchsstand verwendet, um das für dieses
Störquellen typische Licht zu erzeugen. Bei der Versuchsdurchführung wurde der Raum abgedunkelt
und darauf geachtet, dass keine weiteren Lichtquellen im Raum vorhanden waren.
Abb. 11: Lichtbox zur Untersuchung der Auswirkung von eingespiegeltem Sonnenlicht
Für die Störquellen der Gruppe C wurde eine spezielle Einrichtung konstruiert, um auf die Kamera
eingespiegeltes Sonnenlicht zu simulieren. Dieses kann in gepanzerten Mannschaftsfahrzeugen
insbesondere bei sich öffnenden Türen auftreten. Der Versuchsstand ist in Abbildung 11 dargestellt.
Die Aufnahmen für die Gruppe D wurden aufgrund der besonderen Sicherheitserfordernisse auf einem
Schießstand durchgeführt.
Für jede Störquelle wurden mindestens fünf Versuche durchgeführt. Einen Überblick über die
Ergebnisse der Versuchsreihen hinsichtlich der Fehlalarmrate bei der Deflagrations- und
Feuerdetektion gibt Tabelle 5. Bei der Deflagrationserfassung werden bei 32,8 % aller Versuchsreihen
die Störquellen durch den Algorithmus falsch-positiv erkannt. Die Ergebnisse zeigen jedoch auch, dass
der bisher nicht optimierte Algorithmus bei der Erkennung von Deflagrationen bereits gegenüber sehr
kurzfristigen Ereignissen wie Mündungsfeuer unempfindlich ist.
Tabelle 5: Ergebnis der untersuchten Störquellen bei der Erfassung von Deflagrationen und Feuer
hinsichtlich der auftretenden Fehlalarmrate
Störquelle Anzahl Versuchsreihen Fehlalarme Deflagration Fehlalarme Feuer
45
18
0
Gruppe A
120
41
10
Gruppe B
10
5
5
Gruppe C
20
0
0
Gruppe D
195
64
15
Gesamt
100
32,8
7,7
%
Noch deutlicher sind die Ergebnisse bei der Untersuchung der Störquellenanfälligkeit des Algorithmus
bei der Feuerdetektion. Nur 7,7 % aller Störquellen werden irrtümlicherweise als Feuer erkannt.
Störquellen mit gerichteter Lichtabgabe oder Mündungsfeuer werden überhaupt nicht detektiert. Bei
den restlichen Störquellenarten zeigt sich, dass periodisch auftretende intensitätsstarke Lichtquellen
wie beispielsweise eine Rundumleuchte aufgrund der Rotationsfrequenz des Lichtkegels durch die
Kennzahl nach Gleichung (6) einem Feuer zugeordnet werden.
6. Optimierungsmaßnahmen
Die untersuchten Störquellen, die zu einem Fehlalarm führen, werden nachfolgend auf
Charakteristiken analysiert um eine Differenzierung zwischen einem Verbrennungsvorgang und einer
Störquelle zu ermöglichen. Eine zusammenfassende Darstellung der zeitlichen Verläufe der Anzahl
identifizierter Pixel pro Bild aller bei der Deflagrationsdetektion kritischen Störquellen, einer
Deflagration und eines Molotow-Cocktails ist in Abbildung 12 zu sehen. Hierbei zeigt sich, dass die
verschiedenen Verläufe in drei Kategorien eingeteilt werden können. Tatsächliche Verbrennungsvorgänge wie eine Deflagration oder ein Molotow-Cocktail weisen ähnliche exponentielle Anstiege
auf. Hochdynamische Störquellen wie das Blitzlicht einer Digitalkamera oder der Zündvorgang eines
Schweißgerätes zeigen einen nahezu impulsartigen Verlauf. Die restlichen Störquellen weisen eine
nahezu lineare Zunahme der Pixelanzahl auf.
Abb. 12: Zeitlicher Verlauf der Anzahl identifizierter Pixel für die bei der Deflagrationsdetektion
kritischen Störquellen, einer Deflagration und eines Molotow-Cocktails
Wird für die Zunahme der identifizierten Pixel einer Deflagration unmittelbar vor Überschreitung der
Schwellwerte einen exponentiellen Verlauf angenommen, so kann dieser durch
m(tn )  a  b  e
tn
(7)
t0
beschrieben werden. Für die Differenzierung der Störquellen von einer Deflagration ist im weiteren
Verlauf der Parameter b von Interesse. Dieser Parameter beschreibt die Stauchung bzw. Dehnung der
Exponentialfunktion in Richtung der Abszisse und definiert somit den entsprechenden Verlauf der
Funktion. Zur Ermittlung des Parameters b bedarf es vorher der Kenntnis über den ebenfalls
unbekannten zeitlichen Änderungsparameter der Pixelanzahl t0. Nach Differenzierung von Gleichung
(7) erhält man die Form:
tn
 (t n )  b  e t 0 .
m
(8)
t0
Unter Berücksichtigung der Annahme, dass der Parameter b über den gesamten Verlauf der
Exponentialfunktion konstant ist (b(tn) = b(tn+1)), erhält man die Verhältnisgleichung:
 (t n ) m
 (t )
m
 t n 1 .
tn
(9)
n 1
e t0
e t0
Anschließend wird Gleichung (9) unter Berücksichtigung des Differenzenquotienten von m(tn) und
m(tn-1) nach dem Änderungsparameter der Pixelanzahl t0 aufgelöst:
t
.
t0 
 m(t  t )  m(t  2t ) 
(10)

ln
 m(t )  m(t  t ) 
𝑡𝑛
Mit Kenntnis von t0 lässt sich unter Verwendung der Substitution, 𝑋(𝑡𝑛 ) = 𝑒 𝑡0 , Gleichung (7) zu
folgender linearen Funktion
m(tn )  a  b  X (tn )
(11)
reduzieren. Aus dieser vorliegenden Gleichung kann der zur Beschreibung des Verlaufes einer
Exponentialfunktion notwendige Parameter b mittels linearer Regression bestimmt werden, wobei
ausschließlich die fünf unmittelbar einer Deflagrationserkennung vorausgehenden Bilder betrachtet
werden. Eine Analyse von realitätsnahen Testreihen, wie sie in Abschnitt 3.2 vorgestellt wurden, zeigt,
dass der den Verlauf einer Exponentialfunktion definierende Parameter b für Deflagrationen im
Bereich von 400 bis 20.000 liegt. Werte außerhalb dieses Bereiches lassen daher nicht auf eine
Deflagration schließen. In diesen Fällen ist es nicht notwendig das Löschsystem zu aktivieren.
Bei der in Abschnitt 2.3. vorgestellten frequenzbasierten Feuerdetektion basiert die Erfassung von
Bränden auf dem Auftreten von Flackerfrequenzen im Bereich von 2-8 Hz. Periodische Störsignale
wie Rundumleuchten oder Blinklichter können ebenso wie die Flammenbewegung eines Feuers zu
charakteristischen Amplituden im genannten Frequenzbereich führen. In Abbildung 13 sind die
Frequenzspektren eines Feuers und einer Rundumleuchte exemplarisch nebeneinander gestellt.
Aufgrund des niemals völlig gleichmäßigen Flackerverhaltens von Flammen ist das Spektrum eines
Feuers im gesamten Frequenzbereich von 2 bis 10 Hz von null verschieden. Periodische Leuchtsignale
dagegen sind deutlich regelmäßiger und weisen daher eine eindeutig zu erkennende Grundschwingung
und ggf. deutlich ausgeprägte harmonische Oberschwingungen auf.
Abb. 13: Frequenzspektrum eines Feuer (links) und einer Rundumleuchte (rechts)
Demzufolge kann durch die Auswertung des Frequenzspektrums zwischen periodischen Störquellen
und Feuern differenziert werden. Dazu wird in einem ersten Schritt im Spektrum die Frequenz der
höchsten Amplitude fG ermittelt. Anschließend wird basierend auf Gleichung (6) der Quotient des
Leistungsanteils dieses Signals aus der Amplitude der Grundfrequenz fG und den aufsummierten
Amplituden des gesamten Frequenzspektrums gebildet. Die mathematische Formulierung dieses
Verhältnisses lautet:
E
X (fG )
fmax
2
 X (f )
.
2
(12)
f 1 Hz
Periodische Störquellen weisen bei diesem Quotienten typischerweise Werte von mindestens 50 % auf.
Im Gegensatz dazu erreichen die Amplituden der Grundfrequenz eines Feuers nur maximal 5 % der
gesamten Leistung des Signals. Folglich kann beim Auftreten einer Grundfrequenz mit dazugehöriger
Amplitude, die mehr als 10 % der gesamten Leistung des Signals ausmacht, von einer periodisch
ausstrahlenden, intensitätsstarken Störquelle ausgegangen werden.
Durch die Anwendung der genannten Optimierungsmethoden bei der Bildauswertung lässt sich die
Rate der Fehlalarme bei der Deflagrations- und Feuerdetektion deutlich reduzieren. In Tabelle 6 sind
die Fehlalarmraten des optimierten Detektionsalgorithmus dargestellt. Die Erweiterung der
Deflagrationserfassung um die Evaluierung der Pixelverläufe anhand einer Exponentialfunktion
reduziert die Fehlalarmrate von ursprünglich 32,8 % (Vgl. Tabelle 4) auf 9,7 %, was einer
Reduzierung um über 70 % entspricht. Allerdings führen Störquellen aus der Gruppe A
(Taschenlampe), aus der Gruppe B (Zündvorgang eines Autogenschweißgerätes) und Deflagrationen
zu nahezu identischen Pixelverläufe, die eine eindeutige Differenzierung nach der beschriebenen
Methode unmöglich machen.
Bei der Feuerdetektion beträgt die Reduzierung der Fehlalarmrate ca. 66 %. Die weiterhin als Feuer
detektierten Störquellen (Autogenschweißgerät), weisen ähnlich wie ein tatsächliches Feuer keine
erkennbaren Regelmäßigkeiten im Verhalten ihrer identifizierten Pixel bzw. ihrer Amplituden im
Frequenzbereich auf. Daher ist eine Unterscheidung dieser Störquellen von Filterung durch die
vorgestellte Methode nicht möglich.
Tabelle 6: Fehlalarmrate der Störquellen nach Optimierung in Deflagrations- und Feuerdetektion
Fehlalarme Deflagration Fehlalarme Feuer mit
Störquelle Anzahl Versuchsreihen
mit Optimierung
Optimierung
45
10
0
Gruppe A
120
8
5
Gruppe B
10
1
0
Gruppe C
20
0
0
Gruppe D
195
19
5
Gesamt
100
9,7
2,6
%
7. Schlussfolgerungen
Die verlässliche Erkennung von beginnenden Deflagrationen verbessert die Sicherheit in gefährdeten
Bereichen. In dieser Arbeit wird ein zweistufiges Verfahren vorgestellt, das in der Lage ist, beginnende
Deflagrationen schnell und sicher zu erkennen. Parallel können Brände durch die Analyse typischer
Flackerfrequenzen erkannt werden. Durch Ergänzung des Basisverfahrens durch zusätzliche
Signalanalysen können außerdem viele falsch positive Auslösungen durch typische Störsignale
vermieden werden.
Dennoch verbleiben einige Signale, deren Signatur im untersuchten Zeitbereich denen einer
Deflagration zu ähnlich ist, als dass auch der optimierte Algorithmus diese als Störsignal erkennen
könnte. Die Möglichkeiten der Auswertung der Bilder einer Kamera scheinen aber ausgeschöpft. Für
weitere Verbesserungen sollte das Verfahren auf Stereosehen erweitert werden, da nur so Position und
Größe der Deflagration bestimmt werden können. Dies bietet auch die Chance, die Fehlalarmrate
nochmals deutlich zu verringern, indem der Einfluss des Kameraabstandes ausgeglichen wird.
Literatur:
[1] Healey G., Slater D., Lin T., Drda B., Goedeke A.D.; A system for real-time fire detection;
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1993, S.
605-606
[2] Verstockt S., Merci B., Sette B., Lambert P., van der Walle R.; State of the art in vision-based
fire and smoke detection; Proceedings of the 14th International Conference on Automatic Fire
Detection, 2009, vol. 2, S. 205-292
[3] Schröder T., Krüger K., Kümmerlen F.; Image Processing Based Deflagration Detection
Within Crew Compartments Of Armoured Vehicles; Proceedings of the 13th International
Interflam Conference, 2013
[4] Hamins A., Yang J.C., Kashiwagi T., An experimental investigation of the pulsation frequency
of flames; Symposium (International) on Combustion, 1992, vol. 24, 1, S. 1695–1702
[5] Chen J., Bao Q., Digital image processing based fire flame color and oscillation frequency
analysis; Proceedings of the International Symposium on Safety Science and Technology,
Procedia Engineering, vol. 45, 2012, S. 595–601
[6] Dedeoglu Y.,Töreyin B.U.,Güdükbay U., Cetin A.E., Real-time fire and flame detection in
video; Proceedings of the IEEE International Conference on Acoustics, Speech and Signal,
2005, vol.2, S. 669–672
[7] Schröder, T., Krüger, K., Kümmerlen, F.: A Modular Test Bench for Explosion Detection
Systems; Procedia Engineering, vol. 62, 2013, S. 878-883
[8] Cepelak, S.; Untersuchung der Störquellenempfindlichkeit eines bildverarbeitenden
Detektionsalgorithmus, Bachelor-Thesis, Hochschule Wismar, 2014
[9] Schröder, T., Krüger, K., Kümmerlen, F.: Image Processing Based Deflagration Detection
Using Fuzzy Logic Classification; Fire Safety Journal, Vol. 65, 2014, S. 1-10,
http://dx.doi.org/10.1016/j.firesaf.2014.02.004

Download Report