第40卷 第5期 红 外 技 术 V ol.40 No.5 2018年5月 Infrared Technology May 2018 496 〈红外应用〉
取样方法
冯宏伟1，谢林柏2
（1. 无锡职业技术学院，江苏 无锡 214122；2. 江南大学物联网工程学院，江苏 无锡 214122）
摘要：基于2.2 μm 、3.9μm 、4.26 μm 和4.8 μm 四个探测波段的红外探测器对火焰特征信息进行提取分析，提出一种应用于四波段红外火焰探测器的具体识别算法实现的方案。通过分析和比较这4个波段光谱特性的数学关系，借助阈值法、数学相关分析法和信号平均功率法的融合来实现对四波段红外火焰的识别。试验结果表明识别算法可行且可靠，有效提高了红外火焰探测器的精准度和适应环境的能力，实现了对火灾高可靠和远距离探测的目的。
关键词：四波段红外；火焰探测器；光谱特性；识别算法
中图分类号：TN215 文献标识码：A 文章编号：1001-8891(2018)05-0496-05
Design and Implementation of Recognition Algorithm
电线固定座
Based on Four-band Infrared Flame Detector
FENG Hongwei 1，XIE Linbo 2
(1. Wuxi Institute of Technology , Wuxi 214122, China ;777sao
2. College of Internet of Things Engineering , Jiangnan University , Wuxi 214122, China )
Abstract ：Based on a four-band infrared flame detector of 4.26 μm, 2.2 μm, 3.9 μm, and 4.8 μm, the flame characteristic information is extracted and analyzed, and a scheme for the realization of a four-band infrared flame detector is presented. By analyzing and comparing the mathematical relations of the spectral characteristics of the four bands, the threshold method, mathematical correlation analysis, and the signal fusion of the average power method are used to realize the recognition of the four-band infrared flame. The experimental results show that the recognition algorithm is feasible and reliable, and can effectively improve the accuracy and adaptability of the infrared flame detector, in addition to realizing the high reliability and remote detection of fire.
Key words ：four-band infrared ，flame detector ，spectral characteristics ，recognition algorithm
高频天线0 引言 近年来，红外火焰探测技术飞速的发展，红外火
焰探测器被广泛地应用到航天工业、化学工业、爆炸横孔螺母
品仓库、石油化工企业等可燃物为烃类物质的场合[1]。
光标跟随市面上应用于工业行业的多为双波段或三波段红外火焰探测器，虽然已经开发了降低火焰假报警的各种技术，但对于日光、水、工业设备、背景建筑和车辆之类的表面反射光来说，改进效果不明显，假报警率仍高于预期[2]。于是，性能更加优越的四波段红外火焰探测器的产品已经面世，以满足更复杂的工业现场
的需求[3]。 对火焰探测器来讲，火焰识别算法是它的“灵
魂”。识别算法的优劣对其灵敏度、抗误报特性有着决定性作用。目前火焰探测的识别算法，主要有连续时间值法[4]、时域均值法[5]、信号的平均功率值识别法、信号间的能量相关性分析法、闪烁频率分析法和基于模糊神经网络的识别算法等[6-9]。其中，前5种方法在火焰辐射波段的信号强度衰减到和背景辐射波段信号强度相近甚至还要弱的情况下，降低漏报和误报率上的效果极为有限。对于模糊神经网络的火焰识
别算法，依赖于大量的训练样本，利用相应的输出模
