火灾探测与灭火技术新进展：多模态融合与智能系统前沿综述

《IEEE Access》：Advances in Fire Detection and Suppression: A Review of Contemporary Methods and Technologies

本文针对火灾对人类安全、财产和环境的严重威胁，系统综述了当代火灾探测与灭火方法的技术进展。研究团队深入分析了基于传感器（火焰、烟雾、气体、热量及氧化石墨烯传感器）和图像处理（涵盖室内外场景的深度学习模型）的探测技术，并评估了传统与现代灭火方法（包括机器人、无人机及锂离子电池火灾专用技术）。通过整合多模态数据与人工智能算法，该研究为开发更精准、自适应的智能火灾防控系统提供了重要理论依据和技术路线，对提升复杂环境下的火灾应急响应能力具有显著意义。

　　

火灾始终是威胁人类安全、自然生态系统和财产的重大灾害。随着城市化进程加速和气候变化影响加剧，火灾危害正变得日益严重。据国际消防和救援服务协会统计，2022年全球55个国家记录了320万起火灾，造成约1.96万人死亡，其中住宅建筑火灾占比30.6%，自然区域火灾占27.9%。这些触目惊心的数据表明，开发先进的火灾探测与灭火方法已成为保障人类生命安全、减轻环境损害的关键步骤。

传统火灾探测系统主要依赖烟雾和温度监测，虽然取得了一定成效，但严重依赖预设阈值，无法检测火灾的最早期迹象，且缺乏智能决策能力导致误报率较高。近年来，人工智能、计算机视觉、传感器技术和灭火技术的快速发展，为更精准的火灾探测与扑救提供了新的技术路径。

在这篇发表于《IEEE Access》的综述文章中，Antonio Antunovic等研究者系统梳理了当代火灾探测与灭火方法、技术和数据集的进展。研究团队来自克罗地亚奥西耶克大学电子工程、计算机科学与信息技术学院和斯普利特大学电子工程、机械工程与海军建筑学院，他们建立了一个分类体系，将方法分为适用于室内和室外场景的两大类，并对传感器基火灾检测进行了单独组织，按传感器类型分类：火焰传感器、烟雾传感器、气体传感器、热量传感器和氧化石墨烯基传感器。

关键技术方法概述

研究团队通过系统文献调研，分析了基于传感器和图像的两大技术路线。传感器技术涵盖火焰探测器（紫外、红外、紫外/红外、多光谱红外等）、烟雾探测器（光电、电离、吸气式）、气体探测器（CO、CO₂、VOCs、H₂等）、热量探测器（定温、差温、分布式光纤）以及新兴的氧化石墨烯基探测器。图像技术则包括基于传统图像处理的方法和深度学习模型（分类、定位、分割），并详细评述了公开可用的火灾数据集。灭火技术方面，研究人员评估了从传统洒水系统到现代机器人、无人机平台以及锂离子电池火灾专用抑制方法的全系列技术。

火灾探测基于传感器

火焰探测器通过分析燃烧过程中发出的电磁辐射来识别火焰的独特光谱特征，包括紫外(UV)探测器、红外(IR)探测器、紫外/红外(UV/IR)组合探测器、多光谱红外(MSIR)探测器和多光谱火焰探测器。研究表明，通过火花抑制新方法和多传感器融合策略，可以显著提高探测可靠性。

烟雾传感器作为最常用的火灾探测设备，分为光电式和电离式两种主要类型。光电探测器通过检测烟雾颗粒对光的散射来工作，对阴燃火灾更有效；而电离探测器则利用放射性材料产生的离子流被烟雾颗粒干扰的原理，对快速蔓延的火灾更敏感。新兴的吸气式烟雾探测器(ASDs)能够检测极低浓度的烟雾，适用于高风险环境。

气体探测器在火灾初期阶段发挥关键作用，能够识别一氧化碳(CO)、二氧化碳(CO₂)、甲烷(CH₄)和挥发性有机化合物(VOCs)等燃烧产物。研究发现，通过监测CO和CO₂浓度的组合，可以更准确地判断火灾发展阶段。挥发性有机化合物(VOCs)传感器尤其有价值，因为在材料燃烧的初始阶段就会释放特定VOCs，早于热量、烟雾和火焰的出现。

热量探测器通过监测环境温度变化来识别火灾，分为定温式和差温式两种。分布式光纤热传感技术利用拉曼效应，通过分析背向散射信号来实现大范围温度监测，在隧道、工业设施等复杂环境中表现出色。

氧化石墨烯(GO)基探测器是新兴的火灾传感技术，利用GO在高温下从绝缘体转变为导体的特性实现火灾报警。这类探测器不仅对热敏感，还能通过表面功能团与气体分子的选择性相互作用，检测氨气(NH₃)、二氧化氮(NO₂)或一氧化碳(CO)等危险气体。

基于图像的火灾检测

现代消防系统严重依赖监控摄像头，结合先进的计算机视觉算法和机器学习方法。深度学习流程主要包括三种任务：分类（检测图像中是否存在火灾）、分割（预测每个像素属于火焰的概率）和定位（用边界框标出火灾位置）。

室内火灾检测适用于工业设施、仓库、隧道等封闭环境。早期研究主要依赖基于规则的方法，结合颜色阈值、纹理分析和运动分析。随着技术进步，深度学习模型如FireNet、Light-FireNet和各种YOLO变体被广泛应用，实现了更高的检测精度和实时性能。

室外火灾检测面临更大挑战，因为摄像头通常部署在塔楼或高位点，与潜在火源距离较远。在这种情况下，烟雾检测变得尤为重要。研究团队评估了从传统图像处理技术到深度学习方法的演进，包括针对雾霾环境的烟雾分类网络、结合卡尔曼滤波器的实时检测方法，以及基于U-Net和DeepLabV3+的语义分割模型。卫星影像技术为大规模火灾监测提供了独特优势，OroraTech等公司已商业化集成热力和光学卫星影像的火灾检测平台。

火灾探测数据集

高质量数据集的缺乏是火灾检测领域的主要限制因素。研究团队详细综述了公开可用的火灾和烟雾检测数据集，包括D-Fire、ONFIRE、FLAME、FLAME2、DFS、Sen2Fire等。这些数据集在模态、注释类型和环境多样性方面各具特色，为模型开发和基准测试提供了重要资源。

值得注意的是，研究团队开发了SYN-FIRE数据集，这是第一个专门针对室内火灾的合成图像数据集，包含1，402张模拟工业环境室内火灾的图像。实验表明，将合成数据与真实数据结合使用可以显著提高分割模型的效率。

火灾抑制方法

火灾抑制系统通过破坏燃烧四要素（燃料、氧气、热量和化学链式反应）中的至少一个来扑灭火灾。室内灭火系统包括自动喷水灭火系统、冷凝气溶胶灭火系统(CAFS)、二氧化碳灭火系统以及声波灭火等创新技术。消防机器人如Colossus、Thermite系列和FireBot等，配备了先进的传感和灭火设备，能够在危险环境中自主运行。

室外灭火技术面临更大挑战，包括森林火灾、开阔工业区火灾和油井火灾。传统手段包括消防车、消防直升机和飞机，而新兴技术则包括灭火无人机、移动消防塔、涡轮发动机动力消防机器人等。团队开发的FireBot是一款自主监控机器人，集成了计算机视觉和导航系统，用于室内环境的火灾预防、早期检测和扑救。

锂离子电池火灾抑制

锂离子电池(LIBs)广泛应用于日常设备，但其安全问题日益突出。锂离子电池火灾的抑制需要特殊方法，因为传统灭火剂可能无效甚至加剧火情。美国国家消防协会(NFPA)标准NFPA 855规定了固定式储能系统的安全要求，强调主动冷却而非试图消除氧气。水、泡沫剂、二氧化碳和哈龙基剂各有优缺点，而防火毯等新型方法可以通过隔离燃烧来控制火势。

研究结论与意义

本研究系统综述了火灾探测与抑制技术的最新进展，指出了当前研究的挑战和未来方向。尽管技术进步显著，但减少响应时间和误报率仍是重要挑战。多模态数据融合、物联网(IoT)平台集成以及上下文感知系统代表了未来发展的重要趋势。

研究强调，单纯的火灾或烟雾特征检测不足以确保安全环境，迫切需要能够更深入理解环境和背景的系统。在室内环境中，系统需要能够识别火灾类型和燃烧材料；在室外环境中，结合植被、位置和天气数据的知识可以改进决策制定。

伦理考量也是未来研究的重要方面。随着机器人和人工智能在火灾检测与扑救中的集成日益深入，责任和伦理问题变得愈发重要。完全自主的系统在安全关键领域不应在没有人类监督的情况下运行，"人在环"(human-in-the-loop)框架对于涉及激活抑制系统等不可逆行动的关键决策至关重要。

这项研究的重要意义在于为开发下一代智能火灾防控系统提供了全面技术路线图，通过整合多模态传感数据、先进算法和自适应决策系统，有望显著提升复杂环境下的火灾预防、早期检测和高效扑救能力，最终减少火灾对人类生命、财产和自然环境造成的损失。