基于无线感知的城市高层建筑非视距火灾检测方法

《ADVANCED ENGINEERING INFORMATICS》：NLoS fire detection method for urban high-rise buildings based on wireless sensing

　　

摘要
现有的基于烟雾和视觉的非视距（NLoS）高层建筑火灾检测方法面临重大挑战，因为它们局限于视距（LoS）检测，导致夜间高层建筑火灾蔓延造成频繁的人员伤亡。为解决此局限，本文提出了一种非视距火灾检测（NFD）方法，该方法利用基于现有 2.4 GHz 无线技术（如 Wi-Fi、BLE 和 ZigBee）从家用无线设备中提取的接收信号强度（RSS）特征。针对一维 RSS 数据特征不足的问题，本文结合一维 RSS 时间序列及其二维图像表示来增强火灾检测性能。此外，考虑到高层建筑中的人类行为也会影响 RSS 特征，以及烟雾弥漫火灾场景下的人员定位需求，本文聚焦于室内非视距人火识别问题。实验结果表明，所提出的 NFD 方法平均准确率达到 96.38%，并在人类活动干扰下保持了强泛化能力。此外，数据集和代码已公开，链接为：https://github.com/T-bjq/NFD。

引言
在现代城市环境中，特别是高层建筑和密集居住区，火灾爆发对人类生命和财产构成重大威胁 [1], [2]。2025 年 11 月 26 日发生的香港宏福苑火灾事件，遇难人数增至 161 人，这是一起令全世界人类痛苦的灾难，充分暴露了现代高层建筑火灾的危害性。然而，事后的调查报告显示，宏福苑大楼部署的烟雾和温度火灾探测器由于缺乏维护，随时间推移已基本失效。此外，依赖烟雾、气体、温度传感器或监控摄像头的传统火灾检测系统已广泛部署；然而，当存在墙壁或天花板等物理障碍时，它们往往难以检测相邻房间或跨楼层发生的事件。这种局限性在夜间尤为关键，此时住户正在睡觉，对早期火灾线索的察觉较少。在此类场景中，未被检测到的火灾可能迅速升级，显著增加人员伤亡和财产损失的风险。

如图 1 所示，夜间高层建筑火灾可能严重威胁城市居民的生命，因为烟雾扩散迅速，许多住户正在睡觉，且在复杂的垂直结构中疏散更为困难。图 1 总结了几个代表性案例，包括美国新泽西州 2025 年高层建筑火灾（2 人死亡）、西班牙瓦伦西亚 2024 年火灾（9 人死亡）、中国南京 2024 年火灾（15 人死亡），以及 2023 年 9 月 12 日午夜发生在越南河内一栋 9 层住宅楼特别悲惨的火灾，造成至少 56 人丧生。由此可见，这些灾难凸显了现有视距检测技术在高层建筑环境中的局限性。因此，有必要探索能够检测视距之外火灾事件的传感技术，包括穿墙或跨楼层环境，以确保及时报警和全面覆盖。

目前，许多火灾检测系统依赖于传统的基于传感器的方法，从烟雾、气体或温度传感器收集一维时间序列数据。Gambiro?a [3] 引入了长短期记忆（LSTM）网络来建模气体传感器的瞬态响应，提高了预测准确性和检测可靠性。Meng [4] 利用气体传感器阵列来识别电缆绝缘层热故障期间释放的特征挥发性化合物，从而实现无需依赖视觉数据的早期火灾预警。Fouzar [5] 提出了一种基于磷光衰减的光纤温度传感器，专为危险环境设计，用于检测热异常。Thohir [6] 应用卡尔曼滤波来提高传感器信号的鲁棒性，用于早期火灾风险检测，而 Keerthi [7] 将此类传感技术扩展到可穿戴设备，用于基于 CO 和烟雾趋势的个人级安全监控。总之，基于一维传感器的火灾检测具有成本效益高且易于部署的特点，适用于各种应用。然而，它缺乏空间信息，且难以捕捉火焰和烟雾图案等视觉线索。为了克服这些局限，近年来基于二维视觉的方法引起了关注。

随着深度学习与计算机视觉的融合，基于二维视觉的火灾检测方法日益受到关注。这些方法分析可见或红外图像中火焰和烟雾的空间模式和动态视觉特征。Ribeiro [8] 引入了用于燃烧区域检测的语义分割数据集，并使用深度 CNN 评估性能。Jin [9] 对视频监控中的深度学习火灾检测技术进行了全面综述，包括开放数据集和挑战。Yang [10] 提出了一种结合 RGB 和热红外图像的融合方法，以改善遮挡和低光条件下的检测。Shamsoshoara [11] 开发了大规模无人机野火图像数据集，并验证其用于训练基于 YOLO 的模型。Lin [12] 提出了半监督视频火灾检测方法 FireMatch，将一致性正则化与分布对齐相结合，有效利用无标签数据以提高有限监督下的检测准确性。总之，结合深度学习的视觉火灾检测方法提供了高精度的定位和分割，增强了智能监控和环境监测中的火灾响应能力。然而，它们对红外图像等视觉数据的依赖使其在低能见度条件下容易性能下降。

然而，传统传感器和视觉火灾检测系统在非视距条件下表现不佳，凸显了对更适应性解决方案的迫切需求。由于无线信号的穿墙特性，且现代高层建筑大多配备 Wi-Fi 网络以满足居民信息传输和获取的需求。为解决此问题，研究人员探索了基于信道状态信息（CSI）特征的 Wi-Fi 非视距火灾检测方法，该方法具有被动部署、低成本和强信号穿透力的优势。Zhong [13] 提出了 Wi-Fire，一种利用离散小波变换（DWT）、功率谱密度（PSD）和相位差提取 CSI 幅度和相位特征的火灾检测系统，在视距和非视距环境中均实现了超过 96.67% 的检测准确率。Li [14] 进一步开发了一种使用树莓派跨 2.4 GHz 和 5 GHz Wi-Fi 频段的 Wi-Fi 火灾传感方法，确认火灾会引起 CSI 幅度和相位的扰动。总之，基于 CSI 的火灾检测系统建立了一种被动的新范式，并为城市高层建筑火灾的非视距预警提供了技术支持。

尽管火灾检测技术取得了显著进展，但仍存在几个关键局限性。大多数现有系统依赖于安装在特定区域内的专用传感器或监控摄像头，这将火灾检测限制在视距空间内。例如，烟雾探测器和监控摄像头通常仅限于检测同一房间内的火灾事件，且其性能可能会因烹饪油烟或灰尘积聚等非火灾因素而进一步受损，香港宏福苑大楼内的探测器未能提供预警便是由于此原因。因此，发生在墙壁后或跨楼层的火灾事件可能未被检测到，延迟了疏散并增加了住户的风险。此外，确保大面积覆盖需要大量的硬件部署和维护，导致高成本，限制了此类系统在大范围或资源受限环境中的可扩展性和实用性。基于摄像头的方法虽然提供了丰富的空间信息，但引入了隐私担忧，可能不适合敏感或私密的室内场景。

最近，使用从 Wi-Fi 网络提取的 CSI 特征的无线感知火灾检测技术作为一种有前途的替代方案出现，支持无需额外基础设施的非视距检测。然而，当前基于 Wi-Fi 的系统主要关注检测火灾的存在，缺乏识别个人是否仍存在于危险区域的能力——这是指导救援行动的必要要求。更重要的是，CSI 数据收集只能通过使用改进固件的 NIC5300、ESP32 CSI TOOL、中兴通讯 CSI TOOL 和 Atheros-CSI-Tool 等特定工具实现 [15]。由于 CSI 数据量大，这些 Wi-Fi 设备在收集 CSI 数据时无法实现基本的无线通信，意味着 CSI 收集和无线通信功能只能二者择一。此外，CSI 只能基于正交频分复用（OFDM）调制模式的无线收发器上获得，如 Wi-Fi 收发器、5G NR 技术。

然而，标准 Wi-Fi、BLE、ZigBee 等家用无线通信技术只能收集 RSS 数据，且收集过程不影响家庭无线通信系统的鲁棒性。鉴于 RSS 数据收集机制不影响现有通信设备（如智能手机、蓝牙扬声器、ZigBee 网关等家用无线设备）的数据交互性，迫切需要根据 RSS 提供一种经济、高效且可靠的火灾检测方法，以识别相邻公寓的火灾事件并向居民提供更及时的预警信息。因此，有必要研究基于 RSS 的解决方案，以提高非视距火灾检测方法的泛化能力。

总之，尽管无线感知和多模态学习方法已在相关领域进行了探索，但由于建筑物内不可避免的人类活动，其在非视距火灾检测中的应用仍然有限。大多数现有的依赖信道特征的无线传感技术仅关注二元火灾检测，仅区分火灾和非火灾状况，特别是缺乏与人火联合场景识别的集成。因此，利用轻量级 RSS 数据特征开发适用于复杂室内环境的实用火灾检测方法是一个有前途的未来方向。

为了克服上述挑战，本文提出了一种新的火灾检测方法，利用从公寓中常见的 Wi-Fi、BLE 和 ZigBee 信号中提取的 RSS 特性，无需额外的传感器或摄像头。通过利用现有的家庭无线基础设施，所提出的方法实现了具有成本效益的部署，并利用无线信号的穿墙特性，即使在非视距条件下也能检测火灾引起的环境干扰。与只能应用于特定 Wi-Fi 设备的现有基于 CSI 的方法不同，所提出的基于 RSS 的方法可应用于任何 2.4 GHz 频段收发器，如 Wi-Fi、BLE、ZigBee 等，使其更适合现实环境中的实际应用。此外，所提出的方法借鉴了现有火灾检测中二维图像识别的原理，结合了一维时间序列分析和二维模式感知的优势，以增强基于 RSS 特征的非视距火灾检测性能。总之，本文的贡献有三点：
• 本文提出了一种基于 RSS 的非视距火灾检测方法，利用高层建筑环境中广泛可用的无线信号。与依赖专用硬件的现有基于 CSI 的方法不同，所提出的方法利用了已广泛部署的 Wi-Fi、BLE 和 ZigBee 设备，增强了实用性和部署可扩展性。
• 为了应对 RSS 时间序列数据特征表示不足的局限，本文引入了一种多模态特征提取框架，将一维时间信号与其基于 GASF 的二维表示相结合。此设计使模型能够捕捉 RSS 信号中嵌入的时间动态和全局相关模式。
• 考虑到人类活动对 RSS 信号的影响以及应急响应的实际需求，本文将常规的二元火灾检测扩展为联合人火分类框架。具体来说，该模型在火灾和非火灾场景下区分不同的人员存在状况。此设计提供了更丰富的态势感知，不仅能够检测火灾事件，还能估算潜在的人员存在水平，这对于现实火灾紧急情况中的优先救援至关重要。

论文结构如下：第二节深入探讨了火灾检测原理，为我们的方法论提供了基础。第三节详细说明了 NFD 方法的实现。第四节概述了实验设置和结果。第五节提供了结论和未来方向。

章节片段
应用场景
考虑到夜间高层建筑休眠居民对非视距火灾预警的需求，所提出的 NFD 方法是专为夜间居住环境定制的，此时住户通常处于不活动状态，环境条件相对稳定。与白天不同，白天通常涉及频繁移动、人类活动和变化的室内动态，这可能导致无线信号模式波动，而夜间环境提供了更可预测的无线

所提出的 NFD 方法概述
基于上述分析，本文提出了一种双路径 NFD 方法，充分利用 RSS 信号中的互补信息以提高鲁棒性。

火灾引发的烟雾积聚和人员运动会产生显著不同的时间动态特征，如渐进式衰减和瞬时波动，这些特征可通过基于1D GRU的路径有效捕捉。同时，将RSS序列转换为2D GASF图像能够揭示相关结构和多尺度模式，适用于空间特征

实验布局
本实验基于国际标准《火灾探测和报警系统 第9部分：火灾探测器的测试火灾》(ISO/TR 7240–9:2022)，构建了三种典型实验场景，并在三种类型的室内环境中进行了RSS数据采集。此外，考虑到建筑物内不可避免地存在人员活动，实验设置还构建了涉及人员运动的NLoS火灾检测场景。相应的实验

结论
本文提出了一种NLoS火灾检测方法，为城市高层建筑环境中的火灾检测提供了有效解决方案。通过结合GRU和CNN-Transformer架构以及基于自注意力的融合方法，对RSS数据的时间序列特征和图像特征进行联合建模，所提出的NFD方法能够同时捕捉时间动态特征和空间模式。实验结果表明，所提出的方法优于单模态基线方法，并展现出强大的泛化能力。

CRediT作者贡献声明
楼亮亮：研究方法论、调查研究。鲍佳倩：项目管理、研究方法论、概念构思。周苗：软件、数据管理。张世清：可视化。

利益冲突声明
作者声明没有已知的竞争经济利益或个人关系可能对本文报道的工作产生影响。