摘? 要：本文根據(jù)施工現(xiàn)場管理特點，引入實時視頻分析中海油施工場景隱患方面的應用以及模型的優(yōu)化。為解決海洋工程現(xiàn)場工作人員不佩戴安全帽，未正確穿著服裝，進入禁止區(qū)域等情況，避免因違規(guī)操作或違反規(guī)定，造成不必要的傷亡或損失，提出一套基于海油施工現(xiàn)場的視頻識別告警系統(tǒng)，設計一套綜合利用安全帽顏色、輪廓，服裝特點以及多層神經網絡分類建立的統(tǒng)計模型，對是否佩戴安全帽，是否正確穿著服裝，是否進入禁行區(qū)域進行檢測識別。從而在一定程度上杜絕了安全隱患。

關鍵詞：違規(guī)操作;安全隱患;檢測識別

中圖分類號：TP391.41;TP277? ? 文獻標識碼：A? ? 文章編號：2096-6903（2020）09-0000-00

0 引言

石油化工生產作為能量高度集中的生產行業(yè)，安全防范的要求極其嚴格。在生產施工過程中，容易引發(fā)各種安全事故。研究發(fā)現(xiàn)事故涉及的原因多種多樣，包括管理、人員素質、設備工具等各種問題。要想減少事故的發(fā)生，就要從根源預防，對施工中存在的違規(guī)操作的安全隱患進行識別和告警[1]。目前在視頻監(jiān)控普遍使用的情況下，網絡和高清監(jiān)控已經具備通過攝像機和NVR采集和轉發(fā)的條件，最后通過視頻檢測識別算法對存在的安全隱患進行識別和告警。

1 現(xiàn)階段我國海油施工現(xiàn)場的安全隱患檢測與發(fā)展

現(xiàn)階段我國越來越重視海工企業(yè)生產的安全性，在新冠肺炎期間對于海工企業(yè)的生產提出了更高要求。并且隨著國民經濟的持續(xù)發(fā)展，海工企業(yè)也隨之不斷壯大，對于傳統(tǒng)的基于人工檢測安全隱患來實現(xiàn)預防事故的發(fā)生已經變得不再現(xiàn)實。而實時視頻分析充分解決了這個問題。本項目基于監(jiān)控攝像頭采集施工作業(yè)環(huán)境下場景視頻流，利用數(shù)字圖像處理、模式識別、深度學習及機器學習等技術，實現(xiàn)智能的安全告警控制系統(tǒng)[2]。結合復雜施工作業(yè)環(huán)境下的安全規(guī)范，研究基于視頻識別和分析的非接觸式檢測技術，實現(xiàn)了對作業(yè)人員是否正確穿戴安全帽、口罩、護目鏡、工作服的檢測，對于規(guī)定禁行區(qū)域是否有人違規(guī)進入的檢測。

2 卷積神經網絡的基礎理論與YOLO算法

2.1 卷積神經網絡

CNN為深度學習的一種深度神經網絡模型。其是一種區(qū)別于單層神經網絡的一種模型，其組成包含卷積層、池化層及全連接層等。其中，在每一層中含有很多神經元。卷積神經元區(qū)別于傳統(tǒng)神經元系統(tǒng)，取消了圖像前期處理流程，直接將標注信息的圖像輸入到神經網絡中，進而將計算的復雜度降低[3]。，卷積神經網絡的層次之間聯(lián)系非常緊密，緊密的空間非常適合圖像的處理，而且可以從圖像里獲取非常豐富的特性。

2.2 YOLO算法

YOLO算法，顧名思義，就是在識別目標時，算法只需要對圖片看一次即可，通過看一眼，就可以對目標的類別和對象的坐標概率進行識別。該算法識別目標和檢測目標任務放置在同一個神經網絡中，進而將識別運算簡化。算法包含24個卷積層與2個連接層，將目標分類和定位相結合，在單個模型中體現(xiàn)出來[4]。通過訓練模型，首先在誤差范圍內核定每個權重的梯度，再者，優(yōu)化梯度的算法，進而更新權重，最后，選出最優(yōu)的檢測模型。

3 針對海工場景的優(yōu)化算法

3.1 調整YOLO的網絡結構

對于采用樣本監(jiān)督訓練來對一般目標進行檢測，這種檢測方式，一般會有圖像遮擋、小目標無法識別、海上復雜環(huán)境無法適應等缺點。因此，我們對此項目的算法進行了優(yōu)化，采用了基于YOLO的半監(jiān)督學習算法。通過結合監(jiān)督和半監(jiān)督學習方式，利用標注好的信息與未知樣本進行共同學習，對大型公共數(shù)據(jù)進行采集，對真實環(huán)境進行預訓練和學習，得到泛化模型[5]。再對泛化模型進行半監(jiān)督在線學習，這樣可以提高特定場景下識別的準確性和泛化能力。該算法的整體流程圖如圖1所示。

3.2 選擇制作新的數(shù)據(jù)集

通過對工地的調查，收集大量樣本數(shù)據(jù)。將獲取到的樣本采用LabelImg進行標注，進而產生訓練所要的xml的文件，該文件中包含了目標分類名稱和目標位置信息。通過將隨機參數(shù)設置方法調節(jié)至原始圖像的亮度、飽和度和對比度，可以擴充數(shù)據(jù)集的量級，更好地應對更多復雜光線環(huán)境。然后，將數(shù)據(jù)集中90%作為訓練集，10%作為測試集，使用darknet53.conv.74預訓練權重對數(shù)據(jù)集進行訓練。

4 算法驗證

通過訓練，所得到結果如表1所示：將學習率設定在10E-5，在大約訓練迭代到9000次時，模型已經有了一定效果。通過目標分類識別，可以進一步降低誤報的幾率，最后統(tǒng)計其在數(shù)據(jù)集上的查準率，查全率以及每秒識別幀數(shù)。

5 結論

通過視頻識別與視頻監(jiān)控結合來排查海工復雜作業(yè)場景的安全隱患具有技術可行、效果顯著、前景廣闊等特點。上述場景成功應用的同時也給我們研究開辟了新的道路和方向，我們應該更加深入研究技術和應用這兩個層面，首先是增加數(shù)據(jù)集，優(yōu)化訓練模型，進而提高識別的精度，再者，擴充應用場景，在不久的將來，將研究成果應用到更加豐富的海上生產，從而更加有效地提升海洋工程生產安全管控能力和服務水平。

參考文獻

[1] 鄭世寶.智能視頻監(jiān)控技術與應用[J].電視技術，2009，33（1）：94-6.

[2] 范亞男，葛衛(wèi)麗.智能視頻監(jiān)控系統(tǒng)發(fā)展及應用[J].價值工程，2010，29（17）：97-8.

[3] 王素玉，沈蘭蓀.智能視覺監(jiān)控技術研究進展[J].中國圖象圖形學報，2007，12（9）：1505-14.

[4] 宮世杰，王薇，郭喬進，等.視頻監(jiān)控系統(tǒng)發(fā)展現(xiàn)狀與趨勢[J].科技技術創(chuàng)新，2018（29）：81-82.

[5] 肖東暉，林立.電力系統(tǒng)統(tǒng)一視頻監(jiān)控平臺解決方案[J].電力系統(tǒng)自動化，2013，37（5）：74-79.

收稿日期：2020-08-02

作者簡介：李躍（1983—），男，天津人，本科，工程師，研究方向：海洋工程安全管理。