曹彥 張龍歌 潘盈 楊敏之 李赟俐

摘要：文章智慧安全管控系統(tǒng)貫穿生產(chǎn)作業(yè)周期，對(duì)風(fēng)險(xiǎn)告知、人的不安全行為、環(huán)境的不安全狀態(tài)等綜合因素，全程實(shí)時(shí)管控，起到事前告知、事中監(jiān)督、事后可追溯的作用。一旦監(jiān)測到影響安全作業(yè)的因素，就能實(shí)時(shí)報(bào)警，通知作業(yè)人員及安全管理人員。降低安全生產(chǎn)事故發(fā)生的風(fēng)險(xiǎn)，提高風(fēng)險(xiǎn)處置的能力和效率。

關(guān)鍵詞：智慧安全管控系統(tǒng); 實(shí)時(shí)管控; 降低; 報(bào)警

0 引言

在生產(chǎn)作業(yè)中，因人員主觀意識(shí)偏差、環(huán)境變化，存在風(fēng)險(xiǎn)意識(shí)不到位、麻痹大意、習(xí)慣性違章、環(huán)境影響等可能導(dǎo)致事故發(fā)生的因素，安全生產(chǎn)事故一旦發(fā)生，將會(huì)產(chǎn)生重大損失。為進(jìn)一步提升安全管理能力，配備一套基于計(jì)算機(jī)視覺、人工智能技術(shù)智慧安全管控系統(tǒng)尤為重要，以反違章、風(fēng)險(xiǎn)管控為切入點(diǎn)，致力于人員、物品、環(huán)境的安全管控，以達(dá)到提示作業(yè)風(fēng)險(xiǎn)、防止危險(xiǎn)事故、杜絕安全事故發(fā)生的目的。

1 智慧安全管控系統(tǒng)設(shè)計(jì)原理

1.1計(jì)算機(jī)視覺的應(yīng)用

計(jì)算機(jī)視覺是在感知層上最為重要的核心技術(shù)之一，它讓計(jì)算機(jī)能夠類比人類的眼睛。計(jì)算機(jī)視覺技術(shù)模擬生物視覺，將捕捉的圖像中的數(shù)據(jù)及信息進(jìn)行分析識(shí)別、檢測、跟蹤等，讓計(jì)算機(jī)能夠理解這些圖像。計(jì)算機(jī)視覺技術(shù)早已廣泛應(yīng)用到安防、自動(dòng)駕駛、醫(yī)療、消費(fèi)等領(lǐng)域。

1.2圖像處理

視覺系統(tǒng)中，視覺信息的處理主要是圖像處理，包括圖像增強(qiáng)、平滑（去噪）、銳化、分割等方法。經(jīng)過相應(yīng)的處理后，輸出圖像的質(zhì)量得到相當(dāng)程度的改善，便于計(jì)算機(jī)對(duì)圖像進(jìn)行分析、處理和識(shí)別。

1.2.1圖像增強(qiáng)

圖像增強(qiáng)主要是調(diào)整圖像的對(duì)比度，突出圖像中的重要細(xì)節(jié)。常采用修改圖像灰度直方圖的方式進(jìn)行圖像增強(qiáng)。圖像的灰度直方圖是表示一幅圖像灰度分布情況的統(tǒng)計(jì)特性圖表，它反映的是一幅圖像中各灰度級(jí)像素出現(xiàn)的頻率與灰度級(jí)的關(guān)系。通過灰度直方圖的形狀，可以判斷該圖像的清晰度和黑白對(duì)比度。

1.2.2圖像銳化

圖像銳化是為了加強(qiáng)圖像中的輪廓和細(xì)節(jié)，達(dá)到將物體從圖像中分離出來或?qū)⑼晃矬w表面的區(qū)域檢測出來的目的，這往往是后期視覺算法成敗的重要因素之一。

圖像銳化與圖像平滑正好相反，它需要保留高頻信息來達(dá)到保護(hù)細(xì)節(jié)的目的。本質(zhì)上是增加領(lǐng)域間像素的差值。銳化使用領(lǐng)域的微分作為算子，常用的一階微分算子有Sobel、Roberts、Priwitt，二階微分算子有Laplacian。

1.2.3圖像分割

圖像分割的本質(zhì)是將像素進(jìn)行分類，分類的依據(jù)是像素的灰度值、顏色、頻譜特性、空間特性或紋理特性等，把圖像劃分成若干個(gè)互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)表現(xiàn)出相似性或一致性，而在不同區(qū)域間則表現(xiàn)出明顯的不同。常用的分割方法有基于邊緣的分割、基于閾值的分割、基于區(qū)域的分割、基于人工神經(jīng)網(wǎng)絡(luò)的分割等。

1.3深度學(xué)習(xí)

1.3.1圖像識(shí)別

圖像識(shí)別是計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別各種不同模式的目標(biāo)和對(duì)象。

采用深度學(xué)習(xí)的圖像識(shí)別方法，首先收集大量的訓(xùn)練數(shù)據(jù)，對(duì)數(shù)據(jù)打標(biāo)，建立神經(jīng)網(wǎng)絡(luò)模型。然后將圖像和標(biāo)簽輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)優(yōu)。最后用訓(xùn)練好的模型對(duì)圖像進(jìn)行預(yù)測。

1.3.2目標(biāo)檢測

目標(biāo)檢測在識(shí)別的基礎(chǔ)上還要對(duì)目標(biāo)進(jìn)行定位。對(duì)目標(biāo)進(jìn)行動(dòng)態(tài)實(shí)時(shí)跟蹤定位在智能監(jiān)控系統(tǒng)具有廣泛的應(yīng)用價(jià)值。

2 智慧安全管控系統(tǒng)的研究

2.1對(duì)智慧安全管控系統(tǒng)的檢測算法研究

1）通過現(xiàn)場調(diào)查明確需要檢測的內(nèi)容，根據(jù)檢測內(nèi)容確定研發(fā)邊界。

2）根據(jù)不同種類的檢測內(nèi)容來確定使用不同的檢測算法。

環(huán)境監(jiān)測類：漏水漏液（滴漏、地上堆積）、火花、煙霧、光照明暗變化;

人員類：勞保用品佩戴（安全帽、安全帶、絕緣靴、絕緣手套等）、行人檢測、行人跟蹤、人員進(jìn)出、停留電子圍欄;

設(shè)備類：開關(guān)狀態(tài)、指示燈狀態(tài)、聲音、讀數(shù)。

2.2對(duì)危險(xiǎn)點(diǎn)風(fēng)險(xiǎn)庫的管理

利用導(dǎo)入的方式，將現(xiàn)場的危險(xiǎn)點(diǎn)風(fēng)險(xiǎn)庫存入系統(tǒng)中并可供人員實(shí)時(shí)查看。

2.3現(xiàn)場工業(yè)攝像頭數(shù)據(jù)接入及調(diào)度機(jī)制研究

接入現(xiàn)場現(xiàn)有的工業(yè)攝像頭的視頻流數(shù)據(jù);

對(duì)視頻流數(shù)據(jù)進(jìn)行處理，以利于算法進(jìn)行視頻中的危險(xiǎn)、違章事件的識(shí)別;

為保證實(shí)時(shí)性，需要研發(fā)一套調(diào)度系統(tǒng)，用于提升算法的圖像處理能力、多機(jī)位之間的輪轉(zhuǎn)能力。

2.4移動(dòng)工作站研究

基于智能安全管控的功能項(xiàng)，進(jìn)行移動(dòng)工作站的研究，讓安全管控盡在掌握。

2.5對(duì)智慧安全管控系統(tǒng)的檢測結(jié)果分析研究

1）通過對(duì)所有檢測結(jié)果的分析，提升整體風(fēng)險(xiǎn)檢測準(zhǔn)確度;

2）通過對(duì)不同風(fēng)險(xiǎn)的檢測結(jié)果分析，分別統(tǒng)計(jì)檢測各種類風(fēng)險(xiǎn)的準(zhǔn)確度;

3）對(duì)比分析在同一場景下，同一風(fēng)險(xiǎn)類型的不同動(dòng)作行為或者不同物體狀態(tài)對(duì)檢測結(jié)果的影響;

4）進(jìn)一步針對(duì)不同種類的風(fēng)險(xiǎn)采用不同的優(yōu)化方法提升檢測準(zhǔn)確度。

2.6對(duì)智慧安全管控系統(tǒng)的檢測結(jié)果的影響因素的分析研究

1）對(duì)比分析同一個(gè)風(fēng)險(xiǎn)行為和風(fēng)險(xiǎn)狀態(tài)，在不同環(huán)境下的檢測效果，要求在主要場景下都能準(zhǔn)確檢測;

2）進(jìn)一步針對(duì)不同具體場景對(duì)智慧安全管控系統(tǒng)進(jìn)行優(yōu)化，降低環(huán)境對(duì)檢測結(jié)果不良的影響。

2.7對(duì)智慧安全管控系統(tǒng)的檢測效果和可擴(kuò)展性的分析研究

1）統(tǒng)計(jì)智慧安全管控系統(tǒng)運(yùn)行前后一段時(shí)間內(nèi)的風(fēng)險(xiǎn)行為和狀態(tài)的數(shù)量，統(tǒng)計(jì)該系統(tǒng)提醒修正的風(fēng)險(xiǎn)數(shù)量來估計(jì)智慧安全管控系統(tǒng)的預(yù)防作用，同時(shí)可以根據(jù)以往數(shù)據(jù)預(yù)估未來每月的風(fēng)險(xiǎn)發(fā)生次數(shù)。

2）統(tǒng)計(jì)現(xiàn)場系統(tǒng)觀察到卻未檢測出的風(fēng)險(xiǎn)和系統(tǒng)未觀察到的風(fēng)險(xiǎn)，并進(jìn)行分析分類。評(píng)估系統(tǒng)后續(xù)可以擴(kuò)充的多維度安全管控措施，預(yù)估這些措施可以針對(duì)解決哪一類風(fēng)險(xiǎn)以及解決到什么程度。

參考文獻(xiàn)

[1]Christopher M Bishop. Pattern Recognition and Machine Learning. 2006.

[2]Ross Girshick. Fast R-CNN. IEEE international Conference on Computer Vision（ICCV），1440-1448，2015.

[3]Kaiming He， Xiangyu Zhang， Shaoqing Ren， Jian Sun. Deep Residual Learning for Image Recognition.2015.