基于海油施工場景實時視頻隱患檢測平臺的方法研究

摘? 要：本文根據施工現場管理特點，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化。為解決海洋工程現場工作人員不佩戴安全帽，未正確穿著服裝，進入禁止區域等情況，避免因違規操作或違反規定，造成不必要的傷亡或損失，提出一套基于海油施工現場的視頻識別告警系統，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，安全防范的要求極其嚴格。在生產施工過程中，容易引發各種安全事故。研究發現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。要想減少事故的發生，就要從根源預防，對施工中存在的違規操作的安全隱患進行識別和告警[1]。目前在視頻監控普遍使用的情況下，網絡和高清監控已經具備通過攝像機和NVR采集和轉發的條件，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 現階段我國海油施工現場的安全隱患檢測與發展

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

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。卷積神經元區別于傳統神經元系統，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，優化梯度的算法，進而更新權重，最后，選出最優的檢測模型。

3 針對海工場景的優化算法

3.1 調整YOLO的網絡結構

對于采用樣本監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、海上復雜環境無法適應等缺點。因此，我們對此項目的算法進行了優化，采用了基于YOLO的半監督學習算法。通過結合監督和半監督學習方式，利用標注好的信息與未知樣本進行共同學習，對大型公共數據進行采集，對真實環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 選擇制作新的數據集

通過對工地的調查，收集大量樣本數據。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。通過將隨機參數設置方法調節至原始圖像的亮度、飽和度和對比度，可以擴充數據集的量級，更好地應對更多復雜光線環境。然后，將數據集中90%作為訓練集，10%作為測試集，使用darknet53.conv.74預訓練權重對數據集進行訓練。

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，最后統計其在數據集上的查準率，查全率以及每秒識別幀數。

5 結論

通過視頻識別與視頻監控結合來排查海工復雜作業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，首先是增加數據集，優化訓練模型，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.智能視頻監控技術與應用[J].電視技術，2009，33（1）：94-6.

[2] 范亞男，葛衛麗.智能視頻監控系統發展及應用[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.視頻監控系統發展現狀與趨勢[J].科技技術創新，2018（29）：81-82.

[5] 肖東暉，林立.電力系統統一視頻監控平臺解決方案[J].電力系統自動化，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。