AI機器視覺智能監管系統在危險化學品安全管控中的應用

高 翔，睢星飛，李曉亮，孫 濤，張雋麒

（中海油安全技術服務有限公司，天津 300450）

危險化學品生產企業的安全管理和安全事故防范是化工企業的一個主要研究方向。在危險化學品生產企業的安全管理工作中，企業的管理者要不斷地探索和創新企業的安全管理方法和安全事故防范模式，從而提高其總體安全管理水平。但是通過分析當前我國危險化學品管理工作的實際來看，由于受到管理方式、管理技術以及管理理念等的影響，導致危險化學品的安全事故時常發生，需要對其進行進一步的強化。在信息科技快速發展的今天，我們已經進入了信息化和智能化的時代。信息技術的高效應用對生產力的發展起到了巨大的促進作用。將AI機器視覺智能監管技術用于安全生產的基本管理中，對于提升化學品安全生產的質量，加大信息交換具有重要的意義[1]。《“十四五”危險化學品安全生產規劃方案》指出，要加強安全管理的信息化、信息化，并在全國范圍內廣泛開展。在《全國危險化學品安全風險集中治理方案》中明確提出了要加強“信息化、智能化”的要求，并在此基礎上提出了加強“五化”的要求。因此，對危險化學品的安全管理工作的開展已經成為化工企業迫在眉睫的一項作業。

1 AI機器視覺智能監管系統建設的原理及技術要點

在現代社會的背景下，信息技術發展迅速使得人工智能和物聯網應用技術在人們的日常生活中被廣泛應用。人工智能是當今信息科技的中心，在通信系統、網絡系統中扮演著非常重要的角色。利用人工智能技術可以更好地發展先進的網絡系統，使之達到智能化、自動化的程度。該項技術在實際使用的過程中能夠直接對靜止的攝像頭以及移動機器人采集到的數據等進行收取，同時將人工智能技術中的機器視覺技術實現對整個視頻和圖像的智能分析[2]。以設備、材料、人員、車輛和環境為研究對象，通過對視頻源中的重要對象進行識別和提取，實現對視頻源中的有效信息的自動分析和提取，實現以相機替代人眼，以更加“聰明”的方式進行學習和思維。這一監管系統的應用能夠達到24 h不間斷、無人的智能值班，使資源和人力得到了極大的節省的目的，這種方法能夠迅速地檢測出各種類型的安全隱患，并對其進行預警，從而減少人工巡檢的工作壓力。同時，管理者也可基于自身增強風險意識加速緊急事件的響應速度，提高安全監察及預防工作效率。因此，AI機器視覺智能監管擬解決的關鍵科學問題為面向云-邊-端-機器視覺小樣本分析模型和算法的應用。

1.1 基于深度學習的小樣本機器視覺視頻分析模型與算法開發

深度學習是當前我國人工智能技術應用過程中重點研究的一個方向，它通過對樣本數據內部的規則和表達方式進行學習，從而有效地理解文本、圖像、語音等信息。其終極目的是使機器具備與人類類似的分析學習功能。深度學習作為一種先進的機器學習方法其在語音、圖像識別等領域的應用效果遠超現有方法，同時在多個領域中也得到了較好的應用。

目前，我國應用的深度網絡的物體識別方法主要是使用R-CNN、快R-CNN和FasterR-CNN等[3]。R-CNN將卷積神經網絡用于物體識別，該算法能夠直接達到對收集內容的提取和分類的優勢，在此基礎上對區域提名等進行識別。該方法由3個步驟組成：①生成候選區；②該方法首先采用卷積、池化等方法對各候選區域進行卷積、池化等操作，提取出具有一定長度的特征；③分類上一個階段的輸出向量，然后利用邊緣窗回歸方法提取出準確的對象范圍，從而實現對物體的識別。

Fast R-CNN的出現有效地解決了R-CNN測試速度慢、訓練速度慢、占用訓練空間較大等問題。該算法的基本步驟主要有以下4個方面。①生成一個類似于R-CNN的候選點，并利用Selective Serach算法生成一個候選點；②把規范化的圖像置于CNN神經網絡中，利用CNN對圖像進行特征提取；③RoI池化從原始圖的候選框架到特征圖譜之間的映射關系，在RoI池化層中能夠達到實現對每個特征幀的池化操作；④借助第三步驟的提取信息可以得到一個完整的連通層，也能實現對邊界窗口的分類和整理，從而得到最終的結果[4]。

FasterR-CNN是一種基于R-CNN與RCNN的融合方法，通過對4個關鍵步驟的有機結合來增強算法的完整性和可行性。①構建卷積神經網絡提取出一幅圖像的特征圖，并把它分享給后繼的RPN層、全連通層；②使用RPN神經網絡構建候選窗；③采用RoI池將前兩個層次產生的窗口和特征圖進行融合，從而得到一種新候選區的特征圖譜，并將其導入到下一步的全局連通層判斷對象類別。④根據選定的區域特征圖確定待選區域的類別，然后對選定對象的邊緣進行再細化，從而得到準確的物體位置。

目前，以深度學習為基礎的機器視覺研究存在樣本少、非對稱、噪聲大等非完美特性，導致現有的算法很難用于實際的安全監測與管理。因此，為改善這一研究困境，本研究將為AI機器視覺智能監管系統提供新的思路與方法，具體研究內容包括：①基于生成對抗理論的小樣本機器視覺數據增強方法研究。當前，深度學習的算法模式在很多場景中得到了較好的應用，但由于其具有完全監督的學習特性使得它很難在不均衡的故障樣本下有效地處理故障。本研究擬在機器視覺分析中引入博弈情景半監督特征學習，采用生成式對抗理論構建均衡數據集，選取合適的生成器和區分算子，實現不均衡數據的增強；②研究面向小樣本數據的特定特征抽取算法。基于此，本研究擬基于深度神經網絡，通過訓練樣本的特征，采用與原始樣本特征分布相近的方法重構樣本，實現樣本數目的增加。通過對所建模型的源、目區域進行分區，在此基礎上，借助遷移學習技術等的優勢能夠達到對現行的運行數據等進行分析和應用，這樣的方式有助于減少計算的時間，同時還能針對一些人工無法挖掘的數據等進行分析，對于提升整體的智能機器視覺監控系統的智能化水準具有重要的意義[5]。

1.2 云-邊-端-機器人融合的智能視覺分析應用

人工智能已經成為當前人們生活中不可缺少的一項重要技術，且在不同的行業中得到了普遍的應用。當前，我國人工智能技術中的AI機器人技術已經逐漸發展成成熟的趨勢，在不同的行業中都得到了較好的應用，且智能化場景的應用越來越多。尤其是在5G技術的支持下通過安裝高清、紅外等傳感裝置，根據預定的線路巡視重點區域實現固定攝像頭的盲區，形成全方位的監控系統。以AI機器視覺智能監管系統為基礎運用智能監管系統中的工業互聯網、大數據、人工智能（AI）等新一代信息技術，使現行的安全標準化管理系統實現信息化、數字化、網絡化、智能化的目標，提高其運行效能[6]。

2 AI機器視覺智能監管系統在危險化學品安全管控中的應用

AI機器視覺智能監控系統可以根據危險化學品工業的特征，通過視頻智能分析技術對化工生產中存在的各種安全風險進行快速檢測，并提出相關的預警，從而降低工作人員的工作壓力，增強企業對安全隱患的感知，加速事故的預警和響應[7]。最后，借助感知分析技術能夠研發云-邊-端-機混為一體的智能監控應用。如衣著監視，越界監視，行人路線監視，周邊監視、警報系統等等。AI機器視覺智能監管系統以危化品工業為研究對象，以監控人員、車輛、設備和環境異常行為為研究對象，可以達到實現不低于10種可視化智能分析算法，具體見圖1。同時，可以通過對特種作業全過程的流程與軌跡管理使特種作業的申請、審核、批準、監護、驗收等全過程信息化、標準化、數字化、網絡化、程序化管理。并能在設備設施信息數據庫中對聯鎖切除、恢復、變更、送電等的狀態作出校驗。

圖1 危險化學品行業視覺智能監測擬實現算法

3 結語

綜上所述，AI機器視覺智能監管系統轉變了傳統監管模式的不同，在危險化學品安全管理方面的賦能并不局限于上述幾個方面，通過對現行的安全標準化管理工作進行信息化、數字化、網絡化和智能化的監管，一定可以提高目前的安全管理水平和能力。本研究在現有的研究算法的基礎上分析其該監管系統在危險化學品安全管控中的應用，可以幫助化工企業提升其監管預警效果，在此基礎上將視覺引導機器人的自動決策路徑進行應用，可為化工企業提供更加優質的管理與服務。