視頻分析技術在鋼鐵生產企業火災隱患檢測中的應用

陳軼毅

摘 ? 要：鋼鐵制造業的生產活動，具有較高的火災風險。文章介紹了一種基于深度學習的火災隱患預警系統，包括火苗和滅火設備識別、人物域聯合定位和人員抽煙分析的功能模塊。通過與人工管理相配合，及時檢測火災風險，提前預警。該系統可以作為管理者的輔助工具配合使用，使得管理效果最優化。

關鍵詞：視頻分析;火災預警;安全管理

隨著科技的進步和經濟的發展，鋼鐵冶金企業的生產規模越來越大，鋼鐵產量和質量逐年提高。生產規模的擴大也放大了安全風險，使得安全工作愈發重要，稍有不慎就容易導致嚴重的經濟損失甚至人身傷害。鋼鐵制造業作業區域環境復雜、工藝流程復雜，常常伴有高溫、高壓，同時，在生產和加工的過程中，大量使用易燃、易爆的物品或氣體，導致了鋼鐵生產行業火災事故高損失和多發性的特點。

為了最大限度地杜絕火災安全隱患，需要對重點區域進行防火。不同于普通室內火災監控技術，鋼鐵制造業作業活動的火災隱患檢測，具有作業區域環境復雜的特點，各種因素的影響為實時監控帶來了困難。隨著計算機技術的發展和圖像識別技術的廣泛普及，通過視頻分析技術智能地進行火情監控將是未來火災預警的重要手段。

當前，基于深度學習的人工智能圖像識別技術，已經在安防、醫療、生產管理等各個行業展開應用。得益于機器學習算法的發展和硬件設備計算能力的不斷提高，如今，可以通過人工智能進行圖像的識別分析和異常行為判斷。因此，本文采用基于深度學習的視頻分析技術，協助鋼鐵行業生產現場的火災防范。在減輕管理人員負擔的同時，提高監管效率，覆蓋人力監管的盲區和死角。在火災隱患出現的第一時間杜絕，對潛在的危險進行提早發現、提早警報、提早指示，將生產中的危險因素降至最低。

1 ? ?視頻分析安全管理系統功能模塊

本文中將系統分成3個模塊介紹，對現場生產的關鍵環節和關鍵行為進行火災風險管控，分別是火苗和滅火設備識別模塊、人物域聯合定位模塊、人員抽煙分析模塊。這幾個功能模塊覆蓋了生產安全監控的最主要環節，其有機結合可以高效地杜絕監護死角，從操作開始、操作進行到操作完成結束，全方面地進行視頻安全分析。

1.1 ?火苗和滅火設備識別模塊

鋼鐵生產企業具有大量動火的環節，這些環節是火災易發的重點區域，需要進行嚴格把控。例如，在焊接過程中，稍有不慎可能引燃助燃物造成事故。基于人工智能的視頻分析模塊，可以對火焰和火星進行學習，通過對火焰的識別進行火災的早期發現。同時，對火星四濺的情況、動火作業無監護人的問題，火苗識別模塊系統將進行風險判斷和預警。通過對攝像頭采集的視頻數據進行實時分析，可以做到不安全行為的事中警告和事后記錄。應用AI圖像智能識別技術分析和判斷標準化作業異常信息，并結合人臉識別及時定位違規人員。

如圖1所示，以動火作業為例，對火苗狀態進行識別，保證電焊施工的火苗在可控范圍內，同時，對滅火器進行識別，保證施工現場設備符合安全規范。

1.2 ?人物域聯合定位模塊

由于衛星信號弱、內部三維環境復雜、障礙物較多等原因，室內定位無法使用室外常用的GPS等方式進行。試驗階段的技術，如近場通信（Near Field Communication，NFC）定位、WiFi定位等技術并不成熟，容易造成誤判[1]。由于生產線上每位人員都需要佩戴安全帽，本文使用帶有超寬帶（Ultra Wide Band，UWB）定位功能的安全帽，通過安全帽上集成的芯片與無線接收器配合，準確地定位每一個人員包括樓層在內的三維位置，圖2是UWB示意。使用安全帽定位的另一個優點是通過安全帽芯片編號與人員ID的一一對應，可以很容易地識別每個人員的具體身份。

基于UWB室內定位顯示人、物位置，電子圍欄功能，按照預設位置邏輯，實現人、物和域位置關系的精準掌控，促進員工標準化作業。采用2D/3D空間建模技術，能對建筑進行空間建模。通過人員點位，輔助危險物體檢測和危險區域劃分，可以準確地獲得操作人員、物品和危險區域的相對位置，保證指定人員、指定物品在指定區域，防止異常情況的出現，具體如圖3所示。

1.3 ?人員抽煙分析模塊

操作人員在禁煙區域內抽煙非常容易導致安全事故發生，傳統的煙霧報警系統在空曠的鋼鐵企業車間中不僅難以及時奏效，還可能因為正常流程中的高溫高壓作業而造成誤報。針對傳統煙霧報警系統的這些問題，開發了基于視頻分析的人員抽煙檢測技術，專門用于鋼鐵企業場景中的抽煙檢測。

由于香煙的體積很小，無法直接通過圖像識別進行精確判斷。系統采用兩級串聯的方式進行抽煙行為的檢測：第一級采用的是人體關鍵點算法，對人體關鍵點進行定位，分析人體的頭部、前臂、后臂、手腕和腳踝等關鍵部位，對人員的運動狀態進行智能判斷，識別現場人員是否有潛在的抽煙動作。采用以下公式，用平均精度均值（Mean Average Precision，MAP）來計算模型的損失函數。

第二級采用檢測網絡對圖像檢測，檢測手中或者口中點燃的香煙。對于深度學習算法，網絡深度將影響算法的準確率與速度。當網絡太淺，模型將欠擬合，無法對穿戴情況進行準確分類。層數過多、過深的網絡不僅對提高算法精度無益，更重要的是會影響系統運行的速度。經過大量的嘗試，本文采用圖4中YOLOv3網絡結構對圖像進行檢測。

2 ? ?結語

以視頻分析為基礎的鋼鐵生產企業火災隱患檢測系統，為鋼鐵行業的安全管理提供了有力保障。本文介紹的系統由火苗和滅火設備識別模塊、人物域聯合定位模塊和人員抽煙分析模塊構成多位一體安全管理技術，對作業人員從進入作業范圍開始，進行全過程的監控。配合監控平臺和實時提醒系統，可以客觀減少火災風險發生的情況。自動化管理是鋼鐵行業安全管理的未來趨勢，本文的火災自動預警系統，是將人工智能與鋼鐵生產結合的一次初步嘗試，相信隨著新技術的不斷加入和自動檢測分析系統的完善和覆蓋，視頻分析和智能管理將應用于鋼鐵生產的方方面面。

[參考文獻]

[1]汪苑，林錦國.幾種常用室內定位技術的探討[J].中國儀器儀表，2011（2）：54-57.