基于信息技術的實驗室安全管理智能預警系統建設

周 珂，金仁東，趙志毅，付冬梅，邱中煒，張浩博，鄭 洋

基于信息技術的實驗室安全管理智能預警系統建設

周 珂1，金仁東2，趙志毅1，付冬梅3，邱中煒3，張浩博3，鄭 洋3

（1. 北京科技大學 高等工程師學院，北京 100083；2. 北京科技大學 資產處，北京 100083；3. 北京科技大學 自動化學院，北京 100083）

針對高校工程訓練實驗室種類多、要求差異化管理、實踐教學過程長、實驗室開放管理難度大等特點，建設了基于圖像識別技術的工程訓練實驗室安全管理預警系統。對人員面部識別認證、危險行為識別預警、實驗室人流量統計等進行了智能化系統的建設。實驗室安全管理智能預警系統對傳統實驗室管理手段進行了有效補充，為高校的現代化實驗室管理體系建設提供借鑒方案。

實驗室安全管理；目標行為檢測；圖像識別；智能預警

安全管理是實驗室管理工作的重要內容。對實驗室的危險因素要按照體系標準進行科學分析、分級處理，對實驗室安全管理要全過程、全要素、全方位覆蓋[1]。深入貫徹“安全第一，預防為主”的理念，實現實驗室安全的科學、有效管理，致力于風險管理方法、手段的開發與應用，是實驗室專業技術人員的一項重要的工作內容[2-5]。

北京科技大學實驗室安全管理智能預警系統以校內實踐教學平臺——工程訓練中心為實施對象，針對金工實習、電子實習、學生創新創業、鋼鐵全流程虛擬仿真等實踐環節進行實驗室危害因素系統化識別與分析，將智能技術引入實驗室預警管理機制，采用數字建模、人臉識別、危險區域行為預警、動態監控等先進技術建設了實驗室智能預警系統。該系統兼有人員流量統計功能。

1 危險因素及設計方案分析

工程訓練中心是高校常見的實踐教學平臺，往往具有實驗室多、訓練學生人數多、使用時間長等特點。隨著工程認證、雙創實踐等工作的年拓展，工程實踐類實驗室師生人流量日益增長，危險隱患也隨之增加，并存在以下安全管理的難點。

（1）實驗室面積大、類型多，差異化管理分析要求高。北京科技大學工程訓練中心現有金工實習基地、電子技術實習基地、學生創新創業基地、鋼鐵全流程虛擬仿真實踐基地，大型車間、中小型實驗室逾9100 m2，各類教學設備2069余萬元，使用化學危險品的實驗室多，涉及爆炸品、壓縮氣體、液化氣體、易燃固體、腐蝕品等[6]，危險源較多，需要進行危險源的品類區分和系統化管理。

（2）教學流程長、操作環節多，對師生的安全行為管控易出現疏漏。實踐教學操作的安全管理不僅涉及物的因素，還涉及較多的行為風險。例如在大型機床操作、焊接、鑄造、激光切割等教學環節中，易發生不當站位和不規范的行為、個體防護不完善、工屬具不合格等安全風險。因而，亟待進行實踐教學各流程的風險再辨識、再評估，建立完善的實踐教學安全保障體系。

（3）實踐教學涉及師生人數多、人員流動性強。根據北京科技大學2012和2017版教學計劃，工程訓練中心年均完成逾27萬人機時的教學量，覆蓋全校各專業學生5500余人，且人流量大、活動場地集中。從心理方面看，由于學生的心理成熟度相對較低、內心比較脆弱和敏感，在外界因素（人或者事物）的刺激下觸發事故的可能性較大[5]，在危險性較大的實踐活動中事故概率也更高，而控制局面的能力卻不強[7]。

綜上分析，建設以危害識別、風險評估、監督預警為主要內容的實踐教學實驗室智能化風險管理體系，是迫切而重要的事情[8]。

2 實驗室人員面部識別認證模塊設計

2.1 識別模塊分析

傳統的實驗室登記制度以及點名、刷卡簽到方式效率和可靠性不高，對進入實驗室人員的辨識能力不強。盡管指紋識別技術能夠有效驗證進入實驗室人員的身份信息，但需要學生的主動配合。隨著實驗室開放度大幅提高，學生利用實驗室進行科創活動日益增加，實驗室的門往往無法做到及時關閉，給指紋識別電子登記方式帶來困難。因此，需要在實驗室安全管理智能預警系統中開發一種非主動配合型、具有較高識別精度、基于人臉識別的電子登記管理子系統。

2.2 識別模塊設計

2.2.1 軟件平臺設計

軟件平臺主要包括身份驗證、考勤信息統計、數據共享、信息查詢4個主要功能。

（1）身份驗證功能：身份驗證主要采用人臉識別技術，人臉圖片來源于現場電子班牌前置攝像頭所拍攝的照片。

（2）信息統計功能：獲取學生信息以及學生刷卡信息，在人臉識別驗證后進行相應的統計管理，信息的獲取需要和電子班牌設備進行交互。

（3）數據共享功能：即獲取設備提供方提供的學生信息、返回學生驗證結果，并使校園局域網內用戶可訪問此系統。

（4）信息查詢功能：構建基于Web的后臺管理系統，為用戶提供人性化的人機接口和便捷的信息查詢功能。

在系統啟動后，該設備便會讀取簽刷卡片中的學生信息，同時啟動攝像頭拍攝照片，并將該卡片中的學生信息和學生照片等數據傳送給識別系統。系統接收到數據之后進行解析，并判斷該學生是否是第一次刷卡。首次刷卡便直接保存記錄；若不是首次刷卡，便調取其首次刷卡的照片和當前刷卡照片進行人臉匹配驗證，其流程如圖1所示。

圖1 實驗室電子登記管理系統流程圖

2.2.2 人臉識別算法設計

以SeetaFace人臉識別引擎作為人臉識別的基礎算法，采用自動化人臉識別系統所需要的3個基本模塊：人臉檢測模塊SeetaFace Detection、面部特征點定位模塊SeetaFace Alignment以及人臉特征提取與比對模塊SeetaFace Identification[9]。人臉檢測模塊為傳統人造特征與多層感知機（MLP）的級聯結構。根據經典級聯結構和多層神經網絡的人臉檢測方法，由粗到精地設計了一種漏斗型級聯結構（Funnel-Structured Cascade，FuSt）[10]，其結構如圖2所示。

圖2 漏斗型級聯結構示意圖

該結構頂部由針對多種姿態的LAB分類器組成[9]，下一級是多個基于SURF特征的多層感知機級聯，最后是一個基于SURF特征、統一的多層感知機來處理上一級生成的多個姿態候選窗口。分類器的使用特征由粗到細，呈現上寬下窄的漏斗形狀。面部特征點定位模塊通過級聯多個深度模型（棧式自編碼網絡）來定位人臉的兩眼、兩個嘴角、鼻尖等5個關鍵特征點[11]。

2.2.3 模塊測試

識別模塊在日常使用中要求對人的面部特征進行實時匹配驗證，并快速給出判斷結果。經測算，若匹配算法計算時間大于2 s，便難以滿足驗證登記的實時性要求。此外，在人臉檢測中會出現遮擋、角度偏差過大等情況，此時將通過現場指導教師進行人臉識別。經評估，再驗證人數比例若高于2%，將給指導教師帶來工作負擔。因此，對該模塊的測試性能要求人臉匹配算法時間< 2 s和識別正確率> 98%。

（1）相同人臉測試。輸入一張640×480 gallery image和同一人的另一張640×480 probe image進行實驗，如圖3所示。測試結果為兩張人臉相似度 0.813 722，算法運行時間為567 ms。

圖3 相同人臉測試

（2）不同人臉測試。輸入一張640×480 gallery image和另一人640×480 probe image進行實驗，如圖4所示。測試結果為兩張人臉相似度為0.484 283，算法運行時間為597 ms。

圖4 不同人臉測試

（3）實際環境下人臉匹配及驗證正確率測試。進行5組同一個人不同時間刷卡照片匹配測試和5組不同人持同一張卡片進行測試，測試結果如表1和表2所示。結果表明人臉匹配驗證程序正常運行，且在實際環境中每次檢測耗時均小于1 s，達到實驗室安全管理的實時認證要求。

表1 同一個人不同時間刷卡測試

表2 不同的人持同一張卡刷卡測試

對2019年4月18日采集的3個教學班級124條數據進行人工校驗，結果正確率達到99.19%，說明該算法能夠達到識別驗證的正確性需求。測試結果還表明：該套系統能夠正常、穩定地接收數據、能夠正常穩定地完成所設定的功能、滿足實驗室人臉匹配< 2 s和識別正確率> 98%的認證要求。

3 實驗室危險區域行為預警模塊設計

3.1 預警模塊分析

在工程訓練的各項實際操作環節，由于安全防護不符合規范，可能導致嚴重的安全事故。因此，對實踐操作過程中的實時監控及預警非常重要。以工程訓練環節的金工實習車床操作預警識別分析為例，在車床操作中，操作人員的頭發往往是導致嚴重安全事故的隱患之一，特別是女性在操作車床時，散開的發梢極易被卷進高速旋轉的車床部件中，后果非常嚴重。

本文針對車床類危險區域，設計了一種可通過監控視頻的目標識別方法，對操作人員的頭發狀態進行全時監控，達到對危險因素監測、預警的行為識別的預警系統。

3.2 預警模塊設計

頭發識別方法基于膚色空間及頭發紋理特性，需將多特征融合在移動目標檢測算法中。首先選擇頭發紋理屬性作為表征頭發目標的特征向量，再利用基于膚色空間的ROI檢測，并結合區域內頭發邊緣檢測的方法，實現視頻序列中的頭發目標識別與檢測，包含人臉檢測、顏色空間的分割、膚色區域填充和膚色區域篩選等4個步驟。

3.2.1 人臉檢測

首先采用一種人臉檢測算法，在視頻序列中定位到人臉區域。由于本文所用的監控攝像頭角度固定，因此目標人臉大多數是側臉，并且在車削操作中，人臉有多種角度變化，因此選擇的人臉檢測算法需要適應旋轉角度。

通過判別圖像中所有區域的模式屬性實現人臉的檢測，常見的方法是基于haar級聯特征的Adaboost分類器。該分類器的優點是對圖像中的正面人臉有良好的檢測效果。但是在本文樣本視頻中，操作人員基本是側面對監控攝像鏡頭，畫面中記錄的大多是側面或大角度旋轉的人臉，采用基于haar級聯特征的Adaboost分類器將不能達到良好的實時人臉檢測效果。因此采用一種對于旋轉角度有著良好適應性的檢測算法，即基于膚色空間的人臉檢測算法。該算法的檢測流程如圖5所示，分為顏色空間分割、膚色區域填充和膚色區域篩選3個過程。

圖5 基于膚色空間的人臉檢測流程圖

3.2.2 顏色空間分割

在獲取視頻的每幀圖像后，通過轉換公式將RGB圖像轉換為YCrCb顏色空間，然后進行基于Cr、Cb通道的膚色分割。Cr通道的閾值范圍是（140，170）；Cb通道的閾值范圍是（78，123）。經過閾值分割后，得到膚色像素點與背景像素點的分割結果。

3.2.3 膚色區域填充

此過程包括圖像形態學處理、膚色區域邊緣提取和膚色區域填充等3個具體步驟。由于經過分割后的圖像含有干擾，影響目標區域的形狀，因此需要對分割后的結果進行圖像形態學處理，以調整分割區域的形狀。

首先，對分割得到的二值化圖像進行形態學閉運算，即對圖像進行先膨脹、后腐蝕處理，目的是填充白色區域內細小的黑色空洞、連接同一個結構元，并在不明顯改變區域面積的情況下平滑白色區域的邊界。

然后，對該圖像應用分水嶺算法得到輪廓清楚的膚色區域標記。

最后，利用八鄰接點種子填充算法，對用分水嶺算法得到的邊緣內部區域進行填充，得到較為完整、真實的膚色區域。如圖6所示，其中膚色區域顯示為白色像素點，其余像素點為黑色。

圖6 基于膚色空間的人臉檢測結果

3.2.4 膚色區域篩選

通過膚色區域填充結果，得到的是膚色區域二值圖，圖中白色部分為檢測到的膚色區域，可以直觀看到其中包含人臉和人手兩部分。將人臉區域從這些已經標記的候選區域內進行篩選是第三個過程的工作內容，采用統計候選區域內膚色像素點比例的方法實現。

得到的比例表明了膚色面積相對候選區域的大小，根據此比例值，可以對非人臉區域進行排除。根據測試人臉區域的比例值為0.58~0.65，因此選擇此范圍作為閾值對膚色候選區域進行篩選，并最終得到人臉標記圖像如圖7所示。在此段樣本視頻中，存在著目標出監控畫面以及再次進入監控畫面的過渡過程。此段過程中，算法不會出現膚色的誤識別情況，并且可以看到，面對不同旋轉角度的人臉，算法可以實現人臉區域的定位。

圖7 基于膚色空間的人臉跟蹤結果

3.3 模塊應用測試

預警模塊在安全識別時需要在頭發等目標物移動進危險區域時進行預警，因此需要根據實際需求對識別算法進行移植。如圖8中所示，在車床上的非人臉區域中，較大矩形框代表Ⅱ級危險區，較小矩形框代表Ⅰ級危險區。

圖8 固定危險區劃分示意圖

整體實現流程如圖9所示。在獲取視頻幀之后，實現了基于膚色空間的人臉的定位。按照頭發生長一般規律，在檢測得到的人臉區域基礎上擴大范圍得到頭發生長的區域，此擴大區域則為定位頭發的候選區域。

圖9 整體實現流程圖

對于頭發目標的最終跟蹤結果如圖10所示，其中對于頭發輪廓做出最大外包圍鄰接矩形以獲取頂點坐標，作為判別其進入危險區的依據基礎。圖中左上角為具體文字報警內容（第65幀、145幀）。

圖10 頭發目標跟蹤報警結果

4 實驗室人流量統計監控模塊設計

4.1 流量模塊分析

在工程訓練中心的各類實驗室中，創客平臺、競賽平臺等學生科創實驗室具有開放時間長、人員數量多且流動性強的特點，對實驗室人流量的統計往往是實驗室管理中棘手的問題[12]。本文設計了一種廊道和實驗室外部視頻信息分析系統，實現對走廊和各實驗室每天人流量的統計分析，方便實驗室管理者對實驗室人員流量信息進行查詢、統計和分析。

4.2 流量模塊設計

流量模塊整體框架設計如圖11所示，其中人流量統計算法是該模塊的核心內容，而視頻監控管理平臺則是算法的載體。從功能性需求出發，系統需要從服務器獲取走廊監控視頻的物理地址，用計算機視覺分析技術對通過走廊特定區域和進入實驗室的人員進行計數。將每段視頻的地點信息、人流量統計結果、視頻路徑、數據接收時間和處理完成時間存儲到數據庫中，并在網頁平臺上展示。相關人員可以通過網頁平臺查看實驗室及走廊的人流量統計結果等信息，對實驗室進行精準化管理。

圖11 人流量統計模塊整體框架

人流量的統計結合運動目標檢測、運動目標跟蹤、計數等算法，通過計算機視覺技術分析走廊監控視頻，獲得人流量統計數據。流量模塊基于OpenCV圖像處理庫，使用Visual Studio軟件和C++語言編寫人流量統計算法。該算法目前只用于單目標及無遮擋的雙目標，算法流程如圖12所示。

圖12 人流量統計算法流程圖

（1）圖像處理。對接收的走廊監控視頻進行圖像處理，通過裁剪、圖像灰度化、二值化、中值濾波等操作，提高算法的運行效率，對目標輪廓進行精確提取。

（2）運動目標檢測。采用幀間差分法檢測視頻序列中的運動目標，即視頻中相鄰兩幀圖像各像素點作差，從而將運動目標檢測出來。

（3）運動目標跟蹤。提取檢測的運動目標輪廓，在跟蹤區域內對同一目標坐標持續更新，當目標離開檢測區域時，對該目標計數。對運動目標跟蹤的目的是避免對同一目標的重復計數。

（4）計數。采用的計數算法只對進入走廊或實驗室的人員進行計數，對離開的人員不計數。

對于走廊監控視頻，首先用合適大小的矩形區域進行裁剪，對裁剪后的圖像做灰度化處理，然后用幀間差分法對相鄰兩幀圖像做差分運算，對差分圖像二值化處理后可以更好地分辨出背景和運動區域，從而實現對運動目標的檢測，如圖13所示。圖13（a）和圖13（b）為相鄰兩幀圖像，圖13（c）為幀差圖像二值化結果。但是，幀間差分法也可存在無法檢測完整的運動目標、其內部出現空洞現象的缺陷，檢測的目標輪廓也會比實際情況大，即通常所說的拖影現象。這種現象會在目標運動速度非常快時被放大，但對于此場景下的行人檢測沒有太大影響。

圖13 走廊視頻幀間差分法處理結果

4.3 模塊應用測試

共測試了22段符合要求的單目標和無遮擋雙目標的走廊監控視頻，其中包括17段單目標進入走廊區域的視頻、1段無遮擋雙目標進入走廊的視頻以及4段單目標離開走廊區域的視頻。測試結果為進入走廊的17個單目標分別計數1，對進入走廊的1段雙目標視頻計數2，對離開走廊的4個單目標沒有計數，說明該算法對單目標和無遮擋雙目標計數完全正確。

為提高測試算法的處理速度，去除了調試過程中的一些窗口和冗余代碼。對任選的3段視頻進行了走廊計數算法的測試，結果表明該算法對每秒視頻的處理耗時平均為0.386 s。

5 結語

實驗室安全管理是一項長期、細致、復雜的工作，不僅要考慮物的因素，還要考慮人的行為因素；不僅要做到對狀態的把控，還要做到對過程的監督；不僅要有制度、有思路，還要有手段、有技術。實驗室管理工作者應該不斷將先進技術手段引入實驗室管理工作，形成立體、多維、綜合、動態、實時的實驗室安全管理體系，為教學和科研提供一個安全、穩定、高效的實驗平臺。

[1] 教育部辦公廳.教育部辦公廳關于進一步加強高校教學實驗室安全檢查工作的通知[EB/OL]. (2019-01-16) [2019-05-18]. http:// www.moe.gov.cn/srcsite/A08/s7945/s7946/201901/t20190124_368001.html.

[2] 金仁東，馬慶，柯紅巖.分級分層次實驗室安全教育體系建設研究[J].實驗技術與管理，2018, 35(12): 4–8.

[3] 李勤華，石磊，孫欣，等.關于實驗室安全研究的動態與熱點可視化分析[J].實驗技術與管理，2019, 36(3): 187–191.

[4] 吳慶州，徐春燕，王濤.互聯網思維創新教學型實驗管理平臺的探索[J].實驗技術與管理，2019, 36(4): 278–281.

[5] 陳琳，俸婷婷.高校實驗室危險化學品引入風險管理辦法[J]. 實驗室科學，2017, 20(4): 221–224.

[6] 中華人民共和國國家質量監督檢驗檢疫總局，中國國家標準化管理委員會.危險貨物分類和品名編號：GB6944-2012[S].北京：中國標準出版社，2012.

[7] 姜忠良.實驗室安全基礎[M].北京：清華大學出版社，2009.

[8] 林海燕，鄔克彬，王瑩，等.開放創新背景下高校研究型實驗室安全管理研究[J].實驗技術與管理，2018, 35(3): 261–264.

[9] LIU X, KAN M, WU W, et al. VIPLFaceNet: an open source deep face recognition SDK[J]. Frontiers of Computer Science, 2017, 11(2): 208–218.

[10] WU S, KAN M, HE Z, et al. Funnel-structured cascade for multiview face detection with alignment-awareness[J]. Neurocom-puting, 2017, 221: 138–145.

[11] YAN S, SHAN S, CHEN X, et al. Locally assembled binary (LAB) feature with feature-centric cascade for fast and accurate face detection[C]//Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on IEEE, 2008: 1–7.

[12] 王海文，王燕，張順江，等.本科生創新實踐實驗室安全管理對策[J].實驗技術與管理，2019, 36(3): 196–198.

Construction of intelligent early warning system for laboratory safety management based on information technology

ZHOU Ke1, JIN Rendong2, ZHAO Zhiyi1, FU Dongmei3, QIU Zhongwei3, ZHANG Haobo3, ZHENG Yang3

(1. College of Higher Engineering, University of Science and Technology Beijing, Beijing 100083, China; 2. Assets Department, University of Science and Technology Beijing, Beijing 100083, China; 3. Automation College, University of Science and Technology Beijing, Beijing 100083, China)

view of the characteristics of various types of engineering training laboratories in Colleges and universities, different requirements for management, long practical teaching process and difficult open management of laboratories, a safety management early warning system for engineering training laboratories based on image recognition technology is constructed. The construction of the intelligent system for personnel face recognition and authentication, dangerous behavior recognition and early warning, laboratory human flow statistics, etc., is carried out. The intelligent early warning system of the laboratory safety management effectively supplements the traditional laboratory management means and provides a reference scheme for the construction of modern laboratory management system in colleges and universities.

laboratory safety management; target behavior detection; image recognition; intelligent early warning

X924.4；G647

A

1002-4956(2019)12-0141-06

10.16791/j.cnki.sjg.2019.12.033

2019-05-27

周珂（1982—），女，河南新鄉，碩士，工程師，主要研究方向為自動控制。E-mail: zhouke@ustb.edu.cn