智慧安全管控系統在抽水蓄能電站的研究與應用

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貫穿生產作業周期，對風險告知、人的不安全行為、環境的不安全狀態等綜合因素，全程實時管控，起到事前告知、事中監督、事后可追溯的作用。一旦監測到影響安全作業的因素，就能實時報警，通知作業人員及安全管理人員。降低安全生產事故發生的風險，提高風險處置的能力和效率。

關鍵詞：智慧安全管控系統; 實時管控; 降低; 報警

0 引言

在生產作業中，因人員主觀意識偏差、環境變化，存在風險意識不到位、麻痹大意、習慣性違章、環境影響等可能導致事故發生的因素，安全生產事故一旦發生，將會產生重大損失。為進一步提升安全管理能力，配備一套基于計算機視覺、人工智能技術智慧安全管控系統尤為重要，以反違章、風險管控為切入點，致力于人員、物品、環境的安全管控，以達到提示作業風險、防止危險事故、杜絕安全事故發生的目的。

1 智慧安全管控系統設計原理

1.1計算機視覺的應用

計算機視覺是在感知層上最為重要的核心技術之一，它讓計算機能夠類比人類的眼睛。計算機視覺技術模擬生物視覺，將捕捉的圖像中的數據及信息進行分析識別、檢測、跟蹤等，讓計算機能夠理解這些圖像。計算機視覺技術早已廣泛應用到安防、自動駕駛、醫療、消費等領域。

1.2圖像處理

視覺系統中，視覺信息的處理主要是圖像處理，包括圖像增強、平滑（去噪）、銳化、分割等方法。經過相應的處理后，輸出圖像的質量得到相當程度的改善，便于計算機對圖像進行分析、處理和識別。

1.2.1圖像增強

圖像增強主要是調整圖像的對比度，突出圖像中的重要細節。常采用修改圖像灰度直方圖的方式進行圖像增強。圖像的灰度直方圖是表示一幅圖像灰度分布情況的統計特性圖表，它反映的是一幅圖像中各灰度級像素出現的頻率與灰度級的關系。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比度。

1.2.2圖像銳化

圖像銳化是為了加強圖像中的輪廓和細節，達到將物體從圖像中分離出來或將同一物體表面的區域檢測出來的目的，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到保護細節的目的。本質上是增加領域間像素的差值。銳化使用領域的微分作為算子，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

圖像分割的本質是將像素進行分類，分類的依據是像素的灰度值、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互不相交的區域，使得這些特征在同一區域內表現出相似性或一致性，而在不同區域間則表現出明顯的不同。常用的分割方法有基于邊緣的分割、基于閾值的分割、基于區域的分割、基于人工神經網絡的分割等。

1.3深度學習

1.3.1圖像識別

圖像識別是計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對象。

采用深度學習的圖像識別方法，首先收集大量的訓練數據，對數據打標，建立神經網絡模型。然后將圖像和標簽輸入神經網絡進行訓練，調優。最后用訓練好的模型對圖像進行預測。

1.3.2目標檢測

目標檢測在識別的基礎上還要對目標進行定位。對目標進行動態實時跟蹤定位在智能監控系統具有廣泛的應用價值。

2 智慧安全管控系統的研究

2.1對智慧安全管控系統的檢測算法研究

1）通過現場調查明確需要檢測的內容，根據檢測內容確定研發邊界。

2）根據不同種類的檢測內容來確定使用不同的檢測算法。

環境監測類：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、人員進出、停留電子圍欄;

設備類：開關狀態、指示燈狀態、聲音、讀數。

2.2對危險點風險庫的管理

利用導入的方式，將現場的危險點風險庫存入系統中并可供人員實時查看。

2.3現場工業攝像頭數據接入及調度機制研究

接入現場現有的工業攝像頭的視頻流數據;

對視頻流數據進行處理，以利于算法進行視頻中的危險、違章事件的識別;

為保證實時性，需要研發一套調度系統，用于提升算法的圖像處理能力、多機位之間的輪轉能力。

2.4移動工作站研究

基于智能安全管控的功能項，進行移動工作站的研究，讓安全管控盡在掌握。

2.5對智慧安全管控系統的檢測結果分析研究

1）通過對所有檢測結果的分析，提升整體風險檢測準確度;

2）通過對不同風險的檢測結果分析，分別統計檢測各種類風險的準確度;

3）對比分析在同一場景下，同一風險類型的不同動作行為或者不同物體狀態對檢測結果的影響;

4）進一步針對不同種類的風險采用不同的優化方法提升檢測準確度。

2.6對智慧安全管控系統的檢測結果的影響因素的分析研究

1）對比分析同一個風險行為和風險狀態，在不同環境下的檢測效果，要求在主要場景下都能準確檢測;

2）進一步針對不同具體場景對智慧安全管控系統進行優化，降低環境對檢測結果不良的影響。

2.7對智慧安全管控系統的檢測效果和可擴展性的分析研究

1）統計智慧安全管控系統運行前后一段時間內的風險行為和狀態的數量，統計該系統提醒修正的風險數量來估計智慧安全管控系統的預防作用，同時可以根據以往數據預估未來每月的風險發生次數。

2）統計現場系統觀察到卻未檢測出的風險和系統未觀察到的風險，并進行分析分類。評估系統后續可以擴充的多維度安全管控措施，預估這些措施可以針對解決哪一類風險以及解決到什么程度。

參考文獻

[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.