基于機器視覺的石油化工場景中的危險行為檢測與預(yù)警系統(tǒng)

摘 要：目前石油化工場景采用的是傳統(tǒng)的人工檢測方法，該方法易受主觀因素影響，且存在各種漏報情況，容易造成嚴重的安全事故，危及人身安全和財產(chǎn)安全，報警之后不僅采集證據(jù)困難而且工作量較大。針對上述問題，設(shè)計了一款石油化工場景中的危險行為檢測與預(yù)警系統(tǒng)，利用機器視覺實現(xiàn)人性化、智能化、數(shù)字化的石油化工場景危險行為檢測和預(yù)警系統(tǒng)。本系統(tǒng)主要采用YOLOv3模型和OpenPose模型，YOLOv3模型主要對石油化工場景中的香煙、手機和打火機等小物體進行識別，OpenPose模型負責獲取人體的骨骼信息；最后進行人-物交互識別，判斷其行為是否屬于危險行為。系統(tǒng)的主要功能包括獲取危險行為信息、提醒用戶，使用戶能夠及時發(fā)現(xiàn)危險行為，避免事故的發(fā)生。該系統(tǒng)也大大減少了人力資源的浪費，為工業(yè)的發(fā)展帶來了便利。

關(guān)鍵詞：機器視覺；石油化工場景；危險行為；檢測與預(yù)警；小物體識別；YOLOv3

中圖分類號：TP31 文獻標識碼：A 文章編號：2095-1302（2024）09-00-03

DOI：10.16667/j.issn.2095-1302.2024.09.011

0 引 言

石油化學工業(yè)（下文簡稱“石油化工”）對國家的發(fā)展有著重要的作用。自石油化工出現(xiàn)以來，很多國家多次發(fā)生安全事故，給人們帶來嚴重的經(jīng)濟和安全影響。對此，我國正在逐步完善政策，企業(yè)對石油化工危險行為也越來越重視，通常采用相應(yīng)的儀器進行檢測，但仍然是在傳統(tǒng)的人工監(jiān)管方式下，不能及時發(fā)現(xiàn)可能的安全隱患，同時也存在很大的主觀性[1-7]。本文提出的新型監(jiān)控系統(tǒng)能有效地對危險行為進行檢測，更加精確、高效地檢測和預(yù)警石油化工場景中的安全問題。

1 系統(tǒng)設(shè)計分析

1.1 需求分析

石油化工場景中的產(chǎn)品大多易燃易爆，在生產(chǎn)和使用過程中存在很大的安全隱患。根據(jù)調(diào)查，一般化工企業(yè)、石油化工企業(yè)和煉油企業(yè)發(fā)生爆炸等安全事故的概率是最高的。發(fā)生火災(zāi)、爆炸事故數(shù)及比例的排序為：化工企業(yè)gt;石油化工gt;煉油企業(yè)。因此，對石油化工場景中的安全問題的防范引起了國家、社會和人們的重點關(guān)注。單純依靠人工檢測，工作量大且速度慢，也容易受主觀因素影響，所以對于石油化工危險場景的安全防范需要更智能化、更精確化。

1.2 系統(tǒng)功能

采用本文的系統(tǒng)可以對打電話、抽煙和使用明火等危險行為進行精確檢測，并對其進行歸類，再根據(jù)歸類結(jié)果判斷危險程度，進而做出不同方式的預(yù)警。

抽煙檢測：從視頻流中，對人抽煙的行為動作進行分幀，形成圖片集，對每一張圖片進行檢測，最后通過模型判斷，從而確定此人是否在抽煙。

打電話行為檢測：系統(tǒng)通過視頻獲取人的一系列行為動作圖像，通過構(gòu)建K-means神經(jīng)網(wǎng)拓撲，加載訓練學習權(quán)重，檢測場景中人員的行為是否是打電話。

1.3 系統(tǒng)總體框架

系統(tǒng)的視覺算法主要采用的是YOLOv3模型和OpenPose。YOLOv3模型能對石油化工場景中特定標識的危險物進行檢測。OpenPose則能對人體行為進行識別。通過對視頻片段進行特征提取和行為識別，從而獲得人員的初始行為類別。系統(tǒng)對場景進行實時監(jiān)控，檢測到異常行為之后，迅速計算其閾值，如果結(jié)果大于設(shè)定值，則進行廣播播報，同時發(fā)信息給監(jiān)測人員，以便其及時解決，可以有效減少事故發(fā)生次數(shù)。圖1為系統(tǒng)總體設(shè)計圖。

2 系統(tǒng)實現(xiàn)中的關(guān)鍵技術(shù)

2.1 基于YOLOv3檢測待定小目標

YOLOv3算法包括訓練和測試。訓練時對模型輸入數(shù)據(jù)，包括使用火機和不使用火機、吸煙和不吸煙、火柴燃燒和火柴不燃燒、玩手機和不玩手機等多對危險小目標；使模型在訓練中獲取數(shù)據(jù)特征，形成相對應(yīng)的特征模型；然后再通過測試來判斷該模型的精度，看該模型是否能夠準確判斷所給小目標。

通過候選框判斷是否有目標落入測試集上，從而進行數(shù)據(jù)處理。在選擇候選框時，YOLOv3算法中是通過K-means聚類方法[8]對候選框初始位置進行判斷的。但簡單聚類會產(chǎn)生相似類別混入問題，分類不精確，造成錯誤分類的現(xiàn)象[9-11]。針對這一問題，對聚類方法進行了改進，并將K-means算法聚類得到的邊界框尺寸應(yīng)用到各尺度網(wǎng)絡(luò)層。

2.2 基于OpenPose獲取人體骨骼信息

先通過視頻獲取人的行為動作，再由人體姿態(tài)估計算法OpenPose提取人體骨骼信息[12-14]，進而利用骨骼點的人體行為識別算法，對視頻片段進行特征提取和行為識別[8]，從而獲得人員的初始行為類別。

系統(tǒng)通過視頻提取人體行為舉止的信息，其中最關(guān)鍵的是人體姿態(tài)以及手上動作。因此，該系統(tǒng)選擇了25個人體關(guān)鍵點信息作為化工場景中人體危險行為識別算法的輸入，選擇21個手部關(guān)鍵點作為化工場景中人體危險行為手勢識別算法的輸入。

3 系統(tǒng)檢測和預(yù)警結(jié)果與誤差分析

3.1 系統(tǒng)檢測結(jié)果

為了驗證系統(tǒng)的精確度，對石油化工場景中人員打電話和抽煙等危險行為進行測試。從數(shù)據(jù)集中隨機選取了幾段人打電話和抽煙的視頻，并分為A、B、C、D四組，視頻中的圖片示例如圖2所示。

表1中給出了采用本系統(tǒng)和人工對A、B、C、D四段視頻中香煙（50個）和手機（50個）、打電話動作（50個）和抽煙動作（50個）的識別結(jié)果。表明本系統(tǒng)在測試的視頻段中具有良好的識別效果。

3.2 誤差分析

系統(tǒng)檢測的誤差包括硬件誤差、軟件誤差和外在因素影響[9]。其中硬件誤差有攝像頭工作距離不精確等誤差；軟件誤差主要是閾值設(shè)置不當以及圖像中存在的噪聲。對于外在因素，一方面是由于石油化工行業(yè)的工作環(huán)境比較復(fù)雜，例如光照變化會影響識別效果；另一方面是遮擋問題，對于非配合的情況下，遮擋物會導(dǎo)致識別結(jié)果錯誤，使得識別算法失效。

4 結(jié) 語

基于機器視覺的小物體識別在計算機領(lǐng)域值得深入研究，它能解決傳統(tǒng)人工檢測存在的弊端，使生產(chǎn)生活更加智能化、人性化、數(shù)據(jù)化，給人們的生活帶來諸多便利。目前，針對石油化工場景中的危險行為識別問題，設(shè)計了一款危險行為檢測與預(yù)警系統(tǒng)。該系統(tǒng)能夠幫助用戶及時發(fā)現(xiàn)危險行為，避免事故的發(fā)生；同時大大減少人力資源的浪費，為工業(yè)的發(fā)展帶來便利。

參考文獻

[1]吳祿慎，項桔敏，胡贇.基于機器視覺的卡尺工具法螺母實時檢測系統(tǒng)[J].儀表技術(shù)與傳感器，2020，57（2）：50-55.

[2]章煒.機器視覺技術(shù)發(fā)展及其工業(yè)應(yīng)用[J].激光與紅外，2006，27（2）：11-17.

[3]顏發(fā)根，劉建群，陳新，等.機器視覺及其在制造業(yè)中的應(yīng)用[J].機械制造，2004，42（11）：28-30.

[4]張五一，趙強松，王東云.機器視覺的現(xiàn)狀及發(fā)展趨勢[J].中原工學院學報，2008，19（1）：9-12.

[5] XIANG R，HE W，ZHANG X，et al. Size measurement based on a two-camera machine vision system for the bayonets of automobile brakepads [J]. Measurement，2018，122：106-116.

[6]郭永吉.石油化工生產(chǎn)過程中的防火防爆措施探析[J].江西化工，2014，30（3）：203-204.

[7]張夢鴿，李健，陳慧雯.基于YOLOv3的實時視頻行人檢測算法[J].單片機與嵌入式系統(tǒng)應(yīng)用，2022，22（6）：29-32.

[8]羅建偉. 基于機器視覺人體行為檢測的彩信報警器系統(tǒng)設(shè)計[D].杭州：中國計量學院，2015.

[9]付城祥，仇潤鶴.一種基于YOLOv3算法的車牌識別系統(tǒng)[J].科技與創(chuàng)新，2020，7（3）：42-44.

[10]葛雯，史正偉.改進YOLOv3算法在行人識別中的應(yīng)用[J].計算機工程與應(yīng)用，2019，55（20）：128-133.

[11]汪前進，鄭占杰.基于計算機視覺的危險駕駛預(yù)警系統(tǒng)研究與設(shè)計[J].長沙大學學報，2018，32（5）：37-40.

[12]向玉，高建坡，任臻興.基于機器視覺的導(dǎo)爆管自動檢測系統(tǒng)研究[J].電子設(shè)計工程，2019，27（7）：56-60.

[13]丁培甫，詹玲超，胡天敏，等.基于OpenPose的行人異常姿態(tài)研究[J].數(shù)字技術(shù)與應(yīng)用，2019，37（2）：107-109.

[14]楊明健，黎鏡林，郭銳坤，等.基于OpenPose的人體睡姿識別實現(xiàn)與研究[J].物理實驗，2019，39（8）：47-49.

收稿日期：2023-10-06 修回日期：2023-11-06

基金項目：大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目：基于機器視覺的石油化工場景危險行為檢測與預(yù)警系統(tǒng)（202214223151）；貴州師范學院一流大學建設(shè)項目：大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目管理系統(tǒng)（貴師院發(fā)[2018]100號）；貴州省科技廳基礎(chǔ)研究計劃項目（黔科合基礎(chǔ)-ZK[2021]一般334）

作者簡介：吳 戀（1988—），女，貴州安龍人，博士，副教授，主要研究方向為計算機視覺、人工智能。