基于信息技术的实验室安全管理智能预警系统建设

周 珂，金仁东，赵志毅，付冬梅，邱中炜，张浩博，郑 洋

基于信息技术的实验室安全管理智能预警系统建设

周 珂1，金仁东2，赵志毅1，付冬梅3，邱中炜3，张浩博3，郑 洋3

（1. 北京科技大学 高等工程师学院，北京 100083；2. 北京科技大学 资产处，北京 100083；3. 北京科技大学 自动化学院，北京 100083）

针对高校工程训练实验室种类多、要求差异化管理、实践教学过程长、实验室开放管理难度大等特点，建设了基于图像识别技术的工程训练实验室安全管理预警系统。对人员面部识别认证、危险行为识别预警、实验室人流量统计等进行了智能化系统的建设。实验室安全管理智能预警系统对传统实验室管理手段进行了有效补充，为高校的现代化实验室管理体系建设提供借鉴方案。

实验室安全管理；目标行为检测；图像识别；智能预警

安全管理是实验室管理工作的重要内容。对实验室的危险因素要按照体系标准进行科学分析、分级处理，对实验室安全管理要全过程、全要素、全方位覆盖[1]。深入贯彻“安全第一，预防为主”的理念，实现实验室安全的科学、有效管理，致力于风险管理方法、手段的开发与应用，是实验室专业技术人员的一项重要的工作内容[2-5]。

北京科技大学实验室安全管理智能预警系统以校内实践教学平台——工程训练中心为实施对象，针对金工实习、电子实习、学生创新创业、钢铁全流程虚拟仿真等实践环节进行实验室危害因素系统化识别与分析，将智能技术引入实验室预警管理机制，采用数字建模、人脸识别、危险区域行为预警、动态监控等先进技术建设了实验室智能预警系统。该系统兼有人员流量统计功能。

1 危险因素及设计方案分析

工程训练中心是高校常见的实践教学平台，往往具有实验室多、训练学生人数多、使用时间长等特点。随着工程认证、双创实践等工作的年拓展，工程实践类实验室师生人流量日益增长，危险隐患也随之增加，并存在以下安全管理的难点。

（1）实验室面积大、类型多，差异化管理分析要求高。北京科技大学工程训练中心现有金工实习基地、电子技术实习基地、学生创新创业基地、钢铁全流程虚拟仿真实践基地，大型车间、中小型实验室逾9100 m2，各类教学设备2069余万元，使用化学危险品的实验室多，涉及爆炸品、压缩气体、液化气体、易燃固体、腐蚀品等[6]，危险源较多，需要进行危险源的品类区分和系统化管理。

（2）教学流程长、操作环节多，对师生的安全行为管控易出现疏漏。实践教学操作的安全管理不仅涉及物的因素，还涉及较多的行为风险。例如在大型机床操作、焊接、铸造、激光切割等教学环节中，易发生不当站位和不规范的行为、个体防护不完善、工属具不合格等安全风险。因而，亟待进行实践教学各流程的风险再辨识、再评估，建立完善的实践教学安全保障体系。

（3）实践教学涉及师生人数多、人员流动性强。根据北京科技大学2012和2017版教学计划，工程训练中心年均完成逾27万人机时的教学量，覆盖全校各专业学生5500余人，且人流量大、活动场地集中。从心理方面看，由于学生的心理成熟度相对较低、内心比较脆弱和敏感，在外界因素（人或者事物）的刺激下触发事故的可能性较大[5]，在危险性较大的实践活动中事故概率也更高，而控制局面的能力却不强[7]。

综上分析，建设以危害识别、风险评估、监督预警为主要内容的实践教学实验室智能化风险管理体系，是迫切而重要的事情[8]。

2 实验室人员面部识别认证模块设计

2.1 识别模块分析

传统的实验室登记制度以及点名、刷卡签到方式效率和可靠性不高，对进入实验室人员的辨识能力不强。尽管指纹识别技术能够有效验证进入实验室人员的身份信息，但需要学生的主动配合。随着实验室开放度大幅提高，学生利用实验室进行科创活动日益增加，实验室的门往往无法做到及时关闭，给指纹识别电子登记方式带来困难。因此，需要在实验室安全管理智能预警系统中开发一种非主动配合型、具有较高识别精度、基于人脸识别的电子登记管理子系统。

2.2 识别模块设计

2.2.1 软件平台设计

软件平台主要包括身份验证、考勤信息统计、数据共享、信息查询4个主要功能。

（1）身份验证功能：身份验证主要采用人脸识别技术，人脸图片来源于现场电子班牌前置摄像头所拍摄的照片。

（2）信息统计功能：获取学生信息以及学生刷卡信息，在人脸识别验证后进行相应的统计管理，信息的获取需要和电子班牌设备进行交互。

（3）数据共享功能：即获取设备提供方提供的学生信息、返回学生验证结果，并使校园局域网内用户可访问此系统。

（4）信息查询功能：构建基于Web的后台管理系统，为用户提供人性化的人机接口和便捷的信息查询功能。

在系统启动后，该设备便会读取签刷卡片中的学生信息，同时启动摄像头拍摄照片，并将该卡片中的学生信息和学生照片等数据传送给识别系统。系统接收到数据之后进行解析，并判断该学生是否是第一次刷卡。首次刷卡便直接保存记录；若不是首次刷卡，便调取其首次刷卡的照片和当前刷卡照片进行人脸匹配验证，其流程如图1所示。

图1 实验室电子登记管理系统流程图

2.2.2 人脸识别算法设计

以SeetaFace人脸识别引擎作为人脸识别的基础算法，采用自动化人脸识别系统所需要的3个基本模块：人脸检测模块SeetaFace Detection、面部特征点定位模块SeetaFace Alignment以及人脸特征提取与比对模块SeetaFace Identification[9]。人脸检测模块为传统人造特征与多层感知机（MLP）的级联结构。根据经典级联结构和多层神经网络的人脸检测方法，由粗到精地设计了一种漏斗型级联结构（Funnel-Structured Cascade，FuSt）[10]，其结构如图2所示。

图2 漏斗型级联结构示意图

该结构顶部由针对多种姿态的LAB分类器组成[9]，下一级是多个基于SURF特征的多层感知机级联，最后是一个基于SURF特征、统一的多层感知机来处理上一级生成的多个姿态候选窗口。分类器的使用特征由粗到细，呈现上宽下窄的漏斗形状。面部特征点定位模块通过级联多个深度模型（栈式自编码网络）来定位人脸的两眼、两个嘴角、鼻尖等5个关键特征点[11]。

2.2.3 模块测试

识别模块在日常使用中要求对人的面部特征进行实时匹配验证，并快速给出判断结果。经测算，若匹配算法计算时间大于2 s，便难以满足验证登记的实时性要求。此外，在人脸检测中会出现遮挡、角度偏差过大等情况，此时将通过现场指导教师进行人脸识别。经评估，再验证人数比例若高于2%，将给指导教师带来工作负担。因此，对该模块的测试性能要求人脸匹配算法时间< 2 s和识别正确率> 98%。

（1）相同人脸测试。输入一张640×480 gallery image和同一人的另一张640×480 probe image进行实验，如图3所示。测试结果为两张人脸相似度 0.813 722，算法运行时间为567 ms。

图3 相同人脸测试

（2）不同人脸测试。输入一张640×480 gallery image和另一人640×480 probe image进行实验，如图4所示。测试结果为两张人脸相似度为0.484 283，算法运行时间为597 ms。

图4 不同人脸测试

（3）实际环境下人脸匹配及验证正确率测试。进行5组同一个人不同时间刷卡照片匹配测试和5组不同人持同一张卡片进行测试，测试结果如表1和表2所示。结果表明人脸匹配验证程序正常运行，且在实际环境中每次检测耗时均小于1 s，达到实验室安全管理的实时认证要求。

表1 同一个人不同时间刷卡测试

表2 不同的人持同一张卡刷卡测试

对2019年4月18日采集的3个教学班级124条数据进行人工校验，结果正确率达到99.19%，说明该算法能够达到识别验证的正确性需求。测试结果还表明：该套系统能够正常、稳定地接收数据、能够正常稳定地完成所设定的功能、满足实验室人脸匹配< 2 s和识别正确率> 98%的认证要求。

3 实验室危险区域行为预警模块设计

3.1 预警模块分析

在工程训练的各项实际操作环节，由于安全防护不符合规范，可能导致严重的安全事故。因此，对实践操作过程中的实时监控及预警非常重要。以工程训练环节的金工实习车床操作预警识别分析为例，在车床操作中，操作人员的头发往往是导致严重安全事故的隐患之一，特别是女性在操作车床时，散开的发梢极易被卷进高速旋转的车床部件中，后果非常严重。

本文针对车床类危险区域，设计了一种可通过监控视频的目标识别方法，对操作人员的头发状态进行全时监控，达到对危险因素监测、预警的行为识别的预警系统。

3.2 预警模块设计

头发识别方法基于肤色空间及头发纹理特性，需将多特征融合在移动目标检测算法中。首先选择头发纹理属性作为表征头发目标的特征向量，再利用基于肤色空间的ROI检测，并结合区域内头发边缘检测的方法，实现视频序列中的头发目标识别与检测，包含人脸检测、颜色空间的分割、肤色区域填充和肤色区域筛选等4个步骤。

3.2.1 人脸检测

首先采用一种人脸检测算法，在视频序列中定位到人脸区域。由于本文所用的监控摄像头角度固定，因此目标人脸大多数是侧脸，并且在车削操作中，人脸有多种角度变化，因此选择的人脸检测算法需要适应旋转角度。

通过判别图像中所有区域的模式属性实现人脸的检测，常见的方法是基于haar级联特征的Adaboost分类器。该分类器的优点是对图像中的正面人脸有良好的检测效果。但是在本文样本视频中，操作人员基本是侧面对监控摄像镜头，画面中记录的大多是侧面或大角度旋转的人脸，采用基于haar级联特征的Adaboost分类器将不能达到良好的实时人脸检测效果。因此采用一种对于旋转角度有着良好适应性的检测算法，即基于肤色空间的人脸检测算法。该算法的检测流程如图5所示，分为颜色空间分割、肤色区域填充和肤色区域筛选3个过程。

图5 基于肤色空间的人脸检测流程图

3.2.2 颜色空间分割

在获取视频的每帧图像后，通过转换公式将RGB图像转换为YCrCb颜色空间，然后进行基于Cr、Cb通道的肤色分割。Cr通道的阈值范围是（140，170）；Cb通道的阈值范围是（78，123）。经过阈值分割后，得到肤色像素点与背景像素点的分割结果。

3.2.3 肤色区域填充

此过程包括图像形态学处理、肤色区域边缘提取和肤色区域填充等3个具体步骤。由于经过分割后的图像含有干扰，影响目标区域的形状，因此需要对分割后的结果进行图像形态学处理，以调整分割区域的形状。

首先，对分割得到的二值化图像进行形态学闭运算，即对图像进行先膨胀、后腐蚀处理，目的是填充白色区域内细小的黑色空洞、连接同一个结构元，并在不明显改变区域面积的情况下平滑白色区域的边界。

然后，对该图像应用分水岭算法得到轮廓清楚的肤色区域标记。

最后，利用八邻接点种子填充算法，对用分水岭算法得到的边缘内部区域进行填充，得到较为完整、真实的肤色区域。如图6所示，其中肤色区域显示为白色像素点，其余像素点为黑色。

图6 基于肤色空间的人脸检测结果

3.2.4 肤色区域筛选

通过肤色区域填充结果，得到的是肤色区域二值图，图中白色部分为检测到的肤色区域，可以直观看到其中包含人脸和人手两部分。将人脸区域从这些已经标记的候选区域内进行筛选是第三个过程的工作内容，采用统计候选区域内肤色像素点比例的方法实现。

得到的比例表明了肤色面积相对候选区域的大小，根据此比例值，可以对非人脸区域进行排除。根据测试人脸区域的比例值为0.58~0.65，因此选择此范围作为阈值对肤色候选区域进行筛选，并最终得到人脸标记图像如图7所示。在此段样本视频中，存在着目标出监控画面以及再次进入监控画面的过渡过程。此段过程中，算法不会出现肤色的误识别情况，并且可以看到，面对不同旋转角度的人脸，算法可以实现人脸区域的定位。

图7 基于肤色空间的人脸跟踪结果

3.3 模块应用测试

预警模块在安全识别时需要在头发等目标物移动进危险区域时进行预警，因此需要根据实际需求对识别算法进行移植。如图8中所示，在车床上的非人脸区域中，较大矩形框代表Ⅱ级危险区，较小矩形框代表Ⅰ级危险区。

图8 固定危险区划分示意图

整体实现流程如图9所示。在获取视频帧之后，实现了基于肤色空间的人脸的定位。按照头发生长一般规律，在检测得到的人脸区域基础上扩大范围得到头发生长的区域，此扩大区域则为定位头发的候选区域。

图9 整体实现流程图

对于头发目标的最终跟踪结果如图10所示，其中对于头发轮廓做出最大外包围邻接矩形以获取顶点坐标，作为判别其进入危险区的依据基础。图中左上角为具体文字报警内容（第65帧、145帧）。

图10 头发目标跟踪报警结果

4 实验室人流量统计监控模块设计

4.1 流量模块分析

在工程训练中心的各类实验室中，创客平台、竞赛平台等学生科创实验室具有开放时间长、人员数量多且流动性强的特点，对实验室人流量的统计往往是实验室管理中棘手的问题[12]。本文设计了一种廊道和实验室外部视频信息分析系统，实现对走廊和各实验室每天人流量的统计分析，方便实验室管理者对实验室人员流量信息进行查询、统计和分析。

4.2 流量模块设计

流量模块整体框架设计如图11所示，其中人流量统计算法是该模块的核心内容，而视频监控管理平台则是算法的载体。从功能性需求出发，系统需要从服务器获取走廊监控视频的物理地址，用计算机视觉分析技术对通过走廊特定区域和进入实验室的人员进行计数。将每段视频的地点信息、人流量统计结果、视频路径、数据接收时间和处理完成时间存储到数据库中，并在网页平台上展示。相关人员可以通过网页平台查看实验室及走廊的人流量统计结果等信息，对实验室进行精准化管理。

图11 人流量统计模块整体框架

人流量的统计结合运动目标检测、运动目标跟踪、计数等算法，通过计算机视觉技术分析走廊监控视频，获得人流量统计数据。流量模块基于OpenCV图像处理库，使用Visual Studio软件和C++语言编写人流量统计算法。该算法目前只用于单目标及无遮挡的双目标，算法流程如图12所示。

图12 人流量统计算法流程图

（1）图像处理。对接收的走廊监控视频进行图像处理，通过裁剪、图像灰度化、二值化、中值滤波等操作，提高算法的运行效率，对目标轮廓进行精确提取。

（2）运动目标检测。采用帧间差分法检测视频序列中的运动目标，即视频中相邻两帧图像各像素点作差，从而将运动目标检测出来。

（3）运动目标跟踪。提取检测的运动目标轮廓，在跟踪区域内对同一目标坐标持续更新，当目标离开检测区域时，对该目标计数。对运动目标跟踪的目的是避免对同一目标的重复计数。

（4）计数。采用的计数算法只对进入走廊或实验室的人员进行计数，对离开的人员不计数。

对于走廊监控视频，首先用合适大小的矩形区域进行裁剪，对裁剪后的图像做灰度化处理，然后用帧间差分法对相邻两帧图像做差分运算，对差分图像二值化处理后可以更好地分辨出背景和运动区域，从而实现对运动目标的检测，如图13所示。图13（a）和图13（b）为相邻两帧图像，图13（c）为帧差图像二值化结果。但是，帧间差分法也可存在无法检测完整的运动目标、其内部出现空洞现象的缺陷，检测的目标轮廓也会比实际情况大，即通常所说的拖影现象。这种现象会在目标运动速度非常快时被放大，但对于此场景下的行人检测没有太大影响。

图13 走廊视频帧间差分法处理结果

4.3 模块应用测试

共测试了22段符合要求的单目标和无遮挡双目标的走廊监控视频，其中包括17段单目标进入走廊区域的视频、1段无遮挡双目标进入走廊的视频以及4段单目标离开走廊区域的视频。测试结果为进入走廊的17个单目标分别计数1，对进入走廊的1段双目标视频计数2，对离开走廊的4个单目标没有计数，说明该算法对单目标和无遮挡双目标计数完全正确。

为提高测试算法的处理速度，去除了调试过程中的一些窗口和冗余代码。对任选的3段视频进行了走廊计数算法的测试，结果表明该算法对每秒视频的处理耗时平均为0.386 s。

5 结语

实验室安全管理是一项长期、细致、复杂的工作，不仅要考虑物的因素，还要考虑人的行为因素；不仅要做到对状态的把控，还要做到对过程的监督；不仅要有制度、有思路，还要有手段、有技术。实验室管理工作者应该不断将先进技术手段引入实验室管理工作，形成立体、多维、综合、动态、实时的实验室安全管理体系，为教学和科研提供一个安全、稳定、高效的实验平台。

[1] 教育部办公厅.教育部办公厅关于进一步加强高校教学实验室安全检查工作的通知[EB/OL]. (2019-01-16) [2019-05-18]. http:// www.moe.gov.cn/srcsite/A08/s7945/s7946/201901/t20190124_368001.html.

[2] 金仁东，马庆，柯红岩.分级分层次实验室安全教育体系建设研究[J].实验技术与管理，2018, 35(12): 4–8.

[3] 李勤华，石磊，孙欣，等.关于实验室安全研究的动态与热点可视化分析[J].实验技术与管理，2019, 36(3): 187–191.

[4] 吴庆州，徐春燕，王涛.互联网思维创新教学型实验管理平台的探索[J].实验技术与管理，2019, 36(4): 278–281.

[5] 陈琳，俸婷婷.高校实验室危险化学品引入风险管理办法[J]. 实验室科学，2017, 20(4): 221–224.

[6] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会.危险货物分类和品名编号：GB6944-2012[S].北京：中国标准出版社，2012.

[7] 姜忠良.实验室安全基础[M].北京：清华大学出版社，2009.

[8] 林海燕，邬克彬，王莹，等.开放创新背景下高校研究型实验室安全管理研究[J].实验技术与管理，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]. Neurocom­puting, 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，张顺江，等.本科生创新实践实验室安全管理对策[J].实验技术与管理，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，河南新乡，硕士，工程师，主要研究方向为自动控制。E-mail: zhouke@ustb.edu.cn