基于海油施工场景实时视频隐患检测平台的方法研究

摘  要：本文根据施工现场管理特点，引入实时视频分析中海油施工场景隐患方面的应用以及模型的优化。为解决海洋工程现场工作人员不佩戴安全帽，未正确穿着服装，进入禁止区域等情况，避免因违规操作或违反规定，造成不必要的伤亡或损失，提出一套基于海油施工现场的视频识别告警系统，设计一套综合利用安全帽颜色、轮廓，服装特点以及多层神经网络分类建立的统计模型，对是否佩戴安全帽，是否正确穿着服装，是否进入禁行区域进行检测识别。从而在一定程度上杜绝了安全隐患。

关键词：违规操作;安全隐患;检测识别

中图分类号：TP391.41;TP277    文献标识码：A    文章編号：2096-6903（2020）09-0000-00

0 引言

石油化工生产作为能量高度集中的生产行业，安全防范的要求极其严格。在生产施工过程中，容易引发各种安全事故。研究发现事故涉及的原因多种多样，包括管理、人员素质、设备工具等各种问题。要想减少事故的发生，就要从根源预防，对施工中存在的违规操作的安全隐患进行识别和告警[1]。目前在视频监控普遍使用的情况下，网络和高清监控已经具备通过摄像机和NVR采集和转发的条件，最后通过视频检测识别算法对存在的安全隐患进行识别和告警。

1 现阶段我国海油施工现场的安全隐患检测与发展

现阶段我国越来越重视海工企业生产的安全性，在新冠肺炎期间对于海工企业的生产提出了更高要求。并且随着国民经济的持续发展，海工企业也随之不断壮大，对于传统的基于人工检测安全隐患来实现预防事故的发生已经变得不再现实。而实时视频分析充分解决了这个问题。本项目基于监控摄像头采集施工作业环境下场景视频流，利用数字图像处理、模式识别、深度学习及机器学习等技术，实现智能的安全告警控制系统[2]。结合复杂施工作业环境下的安全规范，研究基于视频识别和分析的非接触式检测技术，实现了对作业人员是否正确穿戴安全帽、口罩、护目镜、工作服的检测，对于规定禁行区域是否有人违规进入的检测。

2 卷积神经网络的基础理论与YOLO算法

2.1 卷积神经网络

CNN为深度学习的一种深度神经网络模型。其是一种区别于单层神经网络的一种模型，其组成包含卷积层、池化层及全连接层等。其中，在每一层中含有很多神经元。卷积神经元区别于传统神经元系统，取消了图像前期处理流程，直接将标注信息的图像输入到神经网络中，进而将计算的复杂度降低[3]。，卷积神经网络的层次之间联系非常紧密，紧密的空间非常适合图像的处理，而且可以从图像里获取非常丰富的特性。

2.2 YOLO算法

YOLO算法，顾名思义，就是在识别目标时，算法只需要对图片看一次即可，通过看一眼，就可以对目标的类别和对象的坐标概率进行识别。该算法识别目标和检测目标任务放置在同一个神经网络中，进而将识别运算简化。算法包含24个卷积层与2个连接层，将目标分类和定位相结合，在单个模型中体现出来[4]。通过训练模型，首先在误差范围内核定每个权重的梯度，再者，优化梯度的算法，进而更新权重，最后，选出最优的检测模型。

3 针对海工场景的优化算法

3.1 调整YOLO的网络结构

对于采用样本监督训练来对一般目标进行检测，这种检测方式，一般会有图像遮挡、小目标无法识别、海上复杂环境无法适应等缺点。因此，我们对此项目的算法进行了优化，采用了基于YOLO的半监督学习算法。通过结合监督和半监督学习方式，利用标注好的信息与未知样本进行共同学习，对大型公共数据进行采集，对真实环境进行预训练和学习，得到泛化模型[5]。再对泛化模型进行半监督在线学习，这样可以提高特定场景下识别的准确性和泛化能力。该算法的整体流程图如图1所示。

3.2 选择制作新的数据集

通过对工地的调查，收集大量样本数据。将获取到的样本采用LabelImg进行标注，进而产生训练所要的xml的文件，该文件中包含了目标分类名称和目标位置信息。通过将随机参数设置方法调节至原始图像的亮度、饱和度和对比度，可以扩充数据集的量级，更好地应对更多复杂光线环境。然后，将数据集中90%作为训练集，10%作为测试集，使用darknet53.conv.74预训练权重对数据集进行训练。

4 算法验证

通过训练，所得到结果如表1所示：将学习率设定在10E-5，在大约训练迭代到9000次时，模型已经有了一定效果。通过目标分类识别，可以进一步降低误报的几率，最后统计其在数据集上的查准率，查全率以及每秒识别帧数。

5 结论

通过视频识别与视频监控结合来排查海工复杂作业场景的安全隐患具有技术可行、效果显著、前景广阔等特点。上述场景成功应用的同时也给我们研究开辟了新的道路和方向，我们应该更加深入研究技术和应用这两个层面，首先是增加数据集，优化训练模型，进而提高识别的精度，再者，扩充应用场景，在不久的将来，将研究成果应用到更加丰富的海上生产，从而更加有效地提升海洋工程生产安全管控能力和服务水平。

参考文献

[1] 郑世宝.智能视频监控技术与应用[J].电视技术，2009，33（1）：94-6.

[2] 范亚男，葛卫丽.智能视频监控系统发展及应用[J].价值工程，2010，29（17）：97-8.

[3] 王素玉，沈兰荪.智能视觉监控技术研究进展[J].中国图象图形学报，2007，12（9）：1505-14.

[4] 宫世杰，王薇，郭乔进，等.视频监控系统发展现状与趋势[J].科技技术创新，2018（29）：81-82.

[5] 肖东晖，林立.电力系统统一视频监控平台解决方案[J].电力系统自动化，2013，37（5）：74-79.

收稿日期：2020-08-02

作者简介：李跃（1983—），男，天津人，本科，工程师，研究方向：海洋工程安全管理。