AI机器视觉智能监管系统在危险化学品安全管控中的应用

高 翔，睢星飞，李晓亮，孙 涛，张隽麒

（中海油安全技术服务有限公司，天津 300450）

危险化学品生产企业的安全管理和安全事故防范是化工企业的一个主要研究方向。在危险化学品生产企业的安全管理工作中，企业的管理者要不断地探索和创新企业的安全管理方法和安全事故防范模式，从而提高其总体安全管理水平。但是通过分析当前我国危险化学品管理工作的实际来看，由于受到管理方式、管理技术以及管理理念等的影响，导致危险化学品的安全事故时常发生，需要对其进行进一步的强化。在信息科技快速发展的今天，我们已经进入了信息化和智能化的时代。信息技术的高效应用对生产力的发展起到了巨大的促进作用。将AI机器视觉智能监管技术用于安全生产的基本管理中，对于提升化学品安全生产的质量，加大信息交换具有重要的意义[1]。《“十四五”危险化学品安全生产规划方案》指出，要加强安全管理的信息化、信息化，并在全国范围内广泛开展。在《全国危险化学品安全风险集中治理方案》中明确提出了要加强“信息化、智能化”的要求，并在此基础上提出了加强“五化”的要求。因此，对危险化学品的安全管理工作的开展已经成为化工企业迫在眉睫的一项作业。

1 AI机器视觉智能监管系统建设的原理及技术要点

在现代社会的背景下，信息技术发展迅速使得人工智能和物联网应用技术在人们的日常生活中被广泛应用。人工智能是当今信息科技的中心，在通信系统、网络系统中扮演着非常重要的角色。利用人工智能技术可以更好地发展先进的网络系统，使之达到智能化、自动化的程度。该项技术在实际使用的过程中能够直接对静止的摄像头以及移动机器人采集到的数据等进行收取，同时将人工智能技术中的机器视觉技术实现对整个视频和图像的智能分析[2]。以设备、材料、人员、车辆和环境为研究对象，通过对视频源中的重要对象进行识别和提取，实现对视频源中的有效信息的自动分析和提取，实现以相机替代人眼，以更加“聪明”的方式进行学习和思维。这一监管系统的应用能够达到24 h不间断、无人的智能值班，使资源和人力得到了极大的节省的目的，这种方法能够迅速地检测出各种类型的安全隐患，并对其进行预警，从而减少人工巡检的工作压力。同时，管理者也可基于自身增强风险意识加速紧急事件的响应速度，提高安全监察及预防工作效率。因此，AI机器视觉智能监管拟解决的关键科学问题为面向云-边-端-机器视觉小样本分析模型和算法的应用。

1.1 基于深度学习的小样本机器视觉视频分析模型与算法开发

深度学习是当前我国人工智能技术应用过程中重点研究的一个方向，它通过对样本数据内部的规则和表达方式进行学习，从而有效地理解文本、图像、语音等信息。其终极目的是使机器具备与人类类似的分析学习功能。深度学习作为一种先进的机器学习方法其在语音、图像识别等领域的应用效果远超现有方法，同时在多个领域中也得到了较好的应用。

目前，我国应用的深度网络的物体识别方法主要是使用R-CNN、快R-CNN和FasterR-CNN等[3]。R-CNN将卷积神经网络用于物体识别，该算法能够直接达到对收集内容的提取和分类的优势，在此基础上对区域提名等进行识别。该方法由3个步骤组成：①生成候选区；②该方法首先采用卷积、池化等方法对各候选区域进行卷积、池化等操作，提取出具有一定长度的特征；③分类上一个阶段的输出向量，然后利用边缘窗回归方法提取出准确的对象范围，从而实现对物体的识别。

Fast R-CNN的出现有效地解决了R-CNN测试速度慢、训练速度慢、占用训练空间较大等问题。该算法的基本步骤主要有以下4个方面。①生成一个类似于R-CNN的候选点，并利用Selective Serach算法生成一个候选点；②把规范化的图像置于CNN神经网络中，利用CNN对图像进行特征提取；③RoI池化从原始图的候选框架到特征图谱之间的映射关系，在RoI池化层中能够达到实现对每个特征帧的池化操作；④借助第三步骤的提取信息可以得到一个完整的连通层，也能实现对边界窗口的分类和整理，从而得到最终的结果[4]。

FasterR-CNN是一种基于R-CNN与RCNN的融合方法，通过对4个关键步骤的有机结合来增强算法的完整性和可行性。①构建卷积神经网络提取出一幅图像的特征图，并把它分享给后继的RPN层、全连通层；②使用RPN神经网络构建候选窗；③采用RoI池将前两个层次产生的窗口和特征图进行融合，从而得到一种新候选区的特征图谱，并将其导入到下一步的全局连通层判断对象类别。④根据选定的区域特征图确定待选区域的类别，然后对选定对象的边缘进行再细化，从而得到准确的物体位置。

目前，以深度学习为基础的机器视觉研究存在样本少、非对称、噪声大等非完美特性，导致现有的算法很难用于实际的安全监测与管理。因此，为改善这一研究困境，本研究将为AI机器视觉智能监管系统提供新的思路与方法，具体研究内容包括：①基于生成对抗理论的小样本机器视觉数据增强方法研究。当前，深度学习的算法模式在很多场景中得到了较好的应用，但由于其具有完全监督的学习特性使得它很难在不均衡的故障样本下有效地处理故障。本研究拟在机器视觉分析中引入博弈情景半监督特征学习，采用生成式对抗理论构建均衡数据集，选取合适的生成器和区分算子，实现不均衡数据的增强；②研究面向小样本数据的特定特征抽取算法。基于此，本研究拟基于深度神经网络，通过训练样本的特征，采用与原始样本特征分布相近的方法重构样本，实现样本数目的增加。通过对所建模型的源、目区域进行分区，在此基础上，借助迁移学习技术等的优势能够达到对现行的运行数据等进行分析和应用，这样的方式有助于减少计算的时间，同时还能针对一些人工无法挖掘的数据等进行分析，对于提升整体的智能机器视觉监控系统的智能化水准具有重要的意义[5]。

1.2 云-边-端-机器人融合的智能视觉分析应用

人工智能已经成为当前人们生活中不可缺少的一项重要技术，且在不同的行业中得到了普遍的应用。当前，我国人工智能技术中的AI机器人技术已经逐渐发展成成熟的趋势，在不同的行业中都得到了较好的应用，且智能化场景的应用越来越多。尤其是在5G技术的支持下通过安装高清、红外等传感装置，根据预定的线路巡视重点区域实现固定摄像头的盲区，形成全方位的监控系统。以AI机器视觉智能监管系统为基础运用智能监管系统中的工业互联网、大数据、人工智能（AI）等新一代信息技术，使现行的安全标准化管理系统实现信息化、数字化、网络化、智能化的目标，提高其运行效能[6]。

2 AI机器视觉智能监管系统在危险化学品安全管控中的应用

AI机器视觉智能监控系统可以根据危险化学品工业的特征，通过视频智能分析技术对化工生产中存在的各种安全风险进行快速检测，并提出相关的预警，从而降低工作人员的工作压力，增强企业对安全隐患的感知，加速事故的预警和响应[7]。最后，借助感知分析技术能够研发云-边-端-机混为一体的智能监控应用。如衣着监视，越界监视，行人路线监视，周边监视、警报系统等等。AI机器视觉智能监管系统以危化品工业为研究对象，以监控人员、车辆、设备和环境异常行为为研究对象，可以达到实现不低于10种可视化智能分析算法，具体见图1。同时，可以通过对特种作业全过程的流程与轨迹管理使特种作业的申请、审核、批准、监护、验收等全过程信息化、标准化、数字化、网络化、程序化管理。并能在设备设施信息数据库中对联锁切除、恢复、变更、送电等的状态作出校验。

图1 危险化学品行业视觉智能监测拟实现算法

3 结语

综上所述，AI机器视觉智能监管系统转变了传统监管模式的不同，在危险化学品安全管理方面的赋能并不局限于上述几个方面，通过对现行的安全标准化管理工作进行信息化、数字化、网络化和智能化的监管，一定可以提高目前的安全管理水平和能力。本研究在现有的研究算法的基础上分析其该监管系统在危险化学品安全管控中的应用，可以帮助化工企业提升其监管预警效果，在此基础上将视觉引导机器人的自动决策路径进行应用，可为化工企业提供更加优质的管理与服务。