智慧安全管控系统在抽水蓄能电站的研究与应用

曹彦 张龙歌 潘盈 杨敏之 李赟俐

摘要：文章智慧安全管控系统贯穿生产作业周期，对风险告知、人的不安全行为、环境的不安全状态等综合因素，全程实时管控，起到事前告知、事中监督、事后可追溯的作用。一旦监测到影响安全作业的因素，就能实时报警，通知作业人员及安全管理人员。降低安全生产事故发生的风险，提高风险处置的能力和效率。

关键词：智慧安全管控系统; 实时管控; 降低; 报警

0 引言

在生产作业中，因人员主观意识偏差、环境变化，存在风险意识不到位、麻痹大意、习惯性违章、环境影响等可能导致事故发生的因素，安全生产事故一旦发生，将会产生重大损失。为进一步提升安全管理能力，配备一套基于计算机视觉、人工智能技术智慧安全管控系统尤为重要，以反违章、风险管控为切入点，致力于人员、物品、环境的安全管控，以达到提示作业风险、防止危险事故、杜绝安全事故发生的目的。

1 智慧安全管控系统设计原理

1.1计算机视觉的应用

计算机视觉是在感知层上最为重要的核心技术之一，它让计算机能够类比人类的眼睛。计算机视觉技术模拟生物视觉，将捕捉的图像中的数据及信息进行分析识别、检测、跟踪等，让计算机能够理解这些图像。计算机视觉技术早已广泛应用到安防、自动驾驶、医疗、消费等领域。

1.2图像处理

视觉系统中，视觉信息的处理主要是图像处理，包括图像增强、平滑（去噪）、锐化、分割等方法。经过相应的处理后，输出图像的质量得到相当程度的改善，便于计算机对图像进行分析、处理和识别。

1.2.1图像增强

图像增强主要是调整图像的对比度，突出图像中的重要细节。常采用修改图像灰度直方图的方式进行图像增强。图像的灰度直方图是表示一幅图像灰度分布情况的统计特性图表，它反映的是一幅图像中各灰度级像素出现的频率与灰度级的关系。通过灰度直方图的形状，可以判断该图像的清晰度和黑白对比度。

1.2.2图像锐化

图像锐化是为了加强图像中的轮廓和细节，达到将物体从图像中分离出来或将同一物体表面的区域检测出来的目的，这往往是后期视觉算法成败的重要因素之一。

圖像锐化与图像平滑正好相反，它需要保留高频信息来达到保护细节的目的。本质上是增加领域间像素的差值。锐化使用领域的微分作为算子，常用的一阶微分算子有Sobel、Roberts、Priwitt，二阶微分算子有Laplacian。

1.2.3图像分割

图像分割的本质是将像素进行分类，分类的依据是像素的灰度值、颜色、频谱特性、空间特性或纹理特性等，把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出相似性或一致性，而在不同区域间则表现出明显的不同。常用的分割方法有基于边缘的分割、基于阈值的分割、基于区域的分割、基于人工神经网络的分割等。

1.3深度学习

1.3.1图像识别

图像识别是计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象。

采用深度学习的图像识别方法，首先收集大量的训练数据，对数据打标，建立神经网络模型。然后将图像和标签输入神经网络进行训练，调优。最后用训练好的模型对图像进行预测。

1.3.2目标检测

目标检测在识别的基础上还要对目标进行定位。对目标进行动态实时跟踪定位在智能监控系统具有广泛的应用价值。

2 智慧安全管控系统的研究

2.1对智慧安全管控系统的检测算法研究

1）通过现场调查明确需要检测的内容，根据检测内容确定研发边界。

2）根据不同种类的检测内容来确定使用不同的检测算法。

环境监测类：漏水漏液（滴漏、地上堆积）、火花、烟雾、光照明暗变化;

人员类：劳保用品佩戴（安全帽、安全带、绝缘靴、绝缘手套等）、行人检测、行人跟踪、人员进出、停留电子围栏;

设备类：开关状态、指示灯状态、声音、读数。

2.2对危险点风险库的管理

利用导入的方式，将现场的危险点风险库存入系统中并可供人员实时查看。

2.3现场工业摄像头数据接入及调度机制研究

接入现场现有的工业摄像头的视频流数据;

对视频流数据进行处理，以利于算法进行视频中的危险、违章事件的识别;

为保证实时性，需要研发一套调度系统，用于提升算法的图像处理能力、多机位之间的轮转能力。

2.4移动工作站研究

基于智能安全管控的功能项，进行移动工作站的研究，让安全管控尽在掌握。

2.5对智慧安全管控系统的检测结果分析研究

1）通过对所有检测结果的分析，提升整体风险检测准确度;

2）通过对不同风险的检测结果分析，分别统计检测各种类风险的准确度;

3）对比分析在同一场景下，同一风险类型的不同动作行为或者不同物体状态对检测结果的影响;

4）进一步针对不同种类的风险采用不同的优化方法提升检测准确度。

2.6对智慧安全管控系统的检测结果的影响因素的分析研究

1）对比分析同一个风险行为和风险状态，在不同环境下的检测效果，要求在主要场景下都能准确检测;

2）进一步针对不同具体场景对智慧安全管控系统进行优化，降低环境对检测结果不良的影响。

2.7对智慧安全管控系统的检测效果和可扩展性的分析研究

1）统计智慧安全管控系统运行前后一段时间内的风险行为和状态的数量，统计该系统提醒修正的风险数量来估计智慧安全管控系统的预防作用，同时可以根据以往数据预估未来每月的风险发生次数。

2）统计现场系统观察到却未检测出的风险和系统未观察到的风险，并进行分析分类。评估系统后续可以扩充的多维度安全管控措施，预估这些措施可以针对解决哪一类风险以及解决到什么程度。

参考文献

[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.