首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于多元数据融合的现场安全违章自动感知技术研究

基于多元数据融合的现场安全违章自动感知技术研究

2025-06-08 43 上传者：管理员

摘要：随着科学技术的快速发展，作业规范管控的要求越来越高，为了规范现场作业的制度，提高作业管控流程，建立新型安全管理方案，完善安全监管体系。本文通过随机森林算法的检测违章行为，设计人脸识别技术实现工作票智能管理方法，并利用OCR识别技术自动识别审核工作票，实现运行操作全过程监控、工作票票面文字图像自动识别、现场人员违章动作自动识别算法，实时、自动、准确获取违章信息数据，结果表明，本研究实现了多元数据融合技术的安全违章自动感知体系。本项目的研究结果将为智能安全监管体系的研发与应用奠定理论基础。

关键词：
人脸识别
关键词提取
安全违章
管控方法
自动感知
加入收藏

随着科技水平的不断提高,传统的管控方法已无法满足规范化作业要求,多元数据融合的安全违章自动感知系统是一个重要的研究方向｡在作业安全监管领域,要实现从对违章数据的感知获取,到对违章行为管控决策信息的推送等全过程的智能化管控[1],构建出从感知到决策的规范化管控标准,形成一系列科学的､严谨的违章分析方法和策略,从而发现并掌握违章易发人群､岗位和时间等的规律,从而对违章行为的发生和发展进行系统的根治,并进行有效的预防[2]｡本文全方位拓展数据源,将各项作业关键流程､环节进行数据自动识别,构建一个全面的智能计算引擎和算法库,强化违章过程管控,实现运行操作全过程监控､工作票票面文字图像自动识别､现场人员违章动作自动识别算法,实时､自动､准确获取违章信息数据,实现了多元数据融合技术的安全违章自动感知体系｡

1、基于随机森林算法的异常检测识别

1.1布设传感器监测数据

通过采集到的大量作业数据,对作业动作过程中出现的违章现象进行分析,从而达到对作业过程中违章行为的自动识别[3]｡因此,需要实时监测安全作业,以获得工况数据,为异常行为识别提供重要的数据依据｡在此基础上,采用不同类型的传感器,实现对作业行为数据的全方位感知和测量｡同时,为了保证数据处理的高效性,我们还利用云数据库对采集到的数据进行了实时存储,以便于后续的在线数据处理｡

1.2提取数据中的违章动作参数

在采集了与安全操作有关的工作状态信息之后,对这些信息进行了初步的处理,消除了信号信息中的干扰,并从中提取了违章动作的参数｡本文所用提取异常参数的方法为聚类算法｡

假定一个数据集是X,并且其中有Y个数据对象,则可以将该数据集表示为X={1,2,…,Y}｡如果任何一个数据对象Y具有相应的属性类别B,则可以按照属性类别将数据分为包含具体的属性类别B的群集｡然后,以这个聚类簇的均值E为中心,将剩余的数据再分割成新的聚类,如此反复,直至分割完毕｡将方差Q,作为异常参数的提取｡

1.3随机森林算法实现违章动作识别

在对违章特征数据提取之后,构建了与之对应的行为异常特征比对数据库,以满足与实时获得的操作行为数据的匹配,搜寻其中的异常动作信息,利用随机森林算法进行违章动作自动识别｡首先,构造决策树来判定违章行为的特征｡假定一个传感器捕捉到的数据集是W,其中,用于异常动作识别的决策特征是E,因为有很多不同的特征,所以对每个异常动作特征进行了属性划分,将其分为q个属性量,则可以得到它的相关信息熵R｡

随机森林算法利用特征值的大小,将数据集分为多个小的子集,从而得到对应的决策树模型｡针对这一问题,本项目拟采用基于步长的LMS方法,对该方法进行改进,并将该方法应用违章动作识别过程中｡

首先,划分数据的特征｡由于已经通过历史数据提取了异常动作的特征参数D,那么可以以此为标准,对数据集W进行预划分｡计算W集合中的特征参数e,将e与标准参数D相比较,如果满足e<D这一条件,则将该特征归为左分支,如果满足e≥D这一条件,则将该特征归为右侧分支｡这样,就可以将e分类,并得出E={e1,e2,…,en}｡

其次,通过对所构造的决策树的分散性进行评估,减少了各算法之间的变异｡假定参数的标准差为r,则集E的离散度M为:

式中,∂为集合E的平均参数｡通过r与∂之间的对比数据,把数据集W的离散度分析出来｡采用步长LMS算法对该算法进行了进一步的优化,设一个窗口的滑移步范围为l,且满足l=[1,5],从l的最小值1开始,在窗口滑移的过程中,需要确定滑移平均值la,再根据la的大小来确定最佳的集合划分点a｡用此方法不断划分,一直到所有的特性参数都被分割开来,从而得到最优的随机森林决策树｡在此基础上,利用改进后的随机森林,构建了一种对违章行为进行自动识别的方法｡

2、人脸识别技术实现工作票智能管理

工作票智能管理系统是以构建控制工作票中名单管理为手段,可以自动地完成对票面各种作业人员的权限匹配,并对工作票执行过程中的票面风险展开自动的审核和预警[4]｡工作票智能管理系统可以与人脸识别技术相结合,对工作票进行自动审核,从而避免了非工作人员代替工作票的违规现象｡

2.1人脸检测流程

人脸识别首先要获取并检测出人脸的特征｡在此基础上,提出了一种基于MTCNN的人脸识别方法[5]｡MTCNN采用3个CNN级联来完成任务｡在这些算法中,P-Net具有两种功能:一种是提取面部边界,另一种是提取面部边界｡R-Net网络在去除假目标时,主要是利用边界和NMS来去除假目标,并在此基础上增加了一个与-Net网络相比较的全连通层,从而有效地抑制假目标;O-Net的功能和R-Net的功能一样,只是在数据的处理上要更细致一些｡

2.2人脸识别流程

将以上检测出来的面部图像输入FaceNet,它是在多维度的空间中将面部图像映射上去,通过空间距离比较面部的相似度,从而实现面部识别[6]｡FaceNet架构具体如图1所示｡

图1FaceNet的架构

2.3工作票智能人脸识别系统的结构

工作票智能人脸识别系统的结构如图2所示｡

图2系统构成图

3、使用OCR识别技术自动识别审核工作票

3.1OCR光学字符识别技术

光学字符识别(OCR),简而言之,就是扫描文本数据,对工作票进行处理和分析,从而对字符的自动识别技术[7]｡近年来发展起来的基于ANN的模式识别方法,为OCR文字识别提供了一条新的途径,具有速度快､准确度高､容错性好､快速学习能力等优势｡它是一种模仿人类大脑对信息进行加工的方法,是一种全新的OCR字符识别技术[8]｡

在构建新型安全监管体系的过程中,使用OCR算法,对票面的文字图像进行自动识别,保证工作票整体合格｡工作票智能管理系统应能以事先设定的设备双编号､工作内容及地点对应关系为依据,辅助判断票面安全技术措施等是否满足要求｡智能识别工作票控制系统包括工作票许可､作业人员变更､负责人变化等是否满足工作票管理制度规定,杜绝使用不合格工作票｡

使用光学字符识别技术进行离线学习和在线识别,对工作票的文字图像进行处理｡离线学习就是通过创建一个训练文件,对训练样本进行一系列预处理后,在训练文件中保存获得的字符;在线识别就是将采集到工作票预处理,使用训练分类器与字体文件进行识别,从而识别结果输出置信度较高的字体｡如图3为OCR技术识别工作票流程图｡

文字识别技术的难点在于文字位置的确定｡目前主要有两种方式来确定位置:

图3OCR字符识别工作票流程图

(1)以区域为基础的定位方法｡在此基础上,提出了一种基于RGB颜色空间聚类的文本定位方法｡

(2)一种基于边的文字定位方法｡在文字边界清晰且与背景反差较大的情况下,蒋留兵等[9]采用索贝尔滤波器进行图像边界的提取,并对其特征进行分析,最后利用投影分析法来确定文字区域｡

3.2工作票图像识别关键技术

工作票文字图像识别技术,主要是将存储信息与当前信息进行比较,进而对图像文字进行识别,不同的图像文字的识别分析有一定的差异,本文将对工作票文字图像的关键技术进行分析｡

3.2.1计算机识别工作票视觉

工作票文字图像的自动识别主要是通过计算机视觉相关技术来实现的,它的核心技术包括了图像分割,特征提取分类等,具体如图4所示｡

图4工作票文字图像识别流程图

(1)文字图像分割,即从工作票中提取字像,而OCR技术要求从复杂的背景中提取文字图像｡基于不同的理论模型,人们已经提出了数千种不同的图像分割算法[10]｡在对工作票字迹的分割过程中,本文采用了几种不同的算法,建立了一个自动分割系统,从而达到了快速准确的分割效果｡

(2)在对工作票字图进行分类时,由于识别出来的字图的质量,会对输出的类的置信度产生一定的影响,所以对工作票字图的预处理也是必要的,去除不相关的信息,增强有用的信息｡

(3)OCR是对工作票中的字符进行识别前的预备工作,其目的是对字符进行定位､分割和纠正｡

3.2.2工作票票面风险识别

对工作票票面风险数据利用OCR识别技术进行自动识别,利用canny算子对识别区域进行框定,检测存在文字的区域,得到proposal｡对框定后的区域利用CPTN算法对proposal中的文字进行识别｡对工作票票面风险点利用OCR识别技术进行识别,首先完成业务风险框进行梳理确定,确定风险框后,利用canny算子实现对风险区域的识别,确定proposal区域,当风险目标框识别完成后,利用CPTN算法实现工作票风险的识别｡

3.2.2.1违章风险区域框定

Canny算子是一种对安全违章风险边界进行检测的算法,Canny边界检测算法主要包括5个步骤:

(1)对图像进行处理,采用了高斯滤波器对噪音进行过滤｡

(2)对图像中的每一个像素进行梯度强度及方位的运算｡

(3)为了消除由边缘探测引起的杂乱反应,采用了非最大值抑制｡

(4)采用双阈值(double-threshold)检测,以判断实际边界和可能边界｡

(5)最后,对分离出的微弱边缘进行压制,实现了对图像的边缘提取｡

由上述步骤,可以精确地定位安全违章风险辨识方块,并找出危险存在的危险区域｡

3.2.2.2违章风险区域识别

CPTN算法将回归与分类相结合,对违章风险区进行了识别｡风险范围用回归法拟合,风险内容用类别法确定｡在图5中显示了整个算法网络的结构:

图5算法网络结构图

以下是确定的具体步骤:

第一步是对工作票进行扫描,获取工作票中所要识别的文字,并对其进行结构分析｡

第二步是利用阈值运算等技术对测量区域中的目标进行噪声消除和校正｡

第三步,由于文字信息的特殊性,必须对其进行行间划分,才能实现单字､多字､多字的识别｡

第四步是将特征图像输入到CPTN识别系统中,然后在原始图像中提取出风险字符特征｡

3.2.3违章风险标注提醒

通过对工作票票面数据的识别,实现了工作票的自动标注提醒,存在的风险点,违章类别等｡完成工作票的操作风险提示｡具体情况如图6｡

图6工作票风险提醒图

4、案例应用成效

本文运用随机森林算法对违章行为进行检测,设计了人脸识别技术,实现了工作票的智能管理方法,并采用OCR识别技术,自动识别审核工作票,最终实现了多元数据融合技术的安全违章自动感知体系,从而实现了对人员信息的精准管控和对违章行为的预警和提示｡在对安全违章感知体系进行预测之后,并将其应用到实际工作中,达到了预期的效果,极大地提升了作业管理效率,减少了各种安全事故的发生,为安全生产提供了良好的基础支撑｡

5、结语

利用人脸检测MTCNN算法和人脸识别FaceNet算法,可以高效地对人脸进行识别,从而可以准确地实现工作票的智能管理｡在此基础上,提出了一种基于文本排序的关键词抽取方法,从而提高了违规关键词抽取的准确性｡利用OCR技术,实现了对工作票的OCR识别,保证了工作票合格的总体质量,并对工作票的风险进行了警示,避免了不合格的工作票的产生｡智能违章自动感知体系可以对生产现场的作业任务､作业人员进行实时信息化监控,从而达到对人员信息进行精确管控,并对违章行为进行预警和提示,从而最大限度地减少不安全事件的发生概率,为企业的安全生产提供保障｡

参考文献:

[1]岳军政,李泽政,侯庆敏,等.基于5G施工现场智能可视化监控技术应用[J].粘接,2022,49(8)167-169.

[2]徐瑞华,罗帆.团队规范下管制员违章行为演化与监管研究[J].运筹与管理,2021,30(10)191-198.

[3]田力,张阳,洪娟,等.矿区电力工程施工现场安全监测系统设计[J].能源与环保,2022,44(6)266-271.

[4]谷玉海,曹梦婷,修嘉芸,等.基于YOLOv4网络的违章行为检测算法[J].重庆理工大学学报(自然科学),2021,35(8)114-121.

[5]于润润,姜晓燕,朱凯赢,等.基于信息融合的移动端违章压线检测系统设计[J].传感器与微系统,2021,40(12)115-118.

[6]林平荣,吴梓华,陈鑫,等.基于深度学习的人脸识别系统[J].软件工程,2023,26(10)53-57.

[7]祁星晨,卓旭升.基于改进MTCNN算法的低功耗边缘人脸检测跟踪系统[J].电子技术应用,2021,47(5)40-44.

[8]李艳灵,王莎莎,杨志鹏.一种改进的多任务级联卷积神经网络人脸检测算法[J].信阳师范学院学报(自然科学版),2022,35(4)651-655.

[9]蒋留兵,吴岷洋,车俐.FMCW雷达基于光学字符识别的连续动作识别研究[J].雷达科学与技术,2023,21(1)74-81.

[10]张驯,赵金雄,白万荣,等.基于边界约束图像融合的光学字符识别算法研究[J].红外与激光工程,2022,51(12)331-336.

文章来源:李华,米勇,徐志保,等.基于多元数据融合的现场安全违章自动感知技术研究[J].粘接,2025,52(06):143-146.