基于深度学习技术的轨道交通制造业生产现场安全智能监控系统的应用研究

王娅 王博 王波

摘要:本文介绍了深度学习技术的概念与组成，结合轨道交通制造业生产现场安全生产管理需要，提出建设智能监控系统，并分析系统整体构架和系统实现等内容。试用表明，该系统能实时监测、预警和处理一部分安全隐患，降低安全事故发生概率，对提升轨道交通制造业生产现场的安全可靠性具有深远意义，值得在生产制造现场进行推广和应用。

关键词:深度学习；安全；智能监控

引言

对于工业生产企业而言，由于业务连续性强、系统庞杂，大量生产设备相互联系、耦合紧密，而且具有功率大、运转速度高的特点。安全生产更是保证从业人员的安全与健康、设备和设施免受损坏、环境免遭破坏、生产经营活动顺利进行的必要条件。

以人工智能技术为手段，把握 “高精度质量检测、大范围安全管理”的行业需求，应用机器视觉、体态识别、异常行为分析预警等人工智能技术，在安全防范、监管实施和生产流程管理方面，实现实时监控、自动发现问题、主动预警等智能化应用，已经逐渐在工业生产安全领域发挥着重要作用，是促进“事后处理”传统安全管理模式向“事前预防”科学化管理方式转型重要工具。

轨道交通制造业现场是典型的离散型生产制造现场，工序较为分散、人员流动性大，安全隐患排查主要依靠管理人员现场检查和视频监控系统远程检查等人工识别方式，这些方式有盲区、对经验依赖性强，必须要提升智能化、信息化、数字化水平，才能更好适应企业高质量发展。

1 深度学习技术概述

深度学习(DL, Deep Learning)被引入机器学习使其更接近于最初的目标——人工智能(AI)，最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 

而基于深度学习技术的轨道交通制造业生产现场安全智能监控系统需要使用算法框架（PyTorch）、标注软件（Labellmg）、训练检测软件（Yolo）、视频解码软件（OpenCV），以及其他相关软件平台软件技术等关键技术。

1. 1. 算法框架

PyTorch支持动态计算图而且内存使用很高效，一个主要优势特点是数据并行化，可以用来搭建和训练深度神经网络。

1. 2. 图片标注工具

Labellmg是一款使用方便且能够标注多类别、又能直接生成xml文件的标注工具，可以自定义创建数据集，用户可以根据自己的需要进行编辑。

1. 3. 训练和检测软件

Yolo是一种基于深度神经网络的对象识别和定位算法,运行速度很快,可用于实时系统。目标检测用来在一张图片中找到某些特定的物体，不仅要求我们识别这些物体的种类，同时要求我们标出这些物体的位置。yolo的预测是基于整个图片的，会一次性输出所有检测到的目标信息，包括类别和位置。

1. 4. 视频解码软件

视频编码的主要任务是缩小视频文件的存储空间，简单地说就是去除视频数据中的冗余信息。OpenCV会自动完成视频流的解码操作，并返回视频流的编码格式、帧率等信息。

2智能监控系统整体架构

2.1 系统构成

根据制造生产现场具体安全管控需求，开发对应的视觉AI算法和分析模型、标准服务、大数据服务、系统管理服务，设计相应的业务功能，最终以业务功能看板的形式在系统界面中展示。制造生产现场安全智能监控系统的组网图如下图所示：

系统由前端摄像头、交换机、分析服务器、平台服务器几部分组成。其中，摄像机负责现场实时画面的感知，交换机负责现场实时画面和中心服务器之间的网络数据稳定可靠的传输，分析服务器负责按照场景加载相关的AI算法分析模型进行匹配分析，平台服务器按照既定的事件处置逻辑进行事件的接收、评判、流转、闭环等工作。

2.2 系统整体架构

系统平台通过接入管理部分，接入智能服务器输出的数据，并进行数据的清洗过滤、分类保存后，供各个业务模块调用。制造生产现场安全智能监控系统的整体架构如下：

智能服务器由两部分组成，一个是训练服务器，一个是预测服务器，其中：

（1）训练服务器

结合业务特性,明确模型所需要的训练数据。有了数据后，就可以用PyTorch标注，标注完，就可以进行模型训练。模型旨在构建图片里面的特性和标签之间的隐含关系，通过参数调整、特征优化以追求更好的效果表达。模型优化的过程是对模型和数据进行迭代训练的过程，影响模型效果的因素有很多，从基础数据到构造的特征，从算法选择到实验策略的影响，从给出的排序结果到前端的位置展示，都可能产生影响。

（2）预测服务器

通常情况下，新上模型一般会进行验证，测试返回的数据是否正常、是否可信服，确定没问题之后会进行小流量的测试（一般在5%左右），观察一天的效果，如果效果正向，则会扩大流量（一般扩到50%左右），经过一段时间的效果观察，如果效果正向，则会考虑全扩或者扩充接近100%。

3 智能监控系统的主要常用功能及实现

3.1 主要工作原理分析

项目以AI图像处理技术为核心，采用前端数据采集结合边缘端算法分析的模式，在前端现场部署高清网络相机连续拍摄现场图像，图像通过以太网传输到视觉AI服务器群，视觉AI服务器群识别到异常后实时发送结果信息给管理平台，进行多端联动，监测各个生产环节的安全生产过程，实现异常事件、违规行为的实时报警，从而避免事故的发生，降低企业的安全生产事故率。

3.2主要功能介绍

3.2.1 人员信息检测

(1)进入生产现场人数统计，以判断是否存在单人作业：通过在某一固定场所出入口的相机，识别、分析进出该场所人员信息，如果发现晚上有单人滞留现场，则产生预警进行干预；

（2）是否在作业区域使用手机：通过在固定作业面设置的相机进行人员头部动作的分析，发现有疑似打手机的行为则立即抓拍，并自动推送平台进行二次确认；

（3）定点区域使用手机操作3分钟：从人员进入定点打电话区域开始计时，超过3分钟未出区域，则认为是打电话超过指定时间；

3.2.2 劳保用品穿戴检测

（1）是否佩戴安全帽：通过部署在车间各处的摄像机，间隔分析视线范围内的人员是否按照规定穿戴安全帽，否则立即抓拍预警。

（2）是否穿戴防护服：间隔分析视线范围内的人员是否按照规定穿戴防护服，否则立即抓拍预警。

（3）是否穿戴面罩和口罩：间隔分析视线范围内的人员是否按照规定穿戴口罩和面罩，否则立即抓拍预警。

（4）是否穿劳保鞋：间隔分析视线范围内的人员是否按照规定穿劳保鞋，否则立即抓拍预警。

3.2.3 现场安全作业检测

（1）登高是否系安全带：通过固定登高作业处的相机进行实时建模分析，发现未穿戴安全带行为则抓拍预警（安全带需要进行特定颜色的标注，辅助增加识别效果）。

（2）天车是否外拉斜吊：研究通过对天车作业时绳索相对垂直位置的分析，发现吊装歪斜的情况则抓拍预警。

3.2.4 人员安全占位检测

（1）吊物前行走：分析相机视线范围内的天车作业，跟踪识别天车行进方向，发现有人在吊物前方行走，则立即抓拍预警。

（2）吊物下行走或者人员滞留：分析相机视线范围内的天车作业，发现吊物下方有人经过或者长时不动，则立即抓拍预警。

（3）台车出入库时，人员站在出入库通道内：台车出入库时识别台车模型动作，同时再结合人体模型的关联分析，判断设定通道区域是否有人。

（4）机械手工作时，人擅自进入机械手工作区域：机械手工作时，通过对机械手的模型分析以及坐标分析，判断是否在动，同时结合区域和人体模型的判定，判断设定区域是否有人违规进入。

（5）人站在变位机转胎前方操作设备（转胎机动时）：变位机转胎时（需要有变位机转胎的信号或者对变位机建模，跟踪分析是否动作），判断前方区域是否有人违规站立。

4 结束语

随着我国轨道交通的快速发展，企业产品类型和业务范围变化，伴随“四新”应用、人员流动性增加、工艺布局变化等，使企业安全风险随之变化，给制造生产现场安全管理带来巨大挑战。文中列举的场景，已经实现了智能识别，解决了一部分现有的安全监管难题，智能监控系统对安全监管具有较大现实意义，也充分说明智能化、信息化、数字化已经逐渐在生产安全领域发挥着重要作用，将为智能制造奠定坚实基础。

作者简介：第一作者简介：王娅，女，（1988.05.14- ），中车株洲电力机车有限公司，安全体系认证技术工程师。

第二作者简介：王博，男，（1989.03.26- ），中车株洲电力机车有限公司，安全技术主管。

第三作者简介：王波，男，（1988.11.07- ），中车株洲电力机车有限公司，安全管理主管。