基于信息技術(shù)的實驗室安全管理智能預(yù)警系統(tǒng)建設(shè)

周 珂，金仁東，趙志毅，付冬梅，邱中煒，張浩博，鄭 洋

基于信息技術(shù)的實驗室安全管理智能預(yù)警系統(tǒng)建設(shè)

周 珂1，金仁東2，趙志毅1，付冬梅3，邱中煒3，張浩博3，鄭 洋3

（1. 北京科技大學(xué) 高等工程師學(xué)院，北京 100083；2. 北京科技大學(xué) 資產(chǎn)處，北京 100083；3. 北京科技大學(xué) 自動化學(xué)院，北京 100083）

針對高校工程訓(xùn)練實驗室種類多、要求差異化管理、實踐教學(xué)過程長、實驗室開放管理難度大等特點，建設(shè)了基于圖像識別技術(shù)的工程訓(xùn)練實驗室安全管理預(yù)警系統(tǒng)。對人員面部識別認(rèn)證、危險行為識別預(yù)警、實驗室人流量統(tǒng)計等進(jìn)行了智能化系統(tǒng)的建設(shè)。實驗室安全管理智能預(yù)警系統(tǒng)對傳統(tǒng)實驗室管理手段進(jìn)行了有效補充，為高校的現(xiàn)代化實驗室管理體系建設(shè)提供借鑒方案。

實驗室安全管理；目標(biāo)行為檢測；圖像識別；智能預(yù)警

安全管理是實驗室管理工作的重要內(nèi)容。對實驗室的危險因素要按照體系標(biāo)準(zhǔn)進(jìn)行科學(xué)分析、分級處理，對實驗室安全管理要全過程、全要素、全方位覆蓋[1]。深入貫徹“安全第一，預(yù)防為主”的理念，實現(xiàn)實驗室安全的科學(xué)、有效管理，致力于風(fēng)險管理方法、手段的開發(fā)與應(yīng)用，是實驗室專業(yè)技術(shù)人員的一項重要的工作內(nèi)容[2-5]。

北京科技大學(xué)實驗室安全管理智能預(yù)警系統(tǒng)以校內(nèi)實踐教學(xué)平臺——工程訓(xùn)練中心為實施對象，針對金工實習(xí)、電子實習(xí)、學(xué)生創(chuàng)新創(chuàng)業(yè)、鋼鐵全流程虛擬仿真等實踐環(huán)節(jié)進(jìn)行實驗室危害因素系統(tǒng)化識別與分析，將智能技術(shù)引入實驗室預(yù)警管理機(jī)制，采用數(shù)字建模、人臉識別、危險區(qū)域行為預(yù)警、動態(tài)監(jiān)控等先進(jìn)技術(shù)建設(shè)了實驗室智能預(yù)警系統(tǒng)。該系統(tǒng)兼有人員流量統(tǒng)計功能。

1 危險因素及設(shè)計方案分析

工程訓(xùn)練中心是高校常見的實踐教學(xué)平臺，往往具有實驗室多、訓(xùn)練學(xué)生人數(shù)多、使用時間長等特點。隨著工程認(rèn)證、雙創(chuàng)實踐等工作的年拓展，工程實踐類實驗室?guī)熒肆髁咳找嬖鲩L，危險隱患也隨之增加，并存在以下安全管理的難點。

（1）實驗室面積大、類型多，差異化管理分析要求高。北京科技大學(xué)工程訓(xùn)練中心現(xiàn)有金工實習(xí)基地、電子技術(shù)實習(xí)基地、學(xué)生創(chuàng)新創(chuàng)業(yè)基地、鋼鐵全流程虛擬仿真實踐基地，大型車間、中小型實驗室逾9100 m2，各類教學(xué)設(shè)備2069余萬元，使用化學(xué)危險品的實驗室多，涉及爆炸品、壓縮氣體、液化氣體、易燃固體、腐蝕品等[6]，危險源較多，需要進(jìn)行危險源的品類區(qū)分和系統(tǒng)化管理。

（2）教學(xué)流程長、操作環(huán)節(jié)多，對師生的安全行為管控易出現(xiàn)疏漏。實踐教學(xué)操作的安全管理不僅涉及物的因素，還涉及較多的行為風(fēng)險。例如在大型機(jī)床操作、焊接、鑄造、激光切割等教學(xué)環(huán)節(jié)中，易發(fā)生不當(dāng)站位和不規(guī)范的行為、個體防護(hù)不完善、工屬具不合格等安全風(fēng)險。因而，亟待進(jìn)行實踐教學(xué)各流程的風(fēng)險再辨識、再評估，建立完善的實踐教學(xué)安全保障體系。

（3）實踐教學(xué)涉及師生人數(shù)多、人員流動性強。根據(jù)北京科技大學(xué)2012和2017版教學(xué)計劃，工程訓(xùn)練中心年均完成逾27萬人機(jī)時的教學(xué)量，覆蓋全校各專業(yè)學(xué)生5500余人，且人流量大、活動場地集中。從心理方面看，由于學(xué)生的心理成熟度相對較低、內(nèi)心比較脆弱和敏感，在外界因素（人或者事物）的刺激下觸發(fā)事故的可能性較大[5]，在危險性較大的實踐活動中事故概率也更高，而控制局面的能力卻不強[7]。

綜上分析，建設(shè)以危害識別、風(fēng)險評估、監(jiān)督預(yù)警為主要內(nèi)容的實踐教學(xué)實驗室智能化風(fēng)險管理體系，是迫切而重要的事情[8]。

2 實驗室人員面部識別認(rèn)證模塊設(shè)計

2.1 識別模塊分析

傳統(tǒng)的實驗室登記制度以及點名、刷卡簽到方式效率和可靠性不高，對進(jìn)入實驗室人員的辨識能力不強。盡管指紋識別技術(shù)能夠有效驗證進(jìn)入實驗室人員的身份信息，但需要學(xué)生的主動配合。隨著實驗室開放度大幅提高，學(xué)生利用實驗室進(jìn)行科創(chuàng)活動日益增加，實驗室的門往往無法做到及時關(guān)閉，給指紋識別電子登記方式帶來困難。因此，需要在實驗室安全管理智能預(yù)警系統(tǒng)中開發(fā)一種非主動配合型、具有較高識別精度、基于人臉識別的電子登記管理子系統(tǒng)。

2.2 識別模塊設(shè)計

2.2.1 軟件平臺設(shè)計

軟件平臺主要包括身份驗證、考勤信息統(tǒng)計、數(shù)據(jù)共享、信息查詢4個主要功能。

（1）身份驗證功能：身份驗證主要采用人臉識別技術(shù)，人臉圖片來源于現(xiàn)場電子班牌前置攝像頭所拍攝的照片。

（2）信息統(tǒng)計功能：獲取學(xué)生信息以及學(xué)生刷卡信息，在人臉識別驗證后進(jìn)行相應(yīng)的統(tǒng)計管理，信息的獲取需要和電子班牌設(shè)備進(jìn)行交互。

（3）數(shù)據(jù)共享功能：即獲取設(shè)備提供方提供的學(xué)生信息、返回學(xué)生驗證結(jié)果，并使校園局域網(wǎng)內(nèi)用戶可訪問此系統(tǒng)。

（4）信息查詢功能：構(gòu)建基于Web的后臺管理系統(tǒng)，為用戶提供人性化的人機(jī)接口和便捷的信息查詢功能。

在系統(tǒng)啟動后，該設(shè)備便會讀取簽刷卡片中的學(xué)生信息，同時啟動攝像頭拍攝照片，并將該卡片中的學(xué)生信息和學(xué)生照片等數(shù)據(jù)傳送給識別系統(tǒng)。系統(tǒng)接收到數(shù)據(jù)之后進(jìn)行解析，并判斷該學(xué)生是否是第一次刷卡。首次刷卡便直接保存記錄；若不是首次刷卡，便調(diào)取其首次刷卡的照片和當(dāng)前刷卡照片進(jìn)行人臉匹配驗證，其流程如圖1所示。

圖1 實驗室電子登記管理系統(tǒng)流程圖

2.2.2 人臉識別算法設(shè)計

以SeetaFace人臉識別引擎作為人臉識別的基礎(chǔ)算法，采用自動化人臉識別系統(tǒng)所需要的3個基本模塊：人臉檢測模塊SeetaFace Detection、面部特征點定位模塊SeetaFace Alignment以及人臉特征提取與比對模塊SeetaFace Identification[9]。人臉檢測模塊為傳統(tǒng)人造特征與多層感知機(jī)（MLP）的級聯(lián)結(jié)構(gòu)。根據(jù)經(jīng)典級聯(lián)結(jié)構(gòu)和多層神經(jīng)網(wǎng)絡(luò)的人臉檢測方法，由粗到精地設(shè)計了一種漏斗型級聯(lián)結(jié)構(gòu)（Funnel-Structured Cascade，F(xiàn)uSt）[10]，其結(jié)構(gòu)如圖2所示。

圖2 漏斗型級聯(lián)結(jié)構(gòu)示意圖

該結(jié)構(gòu)頂部由針對多種姿態(tài)的LAB分類器組成[9]，下一級是多個基于SURF特征的多層感知機(jī)級聯(lián)，最后是一個基于SURF特征、統(tǒng)一的多層感知機(jī)來處理上一級生成的多個姿態(tài)候選窗口。分類器的使用特征由粗到細(xì)，呈現(xiàn)上寬下窄的漏斗形狀。面部特征點定位模塊通過級聯(lián)多個深度模型（棧式自編碼網(wǎng)絡(luò)）來定位人臉的兩眼、兩個嘴角、鼻尖等5個關(guān)鍵特征點[11]。

2.2.3 模塊測試

識別模塊在日常使用中要求對人的面部特征進(jìn)行實時匹配驗證，并快速給出判斷結(jié)果。經(jīng)測算，若匹配算法計算時間大于2 s，便難以滿足驗證登記的實時性要求。此外，在人臉檢測中會出現(xiàn)遮擋、角度偏差過大等情況，此時將通過現(xiàn)場指導(dǎo)教師進(jìn)行人臉識別。經(jīng)評估，再驗證人數(shù)比例若高于2%，將給指導(dǎo)教師帶來工作負(fù)擔(dān)。因此，對該模塊的測試性能要求人臉匹配算法時間< 2 s和識別正確率> 98%。

（1）相同人臉測試。輸入一張640×480 gallery image和同一人的另一張640×480 probe image進(jìn)行實驗，如圖3所示。測試結(jié)果為兩張人臉相似度 0.813 722，算法運行時間為567 ms。

圖3 相同人臉測試

（2）不同人臉測試。輸入一張640×480 gallery image和另一人640×480 probe image進(jìn)行實驗，如圖4所示。測試結(jié)果為兩張人臉相似度為0.484 283，算法運行時間為597 ms。

圖4 不同人臉測試

（3）實際環(huán)境下人臉匹配及驗證正確率測試。進(jìn)行5組同一個人不同時間刷卡照片匹配測試和5組不同人持同一張卡片進(jìn)行測試，測試結(jié)果如表1和表2所示。結(jié)果表明人臉匹配驗證程序正常運行，且在實際環(huán)境中每次檢測耗時均小于1 s，達(dá)到實驗室安全管理的實時認(rèn)證要求。

表1 同一個人不同時間刷卡測試

表2 不同的人持同一張卡刷卡測試

對2019年4月18日采集的3個教學(xué)班級124條數(shù)據(jù)進(jìn)行人工校驗，結(jié)果正確率達(dá)到99.19%，說明該算法能夠達(dá)到識別驗證的正確性需求。測試結(jié)果還表明：該套系統(tǒng)能夠正常、穩(wěn)定地接收數(shù)據(jù)、能夠正常穩(wěn)定地完成所設(shè)定的功能、滿足實驗室人臉匹配< 2 s和識別正確率> 98%的認(rèn)證要求。

3 實驗室危險區(qū)域行為預(yù)警模塊設(shè)計

3.1 預(yù)警模塊分析

在工程訓(xùn)練的各項實際操作環(huán)節(jié)，由于安全防護(hù)不符合規(guī)范，可能導(dǎo)致嚴(yán)重的安全事故。因此，對實踐操作過程中的實時監(jiān)控及預(yù)警非常重要。以工程訓(xùn)練環(huán)節(jié)的金工實習(xí)車床操作預(yù)警識別分析為例，在車床操作中，操作人員的頭發(fā)往往是導(dǎo)致嚴(yán)重安全事故的隱患之一，特別是女性在操作車床時，散開的發(fā)梢極易被卷進(jìn)高速旋轉(zhuǎn)的車床部件中，后果非常嚴(yán)重。

本文針對車床類危險區(qū)域，設(shè)計了一種可通過監(jiān)控視頻的目標(biāo)識別方法，對操作人員的頭發(fā)狀態(tài)進(jìn)行全時監(jiān)控，達(dá)到對危險因素監(jiān)測、預(yù)警的行為識別的預(yù)警系統(tǒng)。

3.2 預(yù)警模塊設(shè)計

頭發(fā)識別方法基于膚色空間及頭發(fā)紋理特性，需將多特征融合在移動目標(biāo)檢測算法中。首先選擇頭發(fā)紋理屬性作為表征頭發(fā)目標(biāo)的特征向量，再利用基于膚色空間的ROI檢測，并結(jié)合區(qū)域內(nèi)頭發(fā)邊緣檢測的方法，實現(xiàn)視頻序列中的頭發(fā)目標(biāo)識別與檢測，包含人臉檢測、顏色空間的分割、膚色區(qū)域填充和膚色區(qū)域篩選等4個步驟。

3.2.1 人臉檢測

首先采用一種人臉檢測算法，在視頻序列中定位到人臉區(qū)域。由于本文所用的監(jiān)控攝像頭角度固定，因此目標(biāo)人臉大多數(shù)是側(cè)臉，并且在車削操作中，人臉有多種角度變化，因此選擇的人臉檢測算法需要適應(yīng)旋轉(zhuǎn)角度。

通過判別圖像中所有區(qū)域的模式屬性實現(xiàn)人臉的檢測，常見的方法是基于haar級聯(lián)特征的Adaboost分類器。該分類器的優(yōu)點是對圖像中的正面人臉有良好的檢測效果。但是在本文樣本視頻中，操作人員基本是側(cè)面對監(jiān)控攝像鏡頭，畫面中記錄的大多是側(cè)面或大角度旋轉(zhuǎn)的人臉，采用基于haar級聯(lián)特征的Adaboost分類器將不能達(dá)到良好的實時人臉檢測效果。因此采用一種對于旋轉(zhuǎn)角度有著良好適應(yīng)性的檢測算法，即基于膚色空間的人臉檢測算法。該算法的檢測流程如圖5所示，分為顏色空間分割、膚色區(qū)域填充和膚色區(qū)域篩選3個過程。

圖5 基于膚色空間的人臉檢測流程圖

3.2.2 顏色空間分割

在獲取視頻的每幀圖像后，通過轉(zhuǎn)換公式將RGB圖像轉(zhuǎn)換為YCrCb顏色空間，然后進(jìn)行基于Cr、Cb通道的膚色分割。Cr通道的閾值范圍是（140，170）；Cb通道的閾值范圍是（78，123）。經(jīng)過閾值分割后，得到膚色像素點與背景像素點的分割結(jié)果。

3.2.3 膚色區(qū)域填充

此過程包括圖像形態(tài)學(xué)處理、膚色區(qū)域邊緣提取和膚色區(qū)域填充等3個具體步驟。由于經(jīng)過分割后的圖像含有干擾，影響目標(biāo)區(qū)域的形狀，因此需要對分割后的結(jié)果進(jìn)行圖像形態(tài)學(xué)處理，以調(diào)整分割區(qū)域的形狀。

首先，對分割得到的二值化圖像進(jìn)行形態(tài)學(xué)閉運算，即對圖像進(jìn)行先膨脹、后腐蝕處理，目的是填充白色區(qū)域內(nèi)細(xì)小的黑色空洞、連接同一個結(jié)構(gòu)元，并在不明顯改變區(qū)域面積的情況下平滑白色區(qū)域的邊界。

然后，對該圖像應(yīng)用分水嶺算法得到輪廓清楚的膚色區(qū)域標(biāo)記。

最后，利用八鄰接點種子填充算法，對用分水嶺算法得到的邊緣內(nèi)部區(qū)域進(jìn)行填充，得到較為完整、真實的膚色區(qū)域。如圖6所示，其中膚色區(qū)域顯示為白色像素點，其余像素點為黑色。

圖6 基于膚色空間的人臉檢測結(jié)果

3.2.4 膚色區(qū)域篩選

通過膚色區(qū)域填充結(jié)果，得到的是膚色區(qū)域二值圖，圖中白色部分為檢測到的膚色區(qū)域，可以直觀看到其中包含人臉和人手兩部分。將人臉區(qū)域從這些已經(jīng)標(biāo)記的候選區(qū)域內(nèi)進(jìn)行篩選是第三個過程的工作內(nèi)容，采用統(tǒng)計候選區(qū)域內(nèi)膚色像素點比例的方法實現(xiàn)。

得到的比例表明了膚色面積相對候選區(qū)域的大小，根據(jù)此比例值，可以對非人臉區(qū)域進(jìn)行排除。根據(jù)測試人臉區(qū)域的比例值為0.58~0.65，因此選擇此范圍作為閾值對膚色候選區(qū)域進(jìn)行篩選，并最終得到人臉標(biāo)記圖像如圖7所示。在此段樣本視頻中，存在著目標(biāo)出監(jiān)控畫面以及再次進(jìn)入監(jiān)控畫面的過渡過程。此段過程中，算法不會出現(xiàn)膚色的誤識別情況，并且可以看到，面對不同旋轉(zhuǎn)角度的人臉，算法可以實現(xiàn)人臉區(qū)域的定位。

圖7 基于膚色空間的人臉跟蹤結(jié)果

3.3 模塊應(yīng)用測試

預(yù)警模塊在安全識別時需要在頭發(fā)等目標(biāo)物移動進(jìn)危險區(qū)域時進(jìn)行預(yù)警，因此需要根據(jù)實際需求對識別算法進(jìn)行移植。如圖8中所示，在車床上的非人臉區(qū)域中，較大矩形框代表Ⅱ級危險區(qū)，較小矩形框代表Ⅰ級危險區(qū)。

圖8 固定危險區(qū)劃分示意圖

整體實現(xiàn)流程如圖9所示。在獲取視頻幀之后，實現(xiàn)了基于膚色空間的人臉的定位。按照頭發(fā)生長一般規(guī)律，在檢測得到的人臉區(qū)域基礎(chǔ)上擴(kuò)大范圍得到頭發(fā)生長的區(qū)域，此擴(kuò)大區(qū)域則為定位頭發(fā)的候選區(qū)域。

圖9 整體實現(xiàn)流程圖

對于頭發(fā)目標(biāo)的最終跟蹤結(jié)果如圖10所示，其中對于頭發(fā)輪廓做出最大外包圍鄰接矩形以獲取頂點坐標(biāo)，作為判別其進(jìn)入危險區(qū)的依據(jù)基礎(chǔ)。圖中左上角為具體文字報警內(nèi)容（第65幀、145幀）。

圖10 頭發(fā)目標(biāo)跟蹤報警結(jié)果

4 實驗室人流量統(tǒng)計監(jiān)控模塊設(shè)計

4.1 流量模塊分析

在工程訓(xùn)練中心的各類實驗室中，創(chuàng)客平臺、競賽平臺等學(xué)生科創(chuàng)實驗室具有開放時間長、人員數(shù)量多且流動性強的特點，對實驗室人流量的統(tǒng)計往往是實驗室管理中棘手的問題[12]。本文設(shè)計了一種廊道和實驗室外部視頻信息分析系統(tǒng)，實現(xiàn)對走廊和各實驗室每天人流量的統(tǒng)計分析，方便實驗室管理者對實驗室人員流量信息進(jìn)行查詢、統(tǒng)計和分析。

4.2 流量模塊設(shè)計

流量模塊整體框架設(shè)計如圖11所示，其中人流量統(tǒng)計算法是該模塊的核心內(nèi)容，而視頻監(jiān)控管理平臺則是算法的載體。從功能性需求出發(fā)，系統(tǒng)需要從服務(wù)器獲取走廊監(jiān)控視頻的物理地址，用計算機(jī)視覺分析技術(shù)對通過走廊特定區(qū)域和進(jìn)入實驗室的人員進(jìn)行計數(shù)。將每段視頻的地點信息、人流量統(tǒng)計結(jié)果、視頻路徑、數(shù)據(jù)接收時間和處理完成時間存儲到數(shù)據(jù)庫中，并在網(wǎng)頁平臺上展示。相關(guān)人員可以通過網(wǎng)頁平臺查看實驗室及走廊的人流量統(tǒng)計結(jié)果等信息，對實驗室進(jìn)行精準(zhǔn)化管理。

圖11 人流量統(tǒng)計模塊整體框架

人流量的統(tǒng)計結(jié)合運動目標(biāo)檢測、運動目標(biāo)跟蹤、計數(shù)等算法，通過計算機(jī)視覺技術(shù)分析走廊監(jiān)控視頻，獲得人流量統(tǒng)計數(shù)據(jù)。流量模塊基于OpenCV圖像處理庫，使用Visual Studio軟件和C++語言編寫人流量統(tǒng)計算法。該算法目前只用于單目標(biāo)及無遮擋的雙目標(biāo)，算法流程如圖12所示。

圖12 人流量統(tǒng)計算法流程圖

（1）圖像處理。對接收的走廊監(jiān)控視頻進(jìn)行圖像處理，通過裁剪、圖像灰度化、二值化、中值濾波等操作，提高算法的運行效率，對目標(biāo)輪廓進(jìn)行精確提取。

（2）運動目標(biāo)檢測。采用幀間差分法檢測視頻序列中的運動目標(biāo)，即視頻中相鄰兩幀圖像各像素點作差，從而將運動目標(biāo)檢測出來。

（3）運動目標(biāo)跟蹤。提取檢測的運動目標(biāo)輪廓，在跟蹤區(qū)域內(nèi)對同一目標(biāo)坐標(biāo)持續(xù)更新，當(dāng)目標(biāo)離開檢測區(qū)域時，對該目標(biāo)計數(shù)。對運動目標(biāo)跟蹤的目的是避免對同一目標(biāo)的重復(fù)計數(shù)。

（4）計數(shù)。采用的計數(shù)算法只對進(jìn)入走廊或?qū)嶒炇业娜藛T進(jìn)行計數(shù)，對離開的人員不計數(shù)。

對于走廊監(jiān)控視頻，首先用合適大小的矩形區(qū)域進(jìn)行裁剪，對裁剪后的圖像做灰度化處理，然后用幀間差分法對相鄰兩幀圖像做差分運算，對差分圖像二值化處理后可以更好地分辨出背景和運動區(qū)域，從而實現(xiàn)對運動目標(biāo)的檢測，如圖13所示。圖13（a）和圖13（b）為相鄰兩幀圖像，圖13（c）為幀差圖像二值化結(jié)果。但是，幀間差分法也可存在無法檢測完整的運動目標(biāo)、其內(nèi)部出現(xiàn)空洞現(xiàn)象的缺陷，檢測的目標(biāo)輪廓也會比實際情況大，即通常所說的拖影現(xiàn)象。這種現(xiàn)象會在目標(biāo)運動速度非?？鞎r被放大，但對于此場景下的行人檢測沒有太大影響。

圖13 走廊視頻幀間差分法處理結(jié)果

4.3 模塊應(yīng)用測試

共測試了22段符合要求的單目標(biāo)和無遮擋雙目標(biāo)的走廊監(jiān)控視頻，其中包括17段單目標(biāo)進(jìn)入走廊區(qū)域的視頻、1段無遮擋雙目標(biāo)進(jìn)入走廊的視頻以及4段單目標(biāo)離開走廊區(qū)域的視頻。測試結(jié)果為進(jìn)入走廊的17個單目標(biāo)分別計數(shù)1，對進(jìn)入走廊的1段雙目標(biāo)視頻計數(shù)2，對離開走廊的4個單目標(biāo)沒有計數(shù)，說明該算法對單目標(biāo)和無遮擋雙目標(biāo)計數(shù)完全正確。

為提高測試算法的處理速度，去除了調(diào)試過程中的一些窗口和冗余代碼。對任選的3段視頻進(jìn)行了走廊計數(shù)算法的測試，結(jié)果表明該算法對每秒視頻的處理耗時平均為0.386 s。

5 結(jié)語

實驗室安全管理是一項長期、細(xì)致、復(fù)雜的工作，不僅要考慮物的因素，還要考慮人的行為因素；不僅要做到對狀態(tài)的把控，還要做到對過程的監(jiān)督；不僅要有制度、有思路，還要有手段、有技術(shù)。實驗室管理工作者應(yīng)該不斷將先進(jìn)技術(shù)手段引入實驗室管理工作，形成立體、多維、綜合、動態(tài)、實時的實驗室安全管理體系，為教學(xué)和科研提供一個安全、穩(wěn)定、高效的實驗平臺。

[1] 教育部辦公廳.教育部辦公廳關(guān)于進(jìn)一步加強高校教學(xué)實驗室安全檢查工作的通知[EB/OL]. (2019-01-16) [2019-05-18]. http:// www.moe.gov.cn/srcsite/A08/s7945/s7946/201901/t20190124_368001.html.

[2] 金仁東，馬慶，柯紅巖.分級分層次實驗室安全教育體系建設(shè)研究[J].實驗技術(shù)與管理，2018, 35(12): 4–8.

[3] 李勤華，石磊，孫欣，等.關(guān)于實驗室安全研究的動態(tài)與熱點可視化分析[J].實驗技術(shù)與管理，2019, 36(3): 187–191.

[4] 吳慶州，徐春燕，王濤.互聯(lián)網(wǎng)思維創(chuàng)新教學(xué)型實驗管理平臺的探索[J].實驗技術(shù)與管理，2019, 36(4): 278–281.

[5] 陳琳，俸婷婷.高校實驗室危險化學(xué)品引入風(fēng)險管理辦法[J]. 實驗室科學(xué)，2017, 20(4): 221–224.

[6] 中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會.危險貨物分類和品名編號：GB6944-2012[S].北京：中國標(biāo)準(zhǔn)出版社，2012.

[7] 姜忠良.實驗室安全基礎(chǔ)[M].北京：清華大學(xué)出版社，2009.

[8] 林海燕，鄔克彬，王瑩，等.開放創(chuàng)新背景下高校研究型實驗室安全管理研究[J].實驗技術(shù)與管理，2018, 35(3): 261–264.

[9] LIU X, KAN M, WU W, et al. VIPLFaceNet: an open source deep face recognition SDK[J]. Frontiers of Computer Science, 2017, 11(2): 208–218.

[10] WU S, KAN M, HE Z, et al. Funnel-structured cascade for multiview face detection with alignment-awareness[J]. Neurocom-puting, 2017, 221: 138–145.

[11] YAN S, SHAN S, CHEN X, et al. Locally assembled binary (LAB) feature with feature-centric cascade for fast and accurate face detection[C]//Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on IEEE, 2008: 1–7.

[12] 王海文，王燕，張順江，等.本科生創(chuàng)新實踐實驗室安全管理對策[J].實驗技術(shù)與管理，2019, 36(3): 196–198.

Construction of intelligent early warning system for laboratory safety management based on information technology

ZHOU Ke1, JIN Rendong2, ZHAO Zhiyi1, FU Dongmei3, QIU Zhongwei3, ZHANG Haobo3, ZHENG Yang3

(1. College of Higher Engineering, University of Science and Technology Beijing, Beijing 100083, China; 2. Assets Department, University of Science and Technology Beijing, Beijing 100083, China; 3. Automation College, University of Science and Technology Beijing, Beijing 100083, China)

view of the characteristics of various types of engineering training laboratories in Colleges and universities, different requirements for management, long practical teaching process and difficult open management of laboratories, a safety management early warning system for engineering training laboratories based on image recognition technology is constructed. The construction of the intelligent system for personnel face recognition and authentication, dangerous behavior recognition and early warning, laboratory human flow statistics, etc., is carried out. The intelligent early warning system of the laboratory safety management effectively supplements the traditional laboratory management means and provides a reference scheme for the construction of modern laboratory management system in colleges and universities.

laboratory safety management; target behavior detection; image recognition; intelligent early warning

X924.4；G647

A

1002-4956(2019)12-0141-06

10.16791/j.cnki.sjg.2019.12.033

2019-05-27

周珂（1982—），女，河南新鄉(xiāng)，碩士，工程師，主要研究方向為自動控制。E-mail: zhouke@ustb.edu.cn