浅析人脸识别系统与变电站施工现场安全信息化管理

    吴宇红 费继华 郑军 孙先山

    【摘要】? ? 电站工程项目的施工作业现场人员流动大、工种多,如果不对作业人员信息进行安全管理,会对正常的施工作业造成影响。本文先对电站工程施工现场人员信息安全管理现状进行分析,并对人脸识别技术用于电站施工作业现场的优势进行论述,最后对如何实现施工现场安全管理信息化进行探讨。

    【关键词】? ? 人脸识别? ? 电站工程? ? 现场安全信息化

    引言:

    电站工程施工项目规模较大,施工作业周期短,对施工技术要求高,同时,施工现场作业人员数量多,经常存在交叉作业现象,存在较多的不稳定安全因素。电站工程施工现场人员变动较为频繁,人员进、出高峰期较为集中,施工现场作业人员存在冒用、借用等問题,人员信息审核检查需要耗费大量时间,管理人员的工作量大,作业现场安全管理问题较为突出。

    很多施工单位只注重追求更高的经济效益,没有对作业现场安全风险进行有效管控,使作业现场存在着较大的安全隐患,直接威胁到作业人员的生命健康,人脸识别技术被广泛应用于施工现场安全管理,可以有效解决传统人员信息管理存在的问题,进一步提高人员信息安全管理水平。

    一、电站工程施工现场人员信息安全管理现状分析

    1.1闸机形同虚设

    为保证电站工程项目施工作业安全,很多施工作业现场都设置有闸机信息系统,但该系统主要为项目管理人员提供,可以限制非工作人员进入,可对员工进行实名化管理。

    电站工程施工作业现场区域较大,作业人员和货物进出都比较频繁,会在相同的时间段内集中出入,保安人员数量有限,无法承担繁重的人员信息录入工作,经常会出现作业人员翻越闸机等现象,人工监管方式无法满足人员信息安全管理需要。

    1.2人员登记信息管理不完善

    传统的人员信息管理多采用指纹、门禁等方式,电站工程项目需要大量作业人员,很多施工单位只是一次将人员信息录入进来,大型电站工程项目用工形式复杂,施工作业人员流动比较大,指纹录入还存在识别失败等现象,存在着较大的安全风险因素,即便采用门禁系统、指纹考勤系统,仍不能完全保证达到作业人员安全管理的要求。

    1.3替岗、串岗问题突出

    而采用传统的安全监督管理模式,如果对施工作业人员管理不到位,经常会存在人员信息与实际不符现象,存在严重的冒用、借用等问题,会使作业人员出现串岗、替岗、无证上岗等事件,由于施工作业人员整体素质不高,会存在多种不安全因素,存在着较大的安全隐患。

    二、人脸识别技术在电站施工作业现场应用具备的优势

    人脸作为一种生物特征,具有唯一性和不易复制性,可以用作身份鉴别的依据。人脸识别技术经过数十年的发展,已经将光学成像、计算机技术、人工智能技术、核心算法等进行了高度结合,具有较高的正确识别率和识别速度,是一种新型生物特征识别应用技术。

    主动近红外图像多光源识别为当前应用比较成熟的人脸识别技术,在识别精度、稳定性和速度等性能方面比较突出,可以不通过接触就能得到人脸图像信息,在识别对象无意识的情况下来得到人脸图像,具有结果直观、隐蔽性好等优势。

    大型电站施工现场人员数量较多,需要在指定的时间内集中进、出厂区,传统的人员信息管理方式已经无法满足安全管理要求,采用人脸识别技术可以在较短的时间内完成信息录入,满足施工作业人员和管理人员信息快速采集要求。

    三、人脸识别系统与电站工程施工现场安全管理信息化的实现

    3.1人脸检测难点分析

    人脸检测是作业人员完成人脸识别后的重要环节,图像前端采集设备为高清摄像头,把采集到的作业人员人脸识别图片通过无线网络发回到服务器进行处理。

    要求人脸检测成功率要达到90%以上,并在1秒时间内完成响应,达到报警和响应的最低要求。人脸检测主要存在如下难点:

    1.人脸图像采集距离在5-10米时,人脸在图像中的像素比为0.6-2%,不同尺度人脸会导致检测anchor无法适应。

    2.人脸识别系统硬件成本控制会对获取到的画面质量产生影响,如果像素过低会使人脸特征检测难度变大。

    3.受到作业现场无线网络传输速度影响,如果像素降得过低再发送到服务器进行处理,获取到图像质量则无法保证,会给后续检测带来更大的困难。

    4.深度学习算法可以满足人脸识别对精度和速度的要求,但人脸检测还需要采取有针对性的高驻地。保证检测速度和信息存储效率,会对检测准确率造成影响,但如果将检测速度放慢,还需要占用更多的内存。

    3.2单阶段无头部人脸检测算法

    该种方式的人脸检测需要在单个阶段内进行检测,早期特征映射用于把一组预定义anchor向人脸回归。与两阶段检测器本质差别在于最终分类和anchor同时完成,再者,单阶段无头部人脸检测将底层网络头部进行删除,为无头部网络检测器,该种人脸检测的设计尺度不发生变化,把高效卷积检测模块采用不同步长置于图层顶部,步长都通过适宜的人脸尺度范围训练。无头部网络检测器将多种先进方法进行集成,WIDER FACE数据集可以将每张照片检测时间减少50毫秒,也可以更好解决多尺度与像素间存在的问题,也可以应用于多场景和复杂场景,有着很好的鲁棒性,在施工作业现场场景下,可以进行多尺度、小人脸和多人脸的检测,可以满足要求。

    无头部人脸检测可以降低逻辑推理时间,不会占用处理器太多的内存,拥有很好的尺度不变性,为单阶段检测算法,通过卷积层来获取到全局信息并进行分类定位。从整体架构上来看是全卷积网络,以VGG16作为基础进行优化得来的,先通过基础网络得到特征以后再将头部去除掉,对不同尺度特征图中加入检测模块,可以更好地对人脸进行定位和分类,实质上是对不同深度卷积层中加入不同的检测模块,这样才能获取到不同尺度的人脸。检测模块为回归器、二分类器构建而成,可实现对作业人员人脸的检测与定位,算法通过设置一组卷积层来对特征进行检测与定位,回归器利用卷积层来进行回归预测,卷积时的每个位置都需要利用回归器对尺度必变及平移量进行预测,从而把每个正anchor和作业人员脸部特征进行匹配。

    在电站作业现场场景中,作业人员脸部尺寸大小不尽相同,尺度不变性要求图像不同尺寸人脸检测具有很好的鲁棒性,要求模型对大、小尺寸人脸都有很好的检测性能。无头部人脸检测可应用不同深度卷积层feature map,利用拼接好的检测模块对不同尺寸图像进行准确检测。

    在进行预测时,可以把不同尺度预测boxes进行高度整合,再采取非最大抑制处理,然后可以得到最后的人脸检测结果。上下文模块设计时,对检测模块上下文层进行集成,因为anchors采用卷积方式来进行分类与回归,应用了更大卷积核尺寸,这与两阶段检测器中加入proposals比较相近,需要在算法上下文模块中应用卷积核,扩展不同网络层卷积核感受野,这样可以提高对多尺度目标的适应能力。对较小卷积核层进行堆叠 ,同样可以达到大感受野效果,为降低参数数量,算法中引入串联卷积来取代大尺寸卷积核。与两阶段算法进行比较来看,采用的检测模块和上下文滤波器参数量更少。

    3.3人检识别难点分析

    完成人脸检测工作以后就要进行人脸识别,确定人脸所对应的人名,要求识别率在90%以上,在2秒内完成响应。对电站工程作业现场来讲,人脸识别主要存在如下难点:

    1.距离很远的小人脸识别目标,人脸信息会跟跟着像素降低而变小,通过网络传输处理不能对人脸身份特征进行有效区分。

    2.安全帽等物体会对作业人员头部进行遮挡,额头特征无法识别,只能通过人员脸部信息进行识别,这就增加了人脸识别难度。

    这就要求电站工程作业现场人脸识别算法具有高精度,可以结合检测到的不完整信息人脸图像,提取出可以进行准确人脸识别的特征信息,准确对人脸识别特征信息进行区分,并满足识别速度的要求。

    3.4附加角度边界损失人脸识别算法

    该算法可以保证在采用人脸识别模型进行训练时,使类内距离更为紧凑,也可以具有更大的区分度,有利于提高算法识别精度,让响应速度可以达到毫秒级,具有更好的人脸识别效果。该算法也基于深度卷积神经网络,将网络特征和最后一个全连接层间的点积与特征及权重归一化余弦距离相等。再采用反余弦函数对目前特征与目标权重值相互间的角度进行计算,再对目标角度中加入附加角度余量,再采用余弦函数获取到目标logits,再应用特征规范对logits进行重新缩放,后续的处理过程与softmax基本类似。该算法是将网络卷积神网络算法中间步骤作为基础来添加角界损失,可以对特征进行更为明显地区分,对角度余量进行创新设计,也是保证特征识别准确的关键。ResNet50用于对作业现场人员脸部特征进行提取,该算法可以有效解决作业人员脸部特征提取过程中,随着网络深度增加而产生的梯度消失和爆炸,有利于提高网络深度,从而得到更为深层次人脸特征。因此,基于ResNet50附加角度边界损失算法可以进一步提高人脸深度特征的识别能力。附加角度边界损失人脸识别算法,可以更好地满足电站作业现场人脸识度精度和速度的要求,还在人脸识别流程中添加了多帧识别功能,可以更好地降低不同场景条件下人脸识别错误率,具有很好的容错性能和更为强大的鲁棒性。

    四、结束语

    综上所述,电站施工作业现场人员信息安全管理难度較大,传统的监管方式已经无法满足要求,需要引入人脸识别系统来提高现场作业人员信息安全管理水平,实现对作业现场的智慧化管理,掌握更为准确的作业人员数据信息,进一步提高现场管理效率,合理控制施工成本,保证施工作业的安全。

    参? 考? 文? 献

    [1]刘成攀. 基于深度学习的动态人脸识别[D].西南科技大学,2020.

    [2]金丽丽.探究基于动态阈值图像分割法的人脸识别技术研究[J].计算机产品与流通,2019(12):89.

    [3]邓李维. 基于深度学习的动态人脸表情识别研究[D].重庆大学,2019.

    [4]庄凤云. 基于视频序列的人脸表情识别算法研究[D].东南大学,2019.

    [5]张琳琳. 基于卷积神经网络的人脸表情识别研究[D].长春工业大学,2019.