基于YOLO-V3算法的加油站不安全行为检测

doi:10.16265/j.cnki.issn1003-3033.2023.02.0298

中国安全科学学报 ›› 2023, Vol. 33 ›› Issue (2): 31-37.doi: 10.16265/j.cnki.issn1003-3033.2023.02.0298

• 安全社会科学与安全管理 • 上一篇下一篇

基于YOLO-V3算法的加油站不安全行为检测

常捷¹^,²(), 张国维¹^,², 陈文江³^,⁴, 袁狄平¹, 王永生⁵

¹ 中国矿业大学深圳研究院,广东深圳 518057
² 中国矿业大学安全工程学院,江苏徐州 221116
³ 深圳市城市公共安全技术研究院有限公司科信中心,广东深圳 518000
⁴ 中国科学院深圳先进技术研究院,广东深圳 518055
⁵ 江苏鸿鹄安全科技有限公司研发中心,江苏徐州 221116

收稿日期:2022-09-19 修回日期:2022-12-10 出版日期:2023-02-28 发布日期:2023-08-28
作者简介:
常捷(1996—),男,河南郑州人,硕士研究生,主要研究方向为智慧消防、城市新型火灾防护理论与技术。E-mail:1174167889@qq.com。
张国维，副教授
袁狄平，教授
基金资助:
山东省重点研发计划(2021CXGC011303); 广东省重点领域研发计划项目(2019B111102002); 江苏省自然科学基金面上项目资助(BK20221548)

Gas station unsafe behavior detection based on YOLO-V3 algorithm

CHANG Jie¹^,²(), ZHANG Guowei¹^,², CHEN Wenjiang³^,⁴, YUAN Diping¹, WANG Yongsheng⁵

¹ Shenzhen Research Institute, China University of Mining and Technology, Shenzhen Guangdong 518057, China
² School of Safety Engineering, China University of Mining and Technology, Xuzhou Jiangsu 221116, China
³ Science and Technology Information Center, Shenzhen Urban Public Safety and Technology Institute, Shenzhen Guangdong 518000, China
⁴ Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen Guangdong 518055, China
⁵ Research and Development Center, Jiangsu Honghu Safety Technology Co., Ltd., Xuzhou Jiangsu 221116, China

Received:2022-09-19 Revised:2022-12-10 Online:2023-02-28 Published:2023-08-28

摘要/Abstract

摘要：

为控制加油站火灾爆炸风险目标,结合事故统计和故障树分析方法,提出一种基于YOLO-V3算法的加油站不安全行为检测模型。首先在收集90起加油站火灾爆炸事故的基础上,统计分析加油站火灾爆炸事故的点火源;其次构建加油站火灾爆炸故障树,计算各基本事件的结构重要度,并确定加油站危险性较高的不安全行为;然后采用现场采集和模拟的方法收集加油站不安全行为图像数据,利用数据增强方法构建加油站不安全行为图像数据集;最后基于深度学习的方法构建加油站不安全行为检测模型,经过1000次训练迭代后得到最终模型。研究结果表明:引起加油站火灾爆炸事故的不安全行为主要有抽烟、打电话等;训练得到的检测模型在测试集上对抽烟、打电话和正常行为检测类别的平均检测精度分别为67%、85%和77%,模型的平均检测精度均值为84%。

关键词: YOLO-V3算法, 加油站, 故障树, 不安全行为, 火灾爆炸, 目标检测

Abstract:

In order to control the fire and explosion risk target of gas station, an unsafe behavior detection model of gas station based on YOLO-V3 algorithm was proposed by combining accident statistics and fault tree analysis,. Firstly, on the basis of collecting 90 gas station fire and explosion accidents, the ignition sources of gas station fire and explosion accidents were statistically analyzed. Secondly,. the fire and explosion fault tree of gas station was constructed, the structural importance of each basic event was calculated, and the unsafe behavior with high risk of gas station was determined. Then, the image data of unsafe behavior of gas stations were collected by field collection and simulation, and the image data set of unsafe behavior of gas stations was constructed by data enhancement method. Finally, based on the deep learning method, the unsafe behavior detection model of gas station was constructed, and the final model was obtained after 1000 training iterations. The results show that the unsafe behaviors that cause fire and explosion accidents in gas stations mainly include smoking, calling and so on. The average detection accuracy of the trained detection model for smoking, calling and normal behavior detection categories on the test set is 67%, 85% and 77%, respectively, and the average detection accuracy of the model is 84%.

Key words: YOLO-V3 algorithm, gas station, fault tree, unsafe behavior, fire and explosion, target detection

常捷, 张国维, 陈文江, 袁狄平, 王永生. 基于YOLO-V3算法的加油站不安全行为检测[J]. 中国安全科学学报, 2023, 33(2): 31-37.

CHANG Jie, ZHANG Guowei, CHEN Wenjiang, YUAN Diping, WANG Yongsheng. Gas station unsafe behavior detection based on YOLO-V3 algorithm[J]. China Safety Science Journal, 2023, 33(2): 31-37.

图/表 9

表1

表2

图1

表3

基本事件结构重要度

结构重要度等级	基本事件	结构重要度系数
I	X₉, X₁₀, $X 1 1$ , X₁₂, X₁₃, X₁₄, X₁₅, X₁₆, X₁₇, X₂₀, X₂₁, X₂₂, X₃	0.035~0.043
II	X₁, X₄, X₈, X₂₃, X₂₄, X₂₅, X₂₆, X₂₇, X₂₈, X₂, X₅, X₆, X₇, X₃₁, X₃₂	0.022~0.035
III	X₁₈, X₁₉, X₂₉, X₃₀	0~0.022

表3

图2

图3

图4

图5

图6

参考文献 17

[1]	吴耀男, 林雷, 任新温, 等. 一种基于逻辑结构数的改进型FMEA方法[J]. 中国安全科学学报, 2021, 31(10):97-104. doi: 10.16265/j.cnki.issn1003-3033.2021.10.014
	WU Yaonan, LIN Lei, REN Xinwen, et al. An improved FMEA method based on logical structure number[J]. China Safety Science Journal, 2021, 31(10):97-104. doi: 10.16265/j.cnki.issn1003-3033.2021.10.014
[2]	CASAMIRRA M, CASTIGLIA F, GIARDINA M, et al. Safety studies of a hydrogen refuelling station: determination of the occurrence frequency of the accidental scenarios[J]. International Journal of Hydrogen Energy, 2009, 34(14):5846-5854. doi: 10.1016/j.ijhydene.2009.01.096
[3]	桑海泉, 谷海波, 康荣学. 加油站安全监控预警与应急管理系统[J]. 中国公共安全:学术版, 2010(4):55-60.
	SANG Haiquan, GU Haibo, KANG Rongxue. Safety monitoring and early-warning and emergency management system of petrol station[J]. China Public Security, 2010(4):55-60.
[4]	HINTON G E, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786):504-507. doi: 10.1126/science.1127647 pmid: 16873662
[5]	HINTON G E, OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554. doi: 10.1162/neco.2006.18.7.1527 pmid: 16764513
[6]	LIN Tsungyi, MAIRE M, BELONGIE S, et al. Microsoft coco: common objects in context[C]. Proceeding in European Conference on Computer Vision, 2014:740-755.
[7]	DENG Jia, DONG Wei, SOCHER R, et al. ImageNet: a large-scale hierarchical image database[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2009: 248-255.
[8]	林俊, 党伟超, 潘理虎, 等. 基于YOLO的安全帽检测方法[J]. 计算机系统应用, 2019, 28(9):174-179.
	LIN Jun, DANG Weichao, PAN Lihu, et al. Safety helmet detection based on YOLO[J]. Computer Systems & Applications, 2019, 28(9):174-179.
[9]	LI Yange, WEI Han, HAN Zheng, et al. Deep learning-based safety helmet detection in engineering management based on convolutional neural networks[J]. Advances in Civil Engineering, 2020:DOI: 10.1155/2020/9703560.
[10]	张明媛, 曹天卓, 赵雪峰. 基于ANN识别施工人员跌落险兆事故的研究[J]. 安全与环境学报, 2018, 18(5):1703-1710.
	ZHANG Mingyuan, CAO Tianzhuo, ZHAO Xuefeng. Approach to detecting and identifying the near-miss falls of the construction workers via the ANN system[J]. Journal of Safety and Environment, 2018, 18(5):1703-1710.
[11]	ZHAO Rentao, WANG Mengyi, ZHAI Zilong, et al. Indoor smoking behavior detection based on YOLO-V3-tiny[C]. 2019 Chinese Automation Congress, 2019:3477-3481.
[12]	郑志强. 基于卷积神经网络的目标检测算法研究与应用[D]. 长春: 长春理工大学, 2019.
	ZHENG Zhiqiang. Research and application of target detection algorithms based on convolutional neural network[D]. Changchun: Changchun University of Science and Technology, 2019.
[13]	REDMON J, FARHADI A. YOLO-V3: an incremental improvement[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2018:89-95.
[14]	WANG Haikuan, HU Zhaoyan, GUO Yuanjun, et al. A real-time safety helmet wearing detection approach based on CSYOLO-V3[J]. Applied Sciences, 2020, 10(19):6732-6746. doi: 10.3390/app10196732
[15]	林柏泉, 周延, 刘贞堂. 安全系统工程[M].徐州. 中国矿业大学出版社, 2005:23-24.
[16]	REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2016:779-788.
[17]	EVERINGHAM M, ESLAMI S M A, VAN G L, et al. The pascal visual object classes challenge: a retrospective[J]. International Journal of Computer Vision, 2015, 111(1):98-136. doi: 10.1007/s11263-014-0733-5

点火源	事故起数
违章爆炸物爆炸	1
继电器漏电	1
使用明火	2
车辆撞向加油站产生火源	3
加油时启动汽车产生火源	3
打电话产生火源	3
静电	7
拉断油管产生火源	8
违章操作产生火源	17
抽烟产生火源	17
车辆自燃	28
合计	90

符号	事件名称	符号	事件名称	符号	事件名称
T	火灾爆炸事故	M₁₈	人体产生静电	X₁₆	油品摩擦容器
M₁	火源	M₁₉	拉断油管产生火花	X₁₇	油品搅动产生静电
M₂	燃爆物	M₂₀	车辆失控撞向加油站产生火花	X₁₈	化纤衣物摩擦
M₃	明火	X₁	抽烟	X₁₉	作业中接触导体
M₄	电火花	X₂	车辆中爆炸物爆炸	X₂₀	加油时油品喷溅
M₅	撞击火花	X₃	油罐区漏油	X₂₁	加油时油箱满溢
M₆	静电火花	X₄	打电话	X₂₂	车辆油管渗漏油品
M₇	油品	X₅	加油站电路漏电	X₂₃	车辆内可燃装饰物
M₈	油蒸气	X₆	加油时启动车辆产生火花	X₂₄	车辆内油品
M₉	车辆自燃	X₇	使用非防爆工具	X₂₅	油蒸气浓度较高
M₁₀	设备静电放电	X₈	接触其他可燃物	X₂₆	没有静电接地装置
M₁₁	人体静电放电	X₉	加油机管路漏油	X₂₇	静电接地装置损坏
M₁₂	加油机加油时泄漏油品	X₁₀	加油机油枪漏油	X₂₈	静电接地不符合
M₁₃	车辆加油时泄漏油品	X₁₁	加油机泄漏油气	X₂₉	加油结束后未拔油枪
M₁₄	点火源	X₁₂	汽车泄漏油气	X₃₀	启动车辆前未检查油枪状态
M₁₅	可燃物	X₁₃	储罐泄漏油气	X₃₁	刹车失灵
M₁₆	静电聚集	X₁₄	车辆电路老化	X₃₂	司机误操作
M₁₇	设备接地不良	X₁₅	加油时车辆开启

基于YOLO-V3算法的加油站不安全行为检测

Gas station unsafe behavior detection based on YOLO-V3 algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张冰鉴, 苏秦, 刘海龙. 基于FTA-BN的云ERP不安全事件的人因失误分析[J]. 中国安全科学学报, 2023, 33(2): 38-47.
[2]	夏正洪, 魏汝祥, 李彦冬. 改进YOLOv3算法下通航机场场面运动目标检测[J]. 中国安全科学学报, 2023, 33(2): 82-88.
[3]	刘素霞, 唐帅帅. 基于CA的建筑工人不安全行为传染机制[J]. 中国安全科学学报, 2023, 33(1): 24-31.
[4]	张舒, 王双, 史秀志. 不安全行为决策中情绪作用机制的脑电研究[J]. 中国安全科学学报, 2023, 33(1): 32-40.
[5]	范冰倩, 董秉聿, 王彪, 李铭, 吴松, 佟瑞鹏. 基于深度学习的地铁施工作业人员不安全行为识别与应用[J]. 中国安全科学学报, 2023, 33(1): 41-47.
[6]	王露露, 尘兴邦, 袁嘉淙, 吴松, 佟瑞鹏. 职业心理学视域下矿工不安全行为研究综述[J]. 中国安全科学学报, 2023, 33(1): 48-55.
[7]	康梦月, 祁神军, 张云波, 陈梅. 精神支持对建筑工人消极情绪的干预机制[J]. 中国安全科学学报, 2023, 33(1): 56-63.
[8]	禹敏, 栗继祖, 秦文静. 心理社会安全氛围对矿工不安全行为的影响[J]. 中国安全科学学报, 2022, 32(7): 34-40.
[9]	佟瑞鹏, 范冰倩, 孙宁昊, 姚健庭, 董秉聿. 地铁施工作业人员不安全行为靶向干预方法[J]. 中国安全科学学报, 2022, 32(6): 10-16.
[10]	刘耀, 焦双健. ST-GCN在建筑工人不安全动作识别中的应用[J]. 中国安全科学学报, 2022, 32(4): 30-35.
[11]	李文昌, 和庆法, 李昊, 周爱桃, 罗云, 刘振江. 行为风险自由度安全约束模型研究及应用[J]. 中国安全科学学报, 2022, 32(12): 1-9.
[12]	李红霞, 徐浩冉, 田水承. 基于随机森林的矿工不安全行为预测预警模型[J]. 中国安全科学学报, 2022, 32(12): 10-18.
[13]	周建亮, 胡飞翔, 邢艳冬, 高嘉瑞. 工作压力、职业倦怠对建筑工人不安全行为的影响[J]. 中国安全科学学报, 2022, 32(11): 14-22.
[14]	郭海军, 唐寒露, 王凯, 于英杰, 吴昱辰, 徐超. 基于24Model的高校危化品实验室事故分析及对策[J]. 中国安全科学学报, 2022, 32(11): 168-174.
[15]	李乃文, 刘亚平, 牛莉霞. 不合规任务对新生代矿工不安全行为的影响[J]. 中国安全科学学报, 2022, 32(10): 18-24.