人工智能在应急管理上可以如何应用

从宏观层面看，近几年应急管理工作发生了较大的变化，2018年3月根据《第十三届全国人民代表大会第一次会议》批准设立了应急管理部，兼具国家安全生产监督管理、应急管理、消防管理、救灾、地质灾害防治、水旱灾害防治、草原防火、森林防火、震灾应急救援等职责。在应急管理部设立以来，人工智能技术同期也取得较大的发展，技术日趋成熟，尤其是视频监控技术被广泛应用到应急管理工作中，发挥视频监控技术的潜力为应急管理服务恰恰依赖于人工智能技术，具体包括人脸识别、车牌识别、特征识别和物体识别等技术，当然语音识别技术也有一定程度的适用性。2019年2月，国务院公布《生产安全事故应急条例》，自2019年4月1日起施行。《条例》是应急管理部组建以来，国家出台的第一部安全生产领域的行政法规，受到业内的广泛关注［1］。那么如何将人工智能技术和应急管理相结合就是摆在我们面前的一个课题。

一、国内外应急管理应用现状

1979年成立的美国联邦应急管理局是领导协调各级部门进行灾害救助的机构，它以综合应急管理理念为指导，建构有效的灾害防御和救助体系。综合应急管理理念主要指全风险灾害管理理念、全过程灾害管理中的全面合作和平等的伙伴关系以及应急管理中的教育和培训［2］。我国应急管理体制以政府为主导，绝大部分数据资源为政府管理和支配，随着人工智能技术在应急管理研究领域的发展势如破竹，政府进行高质量数据开放和共享平台构建的数字化转型，进而建立快速、高效的应急管理体系迫在眉睫［3］。人工智能技术是最近三年才得到广泛应用的技术，目前的应用大多数还集中在公安部门，在以往的应急管理工作中，人工智能的技术应用并不广泛，在新的应急管理部成立之后，可有效整合各种资源，利用人工智能技术提高应急管理应用水平。

二、人工智能技术的发展和应用范围

在大数据和人工智能的新思维背景下，政府应急部门的信息资源数字化转型是社会发展大势所向［3］。1943年最早的人工神经元模型被提出。如果要提到人工智能的真正开端，那就要追溯到1955年8月31日，研究人员JohnMcCarthy、MarvinMinsky、NathanielRochester和ClaudeShannon提交了一份《2个月，10个人的人工智能研究》的提案，第一次提出了“人工智能”的概念［4］。人工智能（ArtificialIntelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。而能应用于应急管理的主要是计算机视觉技术，具体来讲，就是可以利用人脸识别技术识别人员身份、利用车牌识别技术识别车辆、ReID技术（行人再识别）识别人体特征和物体结构化、利用3D结构光技术和ToF技术（飞行时间测距法）进行物体测量，当然还有一些其它的AI技术可以应用于应急管理。

应急管理工作中有一个很重要的需求就是可视化管理，而可视化主要依赖于视频监控系统，传统的视频监控手段主要用于监视、录像和回放，不能充分挖掘视频监控技术在应急管理工作中的应用效果，而AI技术可以将非结构化的视频数据进行结构化处理，这样就可以对人员身份管理、车辆速度、车辆违停、危险物堆放、潜在危险源发掘等方面发挥作用。

三、基于视频图像分析技术应用于危化品仓库和危化品车辆的技术应用

随着国民经济的不断发展，各类企业产品生产制造过程中对安全的要求越来越广泛，在安全生产主体责任和安全生产相关标准规范的落实中，基于对人、车、物的安全生产监管需求愈发突出。传统监管手段无法做到事前预警预测预判，而随着高清视频监控技术、人脸识别技术、车辆技术识别、视频结构化技术的发展，在广大应急市场已经取得了较为突出的成绩。应急管理部门亟需利用上述技术结合的智能图像分析算法应用到危化品车辆运输的风险识别监测过程中，通过动态人脸识别可以在危化品企业园区进行对人的识别、形成人的轨迹、人的周界防护、人的身份特征。而通过基于该算法基础形成的深度学习、人工智能、视觉计算的能力可以设计构造基于人的特征行为识别算法，将规范化在危化品车辆和危化品仓库中的人的行为导致的相关危害风险，诸如危化品车辆疲劳驾驶、危化品车辆驾驶危险驾驶行为、易燃易爆物活动区域的抽烟行为、危化品仓库如气体加工液体发酵等禁止接触、禁止靠近的入侵检测等。相关实地调研数据统计，危化品车辆在运输过程中危险驾驶行为、疲劳驾驶行为等是事故发生的盲区，危化品车辆的跨地域进出、其行驶轨迹、初次入城、频繁出入等都与危化品车辆管理的风险控制息息相关。危化品仓库中的周界防护、入侵检测、遗留物检测、人脸识别、人的轨迹盘查等也与落实危化品仓库中的安全行为识别风险相关。因此，危化品仓库和危化品车辆作为事故高发频发的对象应配套全方位多维度的监管手段。视频图像分析技术就是作为有效对高发频发对象的维度分析应用的有效手段。视频图像分析技术包括了视频图像识别算法和算法深化应用两大部分组成，算法解决的是视频结构化对象的识别和记录问题，应用解决的是识别后、记录后的日益增长的海量视频图像数据的场景和需求痛点问题，能够通过海量视频图像数据汇聚全量的视频大数据基础，通过深度学习、机器学习、人工智能、知识图谱技术手段对危化品车辆运输和危化品仓库贮存进行人、车、物的视频分析，达到合规检测、预警预测预判的目标。消除传统人工翻查缓慢、隐患点动态检测排查效率低下、线索疑情事件的关联关系模糊、无法防患于未然的恶疾。

作为应用研究中的核心技术之一的视频结构化技术是一种将视频内容中的重要信息进行结构化提取的技术，利用它对视频内容按照语义关系，采用时空分割、特征提取、对象识别、深度学习等处理手段，组织成可供计算机和人理解的文本信息或可视化图形信息。在实际应用中，文本信息可进一步转化为应急管理部门监管实战所用的情报，实现视频数据向有效情报的一次转化。

1.危化品车辆结构化

借助智能识别算法获取电子警察、卡口、停车场出入口等场所的车辆相关结构化信息存入车辆主题库，通过对车辆特征识别和梳理，提取有用信息，以便于视频追踪辨认、比对，达到车辆查证的目的，从而实现交通运输服务和管理智能化。车辆的描述信息包括车辆号牌、车牌颜色、车辆品牌、车辆类型、车身颜色等。车辆二次分析实战中的信息包括安全带、年检标、遮阳板、挂件、摆件、司乘人员等方面的识别。车型：确定车型对缩小查找范围，明确摸排方向，节省人力资源等具有极大帮助。对车型的判断主要依据不同车型外部特征的差异进行，如车辆铭牌、尾翼、车门、车窗、颜色、尾灯形状、刹车灯位置等。车牌照：车辆号牌是车辆的外在标识，具有唯一性、合法性，是区分不同车辆的重要依据。根据视频图像中车辆的车牌号码，可以将该号码输入到车辆信息管理系统、道路收费信息系统等进行查询，极大程度地获取车辆特征信息，用于追踪查证。

2.人脸特征结构化

人脸特征辨识以视频监控为基础，以计算机、网络信息为依托，以现代信息处理技术为支撑，开拓了“从像到像”、“从像到人”的全新辨别模式。当前视频监控系统能对画面中的行人和其属性进行结构化，让机器识别人的一些基本属性，如性别、年龄范围等特征范围，还可以对人的衣着、运动、背包、拎包、打伞、是否骑车等信息进行结构化描述。如果从视频图像中的目标正面抓拍，可以识别到脸部一些具体的特征，如戴口罩、眼镜、胡子类型等。人脸识别借助人像识别及智能搜索技术的深度应用，对视频中人员的面部定位、面部特征提取，视频中的人脸图像被自动检出后，与后台人像模型数据进行特征比对匹配，从而对人员身份进行判别和告警。

3.行为事件特征结构化

对于行为事件的描述信息包括：车辆行为如违反交通信号指示灯、超速行驶、违反行车标识、礼让行人、交通流量统计等多种行为特征描述；人体行为如越界、区域、徘徊、聚集、人流量统计等多种行为特征描述；物体行为如丢失、位移等行为特征描述。

4.物体深度技术

目前主流的视觉深度传感器方案主要分结构光、Time-of-Flight和纯双目三类。双目跟结构光一样，都是使用三角测量法根据物体匹配点的视差反算物体距离，只是双目是用自然光，而结构光是用主动光发射特定图案的条纹或散斑。ToF是通过给目标连续发送光脉冲，然后用传感器接收从物体返回的光，通过探测光脉冲的飞行（往返）时间来得到目标物距离。

TOF原理是传感器发出经调制的近红外光，遇物体后反射，通过计算光线发射和反射时间差或相位差来换算被拍摄物体的距离。3D结构光（StructuredLight）技术则要相对复杂一些，该技术将编码的光栅或线光源等投射到被测物上，根据它们产生的畸变来解调出被测物的三维信息。双目视觉则是和人眼一样，用两个普通摄像头以视差的方式来计算被测物距离。三种方式各有优缺点，在现有技术条件下各有应用场景。

四、基于AR三维实景融合技术的危化品贮存风险监测关键技术应用

随着危化品贮存风险带来的应急管理态势的持续升级，对危化品贮存重点场所的监管要求不断递增，对重点场所中仓库园区的风险监测手段日趋增强。传统的监测手段普遍存在底数不清、底图不明、预警监测数据不及时、危化品的物物关联、人物关联关系不清楚等不足，随着云计算、大数据、物联网技术深入行业应用，开发基于AR三维实景融合技术将为视频监控手段、传感器实时数据感知手段、智能视频分析手段、地图视频数据三维合一手段提供融合技术，形成应急管理风险监测手段的多重并举，技术革新。充分发挥其地图、数据、视频的能力，为解决传统危化品贮存中的实际问题提供新型关键技术和装备研发与示范。AR三维实景融合技术是将传统应急管理中一张图的二维地图以三维实景地图进行替代，将传统单一视角以多种视角进行扩展，将传统数据被动接入以新型应急管理大数据主动感知进行升级，将传统单一维度的事后追溯向当前多维数据主动预警预测进行转变的综合性解决方案。

本应用研究以倾斜摄影三维实景快速建模、危化品贮存重点场所BIM精细化建模为可视化模型基础，自主研发地图视频数据三合一的微内核实景融合引擎，为危化品仓库绘制鸟瞰视角、倾斜视角、第一人称视角、伴随视角，构建对危化品贮存周边整体环境的总体态势感知、对危化品贮存物、包装物的智能视频结构化算法识别、通过微服务感知各类前端数据采集信息（如温度、湿度、压力、容器、气体、烟感、GPS定位等传感器数据、视频监控实时高清视频、其他监管系统的状态类数据、流程类数据、上报统计类数据、交易类进销存系统关系型数据、海关物流电子数据报文EDI数据等），将传统的二维地图升级打造为兼容多种地图视角和内容的三维实景地图、支持卫星云图、2.5D瓦片地图、3D建模地图、VR街景地图、AR高清渲染地图、视频拼接投影地图，利用3D引擎的海量点云数据支持特性，构建危化品实时动态更新的各类兴趣点视角POI数据展示，通过应急管理的危化品车辆路径、人物-物物关联轨迹、贮存位置室内BIM动态监测实现危化品仓库在线实时监测的图屏联动、实现比传统体验更直观更身临其境的沉浸式体验第一人称视角的操作方式，实现全景视觉、全局感知、全程交互、多灾种适用的应急指挥、重点防控、实时监测的应急赋能应用平台。

五、基于智能视频分析算法应用到安全生产风险识别监测的关键技术应用

通过基于计算机视觉算法基础形成的深度学习、人工智能、视觉计算的能力，可以设计构造基于人的特征行为识别算法，将规范化在安全生产过程中人的行为导致的相关危害风险，诸如易燃易爆物活动区域的抽烟行为、高空作业活动区域的防护措施不到位行为、机床设备操作台上的不按照规定动作操作违规行为等。相关实地调研数据统计，一个大型五金加工厂每年投入安全生产教育培训后依然存在各种原因违规行为导致的安全生产事故屡禁不止，由此产生的要求安全生产零事故成为这类企业的老大难问题。

经过仔细分析，事故发生的相关生产工人普遍都是机床设备的熟练度较高的群体，对安全生产规范的理解也是深刻清楚的，但往往由于诸如疲劳作业、连续赶工加班、计件工资多劳多得等原因，导致明知不可为而为之，为了赶工疲劳施工，为了多点计件工资，不按照标准动作施工导致。智能视频分析算法的必要性就应运而生，通过高清视频监控设备部署在机床位置，利用后端算法的深度学习和人工智能计算，识别计算工人的工作时长、识别特征动作识别、事先定义违规操作动作、位置、特征等，如识别没有佩戴安全帽、识别没有按规定操作机床、识别没有前置动作或指示灯没有亮就直接操作设备等特征。

如果将视频结构化和工厂的机床被动装置、电力装置、防护装置等进行集成，并与有条件的企业工厂的安全管理系统、车间管理MES系统、绩效考核系统进行对接，事先危险动作识别、安全特征缺失就启动设备自动防护措施、自动录制及记录违规动作行为，进行人、机床、动作、特征的关联。

算法的识别精度可以达到99.99%的高准确率，且不会识别疲劳，没有主观臆断。可以预期的是算法的能力与企业工厂的制动系统进行接入后，当识别到违规动作、疲劳施工等特征和行为动作的时候，机床暂停、制动停止，可以确保工伤及重大事故的发生。这对监管部门、企业、工人多方都有极大的意义，监管部门能够从事后前移到事前，能够让事故少发生，能够控制事故发生的范围和蔓延的程度，真正做到底数清、情况明。

本应用研究以自主创新的安全生产违规动作行为识别算法为基础，企业也可利用旧的高清视频监控前端设备，后端开发建设算法解析系统，通过GPU加速计算技术对海量违规特征行为的图片视频样本进行计算机深度学习，以人工智能人脸识别算法为基础，开发安全生产违规动作行为识别算法，按照特定违规行为的范围进行聚类，形成安全生产违规动作的专题库和主题库，通过密集的算法识别样本训练，让计算机能够通过前端视频监控实时地捕获识别违规动作特征，形成记录和告警。

2019年是人工智能技术的落地应用年，应急管理是重要的落地行业之一，我们认为计算机视觉在应急管理中存在广泛的应用，能够大大提高应急管理的应用效率。本文主要针对危化品仓库和危化品车辆、危化品贮存风险监测、安全生产风险识别监测三个方面进行了具体应用研究，提出了一些思路，并给出了一些具体的落地方法，相信在未来的两三年内能够看到更大范围的落地技术和应用场景。

责任编辑：ct