《Journal of Imaging》：Automation of Monitoring Compliance with Technological Regulations Using the Example of the Process of Filling Petroleum Products
编辑推荐：
本文提出并研究了一种使用计算机视觉（Computer Vision, CV）方法自动化监控受监管技术操作遵守情况的方法，以石油产品装载作为案例研究。本工作的一个显著特点是将BPMN（Business Process Model and Notation）符号形
本文提出并研究了一种使用计算机视觉（Computer Vision, CV）方法自动化监控受监管技术操作遵守情况的方法，以石油产品装载作为案例研究。本工作的一个显著特点是将BPMN（Business Process Model and Notation）符号形式化的生产过程描述与对象检测系统集成，不仅能够识别对象，还能解释操作人员执行的技术动作序列。基于收集并标注的包含6000多张图像的数据集，训练了一个YOLOv11（You Only Look Once version 11）神经网络模型，用于监控技术操作的关键阶段。实验结果表明，训练后的模型在白天提供高精度的检测（mAP50（mean Average Precision at IoU阈值0.5）约为0.98），同时保持实时工作能力。获得的结果证实了其在工业条件下的适用性。研究揭示了计算机视觉系统功能质量对生产区域光照条件的依赖性。已确定，在夜间由于照明光源朝向相机区域产生的眩光，识别精度显著下降。获得的结果使得在技术过程视频监控系统设计过程中有必要考虑照明因素。为了从对象检测水平过渡到监控规程遵守情况，开发了一种用于解释检测到的对象的算法，该算法确保对执行的操作序列进行记录和分析。在现有生产现场进行的实验测试证实了自动检测技术规程违规和提高工业安全水平的可能性。还确定了进一步改进所提出方法的方向，包括扩展训练样本以考虑多种生产场景，以及开发在困难光照条件下提高系统稳定性的方法。
**论文解读：自动化监控技术规程遵守——以石油产品灌装过程为例**
**研究背景与问题**
工业生产中，职业病和工伤事故在全球范围内普遍存在，特别是在采矿、建筑和制造业等高风险领域。事故原因通常涉及手动操作偏离既定技术规程，以及违反职业安全健康规定。传统视觉监控依赖人工检查，存在反应速度慢、主观性强、资源消耗大等局限性。近年来，计算机视觉（Computer Vision, CV）技术被广泛用于工业安全监控，但现有方案多聚焦于检测个人防护装备（PPE）或静态实体，缺乏对操作序列的实时跟踪与分析。因此，亟需开发能自动监控技术规程遵守情况、识别违规操作的系统，以提升工业安全水平。本文以石油产品灌装过程为例，探索利用CV方法自动化监控受监管技术操作的可行性，研究成果发表在《Journal of Imaging》。
**研究方法与技术路线**
研究人员首先使用BPMN（Business Process Model and Notation）符号对石油产品灌装过程进行建模，将操作分解为四个阶段：槽车到达、准备、灌装、离开，并识别出需监控的关键事件（如顶端装载臂TLA状态、转移桥安装等）。在此基础上，从实际生产现场获取视频流，经标注形成包含6820张图像的专用数据集（分为训练、验证、测试集）。采用YOLOv11（You Only Look Once version 11）神经网络模型进行对象检测，训练时使用多GPU加速和早停机制，并应用数据增强（旋转、镜像、灰度化等）提升泛化能力。随后，开发基于规则的决策算法：通过分析对象边界框位置、尺寸、交并比（IoU）及时间连续性，将检测到的对象与BPMN事件对应，实现操作序列的实时监控与违规判定。测试样本来源于同一生产现场不同时间段的数据。
**主要研究结果**
**3. 技术过程模型**
通过BPMN建模，将石油灌装流程结构化，识别出四个阶段及关键事件。模型经企业文档和员工协商后正式批准，为后续监控提供逻辑基础。
**4. 计算机视觉模型的形成**
训练后的YOLOv11模型在白天表现优异，mAP50（平均精度均值@IoU=0.5）稳定在0.98左右，mAP50:95超过0.85，且精度和召回率均达0.98-0.99。消融实验证实，几何增强和灰度化增强可提升mAP50约0.05-0.08。然而，夜间测试发现模型精度显著下降（0:00-6:00时段最低），主要原因是人工照明产生的眩光导致关键对象（如TLA、转移桥）难以识别。
**5. 事件判定决策**
基于规则的事件解释算法利用对象位置、边界框纵横比及IoU（≥0.2）进行状态判读。例如，TLA处于“车库”位置需检测其位于预设区域且尺寸匹配；转移桥安装于槽车需同时满足边界框相交和水平姿态。算法在186个完整操作序列验证中达到准确率0.92、召回率0.89、F1值0.90，多数错误源于操作员被遮挡。
**6. 讨论与结果分析**
最终系统在40小时现场测试中记录74个违规通知，经人工核实确认67个真实违规，7个误报，对应准确率91%、召回率88%，误报率1.8次/小时。与现有仅检测物体存在性的方案不同，本文方法实现了对操作序列的动态跟踪，提高了分析详细程度。夜间光照问题被认为是当前原型的主要局限，未来计划采用图像预处理（如CLAHE）、偏振滤光片或红外相机改善。
**结论与意义**
研究确定了在生产设施中确保对安全要求遵守控制的必要性。现有解决方案主要关注PPE监控和紧急通知，而监控操作顺序正确性的问题仍未充分发展。本文以石油产品灌装为例，通过BPMN建模、YOLO家族模型训练及基于规则的事件解释，实现了对技术规程的自动化监控。白天运行稳定，夜间精度受限于光照。未来将扩展训练样本以覆盖不同光照条件，并考虑自适应调整解释算法，提升系统在困难环境下的鲁棒性。该研究为工业安全监控提供了新范式，即从静态对象检测转向动态操作序列验证，具有显著应用价值。
