視劇《肯尼迪家族》(2011)劇照。
據英國《衛報》等媒體報道,當地時間7月2日,由美國調查新聞記者、專欄作家莫琳·卡拉漢(Maureen Callahan)撰寫的傳記《不要問:肯尼迪家族和他們毀掉的女人》(暫譯,Ask Not: The Kennedys and the Women They Destroyed)正式出版,并在數小時內登頂亞馬遜多個銷售榜單榜首,引發廣泛關注。
一直以來,“肯尼迪”在美國都是財富與權力的代名詞,而這本書揭露了該家族不為人知的女性剝削史,作者稱“厭女癥”幾乎在這一家族內部根深蒂固。然而,“他們總是能逃脫懲罰”。
該書標題是對約翰·F·肯尼迪(John F Kennedy)1961年就職演說中經典臺詞——“不要問你的國家能為你做什么,而要問你能為你的國家做什么”的化用。卡拉漢稱,人們或許很難想象美國第35任總統同時也是一個利用職權侵犯年輕女性的花花公子。
書中記錄的女性之一是19歲的米米·比爾茲利(Mimi Beardsley)。她曾在美國白宮新聞室工作,其間,約翰·F·肯尼迪將其帶入私人住宅并對其實施了侵犯。“只有當第一夫人不在時,米米才會被帶上樓。她的工作就是提醒他一些簡單的快樂:閑聊、泡泡浴、性愛,盡管總是很匆忙。”卡拉漢在書中寫到。比爾茲利還曾專門出版回憶錄《從前有個秘密:我與約翰·F·肯尼迪總統的緋聞及其后果》(Once Upon a Secret: My Affair with President John F Kennedy and Its Aftermath),該書雖然遭到媒體猛烈批評,但卻長期占據《紐約時報》暢銷書榜首。
“2021年,當一座真人大小的肯尼迪銅像落地華盛頓特區時,沒有一則新聞報道提到這位總統對待女性的方式。也沒有一位媒體人、散文家、評論家問過,在我們這個時代,這樣的人是否值得擁有一座紀念碑,也沒有人關心,這種持續的紀念到底向今天的女性和未來的女性傳達著怎樣的信息。真的,不要問。”卡拉漢寫道。
《不要問》英文版書封。
該書還記載了肯尼迪家族多位女性的真實命運。其中最受關注的是瑪麗·理查森(Mary Richardson)。這位才華橫溢的建筑師于1994年嫁給了約翰·F·肯尼迪的小侄子小羅伯特·F·肯尼迪(Robert F Kennedy Jr),兩人育有四個孩子。再次成為新聞焦點是瑪麗陳尸紐約市郊一住所,當時公眾普遍認為這是一起自殺事件。而卡拉漢在書中詳細回顧了瑪麗死亡事件的真相。
小羅伯特與瑪麗婚后聚少離多。瑪麗很早就懷疑小羅伯特出軌,她曾翻出小羅伯特的日記,發現最后幾頁羅列了他與之有過曖昧關系的女性名單。瑪麗曾表示,小羅伯特曾帶很多美麗、有成就的女性來家里。瑪麗開始變得心煩意亂、并有酗酒等行為。
對此,小羅伯特總是持否認態度,并堅持認為“瑪麗瘋了”,是她破壞了他們的婚姻。卡拉漢采訪瑪麗的治療師謝娜·漢金(Sheenah Hankin)時了解到,當小羅伯特要求其將瑪麗診斷為精神病時漢金拒絕了,并表示:“你的妻子沒有精神病。她很生氣、很沮喪,但她沒有病。”
瑪麗的兄弟姐妹表示,瑪麗所謂的抑郁癥是由丈夫導致的。他曾威脅要帶走孩子們,“并用肯尼迪家族的全部力量來對付她”。瑪麗去世后,小羅伯特在悼詞中沒有承認自己的行為給她帶來怎樣的痛苦,還表示“我知道我盡了一切努力去幫助她”。
瑪麗被葬在馬薩諸塞州的肯尼迪家族墓地,但據卡拉漢調查稱,“一周后,一天半夜,在沒有告訴瑪麗的兄弟姐妹或獲得所需的法律許可的情況下,小羅伯特將瑪麗的棺材挖出并移到七百英尺外……瑪麗只能面對車水馬龍,沒有墓碑標記她的墳墓,只能孤零零地埋葬”。
除上述事件外,《不要問》一書中還記錄了肯尼迪家族其他幾樁丑聞。卡拉漢稱,這是向美國政治皇室家族發起的一場性別清算。其中包括約翰·F·肯尼迪的兒子小約翰(John Kennedy Jr)1999年飛機墜毀事件的內幕。那次事故中,其妻子卡羅琳·貝塞特(Carolyn Bessette)和妹妹勞倫也遇難。然而在事故發生25年后,卡羅琳卻被塑造成“一個吸毒成癮的潑婦,言外之意是,如果小約翰沒那么痛苦,他就不會心煩意亂以至撞毀飛機”。但事實顯然并非如此。
無獨有偶,1969年美國參議員愛德華·肯尼迪(Edward Kennedy)曾駕車沖下馬薩諸塞州一座橋,導致車翻倒在池塘。他游到了安全地,然而車上的乘客、28歲的助手瑪麗·喬·科佩奇內(Mary Jo Kopechne)卻死在了裝滿水的車里。
卡拉漢經過調查發現:“第二天下午打撈瑪麗尸體的潛水員證實,瑪麗并非溺水身亡,而是窒息而死。他說她在水中至少還活了一個小時,甚至更久。”后來,愛德華·肯尼迪被推崇為“參議院之獅”,但瑪麗的名字卻幾乎再沒有被提及過。
卡拉漢利用檔案資料、回憶錄和當時的新聞報道,并對幸存家庭成員及其朋友進行采訪,還原出了更多肯尼迪家族盛名之下被遮蔽的女性故事。她們中有些人卷入了歷史上臭名昭著的丑聞、登上過聳人聽聞的頭條,但更多女性則被邊緣化,最終成了被遺忘的悲劇。
“任何敢于反擊的受害者都會發現,自己面對的是肯尼迪機器的強大威力,這個機器會把任何女人,無論多么富有、出名或強大,都塑造成瘋狂的、惡毒的、復仇的、吸毒者的、毒蛇的、誘惑者的形象。”卡拉漢在書中感慨:“無論肯尼迪家族的人對她們造成了怎樣的嚴重傷害,信息都是明確的:這是她們自找的。這是她們的錯。因此,卡米洛特(編者注:英文中“亞瑟王宮”Camelot音譯,傳說是亞瑟王和騎士們進行圓桌會議的宮殿,后比喻民眾心中神圣而崇高的政治期望)——那個關于今日肯尼迪家族的童話,仍然屹立不倒。”
參考鏈接:
1.‘They always got away with it’: new book reveals Kennedys’ shocking treatment of women
https://www.theguardian.com/books/article/2024/jul/02/maureen-callahan-kennedy-family-women
2.Maureen Callahan's new biography revealing sordid Kennedy family secrets becomes No.1 best-seller just HOURS after release... as Megyn Kelly gives her rave verdict
www.dailymail.co.uk/news/article-13592263/Maureen-Callahan-Kennedy-biography-best-seller.html
編譯/申璐
編輯/王菡
校對/楊利
譯:吳金笛
校對:鄭滋
本文約4600字,建議閱讀12分鐘。
本文明確了多標簽圖像分類的概念,并講解了如何構建多標簽圖像分類模型。
你正在處理圖像數據嗎?我們可以使用計算機視覺算法來做很多事情:
這讓我思考——如果一個圖像中有多個對象類別,我們該怎么辦?制作一個圖像分類模型是一個很好的開始,但我想擴展我的視野以承擔一個更具挑戰性的任務—構建一個多標簽圖像分類模型!
制作一個圖像分類模型
https://www.analyticsvidhya.com/blog/2019/01/build-image-classification-model-10-minutes/?utm_source=blog&utm_medium=multi-label-image-classification
我不想使用簡單玩具數據集來構建我的模型—這太普通了。然后,它打動了我—包含各種各樣的人的電影/電視劇海報。我可以僅通過看海報就能來構建我自己的多標簽圖像分類模型來預測不同的流派嗎?
答案很簡單——是的!在本文中,我解釋了多標簽圖像分類背后的思想。我們將使用電影海報構建我們自己的模型。你將會對我們的模型產生的令人印象深刻的結果感到驚訝。如果你是《復仇者聯盟》或《權力的游戲》的粉絲,那么在實現部分會有一個很棒的驚喜(無劇透的)給你。
激動嗎?很好,我們開始吧!
1. 什么是多標簽圖像分類?
2. 多標簽圖像分類與多類圖像分類有何不同?
3. 了解多標簽圖像分類模型體系結構;
4. 構建多標簽圖像分類模型的步驟;
5. 案例研究:用Python解決多標簽圖像分類問題;
6.接下來的步驟和你的實驗;
7.尾記。
讓我們通過一個直觀的例子來理解多標簽圖像分類的概念。 看看下面的圖片:
圖1中的對象是一輛汽車。這是顯而易見的。然而,在圖2中沒有汽車,只有一組建筑物。你能看出我們要怎么做嗎?我們將圖像分為兩類,即,有車還是沒車。
當我們只有兩類圖像可以分類時,這就稱為二值圖像分類問題。
讓我們再看一個圖片:
在這個圖片中,你識別出了多少個物體?有太多了——房子、帶噴泉的池塘、樹木、巖石等等。所以,當我們可以將一個圖像分類為多個類(如上圖所示)時,就稱為多標簽圖像分類問題。
現在,這里有一個問題——我們大多數人對多標簽和多類圖像分類感到困惑。當我第一次遇到這些術語時,我也被迷惑了。現在我對這兩個主題有了更好的理解,讓我來為你們澄清一下區別。
假設給我們一些動物的圖片,讓我們把它們分成相應的類別。為了便于理解,我們假設一個給定的圖像可以分為4類(貓、狗、兔子和鸚鵡)。現在,可能有兩種情況:
讓我們通過例子來了解每種情況,從第一個場景開始:
這里,我們的每個圖像都只包含一個對象。敏銳的你會注意到在這個集合中有4種不同類型的對象(動物)。
這里的每張圖片只能被分類為貓、狗、鸚鵡或兔子。沒有任何一個圖像屬于多個類別的情況。
如果滿足上述兩個條件,則稱為多類圖像分類問題。
現在,讓我們思考第二種情況 —— 看看下面的圖像:
這些都是給定的圖像的標簽。這里的每個圖像都屬于一個以上的類,因此它是一個多標簽圖像分類問題。
這兩種情況應該有助于你理解多類和多標簽圖像分類之間的區別。如果你需要進一步的說明,請在本文下面的評論部分與我聯系。
在進入下一節之前,我建議你通讀這篇文章——在10分鐘內構建你的第一個圖像分類模型!它將幫助你了解如何解決一個多類圖像分類問題。
在10分鐘內構建你的第一個圖像分類模型:
https://www.analyticsvidhya.com/blog/2019/01/build-image-classification-model-10-minutes/?utm_source=blog&utm_medium=multi-label-image-classification
現在我們已經對多標簽圖像分類有了一個直觀的認識,讓我們深入討論解決這個問題應該遵循的步驟。
第一步是以結構化格式獲取數據。這既適用于圖像二分類,也適用于多類圖像分類。
你應該有一個文件夾,其中包含您想要訓練模型的所有圖像。現在,為了訓練這個模型,我們還需要圖像的真實標簽。因此,你還應該有一個.csv文件,其中包含所有訓練圖像的名稱及其對應的真實標簽。
我們將在本文后面學習如何創建這個.csv文件。現在,只要記住數據應該是一種特定的格式。數據準備好后,我們可以將進一步的步驟劃分如下:
加載和預處理數據
首先,加載所有圖像,然后根據項目的需求對它們進行預處理。為了檢查我們的模型將如何對不可見的數據(測試數據)執行,我們創建了一個驗證集。我們在訓練集上訓練我們的模型并使用驗證集對其進行驗證(標準的機器學習方法)。
定義模型的結構
下一步是定義模型的結構。這包括決定隱藏層的數量、每層神經元的數量、激活函數等等。
訓練模型
是時候在訓練集上訓練我們的模型了!我們輸入訓練圖像及其對應的真標簽對模型進行訓練。我們還在這里傳入驗證圖像,以幫助我們驗證模型在不可見數據上的性能。
作出預測
最后,我們使用訓練過的模型對新圖像進行預測。
現在,多標簽圖像分類任務的預處理步驟將類似于多類問題的預處理步驟。關鍵的區別在于我們定義模型結構的步驟。
對于多類圖像分類模型,我們在輸出層使用softmax激活函數。對于每個圖像,我們想要最大化單個類的概率。當一個類的概率增大時,另一個類的概率就減小。所以,我們可以說每個類的概率都依賴于其他類。
但是在多標簽圖像分類的情況下,單個圖像可以有多個標簽。我們希望概率彼此獨立。使用softmax激活函數并不合適。相反,我們可以使用sigmoid激活函數。這將獨立地預測每個類的概率。它將在內部創建n個模型(這里的n是總類數),每個類一個模型,并預測每個類的概率。
利用sigmoid激活函數將多標簽問題轉化為n-二分類問題。因此對于每幅圖像,我們將得到概率來確定圖像是否屬于第一類,以此類推。由于我們已經將其轉換為一個n-二分類問題,我們將使用binary_cross-sentropy損失。我們的目標是盡量減少這種損失,以提高模型的性能。
這是我們在定義用于解決多標簽圖像分類問題的模型結構時必須做的主要更改。訓練部分將類似于一個多類問題。我們將傳入訓練圖像及其對應的真實標簽,以及驗證集來驗證模型的性能。
最后,我們將獲取一張新的圖像,并使用訓練過的模型來預測該圖像的標簽。還跟得上嗎?
祝賀你來到這一步!你的獎勵——用Python解決一個可怕的多標簽圖像分類問題。是時候啟動你最喜歡的Python IDE了!
讓我們明確問題陳述。我們的目標是通過電影的海報圖像來預測電影的類型。你能猜到為什么這是一個多標簽圖像分類問題嗎?在你往下看之前想一下。
一部電影可以屬于多種類型,對吧?它不僅僅屬于一個類別,如動作片或喜劇片。電影可以是兩種或多種類型的結合。因此,它是多標簽圖像分類。
我們將使用的數據集包含多個多類型電影的海報圖像。我對數據集做了一些更改,并將其轉換為結構化格式,即一個包含圖像的文件夾和一個存儲真正標簽的.csv文件。你可以從這里下載結構化數據集。下面是一些來自我們數據集的海報:
這里
https://drive.google.com/file/d/1dNa_lBUh4CNoBnKdf9ddoruWJgABY1br/view
如果你愿意,可以在這里下載原始數據集和基準真值。
這里
https://www.cs.ccu.edu.tw/~wtchu/projects/MoviePoster/index.html
讓我們開始編程!
首先,導入所有需要的Python庫:
1. import keras
2. from keras.models import Sequential
3. from keras.layers import Dense, Dropout, Flatten
4. from keras.layers import Conv2D, MaxPooling2D
5. from keras.utils import to_categorical
6. from keras.preprocessing import image
7. import numpy as np
8. import pandas as pd
9. import matplotlib.pyplot as plt
10. from sklearn.model_selection import train_test_split
11. from tqdm import tqdm
12. %matplotlib inline
現在,讀取.csv文件并查看前五行的內容:
1. train = pd.read_csv('multi_label_train.csv') # reading the csv file
2. train.head() # printing first five rows of the file
這個文件中有27列。 讓我們輸出這些列的名字看看:
1. train.columns
Genre列包含每個圖像的列表,其中明確了每個圖像對應的電影的類型。因此,從.csv文件的頭部開始,第一個圖像的類型是喜劇和戲劇。
剩下的25列是獨熱碼列。因此,如果一部電影屬于動作類型,它的值將為1,否則為0。每個圖像可以屬于25種不同的類型。
我們將構建一個返回給定電影海報類型的模型。但在此之前,你還記得構建圖像分類模型的第一步嗎?
沒錯——就是正確的加載和預處理數據。所以,讓我們看看所有的訓練圖片:
1. train_image = []
2. for i in tqdm(range(train.shape[0])):
3. img = image.load_img('Multi_Label_dataset/Images/'+train['Id'][i]+'.jpg',target_size=(400,400,3))
4. img = image.img_to_array(img)
5. img = img/255
6. train_image.append(img)
7. X = np.array(train_image)
快速瀏覽一下數組的形狀:
1. X.shape
這里共有7254個海報圖像,所有圖像都已轉換為(400,300,3)的形狀。 讓我們繪制并可視化其中一個圖像:
1. plt.imshow(X[2])
這是電影《交易場所》的海報。讓我們輸出這部電影的類型:
1. train['Genre'][2]
這部電影僅有一個類型——喜劇。我們的模型所需的下一步是所有圖像的真實標簽。你能猜出這7254個圖像真實標簽的形狀是什么嗎?
讓我們來看看。 我們知道總共有25種可能的類型。對于每個圖像,我們將有25個目標,即電影是否屬于該類型。 因此,所有這25個目標的值都為0或1。
我們將從訓練文件中刪除Id和Genre列,并將剩余的列轉換為將成為我們圖像目標的數組:
1. y = np.array(train.drop(['Id', 'Genre'],axis=1))
2. y.shape
輸出數組的形狀是(7254,25),正如我們預想的那樣。 現在,讓我們創建一個驗證集,它將幫助我們檢查模型在不可見的數據上的性能。 我們將隨機分離10%的圖像作為我們的驗證集:
1. X_train, X_test, y_train, y_test =
2. train_test_split(X, y, random_state=42, test_size=0.1)
下一步是定義模型結構。輸出層將有25個神經元(等于類型的數量),我們將使用sigmoid作為激活函數。
我將使用某一結構(如下所示)來解決這個問題。 你也可以通過更改隱藏層數,激活函數和其他超參數來修改此架構。
1. model = Sequential()
2. model.add(Conv2D(filters=16, kernel_size=(5, 5), activation="relu", input_shape=(400,400,3)))
3. model.add(MaxPooling2D(pool_size=(2, 2)))
4. model.add(Dropout(0.25))
5. model.add(Conv2D(filters=32, kernel_size=(5, 5), activation='relu'))
6. model.add(MaxPooling2D(pool_size=(2, 2)))
7. model.add(Dropout(0.25))
8. model.add(Conv2D(filters=64, kernel_size=(5, 5), activation="relu"))
9. model.add(MaxPooling2D(pool_size=(2, 2)))
10. model.add(Dropout(0.25))
11. model.add(Conv2D(filters=64, kernel_size=(5, 5), activation='relu'))
12. model.add(MaxPooling2D(pool_size=(2, 2)))
13. model.add(Dropout(0.25))
14. model.add(Flatten())
15. model.add(Dense(128, activation='relu'))
16. model.add(Dropout(0.5))
17. model.add(Dense(64, activation='relu'))
18. model.add(Dropout(0.5))
19. model.add(Dense(25, activation='sigmoid'))
讓我們顯示我們的模型總結:
1. model.summary()
有相當多的參數要學習! 現在,編譯模型。 我將使用binary_crossentropy作為損失函數,使用ADAM作為優化器(同樣,你也可以使用其他優化器):
1. model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
最后,我們最有趣的部分——訓練模型。我們將訓練模型10個循環,并傳入我們之前創建的驗證數據,以驗證模型的性能:
1. model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test), batch_size=64)
我們可以看到訓練損失已降至0.24,驗證損失也降低了。 下一步是什么? 是時候做預測了!
所有《權力的游戲(GoT)》和《復仇者聯盟(Avengers)》的粉絲——這是給你們的禮物。 讓我獲取GoT和Avengers的海報,并將它們提供給我們的模型。 在繼續之前下載GOT和Avengers的海報。
GOT
https://drive.google.com/file/d/1cfIE-42H4_UM-JERoctseLUpKwmd40YE/view
Avengers
https://drive.google.com/file/d/1buNOcfo0Im2HmFH778dUwxven8Zzebtu/view
在進行預測之前,我們需要使用前面看到的相同步驟預處理這些圖像。
1. img = image.load_img('GOT.jpg',target_size=(400,400,3))
2. img = image.img_to_array(img)
3. img = img/255
現在,我們將使用我們訓練好的模型預測這些海報的類型。該模型將告訴我們每種類型的概率,我們將從中獲得前3個預測結果。
1. classes = np.array(train.columns[2:])
2. proba = model.predict(img.reshape(1,400,400,3))
3. top_3 = np.argsort(proba[0])[:-4:-1]
4. for i in range(3):
5. print("{}".format(classes[top_3[i]])+" ({:.3})".format(proba[0][top_3[i]]))
6. plt.imshow(img)
真棒!我們的模型為《權力的游戲》預測了戲劇,驚悚和動作類型。在我看來,這個分類很好。讓我們在《復仇者聯盟》海報上試試我們的模型。圖像預處理:
1. img = image.load_img('avengers.jpeg',target_size=(400,400,3))
2. img = image.img_to_array(img)
3. img = img/255
然后做預測:
1. classes = np.array(train.columns[2:])
2. proba = model.predict(img.reshape(1,400,400,3))
3. top_3 = np.argsort(proba[0])[:-4:-1]
4. for i in range(3):
5. print("{}".format(classes[top_3[i]])+" ({:.3})".format(proba[0][top_3[i]]))
6. plt.imshow(img)
我們的模型給出的類型是戲劇、動作和驚悚。同樣,這些都是非常準確的結果。這個模型能在好萊塢電影分類上表現的一樣優秀嗎?讓我們來看看。我們將使用這張Golmal 3的海報。
你知道在這個階段該做什么——加載和預處理的圖像:
1. img = image.load_img('golmal.jpeg',target_size=(400,400,3))
2. img = image.img_to_array(img)
3. img = img/255
然后為這個海報預測電影類型:
1. classes = np.array(train.columns[2:])
2. proba = model.predict(img.reshape(1,400,400,3))
3. top_3 = np.argsort(proba[0])[:-4:-1]
4. for i in range(3):
5. print("{}".format(classes[top_3[i]])+" ({:.3})".format(proba[0][top_3[i]]))
6. plt.imshow(img)
《Golmaal 3》是一部喜劇,我們的模型預測它為最受歡迎的類型。其他預測類型是劇情片和浪漫片——相對準確的評估。我們可以看到該模型能夠僅通過海報預測電影類型。
這就是如何解決多標簽圖像分類問題。盡管我們只有大約7000張圖片來訓練模型,但我們的模型表現得非常好。
你可以嘗試收集更多的訓練海報。我的建議是使所有的流派類別有相對平等的分布的數據集。為什么?
如果某一類型在大多數訓練圖像中重復出現,那么我們的模型可能會與該類型過度匹配。對于每一張新圖片,該模型都可能預測出相同的類型。為了克服這個問題,你應該嘗試均衡的流派類別分布。
這些是你可以嘗試改進模型性能的一些關鍵點。你還能想到別的嗎?告訴我!
除了流派類型預測外,多標簽圖像分類還有多種應用。例如,你可以使用此技術自動標記圖像。假設你想預測圖像中服裝的類型和顏色。你可以建立一個多標簽圖像分類模型,這將幫助你預測同時兩者!
希望本文能幫助你理解多標簽圖像分類的概念。如果你有任何反饋或建議,請在下面的評論部分與我們分享。實驗快樂!
原文鏈接:
https://www.analyticsvidhya.com/blog/2019/04/build-first-multi-label-image-classification-model-python/
原文標題:
Build your First Multi-Label Image Classification Model in Python
編輯:王菁
校對:林亦霖
譯者簡介
吳金笛,雪城大學計算機科學碩士一年級在讀。迎難而上是我最舒服的狀態,動心忍性,曾益我所不能。我的目標是做個早睡早起的Cool Girl。
— 完 —
關注清華-青島數據科學研究院官方微信公眾平臺“THU數據派”及姊妹號“數據派THU”獲取更多講座福利及優質內容。
2019年的春天,這本應該是萬物復蘇的季節,卻接連發生了兩起化工廠爆炸事故。作為科研人員,如何安全地科研?這是我們應該共同關注的問題。
江蘇響水化工園區爆炸事故現場
2019年3月21日,江蘇響水化工園區內的江蘇天嘉宜化工有限公司發生爆炸。3月31日,蘇州昆山市昆山漢鼎精密金屬有限公司機加工車間外一存放鎂合金碎屑廢物的集裝箱發生爆燃事故。而在科學研究中,也時有發生安全事故。例如發生在去年的北京交通大學的爆炸燃燒事故和 2015 年清華大學化學系何添樓的火災爆炸事故。
這些事故和我們有什么關系呢?在這些安全事故的背后,有的是生產程序上的漏洞,有的是安全管理上的疏忽,有的是操作人員的失誤等等原因。雖然我們的科研環境相對安全,但我們仍然需要準確認識無處不在的危險,在工作生活中要端正態度,正確操作,不能在安全問題上抱有僥幸心理。
首先,我們要對危險有著正確的認識,既要知道事前應該如何防護,也要知道萬一發生意外之后要如何處理。例如筆者在剛剛接觸到使用氫氟酸的加工工藝時,就一些聽師兄師姐說,如果手上滴上一滴氫氟酸,幾天后人全身骨頭就都爛了等等。當然,這也不完全是夸張的說法,氫氟酸致死的案例也有很多很多。但與工業生產或者化學實驗不同,我們使用的氫氟酸溶液,濃度往往是非常低的,即使不小心沾上一點,只要正確冷靜處理也不至于沒命。相反如果在心里過分夸大了危害,導致心態波動,則可能會出現進一步的失誤,造成更嚴重的后果。
在我們實驗室常見的化學藥品中,氫氟酸和硫酸算是最危險的兩種試劑。不過其對應的安全措施并不復雜。在試劑和廢液的存儲這一部分,氫氟酸會腐蝕玻璃而不腐蝕塑料,硫酸會腐蝕塑料而不腐蝕玻璃;所以氫氟酸放塑料瓶,硫酸放玻璃瓶。如果同時用這兩種酸?那就用「百毒不侵」的聚四氟乙烯瓶吧,在操作的部分,面罩、耐酸堿腐蝕手套、防護服等等該有的都要有。這些硬件是實驗安全的基本保障。此外,正確的操作才能通往實驗的成功。以筆者的一點小經驗來說,耐酸堿腐蝕手套非常厚重,戴上之后操作不便,因此使用大號的燒杯、鑷子、濾紙等等會有助于實驗的成功。如果一不小心沾上了一些試劑,手邊沒有特效藥的話,用水沖洗是基本的。如果情況嚴重,或者不知道情況嚴不嚴重,則及時去醫院,最好是化工職業病防治醫院。筆者曾經因疑似手上沾了一小小滴氫氟酸,想去附近醫院皮膚科檢查一下,結果醫生直接表示不知道氫氟酸是啥。
最后,也是最容易發生意外的就是廢品處理環節。廢品對于我們來說沒有什么價值,所以也經常得不到認真對待,例如做完實驗之后,發現手邊的廢液瓶滿了,那我們就有可能隨便找個瓶子裝廢液,或者干脆直接把廢液倒在水池里。危險都是從細小的疏忽怠慢開始一步步發展的。一開始,可能倒了乙醇等沒什么危險的試劑,我們還存在一些僥幸心理。但等到失手把氫氟酸倒進玻璃瓶、或者把硫酸倒進塑料瓶,那就追悔莫及了。筆者曾經失手把氨水倒進水池,結果整個實驗室變得很有味道。除了廢液之外,滴管、載玻片、試紙等廢品,如果亂擺亂放,也會產生安全隱患。為了解決這個問題,一方面,我們要時時刻刻提醒自己,處理完廢液廢品、整理好儀器設備之后,我們的實驗才算結束。另一方面,我們也要時刻保持良好的實驗室環境。一個優秀的實驗室,各種試劑永遠要擺放整齊,水池中要有空著的廢液瓶,垃圾桶從來不會滿。
除了科研工作,日常生活中的安全意識也非常重要。特別是單身北漂獨自居住科研工作者,如果在生活中出現意外,身邊有沒有人可以迅速協助,就可能導致不幸的結果。筆者以親身經歷舉個例子。筆者曾經所住的出租房中使用的電熱水器直接安裝在了浴室的墻上。而這樣是有安全隱患的,如果安裝過程不到位,或者部件老化、墻體不牢固,熱水器就有可能會墜落,在熱水器下方的人則很難有反應時間,十分危險。在與房東溝通之后,聯系工人在熱水器下方增加了兩個支架作為第二道保險。
總的來說,為了避免安全事故,我們一方面要認真對待已知的安全風險,另一方面也要善于排查未知的安全隱患。面對已知的安全風險,我們不能心存僥幸,想著偶爾偷懶也沒事。如果進行一些較為危險的操作、接觸一些較為危險的試劑,則應該兩、三人一起進行,互相幫助互相監督。至于一些未知的或者小眾的安全風險,作為科研工作者,我們應該利用自己的科學思維,大膽假設,發現問題并且提出解決方案。
最后,大家也可以在下方留言區集思廣益,讓科研生活在安全中前進。
參考資料:
1.http://cn.chinadaily.com.cn/a/201903/22/WS5c949d3aa310e7f8b157254d.html
2.http://www.sohu.com/a/305039996_114731
3.文中新聞圖片來自http://yynews.cnnb.com.cn/system/2019/03/23/011973724.shtml
物理所師生原創投稿
作者:錢琛江
聲明:轉載此文是出于傳遞更多信息之目的。若有來源標注錯誤或侵犯了您的合法權益,請作者持權屬證明與本網聯系,我們將及時更正、刪除,謝謝。
*請認真填寫需求信息,我們會在24小時內與您取得聯系。