一种水泥纤维板的施工过程中风险识别方法及系统技术方案

本发明专利技术提供一种水泥纤维板的施工过程中风险识别方法及系统，系统包括人脸识别模块，图像采集模块,人员定位模块、防护装备风险识别模块和人员位置风险识别模块；该水泥纤维板的施工过程中风险识别方法及系统设计合理，通过防护装备风险识别模块，对图像采集模块上传的水泥纤维板施工现场的图像信息进行网络模型的识别，并判断作业人员的人员信息和所穿戴的施工防护设备的类型，若有异常的风险会及时提示，减少了安全管理的人力投入，提高了风险行为的识别率，使得现场作业更加的安全。使得现场作业更加的安全。使得现场作业更加的安全。

【技术实现步骤摘要】
一种水泥纤维板的施工过程中风险识别方法及系统


[0001]本专利技术属于三维模型重建
，特别涉及一种水泥纤维板的施工过程中风险识别方法及系统。

技术介绍

[0002]随着经济不断发展，人民生活水平不断提高，因此，人们对建筑的美观性、舒适性及功能性有了更高的要求，普通的建材已经不能满足社会需求，纤维水泥板是一种新型建材，由天然纤维水泥制成，其成分有天然纤维、水泥、天然河沙、水和少量化学添加剂，玻璃纤维等，它具有精美的外观和优良特性，应用于各个领域，
[0003]超宽带技术(UWB)是一种全新的、与传统通信技术有极大差异的通信新技术，它不需要使用传统通信体制中的载波，而是通过发送和接收具有纳秒或纳秒级以下的极窄脉冲来传输数据，从而具有GHz量级的带宽，超宽带系统与传统的窄带系统相比，具有穿透力强、功耗低、抗多径效果好、安全性高、系统复杂度低、能提供精确定位精度等优点，因此，超宽带技术可以应用于室内静止或者移动物体以及人的定位跟踪与导航，且能提供十分精确的定位精度，通过室内布置数个已知坐标的定位基站，需要定位的人员携带定位标签，标签按照本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水泥纤维板的施工过程中风险识别方法，其特征在于，包括以下步骤：步骤一：图像采集；采用人脸识别，只有持有工作许可的人员才能识别通过进行以下的风险识别操作，通过水泥纤维板施工现场设置的摄像头对作业现场进行图像采集，再将图像信息上传至系统，对图像进行预处理；步骤二：人员定位；在施工现场的不同工作区域设置电子标签，人员进入现场后其佩戴的读写装置与电子标签感应，得到人员工作区域信息，将其无线传回系统，在现场设置定位基站，与施工人员佩戴的定位器交互得到响应信息，将其无线传回系统，经算法处理得到人员位置信息和行动轨迹；步骤三：防护装备风险预警；利用目标检测模型对现场图像进行分析处理，检测施工人员是否穿戴规定种类的施工防护装备，若未全部穿戴则发出警报；步骤四：人员位置风险预警；对人员定位得到的定位数据进行处理，若靠近危险区域或者长时间处于错误的工作区域则发出警报。2.根据权利要求1所述的一种水泥纤维板的施工过程中风险识别方法，其特征在于：所述人脸识别采用基于CNN(卷积神经网络)的人脸识别，利用卷积神经网络对工作人员的人脸进行深度特征提取，利用设备采集到现场作业人员的图像信息后，根据数据库中人脸信息进行比对，确认身份后再进行风险识别的图像信息采集，然后作业人员将各种施工防护设备上传至服务器中，系统可以自定义将获取到施工防护设备图像大小进行自适应缩放，满足深度学习网络中所要求的图像大小，利用自适应灰度填充的方法将获得到的图像信息进行填充将图像的较长边设定为基准，计算图像的宽高比，依据输入图像与要求图像大小的比例计算缩放比例，将图像进行等比例缩放，再对短边进行灰度填充。3.根据权利要求1所述的一种水泥纤维板的施工过程中风险识别方法，其特征在于：所述步骤三中，在获取到施工防护装备的图像信息后，利用目标检测模型对图像进行处理分析，实现对施工防护装置类别的识别并检测施工人员佩戴防护设备的安全性。4.根据权利要求3所述的一种水泥纤维板的施工过程中风险识别方法，其特征在于：所述用于目标检测的目标检测模型的作用是对输入模型的图像进行特征提取以及特征增强，最后预测出目标的类别以及目标的边界框，整个目标检测模型分为主干网络部分、特征增强部分、预测部分三个部分，主干网络部分负责对输入模型的图像进行深度特征提取，得到图像中施工防护设备各个位置的特征(物体颜色、物体边缘特点、物体纹理)，最后在主干网络的不同位置输出不同尺度的特征图；特征增强部分主要任务是将主干网络部分的输出的不同尺度的特征融合在一起，即将图像的深层信息和浅层信息通过融合模块进行融合，并输出一个融合后的特征图；预测部份负责对特征增强部分输出的特征图进行分析处理，预测出图像中的目标类别以及目标的边界框。5.根据权利要求5所述的一种水泥纤维板的施工过程中风险识别方法，其特征在于：目标检测模型的主干网络部分包括：首先将一种水泥纤维板的施工过程中风险识别系统的图像采集模块输出的图像统一转换为224*224*3的图像矩阵，输入目标检测模型的主干网络部分，其中切片模块的作用是将图像进行平面切割，再进行深度的堆叠的大小，主干网络的输入图像经过切片模块后，大小变为原来的四分之一，图像深度变为原来的四倍，而不造成任何图像信息丢失；图像经过切片模块处理后进入卷积模块1，通过卷积、正则化(BN)、Leaky Relu函数激活，调整自身尺寸，作为特征提取做准备；利用注意力机制能够着重关注
目标信息的特点,在模型中引入注意力机制，图像经过卷积模块处理后先后进入通道注意力模块和空间注意力模块，对图像特征图的权重进行再分配，提升目标检测的精度，其中通道注意力模块通过对图像进行全局平均池化压缩图像的二维特征，再为图像的每个通道分配权重值，其中包含目标的通道的权重值更大，使用全连接层保证输出权重数量与输入的通道数量一致，空间注意力模块先将图像做平均池化、最大池化处理，再将两种池化结果融合，依次通过卷积、sigmoid函数激活，作用是基于空间上的图像特征分布，为图像通道中包含目标空间的部分分配更大的空间权重，使模型重点关注任务相关的图像区域；之后将特征图依次通过四组(F1、F2、F3、F4)深度特征提取，其中每个组包含的特征提取模块数量按照先后顺序分别为3、4、12、3，在特征提取模块中，特征图被分为若干组使用包含不同卷积核的卷积层对不同的组进行特征提取，将输出的各组特征图进行空间上的堆叠，经过两个卷积模块1继续提取特征，输出后...

【专利技术属性】
技术研发人员：陶亮，汪斌，吴宣华，张明念，庞伟，汪磊，张乐，李大海，刘修锋，杜文略，
申请(专利权)人：国网湖北省电力有限公司黄冈供电公司，
类型：发明
国别省市：