基于深度学习的模板支架安全智能监测方法技术

本发明专利技术公开了基于深度学习的模板支架安全智能监测方法，属于施工安全技术领域包括：得到训练好的ResNet50权重参数；基于训练好的ResNet50权重参数，通过对多类型重物识别、施工现场车辆行驶、人员施工信息进行深度学习，实现靠近模板支架的风险识别，用力传感器测量待吊重物的重量信息；通过目标跟踪技术，跟踪风险所处位置，对不安全行为及时预警，判断潜在风险的运动轨迹是否正确。同时对模板支架架体形态进行识别，判断支架是否有倒塌风险；将视觉传感器视野内的模板支架位置划分成若干单元，判断模板支架整体或关键杆件形变是否超过安全值；本发明专利技术解决了模板支架发生坍塌事故速度极快，人工极难提前预警的问题，保证了施工安全。工安全。工安全。

【技术实现步骤摘要】
基于深度学习的模板支架安全智能监测方法


[0001]本专利技术涉及基于深度学习的模板支架安全智能监测方法，属于施工安全


技术介绍

[0002]钢管模板支架具有搭设简便，循环性高及灵活性强等优点，已经广泛应用于桥梁、隧道以及建筑等工程施工中。在基建及建筑施工中模板支架的成本大约占到工程总造价的30％，模板支架安装拆卸工时占总工时的50％以上，由此看出模板支架工程在建筑施工中占有相当重要的地位。模板支架由众多杆件拼装而成，作为施工现场为工人操作而搭建的各种支架，但由于现今相关的技术存在一定缺陷，在实际施工过程中时常有支撑体系失稳的情况发生，特别是在大型桥梁、超高层建筑施工过程中，一旦发生架体系坍塌事故，无论从人员生命安全还是经济方面而已都是损失重大的。根据建设部发布的《年房屋市政工程生产安全事故情况通报》，因模板支架和模板支架倒塌的事故占建筑行业安全事故总数的51％，因此加强对基建及建筑工程模板支架安全监测具有重要的意义。
[0003]在基建施工中，模板支架是承受混凝土浇筑过程的主要受力构件，目前国内外规范均给定了计算模板支架承载能力的荷载标准值，如混凝土自重、人员荷载、设备荷载、风荷载等，但是这些荷载均按照静力进行处理。而在实际工程中，模板支架之上的人员在不停的变换位置，混凝土浇筑过程中会产生动荷载，机械设备也会随机摆放，这样就会造成模板支架实际受力与设计受力不相符合。另外，施工现场运输车辆往来非常频繁，若运输车辆与模板支架发生碰撞，则会造成整个架体以及其所承担的混凝土主体结构发生倒塌。同时吊机、塔吊等大型机械在时刻运转，所吊载的重物由于操作人员的视觉盲区也会造成与模板支架架体发生碰撞的可能。
[0004]目前施工现场对于上述的风险观测方法基本均为人工监测和巡视，效率低、成本高。且对于架体的变形，人眼观测非常困难，而且由于碰撞事故的偶发性，事故发生速度极快，不会留给安全监测人员时间去预警。随着计算机视觉与人工智能技术的发展，自动识别技术已越来越成熟并逐渐应用到各行各业。首先利用深度学习技术将施工现场所使用的各类运输车辆、塔吊等机械设备进行学习，然后利用计算机视觉技术，将施工现场监控摄像头传输回来的实时图像进行识别，对移动物体的速度和与模板支架之间的距离进行实时分析，判断是否有发生碰撞的可能，若有则进行提前预警并通知施工人员，以免事故的发生。同时，对于模板支架架体本身的形变进行实时监控，当架体整体或规定的关键杆件达到一定变形值时，则进行警报，以便于施工人员的及时调整，保证施工的安全。

技术实现思路

[0005]本专利技术提出了基于深度学习的模板支架安全智能监测方法，利用计算机视觉与深度学习技术研究自动识别、划分模板支架位置区域，识别塔吊提取的建筑材料、塔吊行为，实时跟踪吊起物体位置，分析其行为对模板支架的安全影响，以解决人工观察法存在的效
率低成本高的问题。
[0006]基于深度学习的模板支架安全监测方法，所述基于深度学习的模板支架安全监测方法包括以下步骤：
[0007]S000、得到训练好的ResNet50权重参数；
[0008]S100、基于训练好的ResNet50权重参数，通过对多类型重物识别、施工现场车辆行驶、人员施工信息进行深度学习，实现靠近模板支架的风险识别，同时用力传感器测量待吊重物的重量信息；同时对模板支架架体形态进行识别，判断支架是否有倒塌风险；
[0009]S200、通过在需要监控的模板支架附近布置视觉传感器，经过预处理，将视觉传感器视野内的模板支架位置划分成若干单元，若有风险出现在视野中时，系统将立即识别并判断其所处位置，结合风险信息判断风险对模板支架安全是否会造成影响；
[0010]S300、在风险靠近阶段，通过目标跟踪技术与背景分割技术，实时跟踪风险所处位置，判断风险即将进入模板支架的区域位置，对不安全行为及时做出预警，同时判断潜在风险的运动轨迹是否正确。
[0011]进一步的，在S000中，具体包括以下步骤：
[0012]S010、从各种视频中提取多类重物图片，对图片进行预处理，将经过预处理的图片的分辨率统一降为512
×
512像素，作为待分类数据；
[0013]S020、将待分类数据进行手动分类，放在不同的文件夹中；
[0014]S030、对分类好的数据进行数据增强，以此增加图像数据量及增强模型的鲁棒性；
[0015]S040、将经过数据增强和数据扩充的数据输入卷积神经网络CNN，对卷积神经网络CNN进行训练，得到训练好的ResNet50权重参数。
[0016]进一步的，在S030中，具体的，数据增强的方式为：水平随机翻转图像和相关的框标签、随机缩放图像以及相关的框标签、抖动图像颜色。
[0017]进一步的，在S040中，具体包括以下步骤：
[0018]S041、建立基于ResNet的图像识别模型框架：
[0019]ResNet50结构中包含跨层连接，它通过快捷连接shortcut将输入跨层传递，然后与经过卷积后的输出相加，达到充分训练底层网络的效果，使正确率随着深度的增加得到显著提升。由于Resnet50神经网络输入数据的尺寸为224*224*3，所以需要在输入数据前对图像进行预处理，将图像数据裁剪为指定尺寸224*224*3格式。图像经过残差块的不断卷积操作，图像像素矩阵的通道数Channel越来越深，再经过扁平层Flatten，将图像像素矩阵尺寸变成batch_size*2048，最后输入全连接层FC中，经softmax层输出对应类别概率；
[0020]S042、对ResNet网络模型进行训练：
[0021]将图像按照8：2的数量比随机划分为训练集和验证集，训练集用于训练模型，验证集用于评估模型训练结果，使用ResNet50预训练权重为初始权重，将数据集输入ResNet进行训练。
[0022]超参数设置：学习率为0.001；优化方法使用Adam方法，batch_size的大小为32；损失函数为交叉熵损失函数(CrossEntropyLoss)，
[0023]Adam优化器主要包含以下几个显著的优点：a.实现简单，计算高效，对内存需求少；b.参数的更新不受梯度的伸缩变换影响；c.超参数具有很好的解释性，且通常无需调整或仅需很少的微调；d.更新的步长能够被限制在大致的范围内(初始学习率)；e.能自然地
实现步长退火过程(自动调整学习率)；f.很适合应用于大规模的数据及参数的场景；g.适用于不稳定目标函数；h.适用于梯度稀疏或梯度存在很大噪声的问题。
[0024]其中，Adam优化器更新规则为：
[0025]计算t时间步的梯度g
t
：
[0026][0027]首先，计算梯度的指数移动平均数，m0初始化为0，β1系数为指数衰减率，控制权重分配(动量与当前梯度)，通常取接近于1的值，默认为0.9，
[0028]m
t
＝β1m
t
‑1+本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的模板支架安全监测方法，其特征在于，所述基于深度学习的模板支架安全监测方法包括以下步骤：S000、得到训练好的ResNet50权重参数；S100、基于所述训练好的ResNet50权重参数，通过对多类型重物识别、施工现场车辆行驶、人员施工信息进行深度学习，实现靠近模板支架的风险识别，同时用力传感器测量待吊重物的重量信息；同时对模板支架架体形态进行识别，判断支架是否有倒塌风险；S200、通过在需要监控的模板支架附近布置视觉传感器，经过预处理，将所述视觉传感器视野内的模板支架位置划分成若干单元，若有风险出现在视野中时，系统将立即识别并判断其所处位置，结合风险信息判断所述风险对模板支架安全是否会造成影响；S300、在风险靠近阶段，通过目标跟踪技术与背景分割技术，实时跟踪所述风险所处位置，判断所述风险即将进入模板支架的区域位置，对不安全行为及时做出预警，同时判断潜在风险的运动轨迹是否正确。2.根据权利要求1所述的基于深度学习的模板支架安全智能监测方法，其特征在于，在S000中，具体包括以下步骤：S010、从各种视频中提取多类重物图片，对图片进行预处理，将经过预处理的图片的分辨率统一降为512
×
512像素，作为待分类数据；S020、将待分类数据进行手动分类，放在不同的文件夹中；S030、对分类好的数据进行数据增强，以此增加图像数据量及增强模型的鲁棒性；S040、将经过数据增强和数据扩充的数据输入卷积神经网络CNN，对卷积神经网络CNN进行训练，得到训练好的ResNet50权重参数。3.根据权利要求2所述的基于深度学习的模板支架安全智能监测方法，其特征在于，在S030中，具体的，数据增强的方式为：水平随机翻转图像和相关的框标签、随机缩放图像以及相关的框标签、抖动图像颜色。4.根据权利要求2所述的基于深度学习的模板支架安全智能监测方法，其特征在于，在S040中，具体包括以下步骤：S041、建立基于ResNet的图像识别模型框架：ResNet50结构中包含跨层连接，它通过快捷连接shortcut将输入跨层传递，然后与经过卷积后的输出相加，达到充分训练底层网络的效果，使正确率随着深度的增加得到显著提升。由于Resnet50神经网络输入数据的尺寸为224*224*3，所以需要在输入数据前对图像进行预处理，将图像数据裁剪为指定尺寸224*224*3格式。图像经过残差块的不断卷积操作，图像像素矩阵的通道数Channel越来越深，再经过扁平层Flatten，将图像像素矩阵尺寸变成batch_size*2048，最后输入全连接层FC中，经softmax层输出对应类别概率；S042、对ResNet网络模型进行训练：将图像按照8：2的数量比随机划分为训练集和验证集，训练集用于训练模型，验证集用于评估模型训练结果，使用ResNet50预训练权重为初始权重，将数据集输入ResNet进行训练。超参数设置：学习率为0.001；优化方法使用Adam方法，batch_size的大小为32；损失函数为交叉熵损失函数(CrossEntropyLoss)，Adam优化器主要包含以下几个显著的优点：a.实现简单，计算高效，对内存需求少；b.
参数的更新不受梯度的伸缩变换影响；c.超参数具有很好的解释性，且通常无需调整或仅需很少的微调；d.更新的步长能够被限制在大致的范围内(初始学习率)；e.能自然地实现步长退火过程(自动调整学习率)；f.很适合应用于大规模的数据及参数的场景；g.适用于不稳定目标函数；h.适用于梯度稀疏或梯度存在很大噪声的问题。其中，Adam优化器更新规则为：计算t时间步的梯度g
t
：g
t
＝
▽
θ
J(θ
t
‑1)首先，计算...

【专利技术属性】
技术研发人员：魏晨阳，刘昌永，李雪来，唐一栋，闫豪峰，罗干，夏瑞林，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：