【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。