基于计算机视觉的模板支架安全风险识别方法技术

本发明专利技术公开了基于计算机视觉的模板支架安全风险识别方法，属于施工安全技术领域。包括：通过实现多类型重物识别，在塔吊起吊重物之前，识别调取物品的材料信息，同时用力传感器测量待吊重物的重量信息；通过在需监控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，若有荷载出现在视野中时，系统立即识别并判断其所处位置，结合结构荷载信息判断荷载对模板支架安全是否会造成影响；在重物提起阶段，通过目标跟踪技术与背景分割技术，实时跟踪被吊起目标所处位置，判断其即将落在模板支架的区域位置，对不安全行为及时做出预警。本发明专利技术解决了人工观察法存在的效率低成本高的问题，保证了模板支架安全。证了模板支架安全。证了模板支架安全。

【技术实现步骤摘要】
基于计算机视觉的模板支架安全风险识别方法


[0001]本专利技术涉及基于计算机视觉的模板支架安全风险识别方法，属于施工安全


技术介绍

[0002]建筑业作为世界上最大的工业部门之一，在施工过程当中仍面临多种风险的威胁，因此风险识别十分重要。而目前依赖人工观察的方法仍然是监测施工生产力和现场安全的主要手段，效率低、成本高是人工观察法的缺点。随着计算机视觉与人工智能技术的发展，自动识别与评价的方法已成为研究界的重要方向并逐渐应用到各行各业。摄像机已成为建筑工地的标准设备，施工现场的实时监控数据包含有关项目进度和活动的重要视觉信息，对施工现场的风险自动识别有着极大的帮助。
[0003]工程施工过程常常伴随着众多施工风险，因此风险识别工作在工程安全管理中属于极其重要的一环，而某一风险常常是由多个至灾因子耦合作用导致。通过利用计算机视觉与深度学习技术，可以同时对不同施工位置的致灾因子进行识别，从而可以根据风险类别与分级规范，在致灾因子组合会触发某一风险时，及时发出危险警报和报告风险源。在图像或视频中检测建筑资源(例如机器、工人和材料)是开发自动化分析施工视频所需的第一个基本步骤。一旦施工对象得到正确识别，大量的施工监控任务就可以实现自动化。例如，同时检测挖掘机和自卸卡车可以自动计算土方工程中的土方装载周期。参照图1所示，机器和工人的连续检测可以及时防止潜在的碰撞，并即时提醒建筑工程师。对建筑材料的检测确定了供应链中的材料位置，并能够毫不费力地得出项目绩效指标。

技术实现思路

[0004]本专利技术提出了基于计算机视觉的模板支架安全风险识别方法，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。
[0005]基于计算机视觉的模板支架安全风险识别方法，计算机视觉的模板支架安全监测方法包括以下步骤：
[0006]S100、通过实现多类型重物识别，在塔吊起吊重物之前，识别调取物品的材料信息，同时用力传感器测量待吊重物的重量信息；
[0007]S200、通过在需监控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，若有荷载出现在视野中时，系统将立即识别并判断其所处位置，结合结构荷载信息判断荷载对模板支架安全是否会造成影响；
[0008]S300、在重物提起阶段，通过目标跟踪技术与背景分割技术，实时跟踪被吊起目标所处位置，判断其即将落在模板支架的区域位置，对不安全行为及时做出预警，同时也可以判断起吊轨迹是否正确及吊起目标是否脱落，起吊终点是否正确等。
[0009]进一步的，在S100前，还包括S000：得到训练好的卷积神经网络CNN：
[0010]S010、从各种视频中提取多类重物图片，对图片进行预处理，对将所有图片的分辨率统一降为512
×
512像素，作为待分类数据；
[0011]S020、将待分类数据进行分类和标注，放在不同的文件夹中；
[0012]S030、对分类和标注好的数据进行数据增强；
[0013]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。
[0014]进一步的，在S030中，具体的，增强方式为：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。
[0015]进一步的，在S040中，具体包括以下步骤：
[0016]S041、确定数据流及建立数据结构：
[0017]卷积神经网络CNN是一个包含输入层、卷积层和输出层的网络模型，输入层是112
×
1的列向量，每个分量的值为0或1，对于每个子单元，有224
×
224像素和3个频道，然后进入第一个卷积层，卷积核的大小为7
×
7，卷积核的个数为64，步长为2，填充为3，
[0018]卷积层计算:
[0019][0020]池化层计算:
[0021][0022]式中:F为卷积核，卷积核的大小为F
×
F，S为步长大小，P为填充值大小，N为输出大小，W为输入大小，F为卷积核大小；
[0023]S042、对卷积神经网络CNN进行训练：
[0024]一次输入所有的训练样本，调整训练样本以平衡训练集中的图像数量，将第一卷积层的网络滤波器权值可视化，使用CNN图像特征训练一个多类SVM分类器，
[0025]超参数设置：学习率为0.1；动量因子为0.9；权重衰减因子为5e
‑
4；卷积层的层数为49；批处理的大小为32；损失函数为“Crossentropyex”；
[0026]S043、得到训练结果：
[0027]将集合分割成训练和验证数据。从每个集合中选取60％的图像作为训练数据，其余的40％作为验证数据，分割形式为随机分割，训练集和测试集将由CNN模型进行处理，训练后，平均精确率为：98.15％。
[0028]进一步的，在S300中，具体包括以下步骤：
[0029]S310、计算前景掩码：使用OpenCV提供的背景分割器BackgroundSubtractorKNN计算前景掩码；
[0030]S320、二值化处理：在S310中计算得到的前景掩码含有前景的白色值以及阴影的灰色值，将前景掩码二值化，即将非纯白色的所有像素点均设置为纯白色；
[0031]S330、目标跟踪：使用基本的目标跟踪算法检测运动中物体的轮廓，并在原始帧上绘制检测结果。
[0032]进一步的，在S200和S300间，还包括S250、对模板支架区域位置进行标定，具体包
括以下步骤：
[0033]S251、通过相机设备拍摄得到的施工现场模板支架实际图像视频数据；
[0034]S252、对模板支架区域进行划分，具体的：
[0035]进行阈值分割：使用背景分割算法通过任意选取一个阈值t将图像分为前景和背景两部分，前景像素点占图像的比例为W0、均值为U0，背景像素点占图像的比例为W1、均值为U1，图像整体的均值为U＝W0*U0+W1*U1，建立目标函数g(t)＝W0*(U0
‑
U)^2+W1*(U1
‑
U)^2，g(t)即为当分割阈值为t时的类间方差，Otsu算法使得g(t)最大时所对应的t为最佳阈值；
[0036]进行图像滤波：对阈值分割后的结果进行滤波处理，消除不必要噪点；
[0037]进行投影划分区域：对滤波处理后的图像分别进行水平和垂直方向的投影，根据其结果图像，以每个已规定长度的区间内波峰位置为目标点，得知相机视野中的模板支架分为5*5的区域。
[0038]本专利技术的有益效果：
[0039]本专利技术针对多风险源下施工过程安全风险识别问题，通过将工程施工中的具体问题抽象出来进行实验室方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于计算机视觉的模板支架安全风险识别方法，其特征在于，所述计算机视觉的模板支架安全监测方法包括以下步骤：S100、通过实现多类型重物识别，在塔吊起吊重物之前，识别调取物品的材料信息，同时用力传感器测量待吊重物的重量信息；S200、通过在需监控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，若有荷载出现在视野中时，系统将立即识别并判断其所处位置，结合结构荷载信息判断所述荷载对模板支架安全是否会造成影响；S300、在重物提起阶段，通过目标跟踪技术与背景分割技术，实时跟踪被吊起目标所处位置，判断其即将落在模板支架的区域位置，对不安全行为及时做出预警，同时也可以判断起吊轨迹是否正确及吊起目标是否脱落，起吊终点是否正确等。2.根据权利要求1所述的基于计算机视觉的模板支架安全风险识别方法，其特征在于，在S100前，还包括S000：得到训练好的卷积神经网络CNN：S010、从各种视频中提取多类重物图片，对图片进行预处理，对将所有图片的分辨率统一降为512
×
512像素，作为待分类数据；S020、将待分类数据进行分类和标注，放在不同的文件夹中；S030、对分类和标注好的数据进行数据增强；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。3.根据权利要求2所述的基于计算机视觉的模板支架安全风险识别方法，其特征在于，在S030中，具体的，增强方式为：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所述的基于计算机视觉的模板支架安全风险识别方法，其特征在于，在S040中，具体包括以下步骤：S041、确定数据流及建立数据结构：卷积神经网络CNN是一个包含输入层、卷积层和输出层的网络模型，输入层是112
×
1的列向量，每个分量的值为0或1，对于每个子单元，有224
×
224像素和3个频道，然后进入第一个卷积层，卷积核的大小为7
×
7，卷积核的个数为64，步长为2，填充为3，卷积层计算:池化层计算:式中:F为卷积核，卷积核的大小为F
×
F，S为步长大小，P为填充值大小，N为输出大小，W为输入大小，F为卷积核大小；S042...

【专利技术属性】
技术研发人员：魏晨阳，刘昌永，唐一栋，杨金胜，罗干，刘濮源，孙铭阳，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：