一种基于FasterR-CNN网络的塔吊安全检测方法技术

本发明专利技术公开了一种基于Faster R

【技术实现步骤摘要】
一种基于Faster R
‑
CNN网络的塔吊安全检测方法


[0001]本专利技术属于塔吊安全检测
，具体是一种基于Faster R
‑
CNN网络的塔吊安全检测方法。

技术介绍

[0002]塔吊安全检测一直是塔吊领域的重点关注方向，这关系到整体工程的顺利进行以及工作人员的人生安全保障。目前塔吊安全检测领域，以人工与部分技术检测为主，存在着效率低，反馈不及时，检测不细致不全面的问题，这些问题成为了工地的操作隐患，每年都会产生大大小小的塔吊安全事故。传统的安全检测由于人工的移动限制，在高空作业时存在安全以及操作困难等问题，故障检查难、问题反馈不及时；同时人为检测还存在很高的安全隐患。
[0003]现阶段很多利用无人机进行拍照从而识别塔吊的安全检测，中国专利公开了(申请号为：202211743598.4)一种基于BIM的无人机智能检测系统，包括终端设备、前端无人机机体设备、中端控制器、BIM文件导入单元与检测场景选择单元；所述终端设备或中端控制器获取所述BIM文件导入单元导入的BIM模型，所述检测场景选择单元基于导入的BIM模型进行检测场景选择，其中所述检测场景包括幕墙检测、塔吊设备检测与电缆巡检，所述终端设备用于进行幕墙检测、塔吊设备检测与电缆巡数据分析与存储，所述中端控制器通过无线网络通信模块连接一用于对前端无人机机体设备进行控的移动设备，所述前端无人机机体设备用于进行幕墙检测、塔吊设备检测与电缆巡检数据采集。
[0004]上述专利通过无人机拍摄照片，并将导入到自动定位BIM三维图中进行定位记录编号，将编号照片传入设备端进行图像识别，图像识别根据Harris角点特征提取方法进行标识，通过导入的塔吊设备BIM文件中所列明的检测点位；但是，通过BIM三维图和Harris角点特征提取方法对存在隐患位置识别的准确率和精确率不高；因此，如何提高塔吊位置的精准识别成了急需解决的技术问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于Faster R
‑
CNN网络的塔吊安全检测方法，以解决上述问题。
[0006]本专利技术目的是这样实现的：一种基于Faster R
‑
CNN网络的塔吊安全检测方法，其特征在于：该方法包括以下步骤：
[0007]步骤S1：利用无人机的摄像头采集塔吊图像；
[0008]步骤S2：构建图像金字塔，通过图像金字塔对采集的塔吊图像进行预处理；
[0009]步骤S3：构建Faster R
‑
CNN网络模型，并进行训练；
[0010]将进行预处理后的塔吊图像输入到训练好的Faster R
‑
CNN网络模型中；
[0011]步骤S4：根据步骤S3中的Faster R
‑
CNN网络模型获取检测结果。
[0012]优选的，所述构建图像金字塔通过对原始图像进行下采样操作来获得不同尺度的
图像；利用下采样中的平均池化或者最大池化降低图像分辨率获得尺寸不等的图像。
[0013]优选的，所述Faster R
‑
CNN网络模型包括用于生成候选目标区域的区域建议网络和用于对候选目标区域进行分类和边界框回归的目标分类网络。
[0014]优选的，所述区域建议网络包括用于生成锚框的Anchor生成模块，用于获取输入图像中语义和位置信息的自特征提取模块、第一分类器、第一边界框回归器以及锚框筛选和非极大值抑制模块；
[0015]所述区域建议网络分为两个输出分支，一个输出分支为Anchor生成模块，用于生成锚框；另一个输出分支为第一分类器与第一边界框回归器，用于锚框分类和边界框回归。
[0016]优选的，所述目标分类网络包括用于调整塔吊图像大小的RoI池化模块、进行特征信息提取的特征提取模块和用于预测每个锚框中物体类别的第二分类器和用于校正锚框位置的第二边界框回归器；
[0017]所述目标分类网络包含两个输出层，一个输出层是第二分类器，用于预测每个锚框中物体的类别；另一个输出层是第二边界框回归器，用于校正锚框的精确位置。
[0018]优选的，所述无人机上设有高清的摄像头，摄像头内设有芯片，芯片上加载有Faster R
‑
CNN网络模型。
[0019]优选的，所述图像金字塔处理具体步骤为：
[0020]步骤S2
‑
1：通过构建的图像金字塔将图像分割成尺度大小不同的图像，并获取块的平均值或最大值，形成金字塔层级图片；
[0021]步骤S2
‑
2：利用高斯滤波器对金字塔每个层级的图像进行平滑操作，去除图像中的噪声和细节，保留主要的结构信息；
[0022]步骤S2
‑
3：对经过下采样操作和高斯滤波器的图像进行尺度空间的建立，形成金字塔形状的层级图像，每个层级的图像对应着不同尺度的图像；按照从下至上的层级顺序，图像依次变小。
[0023]优选的，所述区域建议网络具体操作为：
[0024]利用Anchor生成模块在输入的塔吊图像上生成一组固定大小、比例的锚框，每个锚框覆盖在塔吊图像上的一个位置；
[0025]将生成有锚框的塔吊图像输入到自特征提取模块中，自特征提取模块捕捉塔吊图像的语义和位置信息；
[0026]对每个锚框进行计算，计算锚框与实际目标之间的IoU值，确定锚框是否与目标物体相交，通过第一分类器预测每个锚框的类别；第一边界框回归器确认锚框与其对应目标框之间的偏移量，获得准确的锚框坐标；
[0027]在生成的锚框中，锚框筛选和非极大值抑制模块通过阈值筛选出置信度较高的锚框，同时保留与目标相关的锚框；非极大值抑制模块消除高度重叠的锚框，只保留最具代表性的锚框。
[0028]优选的，所述目标分类网络的具体操作为：
[0029]将区域建议网络输出的塔吊图像输入到目标分类网络中，RoI池化模块将锚框映射到特定大小的特征图区域，并对锚框进行平均池化或最大池化操作，使得每个不同尺寸的锚框转换为固定大小的特征图；
[0030]利用特征提取模块对锚框进行特征提取，提取锚框的中视觉信息；
[0031]将锚框的中视觉信息通过第二分类器分成物体类别的输出和通过第二边界框回归器分成的锚框与实际目标框之间偏移量输出。
[0032]与现有技术相比，本专利技术具有如下改进及优点：1、通过在无人机上的高清摄像头获取塔吊照片，减少人为高空作业的危险，提高安全性，简化检测方法；同时，利用无人机内嵌入的Faster R
‑
CNN网络模型提高对塔吊检测的准确性。
[0033]2、通过使用Faster R
‑
CNN网络模型，提高摄像头拍摄塔吊图像位置的定位精准识别，从而准确判断出塔吊位置是否处于安全状态，提高对塔吊检测的精准性。
[0034]3、通过使用图像金字塔处理，对塔吊图像进行预处理，生成不同尺度图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Faster R
‑
CNN网络的塔吊安全检测方法，其特征在于：该方法包括以下步骤：步骤S1：利用无人机的摄像头采集塔吊图像；步骤S2：构建图像金字塔，通过图像金字塔对采集的塔吊图像进行预处理；步骤S3：构建Faster R
‑
CNN网络模型，并进行训练；将进行预处理后的塔吊图像输入到训练好的Faster R
‑
CNN网络模型中；步骤S4：根据步骤S3中的Faster R
‑
CNN网络模型获取检测结果。2.根据权利要求1所述的基于Faster R
‑
CNN网络的塔吊安全检测方法，其特征在于：所述构建图像金字塔通过对原始图像进行下采样操作来获得不同尺度的图像；利用下采样中的平均池化或者最大池化降低图像分辨率获得尺寸不等的图像。3.根据权利要求1所述的基于Faster R
‑
CNN网络的塔吊安全检测方法，其特征在于：所述Faster R
‑
CNN网络模型包括用于生成候选目标区域的区域建议网络和用于对候选目标区域进行分类和边界框回归的目标分类网络。4.根据权利要求3所述的基于Faster R
‑
CNN网络的塔吊安全检测方法，其特征在于：所述区域建议网络包括用于生成锚框的Anchor生成模块，用于获取输入图像中语义和位置信息的自特征提取模块、第一分类器、第一边界框回归器以及锚框筛选和非极大值抑制模块；所述区域建议网络分为两个输出分支，一个输出分支为Anchor生成模块，用于生成锚框；另一个输出分支为第一分类器与第一边界框回归器，用于锚框分类和边界框回归。5.根据权利要求3所述的基于Faster R
‑
CNN网络的塔吊安全检测方法，其特征在于：所述目标分类网络包括用于调整塔吊图像大小的RoI池化模块、进行特征信息提取的特征提取模块和用于预测每个锚框中物体类别的第二分类器和用于校正锚框位置的第二边界框回归器；所述目标分类网络包含两个输出层，一个输出层是第二分类器，用于预测每个锚框中物体的类别；另一个输出层是第二边界框回归器，用于校正锚框的精确位置。6.根据权利要求1所述的基于Faster R
‑
CNN...

【专利技术属性】
技术研发人员：张一恒，黄俞豪，孙诗晨，魏小璐，郑凯，许金晶，邹辉，张腾飞，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：