基于计算机视觉的高完整性工人施工姿态检测方法及系统技术方案

本发明专利技术涉及一种基于计算机视觉的高完整性工人施工姿态检测方法及系统，该方法包括以下步骤：

【技术实现步骤摘要】
基于计算机视觉的高完整性工人施工姿态检测方法及系统


[0001]本专利技术涉及人工智能领域，尤其是涉及一种基于计算机视觉的高完整性工人施工姿态检测方法及系统
。

技术介绍

[0002]随着人工智能快速发展，
GPU
等硬件不断迭代，算力逐渐增强，人工智能技术在工程中地各个领域应用都日趋广泛
。
在土木工程施工中也有大量人工智能算法应用，例如卷积神经网络
、
循环神经网络等等
。
[0003]工人的施工动作
、
施工状态对于土木工程施工具有显著意义，通过识别工人施工状态可以判断工人是否具有安全风险
、
操作是否规范，也可以更有效地了解施工进度
。
[0004]现有的施工组织管理技术中，通常由施工现场管理人员进行监控，但由于管理人员数量和精力有限，难免出现纰漏
。
以往的行为检测技术如
Yolo
等，只能识别工人本身，而无法识别其具体动作和施工状态
。
[0005]现有的工人施工姿态，单纯基于
OpenPose
算法会导致姿态识别稳定性差，骨架节点完整性差等问题
。

技术实现思路

[0006]本专利技术的目的就是为了提供一种提高姿态识别准确率的基于计算机视觉的高完整性工人施工姿态检测方法及系统
。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]一种基于计算机视觉的高完整性工人施工姿态检测方法，包括以下步骤：
[0009]S1、
实时获取待测施工人员图像数据；
[0010]S2、
将所述待测施工人员图像数据输入至预先构建好的骨架分类网络模型中，提取工人骨架信息；
[0011]S3、
判断所述工人骨架信息是否完整，若是，则执行步骤
S5
，进行姿态分类，若否，则执行步骤
S4
，进行工人骨架信息补全操作；
[0012]S4、
将不完整的工人骨架信息输入至预先训练好的骨架补全网络模型中，输出完整的工人骨架信息；
[0013]S5、
将完整的工人骨架信息输入至预先构建好的姿态识别网络模型中，输出工人施工姿态
。
[0014]进一步地，所述骨架分类网络模型的构建过程具体包括：
[0015]获取工人不同施工姿态图像数据集；
[0016]对所述图像数据集中的工人的各个关节点进行标注；
[0017]将标注好的图像数据集输入至
CNN
网络模型中进行训练，以构建骨架分类网络模型
。
[0018]进一步地，所述标注好的图像数据集在输入至
CNN
网络模型前，进行标准化和增强
处理
。
[0019]进一步地，采用
OpenPose
标注各个关节点
。
[0020]进一步地，所述关节点包括头
、
颈
、
右肩
、
右肘
、
右手
、
左肩
、
左肘
、
左手
、
右腿
、
右膝
、
右脚
、
左腿
、
左膝
、
左脚
、
右眼
、
左眼
、
右耳和左耳
。
[0021]进一步地，采用
CGAN
网络模型构建所述骨架补全网络模型
。
[0022]进一步地，所述姿态识别网络模型采用
CNN
网络模型进行构建
。
[0023]进一步地，所述工人施工姿态包括站
、
坐
、
跑
、
弯腰
、
下蹲和抬手动作
。
[0024]进一步地，还包括将所述工人施工姿态进行可视化展示
。
[0025]本专利技术还提供一种基于计算机视觉的高完整性工人施工姿态检测系统，包括：
[0026]图像获取模块：用于实时获取待测施工人员图像数据；
[0027]骨架信息提取模块：用于将所述施工人员图像数据输入至预先构建好的骨架分类网络模型中，提取工人骨架信息；
[0028]判断模块：用于判断所述工人骨架信息是否完整；
[0029]补全模块：用于将不完整的工人骨架信息输入至预先训练好的骨架补全网络模型中，输出完整的工人骨架信息；
[0030]输出模块：用于将完整的工人骨架信息输入至预先构建好的姿态识别网络模型中，输出工人施工姿态
。
[0031]与现有技术相比，本专利技术具有以下有益效果：
[0032](1)
相比于传统的单纯采用
OpenPose
框架识别骨架节点，本专利技术引入了骨架补全网络模型对不完整的骨架信息进行补全，生成与原骨架类似的完整骨架，从而可以输出更完整的骨架识别结果，提高施工姿态识别的准确率
。
[0033](2)
本专利技术能够获得施工现场完整的工人骨架信息，为后续的姿态识别过程提供了更高的稳定性
。
[0034](3)
本专利技术基于人工智能理论准确地
、
高完整性地监测施工现场工人的施工状态，减少了施工时对于监管人员如安全员等的人力需求
。
附图说明
[0035]图1为本专利技术方法流程示意图；
[0036]图2为本专利技术人体关节点对应图；
[0037]图3为本专利技术工人施工姿态识别结果图
。
具体实施方式
[0038]下面结合附图和具体实施例对本专利技术进行详细说明
。
本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例
。
[0039]实施例1[0040]本实施例提供一种基于计算机视觉的高完整性工人施工姿态检测方法，如图1所示，该方法包括以下步骤：
[0041]S1、
实时获取待测施工人员图像数据
。
[0042]施工现场的监控摄像头，或施工现场车载
、
无人机载摄像头所拍摄的现场数据
。
视频拍摄俯仰角应在
±
45
°
以内，视频中人物大小宜大于
100
个像素
。
[0043]S2、
将所述待测施工人员图像数据输入至预先构建好的骨架分类网络模型中，提取工人骨架信息
。
[0044]本步骤需要先构建骨架分类网络模型
。
首先，输入视频数据，而后对视频数据按帧进行切分，切分为图像数据
。
视频数据来源于施工现场的监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于计算机视觉的高完整性工人施工姿态检测方法，其特征在于，包括以下步骤：
S1、
实时获取待测施工人员图像数据；
S2、
将所述待测施工人员图像数据输入至预先构建好的骨架分类网络模型中，提取工人骨架信息；
S3、
判断所述工人骨架信息是否完整，若是，则执行步骤
S5
，进行姿态分类，若否，则执行步骤
S4
，进行工人骨架信息补全操作；
S4、
将不完整的工人骨架信息输入至预先训练好的骨架补全网络模型中，输出完整的工人骨架信息；
S5、
将完整的工人骨架信息输入至预先构建好的姿态识别网络模型中，输出工人施工姿态
。2.
根据权利要求1所述的一种基于计算机视觉的高完整性工人施工姿态检测方法，其特征在于，所述骨架分类网络模型的构建过程具体包括：获取工人不同施工姿态图像数据集；对所述图像数据集中的工人的各个关节点进行标注；将标注好的图像数据集输入至
CNN
网络模型中进行训练，以构建骨架分类网络模型
。3.
根据权利要求2所述的一种基于计算机视觉的高完整性工人施工姿态检测方法，其特征在于，所述标注好的图像数据集在输入至
CNN
网络模型前，进行标准化和增强处理
。4.
根据权利要求2所述的一种基于计算机视觉的高完整性工人施工姿态检测方法，其特征在于，采用
OpenPose
标注各个关节点
。5.
根据权利要求2所述的一种基于计算机视觉的高完整性工人施工姿态检测方法，其特征在于，所述关节点包括头
、
颈
、
右肩
、
右肘
、
右手
、
...

【专利技术属性】
技术研发人员：刘正劼，曹益彰，吴浩，
申请(专利权)人：同济大学，
类型：发明
国别省市：