System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于市政管网工程安全生产领域,具体为一种基于目标检测的钢板桩u型槽土体坠落风险预警方法。
技术介绍
1、市政管道是城市基础设施的重要组成部分,能够及时排除城市地面雨水、提供生活及工业用水,在城市防洪排涝、保障居民用水等方面发挥重要作用。早期修建的管网数量不足,为推进城镇污水管网全覆盖,政府部门着力开展市政管网修复、新建及改扩建工作。此外,长期服役的已建管道普遍存在破裂、渗漏等问题,对于出现功能性缺陷及轻微受损管道,可以采用非开挖修复方式处理,但对于出现较严重的结构性缺陷管道,大多需要采用开挖修复方式。
2、城市地下空间是管网施工的主要作业区域,进行管道工程作业时,顶管等非开挖修复方式所需的工作井、接收井及开挖修复方式所需的明挖沟槽,均涉及基坑支护问题。当开挖基坑较浅时主要采用横列板支护,但当基坑与沟槽深度较大时,为保障工程施工安全,则普遍采用钢板桩支护方式。
3、市政污水管网施工具有复杂程度高、施工难度大的特点,为保证施工安全,需做好相关安全管控工作。基坑支护是管道工程施工的重要环节,拉森钢板桩具有施工便捷、可重复利用等优点,是钢板桩支护作业的主要选材。施打钢板桩过程中,钢板桩桩身不断进入土层,由于土体自身存在粘聚力,桩间凹槽处易积聚大量土块,开挖完成后,需要人工进入基坑底部施工作业,随着时间推移,桩间土含水率降低,受到施工机械扰动时,桩间土体极易发生坠落,对作业人员人身安全造成巨大威胁。
4、为避免上述情况发生,目前主要通过现场安全员、网格员、监理巡查方式识别此类安全风险,当发现桩
技术实现思路
1、本专利技术的目的在于,针对上述问题提供了一种基于目标检测的钢板桩u型槽土体坠落风险预警方法,以解决采用传统人工识别方法存在的风险识别效率低及反馈时效慢的问题。
2、为了实现上述的技术特征,本专利技术的目的是这样实现的:一种基于目标检测的钢板桩u型槽土体坠落风险预警方法,包括以下实施步骤:
3、步骤s1、采用固定型号摄影设备拍摄u型钢板桩支护的基坑图像,人工筛选出拍摄角度合适、影像清晰的图片并进行标注,重复拍摄、筛选及标注过程,得到用于训练网络的数据集;
4、步骤s2、以目标检测网络为基础,构建钢板桩土体坠落风险预警模型,利用步骤s1所得数据集训练此模型,优化模型训练参数,提升模型精度直至满足识别要求;
5、步骤s3、使用步骤s2训练得到的目标检测模型识别工程现场基坑支护图像,识别出钢板桩u型槽内是否存在土块;
6、步骤s4、进一步判断土体在基坑中所处位置,以钢板桩尺寸为参考对象,建立图像中物体像素尺寸与实际尺寸之间的映射关系,进一步明确实际土块位置并给出风险预警信息。
7、步骤s1中所述基坑为新建或改扩建的市政管道工程基坑,具体包括采用拉森钢板桩进行支护的沟槽、泵站、顶管工作井和接收井基坑。
8、步骤s1拍摄基坑图像为基坑支护俯视图,通过无人机或人工手持摄影设备进行拍摄,步骤s3中图像由无人机拍摄得到。
9、所述步骤s2中目标检测网络基于yolov6深度学习算法,包括用于特征提取的backbone、用于特征融合的neck、用于预测的yolo head。
10、所述步骤s3中判断钢板桩u型槽内是否存在土体的方法为:使用目标检测算法对预处理后的图像进行识别,识别出钢板桩及土块,通过预测框标记出监测区域内的钢板桩u型槽和土体。
11、步骤s4中判断钢板桩u型槽内土体位置的方法为:利用钢板桩像素信息和实际尺寸信息,计算出物体像素信息与实际尺寸的比例,根据该比例及土体预测框的像素信息,进一步明确土块实际位置。
12、所述步骤s2中土体坠落风险预警模型通过网络与工程安全管理前端相连,当出现风险预警时,模型自动将土块位置信息发送至安全管理系统前端,便于安全管理人员对风险源采取相应处理措施。
13、本专利技术有如下有益效果:
14、1、本专利技术识别所用影像利用无人机进行拍摄,图像采集自动化程度高、速度快,无须手持设备拍摄,能有效降低人工成本,同时可实现施工全过程、全天候风险识别。
15、2、本专利技术采用深度学习算法实现土体坠落风险预警,能有效缓解人工识别的主观与不确定因素,图像质量较好情况下,算法识别准确率可达92%以上。
16、3、本专利技术模型优化更新方式便捷快速,将采集到的数据输入模型后,模型在识别风险的同时能够有效扩充训练算法所用数据集,进一步实现模型优化,提升模型识别准确率。
17、4、本专利技术可以利用所构建的模型进一步开发风险预警系统,将采集到的图像输入系统,即可实时进行风险识别并将识别结果自动发送至终端,实现全过程自动化监测。
本文档来自技高网...【技术保护点】
1.一种基于目标检测的钢板桩U型槽土体坠落风险预警方法,其特征在于,包括以下实施步骤:
2.根据权利要求1所述一种基于目标检测的钢板桩U型槽土体坠落风险预警方法,其特征在于:步骤S1中所述基坑为新建或改扩建的市政管道工程基坑,具体包括采用拉森钢板桩进行支护的沟槽、泵站、顶管工作井和接收井基坑。
3.根据权利要求1所述一种基于目标检测的钢板桩U型槽土体坠落风险预警方法,其特征在于:步骤S1拍摄基坑图像为基坑支护俯视图,通过无人机或人工手持摄影设备进行拍摄,步骤S3中图像由无人机拍摄得到。
4.根据权利要求1所述一种基于目标检测的钢板桩U型槽土体坠落风险预警方法,其特征在于:所述步骤S2中目标检测网络基于YOLOv6深度学习算法,包括用于特征提取的backbone、用于特征融合的neck、用于预测的YOLO Head。
5.根据权利要求1所述一种基于目标检测的钢板桩U型槽土体坠落风险预警方法,其特征在于:所述步骤S3中判断钢板桩U型槽内是否存在土体的方法为:使用目标检测算法对预处理后的图像进行识别,识别出钢板桩及土块,通过预测框标记出监
6.根据权利要求1所述一种基于目标检测的钢板桩U型槽土体坠落风险预警方法,其特征在于:步骤S4中判断钢板桩U型槽内土体位置的方法为:利用钢板桩像素信息和实际尺寸信息,计算出物体像素信息与实际尺寸的比例,根据该比例及土体预测框的像素信息,进一步明确土块实际位置。
7.根据权利要求1所述一种基于目标检测的钢板桩U型槽土体坠落风险预警方法,其特征在于:所述步骤S2中土体坠落风险预警模型通过网络与工程安全管理前端相连,当出现风险预警时,模型自动将土块位置信息发送至安全管理系统前端,便于安全管理人员对风险源采取相应处理措施。
...【技术特征摘要】
1.一种基于目标检测的钢板桩u型槽土体坠落风险预警方法,其特征在于,包括以下实施步骤:
2.根据权利要求1所述一种基于目标检测的钢板桩u型槽土体坠落风险预警方法,其特征在于:步骤s1中所述基坑为新建或改扩建的市政管道工程基坑,具体包括采用拉森钢板桩进行支护的沟槽、泵站、顶管工作井和接收井基坑。
3.根据权利要求1所述一种基于目标检测的钢板桩u型槽土体坠落风险预警方法,其特征在于:步骤s1拍摄基坑图像为基坑支护俯视图,通过无人机或人工手持摄影设备进行拍摄,步骤s3中图像由无人机拍摄得到。
4.根据权利要求1所述一种基于目标检测的钢板桩u型槽土体坠落风险预警方法,其特征在于:所述步骤s2中目标检测网络基于yolov6深度学习算法,包括用于特征提取的backbone、用于特征融合的neck、用于预测的yolo head。
5.根据权利...
【专利技术属性】
技术研发人员:张毅伟,严林,晏攀,贾发明,夏泽邦,谢皓丞,陈坤洋,赵少鹏,张强,韩子默,汤后龙,
申请(专利权)人:长江三峡技术经济发展有限公司,
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。