CN110969244B - 一种基于卷积神经网络的建筑施工安全监测方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的建筑施工安全监测方法，一种基于卷积神经网络的建筑施工安全监测方法。本发明的方法，包括以下步骤：1)获取作业人员、作业环境与建筑施工场所安全管理措施数据，并得到安全评价等级，经预处理构成CNN卷积神经网络模型的训练集和测试集；2)将训练集中作业人员、作业环境与安全管理措施的数据作为输入，安全评价等级作为输出，通过训练确定安全监测指标排列方式及CNN卷积神经网络核函数，保存训练好的CNN卷积神经网络模型；3)对作业人员与作业环境的安全性进行预测。本发明克服现有的监测方法存在问题评价结果不准确、评价方法评价因素单一及计算成本大且不能实时监测的缺点。

Description

一种基于卷积神经网络的建筑施工安全监测方法

技术领域

本发明属于建筑施工安全评价领域，尤其是涉及一种基于卷积神经网络的建筑施工安全监测方法。

背景技术

随着生产技术的进步以及为了满足生活需要，建筑业迅猛发展，近年来建筑业从业人数逐年增加。但与此同时，建筑施工安全事故也是死伤率较高的事故类型。提出一种建筑施工安全监测方法，对预防安全事故发生有重大意义。

现如今建筑施工安全监测与评价方法存在诸多问题：首先，监测与评价指标过于单一，如人盯人式旁站法、安置监控摄像头、布置简单传感器等方法，仅选取少量特征如佩戴安全帽、安全绳等情况进行评价。这些方法过于依赖安全监管人员的主观判断，缺乏普遍性、客观性，不能完整追踪事故发生的原因；其次，对监测数据的处理方法过于简单，当前普遍采用的数据处理方法只能发出单一指标的危险警报，在评价指标超过安全阈值时提醒安全监管人员。2019.09.05发表的论文“基于“互联网+”的建筑安全监测多层次反馈平台的设计与实现”中，通过互联网技术实现实时监测建筑施工安全，虽然考虑了建筑施工过程中人、机、物等多方面影响因素，但没有考虑多因素耦合作用下导致危险的情况；最后，国内外对建筑施工安全评价主要采用层次分析法、事故树法、模糊数学法、BP神经网络等。2019.07.11发表的论文“基于模糊层次分析法的炼化企业施工安全评价”，该论文中使用层次分析法进行分析，但该方法问题在于不能实现监测评价体系实时更新，在评价对象安全状况改变后需要重新进行安全评分并计算安全评价结果。2018.12.25公布的发明专利“一种基于BP神经网络的燃气储配站安全评价方法”，该方法通过BP神经网络进行安全评价，而BP神经网络自身的计算成本限制了安全评价指标的选择与评价时间。总之上述方法存在问题如评价或指标过于简单结果不够准确，或评价方法不能全面考虑所有因素，或因计算成本大且不能实时监测。

发明内容

本发明的目的在于克服现有的建筑施工安全监测方法存在评价因素单一、计算成本大且不能实时监测的缺点，提供一种基于卷积神经网络的建筑施工安全监测方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于卷积神经网络的建筑施工安全监测方法，包括以下步骤：

1)获取作业人员、作业环境与建筑施工场所安全管理措施数据，并对所述获取数据在预设的评价体系内进行评分并划分等级，得到安全评价等级，将上述数据经预处理构成CNN卷积神经网络模型的训练集和测试集；

2)将训练集中作业人员、作业环境与安全管理措施的数据作为输入，安全评价等级作为输出，通过训练确定安全监测指标排列方式及CNN卷积神经网络核函数，保存训练好的CNN卷积神经网络模型；

3)利用训练完成后的CNN卷积神经网络模型对作业人员与作业环境的安全性进行预测。

进一步的，步骤1)中预处理包括以下步骤：

101)对所述获取数据和安全评价等级进行归一化处理后分成训练集和测试集；

102)记录训练集中的作业人员、作业环境与安全管理措施对应的数据，设置获取监测数据频率为每3秒传输100次数据，按照时间顺序排列，将每3秒得到的作业人员、作业环境与安全管理措施对应的数据作为一组训练集和测试集的输入数据，对应的安全评价等级作为训练集和测试集的输出数据。

进一步的，步骤2)中训练过程包括：

201)将训练集中的输入数据构成40×40的三阶张量，将训练集中的输出数据构成一维列向量；

202)将40×40的三阶张量输入至CNN卷积神经网络的输入层，将一维列向量输入至CNN卷积神经网络的输出层；

203)通过梯度下降方法训练CNN卷积神经网络，当损失函数小于设定阈值时，停止训练并保存训练模型；

利用测试集测试所述训练模型的准确度；

204)调整安全监测指标排列方式，重复步骤201)-203)，直至CNN卷积神经网络的准确度达到预设值。

进一步的，步骤201)具体为：

将训练集中的作业人员、作业环境与安全管理措施的数据，按照不同排列方式分为3个通道分别输入张量，构成4×4的三阶张量；

监测传感器每3秒传输100次数据，将每3秒得到的全部数据构成一组训练集，构成40×40的三阶张量。

进一步的，步骤202)具体为：

(1)将得到的40×40的三阶张量分别通过64个2×2、3×3、4×4的卷积核函数做卷积计算，其权重为w₁、b₁，进行步长为4，方向为自左至右、自上至下的三维卷积，每次卷积后得到的结果为a₁，并计算卷积后输出张量的长，公式如下：

卷积后输出张量的宽，公式如下：

其中，stride为移动步长、f为卷积核函数大小，再使用修正线性单元激活层进行修正，修正后输出张量y₁＝f(a₁)，记为结果1，线性激活函数f(·)的表达式为：

(2)将结果1通过128个5×5的卷积核函数，其权重为w₂、b₂，进行步长为1，方向为自左至右、自上至下的多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₂＝f(a₂)，记为结果2；

(3)将得到的结果2通过256个5×5的卷积核函数，其权重为w₃、b₃，进行步长为1，方向为自左至右、自上至下的多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₃＝f(a₃)，记为结果3；

(4)将得到的结果3通过512个2×2的卷积核函数，其权重为w₄、b₄，进行步长为1，方向为自左至右、自上至下的多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₄＝f(a₄)，记为结果4；

(5)将得到的结果4通过512个1×1的卷积核函数，其权重为w₅、b₅，进行步长为1，方向为自左至右、自上至下的多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₅＝f(a₅)，记为结果5；

(6)将得到的结果5通过9个1×1的卷积核函数，其权重为w₂、b₂，进行多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₆＝f(a₆)，将得到的结果与softmax分类器连接输出最终的分类结果y＝softmax(y₆)，第i个的输出公式为：

其中，

为激活层的第i个输出，

为激活层的所有输出作为e的指数的求和。

进一步的，步骤203)具体为：

为了加快训练速度采用mini-batch小批量梯度下降方法，采用交叉熵函数，交叉熵函数的公式如下：

其中，m为样本的数量，y_i为系统输入第i个样本时的实际输出，

为系统输入第i个样本时的期望输出，J(·)为关于y和

的二元函数，而y是关于w和b的二元函数，

为定值，所以J(·)为w和b的二元函数，故记作J(w,b)；

采用Adam方法即带有动量项的RMSprop方法进行权值优化，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，梯度的一阶矩估计公式为：

m_t＝μ×m_t-1+(1-μ)×g_t (6)

其中，m_t为进行矩估计之后的更新值，m_t-1为更新前的一阶矩估计，μ为一阶矩估计系数，g_t为更新的梯度，对交叉熵函数求导而得到的；

二阶矩估计公式为：

n_t＝ν×n_t-1+(1-ν)×g_t ² (7)

其中，n_t为进行矩估计之后更新值，n_t-1为更新前的二阶矩估计，v为二阶矩估计系数，g_t为更新的梯度；

得到矩估计后进行矩校正，公式如下：

其中，

为校正后的一阶矩，

为校正后的而阶矩，其中，t为更新到第t次；

再对学习率η进行动态约束，公式如下：

Δ为参数的改变量，用以改变网络中的超级参数，α为学习率，ε为常数；

在反向传播过程中，对每一个卷积层中的权重进行梯度下降，自学习权重后更新结果，计算公式为：

其中，w_c为卷积核权重，Z_hw为一个标量，是卷积层第h行、第w列的使用点乘计算后的输出Z的梯度；

再更新每一个卷积层中结果，公式如下：

a＝a-da (12)

其中，a为经过卷积计算以及修正线性单元激活后的张量，da为张量经过梯度下降计算的变化大小；

继续反向传播更新卷积核的权重w，其计算公式为：

其中，dw为卷积核权重经过梯度下降计算的变化大小；

继续反向传播更新更新卷积核的偏移量b，其计算公式为：

其中，db为偏移量经过梯度下降计算的变化大小；

不断迭代，直至损失函数即交叉熵函数小于设定的误差阈值时，终止迭代，实现CNN卷积网络自学习卷积核参数。

与现有技术相比，本发明具有以下有益效果：

本发明的基于卷积神经网络的建筑施工安全监测方法，通过传感器监测以及现场监测等方式，收集建筑施工作业人员、建筑施工作业环境与建筑施工场所安全管理措施的数据，经过预处理构成CNN卷积神经网络模型所需的训练数据；搭建卷积神经网络模型，在CNN卷积神经网络中载入训练集，经过训练确定CNN卷积神经网络模型参数并存储模型；部署训练完成后的CNN卷积神经网络模型并对作业人员与作业环境的安全性进行预测实现实时安全监测；本发明的方法摒弃了传统安全监测准确性完全依赖简单监控设备与监管人员经验的问题，实现准确、客观、实时的定量安全监测，并将监测重点由事后的原因分析，转移到事前的事故预防；同时能够考虑大量评价指标并分析多因素耦合作用，有针对性地监测影响建筑施工安全的主要因素。

进一步的，通过动态学习率梯度下降方法，使卷积神经网络实现自学习，更加快速、准确地学习评价指标的权重值。

附图说明

图1为基于卷积神经网络的建筑施工安全监测方法的流程图；

图2为作业人员数据X、作业环境数据Y以及安全管理措施数据Z随机排列在4×4以及40×40的张量中的方法；

图3为CNN卷积神经网络的流程图；

图4为实施例1中训练的CNN神经网络的损失函数曲线。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

现需提出一种能够考虑多因素耦合的定量化安全监测方法，且要求计算速度能达到实时监测标准。

下面结合附图对本发明做进一步详细描述：

实施例1

以某建筑工程项目为例，利用本发明所述的基于CNN卷积神经网络的建筑施工安全监测方法实施流程如下，如图1所示，具体包括：

S1、建立评价指标体系

在该工程中对30名不同的作业人员进行问卷调查并布置传感器测得作业人员数据；同时布置传感器测得作业环境数据；以及通过安全检查表、现场调查得到安全管理措施数据。

对于作业人员数据，一部分通过安全调查问卷形式收集，包括作业人员的年龄、体重、视力、听力、工作经验、受教育经历、经济状况、心脏病史；另一部分通过传感器实时收集，包括作业人员的体温、心率、血压、累计工作时间、酒精量、吸烟程度、感受噪声、距离地面高度，共16项。

对于作业环境数据，一部分根据测试地点情况收集，包括环境的气候、降雨量、作业高程、阳光剧烈程度、照明程度；另一部分通过传感器实时收集，包括地表温度、环境温度、环境湿度、烟感、作业噪声、风速、作业振动、粉尘废气、作业平台承重、作业用电、易燃易爆品，共16项。

对于安全管理措施数据，通过安全检查表、现场调查收集，包括安全帽佩戴情况、安全绳佩戴情况、安全网架设情况、楼梯口防护情况、电梯口防护情况、通道口防护情况、预留洞口防护情况、沟坑槽和深基础周边防护情况、楼层周边防护情况、楼梯侧边防护情况、平台阳台边防护情况、屋面周边防护情况、脚手架搭建情况、物料提升机安全措施、塔吊安全措施、施工机具安全措施，共16项。其中对建筑施工安全调查表任选3项为例，见表1：

表1建筑施工安全检查表

监测30名不同作业人员共1周时间，每3秒采集1组安全监测数据，每1组包括100个数据，共302400个样本，记录安全状态下与危险状态下相应数据及对应的安全等级，并通过随机排列输入三阶张量。将上述得到的所有作业人员、作业环境以及工地安全管理、安全措施的安全评价数据进行汇总并输入到程序中。

S2、样本处理

将得到的部分不满足分布在(1～5)内的数据进行归一化，比如某作业人员某时的收缩压为141mmHg，可以根据运动状态下的血压参照表判断当前该作业人员处于较高血压状态，打分可以在1.1分左右。其中，运动状态下血压参数表见表2：

表2运动状态下血压参照表

S3样本扩充、

将得到的每名作业人员相对应的作业人员数据X共16项，作业环境数据Y共16项，安全管理措施数据Z共16项进行扩充，将其随机输入4×4三阶张量的不同通道。每3秒监测100次数据，组成100×100的三阶张量如图2所示。

S4、构建CNN卷积神经网络

将得到的40×40张量作为CNN卷积神经网络的输入端，将其对应的建筑施工作业安全等级作为输出端，搭建CNN卷积神经网络模型，将得到的40×40三阶张量通过64个4×4的卷积核函数，进行步长为4，方向为自左至右、自上至下的三维卷积。每次卷积后使用修正线性单元激活层，输出得到尺寸10×10，通道数为64的三阶张量；

将得到的结果通过128个5×5的卷积核函数，进行步长为1，方向为自左至右、自上至下的多维卷积。每次卷积后使用修正线性单元激活层，输出尺寸6×6，通道数为128的张量；

将得到的结果通过256个5×5的卷积核函数，进行步长为1，方向为自左至右、自上至下的多维卷积。每次卷积后使用修正线性单元激活层，输出尺寸2×2，通道数为256的张量；

将得到的结果通过512个2×2的卷积核函数，进行步长为1，方向为自左至右、自上至下的多维卷积。每次卷积后使用修正线性单元激活层，输出尺寸为1×1，通道数为256的张量；

将得到的结果通过9个1×1的卷积核函数，进行步长为1，方向为自左至右、自上至下的多维卷积。每次卷积后使用修正线性单元激活层，输出尺寸1×1，通道数为256的张量；

将得到的结果与softmax分类器连接9种输出，包括A安全、B较安全、C一般安全、D1作业人员因素导致较危险、D2作业环境因素导致较危险、D3安全管理措施因素导致较危险；E1作业人员因素导致危险、E2作业环境因素导致危险、E3安全管理措施因素导致危险。自学习全过程如图3所示。

S5、部署训练好的CNN卷积神经网络模型

对建筑施工中作业人员、安全管理、安全措施的安全等级实现实时评价。

为了验证通过CNN卷积神经网络评价施工安全的可靠性，利用Keras深度学习框架搭建上述CNN卷积神经网络，选取按照随机方式不同排列的40×40三阶张量作为输入进行训练，按照上述搭建规则构造卷积神经网络，epoch迭代次数设置为100次，为了加快训练速度采用mini-batch小批量梯度下降方法。可以看到损失函数值逐渐下降，说明CNN卷积神经网络实现自学习并能成功学习到预测建筑施工作业安全所需要的卷积核函数。其损失值如图4所示。

由图4可知，损失函数最后收敛在0.24左右，最后得到训练集准确度为85.82％，测试集准确度为79.12％，具有泛化能力，且准确度在75％以上认为模型可行，能够应用于建筑施工作业安全评价中。

使用CNN卷积神经网络监测建筑施工安全，经过多次卷积与池化可以提取较多因素中最重要的因素，通过自学习得到最适合的核函数并进行特征提取，在学习过程中完成正向传播，与真实值比对后进入反向传播，按照梯度下降方式自学习修改卷积核函数的权值。学习过程中不断调整各层的权值直到输出与真实值误差在可接受范围内，实现自学习过程。尤其适用于多因素之间相互关联、人难以发现其中规律、评价指标与评价结果之间的关系有多种耦合作用时，通过计算机自学习发现事故规律，准确预测建筑施工作业中的不安全事故。

实施例2

作为另一个实施例，本次将实施例1中所述步骤S3中随机排列作业人员、作业环境以及工地安全管理、安全措施的安全评价数据进行重新排列，不再采取随机排列评价指标而是将重要度大的评价指标向中间移动，而将重要度小的评价指标向矩阵四周移动，因为在卷积核函数移动过程中，四周边框的数据提取次数较少，而除四周边框之外的数据提取次数多。

根据实施例1中训练好的模型，输出几个其中训练好的卷积核函数，观察卷积核函数的大小并选取卷积核函数中较大的值，提取其相对应的评价指标。对于实施例1，得到卷积核函数中权重较大的值对应的是工作经验、安全帽佩戴情况等。于是对于40×40矩阵不再采用随机分布，集中将实施例1得到的较为重要的评价指标向矩阵中心移动，将影响较小的评价指标向四周移动，再将其构成新的40×40矩阵输入CNN卷积神经网络进行训练，最后得到训练集准确度为88.16％，测试集准确度为80.98％，可见在一定程度上进一步提高了模型的评价准确程度以及泛化能力，能够更准确的监测并预测建筑施工作业中的不安全事故。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (3)

1.一种基于卷积神经网络的建筑施工安全监测方法，其特征在于，包括以下步骤：

1)获取作业人员、作业环境与建筑施工场所安全管理措施数据，并对所述获取数据在预设的评价体系内进行评分并划分等级，得到安全评价等级，将上述数据经预处理构成CNN卷积神经网络模型的训练集和测试集；

2)将训练集中作业人员、作业环境与安全管理措施的数据作为输入，安全评价等级作为输出，通过训练确定安全监测指标排列方式及CNN卷积神经网络核函数，保存训练好的CNN卷积神经网络模型；

步骤2)中训练过程包括：

201)将训练集中的输入数据构成40×40的三阶张量，将训练集中的输出数据构成一维列向量；

202)将40×40的三阶张量输入至CNN卷积神经网络的输入层，将一维列向量输入至CNN卷积神经网络的输出层；

步骤202)具体为：

(1)将得到的40×40的三阶张量分别通过64个2×2、3×3、4×4的卷积核函数做卷积计算，其权重为w₁、b₁，进行步长为4，方向为自左至右、自上至下的三维卷积，每次卷积后得到的结果为a₁，并计算卷积后输出张量的长，公式如下：

卷积后输出张量的宽，公式如下：

其中，stride为移动步长、f为卷积核函数大小，再使用修正线性单元激活层进行修正，修正后输出张量y₁＝f(a₁)，记为结果1，线性激活函数f(·)的表达式为：

(2)将结果1通过128个5×5的卷积核函数，其权重为w₂、b₂，进行步长为1，方向为自左至右、自上至下的多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₂＝f(a₂)，记为结果2；

(3)将得到的结果2通过256个5×5的卷积核函数，其权重为w₃、b₃，进行步长为1，方向为自左至右、自上至下的多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₃＝f(a₃)，记为结果3；

(4)将得到的结果3通过512个2×2的卷积核函数，其权重为w₄、b₄，进行步长为1，方向为自左至右、自上至下的多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₄＝f(a₄)，记为结果4；

(5)将得到的结果4通过512个1×1的卷积核函数，其权重为w₅、b₅，进行步长为1，方向为自左至右、自上至下的多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₅＝f(a₅)，记为结果5；

(6)将得到的结果5通过9个1×1的卷积核函数，其权重为w₂、b₂，进行多维卷积，再使用修正线性单元激活层进行修正，修正后输出张量y₆＝f(a₆)，将得到的结果与softmax分类器连接输出最终的分类结果y＝softmax(y₆)，第i个的输出公式为：

其中，

为激活层的第i个输出，

为激活层的所有输出作为e的指数的求和；

203)通过梯度下降方法训练CNN卷积神经网络，当损失函数小于设定阈值时，停止训练并保存训练模型；

利用测试集测试所述训练模型的准确度；

步骤203)具体为：

为了加快训练速度采用mini-batch小批量梯度下降方法，采用交叉熵函数，交叉熵函数的公式如下：

其中，m为样本的数量，y_i为系统输入第i个样本时的实际输出，

为系统输入第i个样本时的期望输出，J(·)为关于y和

的二元函数，而y是关于w和b的二元函数，

为定值，所以J(·)为w和b的二元函数，故记作J(w,b)；

采用Adam方法即带有动量项的RMSprop方法进行权值优化，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，梯度的一阶矩估计公式为：

m_t＝μ×m_t-1+(1-μ)×g_t (6)

其中，m_t为进行矩估计之后的更新值，m_t-1为更新前的一阶矩估计，μ为一阶矩估计系数，g_t为更新的梯度，对交叉熵函数求导而得到的；

二阶矩估计公式为：

n_t＝ν×n_t-1+(1-ν)×g_t ² (7)

其中，n_t为进行矩估计之后更新值，n_t-1为更新前的二阶矩估计，v为二阶矩估计系数，g_t为更新的梯度；

得到矩估计后进行矩校正，公式如下：

其中，

为校正后的一阶矩，

为校正后的而阶矩，其中，t为更新到第t次；

再对学习率η进行动态约束，公式如下：

Δ为参数的改变量，用以改变网络中的超级参数，α为学习率，ε为常数；

在反向传播过程中，对每一个卷积层中的权重进行梯度下降，自学习权重后更新结果，计算公式为：

其中，w_c为卷积核权重，Z_hw为一个标量，是卷积层第h行、第w列的使用点乘计算后的输出Z的梯度；

再更新每一个卷积层中结果，公式如下：

a＝a-da(12)

其中，a为经过卷积计算以及修正线性单元激活后的张量，da为张量经过梯度下降计算的变化大小；

继续反向传播更新卷积核的权重w，其计算公式为：

其中，dw为卷积核权重经过梯度下降计算的变化大小；

继续反向传播更新更新卷积核的偏移量b，其计算公式为：

其中，db为偏移量经过梯度下降计算的变化大小；

不断迭代，直至损失函数即交叉熵函数小于设定的误差阈值时，终止迭代，实现CNN卷积网络自学习卷积核参数；

204)调整安全监测指标排列方式，重复步骤201)-203)，直至CNN卷积神经网络的准确度达到预设值；

3)利用训练完成后的CNN卷积神经网络模型对作业人员与作业环境的安全性进行预测。

2.根据权利要求1所述的基于卷积神经网络的建筑施工安全监测方法，其特征在于，步骤1)中预处理包括以下步骤：

101)对所述获取数据和安全评价等级进行归一化处理后分成训练集和测试集；

102)记录训练集中的作业人员、作业环境与安全管理措施对应的数据，设置获取监测数据频率为每3秒传输100次数据，按照时间顺序排列，将每3秒得到的作业人员、作业环境与安全管理措施对应的数据作为一组训练集和测试集的输入数据，对应的安全评价等级作为训练集和测试集的输出数据。

3.根据权利要求1所述的基于卷积神经网络的建筑施工安全监测方法，其特征在于，步骤201)具体为：

将训练集中的作业人员、作业环境与安全管理措施的数据，按照不同排列方式分为3个通道分别输入张量，构成4×4的三阶张量；

监测传感器每3秒传输100次数据，将每3秒得到的全部数据构成一组训练集，构成40×40的三阶张量。

Images