CN111985416A - 基于图像识别的施工安全隔离设施合规性监测方法 - Google Patents
基于图像识别的施工安全隔离设施合规性监测方法 Download PDFInfo
- Publication number
- CN111985416A CN111985416A CN202010858783.2A CN202010858783A CN111985416A CN 111985416 A CN111985416 A CN 111985416A CN 202010858783 A CN202010858783 A CN 202010858783A CN 111985416 A CN111985416 A CN 111985416A
- Authority
- CN
- China
- Prior art keywords
- isolation facility
- image recognition
- safety
- monitoring method
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000002955 isolation Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 239000000463 material Substances 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000013526 transfer learning Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000005477 standard model Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明涉及输变电施工技术领域，尤其涉及基于图像识别的施工安全隔离设施合规性监测方法，其包括如下流程：确定安全隔离设施种类和标准样式，并提取图像特征；确定每种安全隔离设施的使用场景，并提取场景图像特征；确定隔离设施加应用场景特征及其反向特征；形成cascade‑mask‑rcnn‑dconv网络模型；图像素材的收集；对素材进行人工标注，并生成数据集；进行迁移学习；对模型训练结果进行验证，并获得mAP和召回率等测试指标；形成成熟的图像识别监测方法。本发明提供的方法，能够适用于大部分环境的输变电工程现场安全隔离设施合规性识别及监测，极大地提升了输变电工程施工现场的管理水平。
Description
技术领域
本发明涉及输变电施工技术领域，尤其涉及基于图像识别的施工安全隔离设施合规性监测方法。
背景技术
现有技术中，主流图像识别算法有Faster-rcnn、Mask-rcnn、Cascade-rcnn、DCN-net、Yolo算法等，主要应用领域包括交通、通讯、遥感卫星、生物医学、机器视觉等领域。而随着国家对安全生产重视程度的不断提升，在输变电施工安全监管领域，图像识别技术也已经开始了初步研究，但目前针对输变电施工安全监管领域的图像识别仅限于人脸识别、是否佩戴安全帽、区域入侵等简单的识别场景，究其原因有如下：
1)输变电工程现场环境复杂，从地理特点上来说，有山地和平原；从建筑特点来说，有地上站和地下站，还有隧道工程；从地质环境来说，有红土地、黄土地和黑土地；面向不同的现场环境，很难形成一套统一的图像识别标准算法；
2)从技术角度分析，图像识别需要海量的图片作为深度学习的基础数据，同时传统的互联网架构在内存容量和带宽上很难满足输变电工程全时段、全业务场景的图像识别需求。
因此，从实现难易角度分析，需要首先筛选出适用于大部分环境的图像识别需求，并且逐步完善输变电工程图像识别的其他业务场景；同时需要开发一套基于现场局域网络的图象识别方法。
发明内容
本发明所要解决的技术问题是提供基于图像识别的施工安全隔离设施合规性监测方法，能够适用于大部分环境的输变电工程现场安全隔离设施合规性识别及监测，以提升输变电工程施工现场的管理水平。
本发明是通过以下技术方案予以实现：
基于图像识别的施工安全隔离设施合规性监测方法，其包括如下流程：
——确定安全隔离设施的种类和标准样式，并提取图像特征；
——确定每种安全隔离设施的使用场景，并提取场景图像特征；
——结合安全隔离设施的特征和使用场景特征，确定隔离设施加应用场景特征及其反向特征；
——搭建图像识别模型，采用了级联结构，构成Cascade-Mask-Rcnn网络结构，采用可变形的卷积计算方法，形成cascade-mask-rcnn-dconv网络模型；
——基于输变电工程现场，通过视频监控设备进行合规图像素材的收集和不合规图像素材的收集；
——对合规素材和不合规素材分别进行人工标注，并将标注后的素材生成两套数据集：合规素材数据集和不合规素材数据集；
——使用基于pytorch的统一的训练框架，应用faster-rcnn和mask-rcnn目标检测算法进行训练，并通过使用在ImageNet数据集预训练的模型来进行迁移学习；
——应用测试工具，对模型训练结果进行验证，并获得mAP和召回率等测试指标；
——形成成熟的图像识别监测方法。
进一步，安全隔离设施的种类和样式包含钢管扣件组装式安全围栏、门形组装式安全围栏、安全隔离网、提示遮拦，安全隔离设施的图像特征包括形状、颜色和纹理特征。
进一步，安全隔离设施的使用场景包括高处作业面、滤油作业区、油罐存放区、带电设备区域、设备材料堆放区、电缆沟道。
进一步，反向特征指在高处作业面、滤油作业区、油罐存放区、带电设备区域、设备材料堆放区、电缆沟道这些使用场景中，缺少安全隔离设施/隔离设施不合规的情况。
优化的，cascade-mask-rcnn-dconv网络模型其主干网络采用Resnet101。
发明的有益效果
本发明提供的基于图像识别的施工安全隔离设施合规性监测方法，其利用现代化图像识别技术手段与现场局域网络结合，开发出的一种适用于输变电工程现场安全管理监测方法，能够适用于大部分环境的输变电工程现场安全隔离设施合规性识别及监测，极大地提升了输变电工程施工现场管理水平。
附图说明
图1是本发明流程框图；
具体实施方式
基于图像识别的施工安全隔离设施合规性监测方法，其包括如下流程：
——确定安全隔离设施的种类和标准样式，并提取图像特征；
——确定每种安全隔离设施的使用场景，并提取场景图像特征；
——结合安全隔离设施的特征和使用场景特征，确定隔离设施加应用场景特征及其反向特征；
——搭建图像识别模型，采用了级联结构，构成Cascade-Mask-Rcnn网络结构，采用可变形的卷积计算方法，形成cascade-mask-rcnn-dconv网络模型；
——基于输变电工程现场，通过视频监控设备进行合规图像素材的收集和不合规图像素材的收集；
——对合规素材和不合规素材分别进行人工标注，并将标注后的素材生成两套数据集：合规素材数据集和不合规素材数据集；
——使用基于pytorch的统一的训练框架，应用faster-rcnn和mask-rcnn目标检测算法进行训练，并通过使用在ImageNet数据集预训练的模型来进行迁移学习；
——应用测试工具，对模型训练结果进行验证，并获得mAP和召回率等测试指标；
——形成成熟的图像识别监测方法。
进一步，安全隔离设施的种类和样式包含钢管扣件组装式安全围栏、门形组装式安全围栏、安全隔离网、提示遮拦，安全隔离设施的图像特征包括形状、颜色和纹理特征。
进一步，安全隔离设施的使用场景包括高处作业面(含高差2m及以上的基坑)、滤油作业区、油罐存放区(含油罐)、带电设备区域(含带电标志)、设备材料堆放区(含设备材料堆)、电缆沟道(含沟道)。
进一步，反向特征指在高处作业面、滤油作业区、油罐存放区、带电设备区域、设备材料堆放区、电缆沟道这些使用场景中，缺少安全隔离设施/隔离设施不合规的情况。
优化的，cascade-mask-rcnn-dconv网络模型其主干网络采用Resnet101。
本发明利用现代化图像识别技术手段与现场局域网络相结合的方法，通过对现场数据及图片的采集，以MaskRcnn作为基础网络结构，构成了Cascade-Mask-Rcnn网络结构，并利用采用可变形的卷积计算方法，形成了基于图像识别的施工安全隔离设施合规性监测方法，其能够适用于大部分环境的输变电工程现场安全隔离设施合规性识别及监测，包括包含钢管扣件组装式安全围栏、门形组装式安全围栏、安全隔离网、提示遮拦等多种安全隔离设施，高处作业面、滤油作业区、油罐存放区、带电设备区域、设备材料堆放区、电缆沟道等多种使用场景，极大地提升了输变电工程施工现场管理水平。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.基于图像识别的施工安全隔离设施合规性监测方法，其特征在于，包括如下流程：
——确定安全隔离设施的种类和标准样式，并提取图像特征；
——确定每种安全隔离设施的使用场景，并提取场景图像特征；
——结合安全隔离设施的特征和使用场景特征，确定隔离设施加应用场景特征及其反向特征；
——搭建图像识别模型，采用了级联结构，构成Cascade-Mask-Rcnn网络结构，采用可变形的卷积计算方法，形成cascade-mask-rcnn-dconv网络模型；
——基于输变电工程现场，通过视频监控设备进行合规图像素材的收集和不合规图像素材的收集；
——对合规素材和不合规素材分别进行人工标注，并将标注后的素材生成两套数据集：合规素材数据集和不合规素材数据集；
——使用基于pytorch的统一的训练框架，应用faster-rcnn和mask-rcnn目标检测算法进行训练，并通过使用在ImageNet数据集预训练的模型来进行迁移学习；
——应用测试工具，对模型训练结果进行验证，并获得mAP和召回率等测试指标；
——形成成熟的图像识别监测方法。
2.根据权利要求1所述的基于图像识别的施工安全隔离设施合规性监测方法，其特征在于，安全隔离设施的种类和样式包含钢管扣件组装式安全围栏、门形组装式安全围栏、安全隔离网、提示遮拦，安全隔离设施的图像特征包括形状、颜色和纹理特征。
3.根据权利要求1所述的基于图像识别的施工安全隔离设施合规性监测方法，其特征在于，安全隔离设施的使用场景包括高处作业面、滤油作业区、油罐存放区、带电设备区域、设备材料堆放区、电缆沟道。
4.根据权利要求3所述的基于图像识别的施工安全隔离设施合规性监测方法，其特征在于，反向特征指在高处作业面、滤油作业区、油罐存放区、带电设备区域、设备材料堆放区、电缆沟道这些使用场景中，缺少安全隔离设施/隔离设施不合规的情况。
5.根据权利要求1所述的基于图像识别的施工安全隔离设施合规性监测方法，其特征在于，所述cascade-mask-rcnn-dconv网络模型其主干网络采用Resnet101。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010858783.2A CN111985416A (zh) | 2020-08-24 | 2020-08-24 | 基于图像识别的施工安全隔离设施合规性监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010858783.2A CN111985416A (zh) | 2020-08-24 | 2020-08-24 | 基于图像识别的施工安全隔离设施合规性监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111985416A true CN111985416A (zh) | 2020-11-24 |
Family
ID=73443151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010858783.2A Pending CN111985416A (zh) | 2020-08-24 | 2020-08-24 | 基于图像识别的施工安全隔离设施合规性监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985416A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114180047A (zh) * | 2021-12-11 | 2022-03-15 | 迈动互联(北京)信息科技有限公司 | 一种基于人工智能的智慧城市用识别装置及其识别方法 |
| CN115183694A (zh) * | 2022-09-09 | 2022-10-14 | 北京江河惠远科技有限公司 | 输电线路基础数字化测量系统及其控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348522A (zh) * | 2019-07-12 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统 |
| CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
| CN111337496A (zh) * | 2020-04-13 | 2020-06-26 | 黑龙江北草堂中药材有限责任公司 | 一种中药材挑拣装置及挑拣方法 |
| CN111339926A (zh) * | 2020-02-25 | 2020-06-26 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力营业厅人员行为规范智能识别系统 |
-
2020
- 2020-08-24 CN CN202010858783.2A patent/CN111985416A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348522A (zh) * | 2019-07-12 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统 |
| CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
| CN111339926A (zh) * | 2020-02-25 | 2020-06-26 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力营业厅人员行为规范智能识别系统 |
| CN111337496A (zh) * | 2020-04-13 | 2020-06-26 | 黑龙江北草堂中药材有限责任公司 | 一种中药材挑拣装置及挑拣方法 |
Non-Patent Citations (2)
| Title |
|---|
| 娄甜田 等: "基于深度卷积网络的葡萄簇检测与分割", 山西农业大学学报(自然科学版), 20 August 2020 (2020-08-20), pages 115 - 125 * |
| 王瑞 等: "基于视频深度学习的铁路周界入侵检测算法研究", 交通运输系统工程与信息, 15 April 2020 (2020-04-15), pages 65 - 72 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114180047A (zh) * | 2021-12-11 | 2022-03-15 | 迈动互联(北京)信息科技有限公司 | 一种基于人工智能的智慧城市用识别装置及其识别方法 |
| CN115183694A (zh) * | 2022-09-09 | 2022-10-14 | 北京江河惠远科技有限公司 | 输电线路基础数字化测量系统及其控制方法 |
| CN115183694B (zh) * | 2022-09-09 | 2022-12-09 | 北京江河惠远科技有限公司 | 输电线路基础数字化测量系统及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022126669A1 (zh) | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 | |
| Zhu et al. | Msnet: A multilevel instance segmentation network for natural disaster damage assessment in aerial videos | |
| CN111445011B (zh) | 一种基于气象和遥感数据的山火预警方法 | |
| CN110197128A (zh) | 基于边缘计算与云端统筹的人脸识别架构设计方法 | |
| CN111985416A (zh) | 基于图像识别的施工安全隔离设施合规性监测方法 | |
| CN104700434B (zh) | 一种用于复杂结构化场景的人群运动轨迹异常检测方法 | |
| CN108022235A (zh) | 高压输电铁塔关键部件缺陷识别方法 | |
| CN108447123A (zh) | 一种输电线路走廊地质灾害勘测方法和系统 | |
| TWI450207B (zh) | 物件追蹤的方法、系統、電腦程式產品與記錄媒體 | |
| CN108986413A (zh) | 一种基于多源信息数据的冰湖灾害监测与预警方法 | |
| CN104677456A (zh) | 一种基于计算机图像识别的水位监测方法及其标尺和监测系统 | |
| CN104994347A (zh) | 一种智能安防视频监控系统及其检测处理方法 | |
| CN103888731A (zh) | 枪机-球机混合视频监控的结构化描述装置及系统 | |
| CN116631158A (zh) | 一种基于图像识别和计算机视觉的滑坡预警装置 | |
| CN104318215A (zh) | 一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法 | |
| CN104751615B (zh) | 一种基于泥石流演化进程的层次预警方法 | |
| CN113128579B (zh) | 一种快速视觉测量输电线路塔杆地面埋深的方法 | |
| CN109697410A (zh) | 一种架空输电线路覆盖地区的遥感地物识别方法 | |
| CN103093579B (zh) | 一种基于视频的泥石流或山体滑坡报警系统 | |
| Zhang et al. | A framework of on-site construction safety management using computer vision and real-time location system | |
| CN115936952A (zh) | 一种智慧公园人员拥堵疏通管理系统及方法 | |
| KR102237097B1 (ko) | 인공지능을 이용하는 항공촬영 수치표면모델의 수치표고모델 변환 시스템 | |
| CN113034598B (zh) | 一种基于深度学习的无人机电力巡线方法 | |
| CN115546917A (zh) | 基于视频监控的水利工程智能巡查方法及装置、电子设备 | |
| CN109000718A (zh) | 一种水工建筑物安全监测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |