CN112507788A - 神经网络训练行为图片进行工地施工异常行为提取方法 - Google Patents
神经网络训练行为图片进行工地施工异常行为提取方法 Download PDFInfo
- Publication number
- CN112507788A CN112507788A CN202011211067.1A CN202011211067A CN112507788A CN 112507788 A CN112507788 A CN 112507788A CN 202011211067 A CN202011211067 A CN 202011211067A CN 112507788 A CN112507788 A CN 112507788A
- Authority
- CN
- China
- Prior art keywords
- behavior
- safety
- attribute
- dangerous
- site personnel
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种神经网络训练行为图片进行工地施工异常行为提取方法,包括如下步骤:S1,通过数据库获取工地施工人员行为数据,对行为数据进行训练;S2,将行为数据进行训练提取之后,获得最优获取工地人员安全行为图像距离属性;S3,设置安全行为评判方法,从而对工地施工行为进行有效提取。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种神经网络训练行为图片进行工地施工异常行为提取方法。
背景技术
由于建筑工程建设过程中需要对现场安全进行实时监测,但是通过人工进行巡检会造成疏漏,反而更增加了建筑工程中的危险程度,虽然有些建筑工程建设主体设置了监控器或者摄像头,但是只是通过监控室人员进行实时查看,监控器或者摄像头无法自主判断安全行为,而且即使有行为识别的软件方法,提炼的行为数据并不准确也不完整,这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种神经网络训练行为图片进行工地施工异常行为提取方法。
为了实现本发明的上述目的,本发明提供了一种神经网络训练行为图片进行工地施工异常行为提取方法,包括如下步骤:
S1,通过数据库获取工地施工人员行为数据,对行为数据进行训练;
S2,将行为数据进行训练提取之后,获得最优获取工地人员安全行为图像距离属性;
S3,设置安全行为评判方法,从而对工地施工行为进行有效提取。
优选的,所述S1包括:
经过安全行为识别过程中,对于建筑工地安全行为图像的特征集F进行聚类,初步筛选之后,对于不同的工地人员特征集合C的图像数据进行模型判断;提取特定特征图像的属性值,构造纹理信息,
手持物品属性值其中ηi为某一时刻工地人员手持物品行为属性值,为安全行为中手持物品控制因子,为危险行为中未手持物品控制因子,由于工地人员手持物品长度和宽度影响,也要考虑相应的活动半径,如果是手持砖块,则其他工地人员的活动半径相对较大,如果是肩挑钢筋,则其他工地人员的活动半径相对较小,而且通过该属性值判断的行为控制因子收敛快速,防止危险行为发生;
优选的,所述S2包括:
对头盔属性值、行走速度属性值、反光马甲属性值、手持物品属性值和违规逆行属性值进行纹理特征提取后,通过相应的控制因子进行筛选,
在最优获取工地人员安全行为图像距离属性中
通过工地人员安全行为权重向量J和安全行为向量转置JT与安全行为提取样本ui相乘后的卷积计算获得安全行为图像的距离属性,通过工地人员危险行为权重向量K和危险行为向量转置KT与危险行为提取样本ci相乘后的卷积计算获得危险行为图像的距离属性,
由于S3-1中已经对相应行为属性进行了判断,通过S3-2步骤对行为进行属性判断,该距离属性用于判断安全行为图像的临界值,也就是说相应的图片属性能否达到安全行为判定的程度,所以称为距离属性;
优选的,所述S3包括:
通过安全行为估计值进行评判
如果高于安全行为估计值则列为安全行为,如果低于安全行为估计值则列为危险行为。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
通过人工神经网络对建筑工地施工人员的行为进行异常分析,经过特征提取后获取施工行为中非正常状态行为。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明总体示意图;
图2是本发明具体实施例示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1和2所示,本发明提出了一种神经网络训练行为图片进行工地施工异常行为提取方法;包括:
S1-1,通过图像采集模块进行建筑工地图像采集,通过神经网络节点进行图像筛选准备;建筑工地图像采集人体动态行为数据,对存在人体动态行为数据的图像进行抓取;
S1-2,抓取过程中,通过人体特征图像权值向量Ci=M·F(ab·η)×(a+b)对建筑工地图像进行人员提取,通过相似度判别对工地人员数量进行估计,其中,M为工地人员的基础特征a的条件概率,F为工地人员特征集,b为工地人员行为特征,η为行为限定因子,其中F∈{helmet,bodyspeed,vest,article,antidirection},对安全帽佩戴、行走速度、反光马甲、手持物品、违规逆行等行为进行特征收集;
形成预期估计关系式
其中,ui表示工地人员行为结果;i表示发生行为的数量,该行为包括安全行为和危险行为;vi表示工地人员危险行为发生的概率;L(ui)是工地人员数量权重函数,其与危险行为发生的概率相关;Q(vi)是工地人员危险行为增益函数,是对危险行为偏离参照点的总体评价,wi建筑工地图像中初步筛选工地人员区域框架的条件概率值,β为工地人员行为校正参数;
工地人员数量权重函数代表建筑工地图像获取的工地人员数量的概率度量,通过预期估计关系的变化影响设计工地人员安全行为决策,
建筑工地图像安全行为发生概率受到工人对工作环境判断评估以及其他工人安全行为习惯影响,所以通过危险行为偏差校正值进行行为目标实现的校正从而能够拟合更加准确的权重函数。
S1-3,获取的区域框架图像,通过建筑工地图像划分为连续的窗口,每个窗口包含工地人员图像进行放大操作,计算建筑工地图像窗口对(Nk,Nk+1)里的颜色空间各通道的平均值;形成U∈(Nk,Nk+1);
等比例放大权重函数为
其中,label(Nk)为建筑工地图像当前帧获取函数,label(Nk+1)为建筑工地图像下一帧获取函数,m大于1,μ为图像帧约束因子,ω1为建筑工地图像当前帧调节参数,ω2为建筑工地图像下一帧调节参数,
其中,q1为安全行为偏好系数,q2为危险行为偏好系数;
将当前建筑工地图像窗口对里获得工地人员累加数进行比较,当变化大于一个阈值T时,则放大建筑工地图像窗口对,否则,移动到下一个建筑工地图像窗口对,继续搜寻工地人员;
对直方图数组H进行累积求和,形成增强图像;在增强图像的灰度级的直方图基础上提取直方图数组中的纹理特征,
Hfeature=125[f(IX/Xn)-f(IY/Yn)]·116[f(IX/Xn)+f(IY/Yn)],统计增强图像纹理特征的灰度级,设置Xn为35.879,Yn为113.245,通过计算X轴的通道图像函数f(IX/Xn)从而对X轴纹理进行刻画,以及计算Y轴的通道图像函数f(IY/Yn)从而对Y轴纹理进行刻画;
S2-2,对纹理刻画完成的工地人员图像转化成灰度图Grey,公式如下:
对RGB进行行为监测模型定义为:
Ei,j(σ1,θ)表示给定(σ1,θ)对的工地人员安全行为窗口内的行为数量i和灰度级j的获取值,其中;σ1为获取安全行为像素点的调整距离值,Fi,j(σ2,θ)表示给定(σ2,θ)对的工地人员危险行为窗口内的行为数量i和灰度级j的获取值,其中;σ1为获取危险行为像素点的调整距离值,为了提高运算效率,将灰度级进行降级处理;距离调整值根据灰度级清晰度进行等分跳转;θ选取0度、90度、180度、270度;
S2-3,建立行为限制函数Di逐渐提取安全行为和危险行为,
ki为安全行为图像帧特征集合,pi+1为危险行为下一图像帧特征集合,通过工地人员安全行为探测指数Φi分别与X轴灰度特征点Lx和Y轴灰度特征点My相乘之后通过工地人员特征集F进行比较,获取安全行为的时间向量t1与安全行为特征因子u1求得安全行为卷积向量的平方,以及危险行为的时间向量t2与危险行为特征因子u2求得安全行为卷积向量的平方,其中Ot表示工地人员行为的密度均值,
S3-1,经过安全行为识别过程中,对于建筑工地安全行为图像的特征集F进行聚类,初步筛选之后,对于不同的工地人员特征集合C的图像数据进行模型判断;提取特定特征图像的属性值,构造纹理信息,
手持物品属性值其中ηi为某一时刻工地人员手持物品行为属性值,为安全行为中手持物品控制因子,为危险行为中未手持物品控制因子,由于工地人员手持物品长度和宽度影响,也要考虑相应的活动半径,如果是手持砖块,则其他工地人员的活动半径相对较大,如果是肩挑钢筋,则其他工地人员的活动半径相对较小,而且通过该属性值判断的行为控制因子收敛快速,防止危险行为发生;
由于不同的建筑工地现场情况不同,通过调整不同的属性值,适应不同的工地行为识别,例如有些工地不需要穿着发光马甲,有些工地并没有安全行走导引线所以不存在违规逆行;根据实际情况调节实际产生的属性值;
S3-2,对头盔属性值、行走速度属性值、反光马甲属性值、手持物品属性值和违规逆行属性值进行纹理特征提取后,通过相应的控制因子进行筛选,
在最优获取工地人员安全行为图像距离属性中
通过工地人员安全行为权重向量J和安全行为向量转置JT与安全行为提取样本ui相乘后的卷积计算获得安全行为图像的距离属性,通过工地人员危险行为权重向量K和危险行为向量转置KT与危险行为提取样本ci相乘后的卷积计算获得危险行为图像的距离属性,
由于S3-1中已经对相应行为属性进行了判断,通过S3-2步骤对行为进行属性判断,该距离属性用于判断安全行为图像的临界值,也就是说相应的图片属性能否达到安全行为判定的程度,所以称为距离属性;
S3-3,通过安全行为估计值进行评判
如果高于安全行为估计值则列为安全行为,如果低于安全行为估计值则列为危险行为。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种神经网络训练行为图片进行工地施工异常行为提取方法,其特征在于,包括如下步骤:
S1,通过数据库获取工地施工人员行为数据,对行为数据进行训练;
S2,将行为数据进行训练提取之后,获得最优获取工地人员安全行为图像距离属性;
S3,设置安全行为评判方法,从而对工地施工行为进行有效提取。
2.根据权利要求1所述的神经网络训练行为图片进行工地施工异常行为提取方法,其特征在于,所述S1包括:
经过安全行为识别过程中,对于建筑工地安全行为图像的特征集F进行聚类,初步筛选之后,对于不同的工地人员特征集合C的图像数据进行模型判断;提取特定特征图像的属性值,构造纹理信息,
手持物品属性值其中ηi为某一时刻工地人员手持物品行为属性值,为安全行为中手持物品控制因子,为危险行为中未手持物品控制因子,由于工地人员手持物品长度和宽度影响,也要考虑相应的活动半径,如果是手持砖块,则其他工地人员的活动半径相对较大,如果是肩挑钢筋,则其他工地人员的活动半径相对较小,而且通过该属性值判断的行为控制因子收敛快速,防止危险行为发生;
3.根据权利要求1所述的神经网络训练行为图片进行工地施工异常行为提取方法,其特征在于,所述S2包括:
对头盔属性值、行走速度属性值、反光马甲属性值、手持物品属性值和违规逆行属性值进行纹理特征提取后,通过相应的控制因子进行筛选,
在最优获取工地人员安全行为图像距离属性中
通过工地人员安全行为权重向量J和安全行为向量转置JT与安全行为提取样本ui相乘后的卷积计算获得安全行为图像的距离属性,通过工地人员危险行为权重向量K和危险行为向量转置KT与危险行为提取样本ci相乘后的卷积计算获得危险行为图像的距离属性,
由于S3-1中已经对相应行为属性进行了判断,通过S3-2步骤对行为进行属性判断,该距离属性用于判断安全行为图像的临界值,也就是说相应的图片属性能否达到安全行为判定的程度,所以称为距离属性;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211067.1A CN112507788A (zh) | 2020-11-03 | 2020-11-03 | 神经网络训练行为图片进行工地施工异常行为提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211067.1A CN112507788A (zh) | 2020-11-03 | 2020-11-03 | 神经网络训练行为图片进行工地施工异常行为提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507788A true CN112507788A (zh) | 2021-03-16 |
Family
ID=74955225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211067.1A Withdrawn CN112507788A (zh) | 2020-11-03 | 2020-11-03 | 神经网络训练行为图片进行工地施工异常行为提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507788A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762163A (zh) * | 2021-09-09 | 2021-12-07 | 杭州澳亚生物技术股份有限公司 | 一种gmp车间智能化监控管理方法及系统 |
CN116740819A (zh) * | 2023-08-14 | 2023-09-12 | 中通信息服务有限公司 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
-
2020
- 2020-11-03 CN CN202011211067.1A patent/CN112507788A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762163A (zh) * | 2021-09-09 | 2021-12-07 | 杭州澳亚生物技术股份有限公司 | 一种gmp车间智能化监控管理方法及系统 |
CN116740819A (zh) * | 2023-08-14 | 2023-09-12 | 中通信息服务有限公司 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
CN116740819B (zh) * | 2023-08-14 | 2023-12-19 | 中通信息服务有限公司 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488804B (zh) | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 | |
CN111241959B (zh) | 一种通过工地视频流检测未佩戴安全帽人员的方法 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
US20080123975A1 (en) | Abnormal Action Detector and Abnormal Action Detecting Method | |
CN112507788A (zh) | 神经网络训练行为图片进行工地施工异常行为提取方法 | |
CN112507789A (zh) | 区块链网络状态下建筑工地安全行为监测工作方法 | |
CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN111896540A (zh) | 一种基于区块链的水质在线监测系统 | |
CN111476160A (zh) | 损失函数优化方法、模型训练方法、目标检测方法及介质 | |
CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及系统 | |
Hamdi et al. | Fully automated approach for patterned fabric defect detection | |
CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
CN112686270A (zh) | 通过大数据进行智慧工地的安全行为分析方法 | |
CN114758260B (zh) | 工地安全防护网检测方法及系统 | |
CN112507791A (zh) | 远程云平台进行工地安全立体监控工作方法 | |
CN110502992B (zh) | 一种基于关系图谱的固定场景视频的人脸快速识别方法 | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
CN116883661B (zh) | 一种基于目标识别与图像处理的动火作业检测方法 | |
Xu | Real-time helmet wearing status detection method for construction safety | |
CN115082865B (zh) | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 | |
CN116805405B (zh) | 用于铣床设备的智能防护方法及系统 | |
CN117197105A (zh) | 基于机器视觉矿井下安全状态检测系统 | |
CN117765434A (zh) | 用于建筑工程的现场视频图像处理方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210316 |