CN113516161B - 一种隧道施工人员风险预警方法 - Google Patents
一种隧道施工人员风险预警方法 Download PDFInfo
- Publication number
- CN113516161B CN113516161B CN202110442745.3A CN202110442745A CN113516161B CN 113516161 B CN113516161 B CN 113516161B CN 202110442745 A CN202110442745 A CN 202110442745A CN 113516161 B CN113516161 B CN 113516161B
- Authority
- CN
- China
- Prior art keywords
- early warning
- image data
- target
- feature
- type
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011435 rock Substances 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种隧道施工人员风险预警方法,根据标注有特征数据和对应类型的参考图像数据构建预警模型,获取目标图像数据,根据预警模型确定目标图像数据中各特征数据对应的类型后,判断类型的个数是否为两个,如果是,则发送预警信号。其中,类型包括表征围岩裂痕的第一类型和表征施工人员的第二类型。应用本申请,预警模型能够在目标图像数据中同时确定围岩裂痕和施工人员是否存在,因此避免了通过人工识别导致目标图像数据中围岩裂痕识别准确率低的问题,实现了围岩裂痕的自动识别,提高了施工人员预警的准确性和效率。
Description
技术领域
本申请涉及隧道检测技术领域,特别是涉及一种隧道施工人员风险预警方法。
背景技术
塌方是导致隧道掘进机(Tunnel Boring Machine,TBM)施工停机的主要因素,往往会带来严重的人身财产损失,大幅增加施工成本并延误工期。隧道塌方的根本原因在于围岩完整性不足,在掘进过程中,围岩裂痕使其失去稳定性,从而造成塌方灾害。
目前,隧道施工人员风险预警方法为:建立初始背景模型和实时动态更新背景模型,通过建立模型初步确定施工人员(例如施工人员)大概所处位置,构造局部结构相似性测度函数和局部灰度统计测度函数,获取目标图片,利用局部结构相似性测度函数和局部灰度统计测度函数确定目标图片中前景目标和背景信息的区分度,分割出施工人员区域,在目标图片中确定施工人员后,人工进行识别判断该施工人员附近的隧道是否出现围岩裂痕,由于隧道阴暗且围岩裂痕的大小存在差异,因此通过人工预警的方法降低了预警的准确性和效率。
因此,如何提高隧道施工人员风险预警的准确性和效率是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种隧道施工人员风险预警方法,用以提高隧道施工人员风险预警的准确性和效率。
为解决上述技术问题,本申请提供一种隧道施工人员风险预警方法,包括:
根据标注有特征数据和对应类型的参考图像数据构建预警模型;
获取目标图像数据;
根据所述预警模型确定所述目标图像数据中各特征数据对应的类型;
在所述类型存在两个的情况下,发送预警信号;
其中,所述类型包括表征围岩裂痕的第一类型和表征施工人员的第二类型。
优选的,所述根据所述预警模型确定所述目标图像数据中各特征数据对应的类型,具体为:
根据所述预警模型确定所述目标图像数据中各所述特征数据对应的类型和置信度;
则,所述在所述类型存在两个的情况下,发送预警信号,具体为:
在所述类型存在两个且各所述类型均存在所述置信度大于第一预设阈值的情况下,发送所述预警信号。
优选的,所述发送预警信号前,还包括:
在所述类型存在两个的情况下,根据所述预警模型计算所述目标图像数据中各所述特征数据对应的置信度;
选择各所述类型中置信度最大值对应的特征数据作为目标特征;
根据所述预警模型确定各所述目标特征对应的位置和范围;
根据各所述位置和各所述范围计算各所述目标特征间的最短距离;
判断所述最短距离是否小于第二预设阈值;
如果是,则进入所述发送所述预警信号的步骤。
优选的,所述根据所述预警模型确定所述目标图像数据中各特征数据对应的类型,具体包括:
根据所述预警模型中的主干特征网络提取所述目标图像数据的各所述特征数据得到目标特征图;
对所述目标特征图进行多次上采样操作得到目标高分辨率特征图;
根据所述预警模型确定所述目标高分辨率特征图中各所述特征数据对应的类型。
优选的,所述获取目标图像数据前,还包括:
获取目标测试图像数据、对应的参考特征数据以及对应的参考类型;
根据所述预警模型确定所述目标测试图像数据中各预测特征数据以及对应的预测类型;
在各所述预测特征数据和对应的所述预测类型与所述参考特征数据和所述参考类型不匹配的情况下,更新所述预警模型。
优选的,所述更新所述预警模型后,还包括:
获取损失函数曲线和准确率曲线;
在所述损失函数曲线和所述准确率曲线未达到稳定且所述准确率曲线中的稳定准确率未达到第三预设阈值的情况下,调整所述预警模型。
优选的,构建所述预警模型具体为:基于CenterNet网络构建所述预警模型。
优选的,所述主干特征网络具体为ResNet。
本申请所提供的隧道施工人员风险预警方法,根据标注有特征数据和对应类型的参考图像数据构建预警模型,获取目标图像数据,根据预警模型确定目标图像数据中各特征数据对应的类型后,判断类型的个数是否为两个,如果是,则发送预警信号。其中,类型包括表征围岩裂痕的第一类型和表征施工人员的第二类型。由于预警模型能够在目标图像数据中同时确定围岩裂痕和施工人员是否存在,因此避免了通过人工识别导致目标图像数据中围岩裂痕识别准确率低的问题,实现了围岩裂痕的自动识别,提高了隧道施工人员风险预警的准确性和效率。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种隧道施工人员风险预警方法的流程图;
图2为本申请实施例提供的一种隧道施工人员风险预警方法的补充流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部实施例。基于本申请中的实施例,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,都属于本申请保护范围。
本申请的核心是提供一种隧道施工人员风险预警方法,用以提高隧道施工人员风险预警的准确性和效率。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种隧道施工人员风险预警方法的流程图。如图1所示,该方法包括:
S10:根据标注有特征数据和对应类型的参考图像数据构建预警模型。
本申请实施例中,可通过目标检测方法构建预警模型,但由于目标检测方法需要设计多种先验框,再遍历所有先验框对目标物体进行定位和分类,因此目标检测方法确定特征数据及其对应的类型的效率低,为了提高预警模型的预警速度,作为优选的实施例,S10具体为基于一种目标检测网络CenterNet网络构建预警模型。由于CenterNet网络首先将特征数据视为目标物体的中心点,在中心点的基础上回归目标物体的其他属性,例如尺寸、位置、方向、姿态等,无需设计并遍历多种先验框,提高了预警模型的预警效率。
需要说明的是,参考图像数据包含有仅标注有一种类型的特征数据的图像数据和标注有两种类型的特征数据的图像数据,即参考图像数据可以仅包含有围岩这一类特征数据的图像,也可以仅包含有施工人员这一类特征数据的图像,还可以包含有围岩和施工人员这两类特征数据的图像。
S11:获取目标图像数据。
需要说明的是,在具体实施中,为了便于预警模型的识别,目标图像数据是原始图像经过预处理得到的。其预处理过程如下所示:获取相机采集的原始图像(例如1440ⅹ1440),使用一种跨平台计算机视觉和机器学习软件库OpenCV中的调整图像大小函数(resize)将图像尺寸调整为512ⅹ512后,对尺寸为512ⅹ512图像进行归一化处理,归一化公式如下所示:
式子中,xj表示目标像素点归一化处理后的灰度值,xi表示目标像素点归一化处理前的灰度值,mean表示所有像素点灰度值的平均值,std表示所有像素点灰度值的标准差。
S12:根据预警模型确定目标图像数据中各特征数据对应的类型。
本申请实施例中,类型包括表征围岩裂痕的第一类型和表征施工人员的第二类型。
为了进一步提高隧道施工人员风险预警的准确性,作为优选的实施例,S12具体包括:根据预警模型中的主干特征网络提取目标图像数据的各特征数据得到目标特征图,对目标特征图进行多次上采样操作得到目标高分辨率特征图,根据预警模型确定目标高分辨率特征图中各特征数据对应的类型。
需要说明的是,在基于CenterNet网络构建的预警模型中存在多种主干特征网络,例如卷积神经网络结构(Hourglass Network)、深层聚合网络(Deep Layer AggregationNetwork,DLANet)、残差网络(ResNet),由于ResNet相较于Hourglass Network和DLANet而言,参数量小且拥有支持快速实验的Keras资源,因此在具体实施中,上述主干特征网络可采用ResNet,其中ResNet具体为ResNet50。还需说明的是,上采样操作具体由卷积层ConvTranspose2d完成,上采样操作的具体次数不做具体限制,在具体实施中,可进行三次上采样操作,并通过标准化处理和激活函数(ReLU)进行激活后,得到图像尺寸为128ⅹ128ⅹ64的目标高分辨率特征图。
此外,在对目标特征图进行多次上采样操作得到目标高分辨率特征图前,为了防止图像过拟合,作为优选的实施例,还包括对目标特征图进行正则化(Dropout)处理。
S13:判断类型的个数是否为两个,如果是,则进入S14,如果否,则结束。
S14:发送预警信号。
可以理解的是,在具体实施中,可将预警信号发送至可视化装置,以便于用户查看,具体的,预警信号可以为包含有标注着特征数据和对应类型的目标图像数据。
本申请实施例所提供的隧道施工人员风险预警方法,根据标注有特征数据和对应类型的参考图像数据构建预警模型,获取目标图像数据,根据预警模型确定目标图像数据中各特征数据对应的类型后,判断类型的个数是否为两个,如果是,则发送预警信号。其中,类型包括表征围岩裂痕的第一类型和表征施工人员的第二类型。应用本方案,实现了围岩裂痕的自动识别,提高了隧道施工人员风险预警的准确性和效率。
在上述实施例的基础上,S12具体为:根据预警模型确定目标图像数据中各特征数据对应的类型和置信度。
则,在类型存在两个的情况下,发送预警信号,具体为:在类型存在两个且各类型均存在置信度大于第一预设阈值的情况下,发送预警信号。
可以理解的是,预警信号可以为包含有标注着特征数据和对应类型及置信度的目标图像数据,进一步的,目标图像数据可根据预先设置的置信度与颜色的对应关系,将特征数据的形状用对应颜色进行标志,以便于用户能够快速的查看,提高了用户的使用体验感。
本申请实施例所提供的隧道施工人员风险预警方法,在类型存在两个且各类型均存在置信度大于第一预设阈值的情况下,发送预警信号,因此去除了置信度较低的特征数据,进一步提高了围岩裂痕预警的准确性。
图2为本申请实施例提供的一种隧道施工人员风险预警方法的补充流程图。如图2所示,在上述实施例的基础上,在S14前,还包括:
S20:在类型存在两个的情况下,根据预警模型计算目标图像数据中各特征数据对应的置信度。
本申请实施例中,根据预警模型计算目标图像数据中各特征数据对应的置信度具体为:利用一个3ⅹ3的卷积对目标图像数据进行特征整合,并进行标准化和激活函数激活,再利用一个1ⅹ1的卷积将特征层的通道数调整为种类数,即可获得各特征数据对应的类型和置信度。
S21:选择各类型中置信度最大值对应的特征数据作为目标特征。
S22:根据预警模型确定各目标特征对应的位置和范围。
本申请实施例中,根据预警模型确定各目标特征对应的位置具体为:利用一个3ⅹ3的卷积对目标图像数据进行特征整合,并进行标准化和激活函数激活,再利用一个1ⅹ1的卷积将特征层的通道数调整为种类数,获得各特征数据对应的X轴偏移情况和Y轴偏移情况,并根据X轴偏移情况和Y轴偏移情况调整目标特征的坐标。
根据预警模型确定各目标特征对应的范围具体为:利用一个3ⅹ3的卷积对目标图像数据进行特征整合,并进行标准化和激活函数激活后,再利用一个1ⅹ1的卷积将特征层的通道数调整为种类数,即可获得目标特征对应的宽和高。
S23:根据各位置和各范围计算各目标特征间的最短距离。
S24:判断最短距离是否小于第二预设阈值,如果是,则进入S14,如果否,则结束。
本申请实施例所提供的隧道施工人员风险预警方法,通过计算个目标特征间的最短距离判断是否需要进行预警,进一步提高了隧道施工人员风险预警的准确性和实用性。
在上述实施例的基础上,在S11前,还包括:获取目标测试图像数据、对应的参考特征数据以及对应的参考类型,根据预警模型确定目标测试图像数据中各预测特征数据以及对应的预测类型,在各预测特征数据和对应的预测类型与参考特征数据和参考类型不匹配的情况下,更新预警模型。
具体实施中,在获取目标测试图像数据后,通过图形图像注释工具(LabelImage)对目标测试图像数据的围岩裂痕和施工人员进行标注,并生成三个文件夹,其中一个存放目标测试图像数据,一个存放对应的xml文件,一个存放目标测试图像的名字。此外,更新预警模型具体为通过对网络参数进行优化从而优化预警模型。
进一步的,为了提高预测模型的准确性,作为优选的实施例,获取目标测试图像数据对应的参考特征数据以及对应的参考类型具体为:获取目标测试图像数据对应的参考特征数据以及对应的参考类型、参考位置和参考范围,根据预警模型确定目标测试图像数据中各预测特征数据以及对应的预测类型具体为:根据预警模型确定目标测试图像数据中各预测特征数据、对应的预测类型、位置和范围。可以理解的是,在具体实施中,通过根据预警模型得到的位置坐标分别加上和减去范围值除以2,可根据位置和范围得到预测框,比对预测框和预先通过LabelImage绘制的参考框,判断是否需要更新预警模型。
可以理解的是,在获取目标图像数据前,通过目标测试图像数据对预警模型进行更新和优化,能够进一步提高预警模型的准确性,从而进一步提高隧道施工人员风险预警的准确性和效率。
在上述实施例的基础上,更新预警模型后,还包括:获取损失函数曲线和准确率曲线,在损失函数曲线和准确率曲线未达到稳定且准确率曲线中的稳定准确率未达到第三预设阈值的情况下,调整预警模型。
在具体实施中,选取目标函数为mse、优化器为Adam,设置batch_size为64,epoch为30的情况下,获取损失函数曲线和准确率曲线,调整预警模型的batch_size和epoch,直到损失函数曲线最终在某一值附近小范围波动、准确率函数最终稳定的准确率达到第三预设预设阈值且准确率函数最终在某一值附近小范围波动,停止调整预警模型的batch_size和epoch。
可以理解的是,通过损失函数曲线和准确率曲线调整预警模型,能够进一步提高预警模型的准确性,从而进一步提高隧道施工人员风险预警的准确性和效率。
以上对本申请所提供的一种隧道施工人员风险预警方法进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (4)
1.一种隧道施工人员风险预警方法,其特征在于,包括:
根据标注有特征数据和对应类型的参考图像数据构建预警模型;
获取目标图像数据;
根据所述预警模型确定所述目标图像数据中各特征数据对应的类型;
在所述类型存在两个的情况下,根据所述预警模型计算所述目标图像数据中各所述特征数据对应的置信度;
选择各所述类型中置信度最大值对应的特征数据作为目标特征;
根据所述预警模型确定各所述目标特征对应的位置和范围;
根据各所述位置和各所述范围计算各所述目标特征间的最短距离;
判断所述最短距离是否小于第二预设阈值;
如果是,则发送预警信号;
其中,所述类型包括表征围岩裂痕的第一类型和表征施工人员的第二类型;
所述构建所述预警模型具体为:基于CenterNet网络构建所述预警模型;
所述根据所述预警模型确定所述目标图像数据中各特征数据对应的类型,具体包括:根据所述预警模型中的主干特征网络提取所述目标图像数据的各所述特征数据得到目标特征图;对所述目标特征图进行多次上采样操作得到目标高分辨率特征图;根据所述预警模型确定所述目标高分辨率特征图中各所述特征数据对应的类型;所述主干特征网络具体为ResNet;
根据所述预警模型确定各所述目标特征对应的范围,包括:利用一个3ⅹ3的卷积对所述目标图像数据进行特征整合,并进行标准化和激活函数激活后,再利用一个1ⅹ1的卷积将特征层的通道数调整为种类数,得到所述目标特征对应的宽和高。
2.根据权利要求1所述的隧道施工人员风险预警方法,其特征在于,所述根据所述预警模型确定所述目标图像数据中各特征数据对应的类型,具体为:
根据所述预警模型确定所述目标图像数据中各所述特征数据对应的类型和置信度;
则,所述在所述类型存在两个的情况下,发送预警信号,具体为:
在所述类型存在两个且各所述类型均存在所述置信度大于第一预设阈值的情况下,发送所述预警信号。
3.根据权利要求1所述的隧道施工人员风险预警方法,其特征在于,所述获取目标图像数据前,还包括:
获取目标测试图像数据、对应的参考特征数据以及对应的参考类型;
根据所述预警模型确定所述目标测试图像数据中各预测特征数据以及对应的预测类型;
在各所述预测特征数据和对应的所述预测类型与所述参考特征数据和所述参考类型不匹配的情况下,更新所述预警模型。
4.根据权利要求3所述的隧道施工人员风险预警方法,其特征在于,所述更新所述预警模型后,还包括:
获取损失函数曲线和准确率曲线;
在所述损失函数曲线和所述准确率曲线未达到稳定且所述准确率曲线中的稳定准确率未达到第三预设阈值的情况下,调整所述预警模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110442745.3A CN113516161B (zh) | 2021-04-23 | 2021-04-23 | 一种隧道施工人员风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110442745.3A CN113516161B (zh) | 2021-04-23 | 2021-04-23 | 一种隧道施工人员风险预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516161A CN113516161A (zh) | 2021-10-19 |
CN113516161B true CN113516161B (zh) | 2023-02-03 |
Family
ID=78061229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110442745.3A Active CN113516161B (zh) | 2021-04-23 | 2021-04-23 | 一种隧道施工人员风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516161B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109151383B (zh) * | 2018-07-21 | 2021-04-27 | 中铁十八局集团有限公司 | 一种基于bim隧道安全监控信息预警系统 |
CN110232320B (zh) * | 2019-05-08 | 2021-07-02 | 华中科技大学 | 实时检测工地现场工人危险靠近施工机械的方法及系统 |
CN111476275A (zh) * | 2020-03-17 | 2020-07-31 | 深圳壹账通智能科技有限公司 | 基于图片识别的目标检测方法、服务器及存储介质 |
CN112257549B (zh) * | 2020-10-19 | 2022-08-02 | 中国电子科技集团公司第五十八研究所 | 一种基于计算机视觉的楼面危险检测预警方法及系统 |
CN112554943B (zh) * | 2020-12-04 | 2022-05-17 | 中国铁建重工集团股份有限公司 | 一种基于tbm掘进参数的地质风险预警方法、系统及装置 |
-
2021
- 2021-04-23 CN CN202110442745.3A patent/CN113516161B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113516161A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
WO2020147398A1 (zh) | 翻拍图像检测方法、装置、计算机设备及存储介质 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN111259878A (zh) | 一种检测文本的方法和设备 | |
CN111626249B (zh) | 题目图像中几何图形的识别方法、装置和计算机存储介质 | |
CN113869449A (zh) | 一种模型训练、图像处理方法、装置、设备及存储介质 | |
CN114897806A (zh) | 缺陷检测方法、电子设备及计算机可读存储介质 | |
CN109598298B (zh) | 图像物体识别方法和系统 | |
CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
CN106530273B (zh) | 高精度fpc直线线路检测与缺陷定位方法 | |
CN108647570B (zh) | 斑马线检测方法、装置及计算机可读存储介质 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN112036232B (zh) | 一种图像表格结构识别方法、系统、终端以及存储介质 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN113516161B (zh) | 一种隧道施工人员风险预警方法 | |
CN112784494A (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN106845498A (zh) | 结合高程的单幅山脉遥感图像滑坡泥石流检测方法 | |
CN111008635A (zh) | 一种基于ocr的多票据自动识别方法及识别系统 | |
CN114114457B (zh) | 基于多模态测井数据的裂缝表征方法、装置及设备 | |
CN115810132A (zh) | 一种裂缝朝向识别方法、装置、设备及存储介质 | |
CN112308061B (zh) | 一种车牌字符识别方法及装置 | |
CN114092542A (zh) | 一种基于二维视觉的螺栓测量方法以及系统 | |
CN110427891B (zh) | 用于识别合同的方法、装置、系统及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |