CN113610759A - 一种用于锚杆钻机施工的现场安全管控系统 - Google Patents
一种用于锚杆钻机施工的现场安全管控系统 Download PDFInfo
- Publication number
- CN113610759A CN113610759A CN202110755826.9A CN202110755826A CN113610759A CN 113610759 A CN113610759 A CN 113610759A CN 202110755826 A CN202110755826 A CN 202110755826A CN 113610759 A CN113610759 A CN 113610759A
- Authority
- CN
- China
- Prior art keywords
- image
- construction
- construction site
- site
- scale
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于锚杆钻机施工的现场安全管控系统,包括:图像采集装置:采集施工现场图像;图像标记装置:对图像进行标记;多尺度图像划分装置:实现图像的多尺度划分;卷积神经网络学习装置:利用卷积神经网络学习算法对每一尺度下的图像进行特征训练,得到完整的关于施工现场工作人员的特征图谱,以及像素化的泛性表达;图像识别和分类装置:根据施工现场工作人员的特征图谱对图像进行识别和分类,识别施工区域内入侵人员以及施工人员的不安全行为。本发明能够实现无接触实时检测人员侵入行为、穿戴规范性等施工区域内不安全行为检测功能,对施工现场环境要求低,对一般的施工现场有较好的适应性。
Description
技术领域
本发明属于电力杆塔施工技术领域,尤其涉及一种用于锚杆钻机施工的现场安全管控系统。
背景技术
山地电力塔架,进行岩石锚杆基础施工通常采用锚杆钻机。由于相关设备较多,并且所处地形复杂,现场安全管控一直是难题。给施工现场的安全管理带来了极大的挑战。
发明内容
针对现有技术的缺陷,本发明所要解决的技术问题就是提供一种用于锚杆钻机施工的现场安全管控系统,解决传统的锚杆钻机施工的现场安全管控难题。
为解决上述技术问题,本发明采用如下技术方案:一种用于锚杆钻机施工的现场安全管控系统,包括:
图像采集装置:采集施工现场图像;
图像标记装置:对图像进行标记;
多尺度图像划分装置:实现图像的多尺度划分;
卷积神经网络学习装置:利用卷积神经网络学习算法对每一尺度下的图像进行特征训练,得到完整的关于施工现场工作人员的特征图谱,以及像素化的泛性表达;
图像识别和分类装置:根据施工现场工作人员的特征图谱对图像进行识别和分类,识别施工区域内入侵人员以及施工人员的不安全行为。
优选的,所述图像采集装置为布置在施工现场的360°摄像机。
优选的,所述图像标记装置使用Lableme工具对图像进行标记,通过标记内容确定后期识别目标。
优选的,所述多尺度图像划分装置通过快速使用局部拉普拉斯滤波实现图像的多尺度划分。
优选的,施工现场工作人员的特征图谱通过高斯金字塔转换后得到关于施工现场采集图像中工作人员的特征描述,使用softmax分类函数对施工现场采集图像进行像素类别分布判断,最后通过argmax函数具有的线性回归作用,输出图像各区域像素所属的类别概述及概率,实现对图像中每一部分的准确识别。
本发明采用的技术方案,能够实现无接触实时检测人员侵入行为、穿戴规范性等施工区域内不安全行为检测功能,对施工现场环境要求低,对一般的施工现场有较好的适应性。
本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附图进行详细的说明。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述:
图1为施工区域人员图像的多尺度分层特征提取过程示意图;
图2为施工现场施工人员不安全行为识别过程原理图。
具体实施方式
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实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。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,都属于本发明保护的范围。
本发明提供了一种用于锚杆钻机施工的现场安全管控系统,其基于计算机视觉辅以深度学习算法实现施工安全预警。
“预警”的主要原理是在危险、灾害等意外发生前,相关人员通过将收集的信息与之前相似危险发生时的因素进行比对,在确认该信息为危险发生前兆时给与相关人员提醒的过程。
本发明应用卷积神经网络的高效学习能力,通过卷积神经网络搭建学习模型实现施工现场侵入预警及危险区域内不安全行为预警,在危险征兆出现时能够及时制止,达到安全管理事前预警的目的。
具体的,本发明提供了一种用于锚杆钻机施工的现场安全管控系统,包括:
图像采集装置:采集施工现场图像;
图像标记装置:对图像进行标记;
多尺度图像划分装置:实现图像的多尺度划分;
卷积神经网络学习装置:利用卷积神经网络学习算法对每一尺度下的图像进行特征训练,得到完整的关于施工现场工作人员的特征图谱,以及像素化的泛性表达;
图像识别和分类装置:根据施工现场工作人员的特征图谱对图像进行识别和分类,识别施工区域内入侵人员以及施工人员的不安全行为。
其中,所述图像采集装置为布置在施工现场的360°摄像机。
所述图像标记装置使用Lableme工具对图像进行标记,通过标记内容确定后期识别目标。由于识别对象是人,因此标记的内容是图像中入侵到施工现场的人员以及授权施工人员,具体可以通过方框进行标记,其目的是使卷积核在进行图像特征提取时,可以重点搜寻方框区域内的内容,进行精准识别。
如图1所示,所述多尺度图像划分装置通过快速使用局部拉普拉斯滤波实现图像的多尺度划分,在多尺度描述图像特征的同时,以几何倍数增加图像。拉普拉斯是一种二阶导数算子,是一个与方向无关的各向同性(旋转轴对称)边缘检测算子。因此,若只关心目标内容边缘点的位置而不顾其周围的实际灰度差时,拉普拉斯滤波一般有比较好的检测效果。特征图谱是成功识别图像中的施工人员的关键,也是实现人员入侵施工现场预警的前提(先识别到人、施工人员,才能判断这个人是不是入侵人员,以及施工人员有没有违规,如是否戴安全帽等)。图像特征,即对标记好的图片,通过快速局部(标记框内)拉普拉斯滤波增强该图像(标记框内)中各个像素的特征。以便后期卷积神经网络基于图像特征进行目标识别。多尺度的含义:图像的高斯金字塔,取每层图像为上层图像的1/4(这里的层就是高斯金字塔的“层”),这样,图像就是出现了多个“尺度”的图像,并且层数N,一般取N≥3,即三层以上。
值得注意的是,这里原始图片即为最底层的图片,每一层图片的分辨率为前一层图片的1/2。
可见,通过对图像进行多尺度(N个尺度)划分,有助于提高图像的识别率(因为同一个目标对象,有对应多个尺度的图像特征);同时一张图片,扩容成了N张图片,增加了卷积神经网络训练的学习样本。
如图2所示,“F”是通过“高斯金字塔”转换后得到的关于施工现场采集图像中关于工作人员的特征描述(基于拉普拉斯滤波对目标图像提取的“特征参数”),使用softmax分类函数对施工现场采集图像进行像素类别分布判断,最后通过argmax函数具有的线性回归作用,输出图像各区域像素所属的类别概述及概率,实现对特定图像中每一部分的准确识别。这里提到的“概述”可以理解为类别,施工人员(比如特征是穿着安全服警示服装、戴安全帽的这类人)、非施工人员(比如特征是未穿着安全服警示服装、未戴安全帽的这类人),施工现场、非施工现场等。这里提到的“概率”,是因为本卷积神经网络识别模型最终通过argmax这一线性回归函数进行概率性判断,即目标图像属于某一类别(高速)的概率是过少。当概率大于模型阈值时,判断认为该目标图像数这一类别(概述)是置信的。“判断不安全行为”,有了前面的基础,能够区分出施工人员、非施工人员、施工现场、非是施工现场等。如果非施工人员在施工现场,则认为“非施工人员入侵施工现场”,如果施工人员在施工现场但是为佩戴安全帽等,则认为“施工人员在施工现场存在不安全行为”等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (5)
1.一种用于锚杆钻机施工的现场安全管控系统,其特征在于,包括:
图像采集装置:采集施工现场图像;
图像标记装置:对图像进行标记;
多尺度图像划分装置:实现图像的多尺度划分;
卷积神经网络学习装置:利用卷积神经网络学习算法对每一尺度下的图像进行特征训练,得到完整的关于施工现场工作人员的特征图谱,以及像素化的泛性表达;
图像识别和分类装置:根据施工现场工作人员的特征图谱对图像进行识别和分类,识别施工区域内入侵人员以及施工人员的不安全行为。
2.根据权利要求1所述的一种用于锚杆钻机施工的现场安全管控系统,其特征在于:所述图像采集装置为布置在施工现场的360°摄像机。
3.根据权利要求1所述的一种用于锚杆钻机施工的现场安全管控系统,其特征在于:所述图像标记装置使用Lableme工具对图像进行标记,通过标记内容确定后期识别目标。
4.根据权利要求1所述的一种用于锚杆钻机施工的现场安全管控系统,其特征在于:所述多尺度图像划分装置通过快速使用局部拉普拉斯滤波实现图像的多尺度划分。
5.根据权利要求1所述的一种用于锚杆钻机施工的现场安全管控系统,其特征在于:施工现场工作人员的特征图谱通过高斯金字塔转换后得到关于施工现场采集图像中工作人员的特征描述,使用softmax分类函数对施工现场采集图像进行像素类别分布判断,最后通过argmax函数具有的线性回归作用,输出图像各区域像素所属的类别概述及概率,实现对图像中每一部分的准确识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110755826.9A CN113610759A (zh) | 2021-07-05 | 2021-07-05 | 一种用于锚杆钻机施工的现场安全管控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110755826.9A CN113610759A (zh) | 2021-07-05 | 2021-07-05 | 一种用于锚杆钻机施工的现场安全管控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610759A true CN113610759A (zh) | 2021-11-05 |
Family
ID=78304003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110755826.9A Pending CN113610759A (zh) | 2021-07-05 | 2021-07-05 | 一种用于锚杆钻机施工的现场安全管控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610759A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821486A (zh) * | 2022-06-29 | 2022-07-29 | 武汉纺织大学 | 一种电力作业场景下人员识别方法 |
-
2021
- 2021-07-05 CN CN202110755826.9A patent/CN113610759A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821486A (zh) * | 2022-06-29 | 2022-07-29 | 武汉纺织大学 | 一种电力作业场景下人员识别方法 |
CN114821486B (zh) * | 2022-06-29 | 2022-10-11 | 武汉纺织大学 | 一种电力作业场景下人员识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Detecting non-hardhat-use by a deep learning method from far-field surveillance videos | |
CN110188724B (zh) | 基于深度学习的安全帽定位与颜色识别的方法及系统 | |
CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
CN111967393B (zh) | 一种基于改进YOLOv4的安全帽佩戴检测方法 | |
CN111595453A (zh) | 一种基于人脸识别的红外测温系统及方法 | |
CN111341068B (zh) | 一种基于深度学习的钻井现场危险区域预警系统构成方法 | |
CN113516076B (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN104766086B (zh) | 一种公路标识的监管方法和系统 | |
CN111241959A (zh) | 一种通过工地视频流检测未佩戴安全帽人员的方法 | |
CN113743256B (zh) | 一种工地安全智能预警方法与装置 | |
CN114241298A (zh) | 一种激光雷达和图像融合的塔吊环境目标检测方法及系统 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN112434827B (zh) | 一种5t运维中安全防护识别单元 | |
CN112434828B (zh) | 一种5t运维中安全防护智能识别方法 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN112308032B (zh) | 一种视频检测的井下风门智能协同联动控制方法 | |
CN113506416A (zh) | 一种基于智能视觉分析的工程异常预警方法及系统 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
CN113610759A (zh) | 一种用于锚杆钻机施工的现场安全管控系统 | |
CN113888824A (zh) | 基于拓扑空间关系的矿井违规越界行为识别及报警方法、装置 | |
CN115620239A (zh) | 一种点云和视频结合的输电线路在线监测方法和系统 | |
CN106372566A (zh) | 一种基于数字标牌紧急疏散系统及方法 | |
Luo | Research on fire detection based on YOLOv5 | |
CN113537019A (zh) | 基于关键点识别变电站人员安全帽佩戴的检测方法 |
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 |