CN114065340A - 基于机器学习的施工场地安全监测方法及系统、存储介质 - Google Patents
基于机器学习的施工场地安全监测方法及系统、存储介质 Download PDFInfo
- Publication number
- CN114065340A CN114065340A CN202111202285.3A CN202111202285A CN114065340A CN 114065340 A CN114065340 A CN 114065340A CN 202111202285 A CN202111202285 A CN 202111202285A CN 114065340 A CN114065340 A CN 114065340A
- Authority
- CN
- China
- Prior art keywords
- vector
- information
- scene
- construction site
- constructor
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 195
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 101100116390 Schizosaccharomyces pombe (strain 972 / ATCC 24843) ded1 gene Proteins 0.000 description 1
- 101100311460 Schizosaccharomyces pombe (strain 972 / ATCC 24843) sum2 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于机器学习的施工场地安全监测方法,其特征在于,所述安全监测方法,包括通过传感识别技术根据所述施工场地数据获取施工人员布局信息;根据所述施工人员布局信息获取代表当前施工情况信息的向量f1;结合所述向量f1与预设的权重向量g1得出向量f2;通过计算余弦相似度的方法得出所述向量f2与预设的场景特征向量集内各向量的相似度矩阵;根据所述相似度矩阵得出与所述向量f2相似度最高的拟合场景向量;根据所述拟合场景向量所映射的场景信息进行安全预警。实现机器智能化,对施工场地人员活动区域进行监测,配合计算机对施工场地进行识别与分析人员组成情况来预防危险情况发生,减轻监管人员负担,节约人力资源。
Description
技术领域
本申请涉及工地监测技术领域,尤其涉及一种基于机器学习的施工场地安全监测方法及系统、存储介质。
背景技术
一般施工场地需要通过监管人员时刻监视施工场地录像或者进行巡逻的方式,来预防因施工人员未就位或施工人员配置不合理等原因而发生危险,往往需要投入相当的人力资源,没有一种有效的智能化的方法。
现有一种机械智能化的安全监测方法,通过人脸识别的方法结合摄像设备和各种传感设备进行人员清点,但针对施工场地不同的施工阶段和作业区域,仍然每次都需要经过管理人员调整后才能进行清点,影响安全监测效率,也浪费一定人力。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本申请提出一种基于机器学习的基于机器学习的施工场地安全监测方法及系统、存储介质。
第一方面,本申请实施例提供了一种基于机器学习的施工场地安全监测方法,包括:
通过传感识别技术控制施工场地传感设备获取施工人员布局信息;
根据所述施工人员布局信息获取代表当前施工情况信息的向量f1;
结合所述向量f1与预设的权重向量g1得出向量f2;
通过计算余弦相似度的方法得出所述向量f2与预设的场景特征向量集内各向量的相似度矩阵;
根据所述相似度矩阵得出与所述向量f2相似度最高的拟合场景向量;
根据所述拟合场景向量所映射的场景信息进行安全预警。
本申请实施例的基于机器学习的施工场地安全监测方法,至少具有以下有益效果:在工地建设过程中,通过与工地基础设施连接的传感设备中的多种传感器获得多种传感信息,同时根据传感信息匹配当前场景中施工人员布局信息,将施工人员布局信息向量化为向量f1后配合权重向量g1,得出更能表现现场人员配置的向量f2,再与预设的场景特征向量集内各向量一并组合,得出各特征向量之间的余弦相似度矩阵,与所述向量f2之间余弦相似度最大的特征向量为相似度最高的拟合场景向量,最后根据规矩所述拟合场景向量映射的场景信息,进行安全预警,实现机器智能化,对施工场地人员活动区域进行监测,配合计算机对施工场地进行识别与分析人员组成情况来预防危险情况发生,减轻监管人员负担,节约人力资源。
可选地,在本申请的一个实施例中,所述根据所述施工人员布局信息获取代表当前施工情况信息的向量f1,包括:
所述所述施工人员布局信息包括施工人员类别信息和施工人员位置信息;
生成所述施工人员类别信息与所述施工人员位置信息相对应的二维数组w1;
压缩数组w1得到代表当前施工情况信息的向量f1。
可选地,在本申请的一个实施例中,所述结合所述向量f1与预设的权重向量g1得出向量 f2,包括:
所述权重向量g1根据层次分析法得出;
可选地,在本申请的一个实施例中,所述获取来自传感设备的施工场地数据,包括:
通过定位设备获取施工人员位置信息;
根据所述施工人员位置信息启动摄影设备;
获取来自所述摄影设备的施工场地数据。
可选地,在本申请的一个实施例中,所述通过计算余弦相似度的方法得出所述向量f2与场景特征向量集内各向量的相似度矩阵后,还包括,将所述向量f2并入所述场景特征向量集。
可选地,在本申请的一个实施例中,所述根据所述拟合场景向量所映射的场景信息进行安全预警后,还包括,将所述向量f2与对应场景信息更新到场景特征向量与场景信息的映射关系表中。
可选地,在本申请的一个实施例中,所述通过传感识别技术控制施工场地传感设备获取施工人员布局信息,包括:
通过图像识别技术获取施工人员身份信息;
通过RFID技术获取施工人员位置信息。
第二方面,本申请实施例提供了一种施工场地安全监测系统,包括:
传感识别装置,所述传感识别装置与工地基础设施连接,所述传感识别装置中包括组合识别模块和警报设备,所述组合识别模块包括多种传感器,所述组合识别模块结合多种传感器的参数得出施工人员布局信息;
传输网络,所述传输网络将所述传感识别装置得出的所述施工人员布局信息传输到数据总线;
控制处理部件,用于根据所述数据总线中的所述施工人员布局信息,控制所述警报设备进行安全预警。
本申请实施例的施工场地安全监测系统,至少具有以下有益效果:在工地建设过程中,通过与工地基础设施连接的传感识别装置中的多种传感器获得多种传感信息,同时所述多种传感器组成组合识别模块,所述组合识别模块结合多种传感信息匹配当前场景,多个所述组合识别模块联动得出能代表所述当前场景的施工人员布局信息,并将施工人员布局通过传输网络传输给控制处理部件,所述控制处理部件根据所述施工人员布局进行安全预警,能够进一步地提高安全监测系统的监测能力以及监测准备率,建造人员根据具体信息对工地建设细节和进度进行调整,从而更好的规避风险,更好的保障建设效率和工地建设安全。
第三方面,本申请实施例提供了一种施工场地安全监测系统,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的安全监测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任意一项所述的安全监测方法。
附图说明
附图用来提供对本申请技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1是本申请一个实施例提供的基于机器学习的施工场地安全监测方法的流程图;
图2是本申请另一个实施例提供的基于机器学习的施工场地安全监测方法的流程图;
图3是本申请另一个实施例提供的基于机器学习的施工场地安全监测方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。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。
一般施工场地需要通过监管人员时刻监视施工场地录像或者进行巡逻的方式,来预防因施工人员未就位或施工人员配置不合理等原因而发生危险,往往需要投入相当的人力资源,没有一种有效的智能化的方法。
现有一种机械智能化的安全监测方法,通过人脸识别的方法结合摄像设备和各种传感设备进行人员清点,但针对施工场地不同的施工阶段和作业区域,仍然每次都需要经过管理人员调整后才能进行清点,影响安全监测效率,也浪费一定人力。
基于此,本申请提供了本申请提出一种基于机器学习的施工场地安全监测方法,在工地建设过程中,通过与工地基础设施连接的传感设备中的多种传感器获得多种传感信息,同时根据传感信息匹配当前场景中施工人员布局信息,将施工人员布局信息向量化为向量f1后配合权重向量g1,得出更能表现现场人员配置的向量f2,再与预设的场景特征向量集内各向量一并组合,得出各特征向量之间的余弦相似度矩阵,与向量f2之间余弦相似度最大的特征向量为相似度最高的拟合场景向量,最后根据规矩拟合场景向量映射的场景信息,进行安全预警,实现机器智能化,对施工场地人员活动区域进行监测,配合计算机对施工场地进行识别与分析人员组成情况来预防危险情况发生,减轻监管人员负担,节约人力资源。
下面结合附图,对本申请实施例作进一步阐述。
参考图1,一种基于机器学习的施工场地安全监测方法,包括:
通过传感识别技术控制施工场地传感设备获取施工人员布局信息;
根据施工人员布局信息获取代表当前施工情况信息的向量f1;
结合向量f1与预设的权重向量g1得出向量f2;
通过计算余弦相似度的方法得出向量f2与预设的场景特征向量集内各向量的相似度矩阵;
根据相似度矩阵得出与向量f2相似度最高的拟合场景向量;
根据拟合场景向量所映射的场景信息进行安全预警。
该安全监测方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140、步骤S150、步骤S160。
步骤S110,通过传感识别技术控制施工场地传感设备获取施工人员布局信息;
在一些实施例中,通过摄像头获取施工场地监控录像,在通过图像识别技术中人脸识别来确定监控录像中施工人员身份信息,可以想到的是通过深度神经网络,来完成对各类图像的识别,经过预处理图像集,进行特征模板提取,完成对图像数据库的图像归一化后,通过提取图像中的特征来完成图像识别。
在一些实施例中,传感设备包括可以为任意可接入传感设备,如热敏元件、光敏元件、气敏元件、力敏元件、磁敏元件、湿敏元件、声敏元件、放射线敏感元件、色敏元件和味敏元件。相关领域技术人员可以根据实际情况来选择相应的传感设备,接入更多的传感设备可以形成更多的传感器组合;同时施工人员布局信息还包括一些可能影响施工人员工作的环境因素,包括工地建设过程中视频、音频、温度、光照强度、风向、风力大型、磁场强度、湿度、放射性强度、力度、速度和位置关系等具体物理参数,同时结合安装在传感识别装置内的集成电路,联动周围传感设备,根据内置芯片植入程序进行分析得出当前施工场景状况。
在一些实施例中,可以想到的是,凭借5G传输网络高速据通信速度的特性集合物联网,使用多种传感器实时获取各种在施工建设有价值的信息,通过有线网络或者是无线网络路由实现网络覆盖,将数据传输到数据总线进行存储,在操作终端接收数据总线数据,根据操作终端内控制电路和内置有处理程序的处理芯片,完成对工地设备的操控,其中传感识别装置、 5G传输网络、操作终端分别对应物联网概念中感知层、网络传输层和应用层。使用摄像头、 gps等传感器完成对施工人员位置信息和施工人员身份信息的获取,并将这些信息存储在计算机存储介质中,方便后续数据处理操作。
步骤S120,根据施工人员布局信息获取代表当前施工情况信息的向量f1;
在一些实施例中,根据施工人员布局信息获取代表当前施工情况信息的向量f1是一个向量化的过程,以便计算机能够识别场景;在向量化的过程中,先将施工人员布局信息中各个参数类型形成一个词典,每一个参数类型对应一个位置形成一个向量,向量长度和词典大小相同;相关领域技术人员可以参考自然语言处理过程中分词后进行向量化的过程,施工人员布局信息就相当于一个分词后的词语集,后续向量化的操作则是类似的。
在一些实施例中,施工人员布局信息以数组的形式存储在计算机存储介质中,其具体数据结构可以为链表,同时施工人员布局信息数组根据计算机存储介质中存在的映射关系表,将施工人员布局信息中各传感器接收的信息数字化方便计算机进行处理;在获取到施工人员布局信息后,根据施工施工人员布局信息数据存储形式,将其压缩成一维数组,以压缩的一维数组为代表当前施工情况信息的向量f1。列如:通过传感识别技术获取的施工人员布局信息中包括(工人总数a1,高空作业工人数量a2,泥工数量a3,钢筋工数量a4,混凝土工数量a5,起重工数量a6),存储介质中映射关系为(工人总数-sum1,高空作业工人数量-sum2,泥工数量 -sum3,钢筋工数量-sum4,混凝土工数量-sum5,起重工数量-sum6),这样形成一个可以代表2×6 二维数组进行矩阵压缩后就变成代表这一施工人员布局信息的向量f1(sum1,a1,sum2,a1,sum3,a1,sum4,a1,sum5,a1,sum6),可以想到的是向量化是机器学习中一个至关重要的步骤,机器无法直接识别文字,将传感器获得的各种信号以数字化、向量化后便于处理器后续根据施工人员布局信息来识别出施工场景;同时值得注意的是上述例子中a1~sum6等参数都以相同位数的二进制代码存储在计算机存储设备中,且为了能够更好的去建立向量化的模型方便后续计算余弦相似度,对施工人员布局信息向量化过程中,所采取的特征参数与位数的对应关系都是一致的且可统一调整的,没有通过相应传感器获取的传感信息的对应参数预设为零。
步骤S130,结合向量f1与预设的权重向量g1得出向量f2;
在一些实施例中,权重向量即权向量,权向量是根据经验或者理论推导出来的,不同系统的权是不一样的,是根据以往施工人员布局信息对照代表当前施工情况信息的数据模型统计推导出来的。同时,可以通过层次分析法获得权向量,这个问题涉及到多个因素的综合比较,由于不存在定量的指标,单凭个人的主观判断虽然可以比较两个因素的相对优劣,但很难给出--个比较客观的多因素优劣次序,为了解决这个问题,我们需要把复杂的多因素综合比较问题转化为简单的两因素相对比较问题,首先找出所有两两比较的结果,并且把它们定量化,然后再形成一个因素数量×因素数量的对比矩阵,求出多因素综合比较的结果,形成代表各因素影响力的一维矩阵即为权向量,相关领域技术人员可以结合实际情况考虑,在此不再赘述。
在一些实施例中,在根据施工人员布局信息获取代表当前施工情况信息的向量f1,向量 f1并不能很好的代表当前施工情况信息,这将影响后续对根据施工人员布局信息进行场景匹配,基于这种问题引入权重向量g1,来对向量f1进行调整,来提升向量f1中比较重要的参数的影响力,进而提高向量f1代表当前施工情况信息的效果。
步骤S140,通过计算余弦相似度的方法得出向量f2与预设的场景特征向量集内各向量的相似度矩阵;
在一些实施例中,余弦相似度通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1,而其他任何角度的余弦值都不大于1;并且其最小值是-1。从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。两个向量有相同的指向时,余弦相似度的值为1;两个向量夹角为90°时,余弦相似度的值为0;两个向量指向完全相反的方向时,余弦相似度的值为-1。这结果是与向量的长度无关的,仅仅与向量的指向方向相关;场景特征向量集为多个以往训练出的或是人工添加的和向量f2特征纬度相同的向量组成的合集,每个场景特征向量集中的向量都代表了一种场景信息,如果向量f2和场景特征向量中的一个向量t1一致,则可以说明向量f2代表的当前施工情况信息与向量t1代表的场景是一致的,则可以根据预存在计算机存储设备场景特征向量与场景信息的映射关系,实现通过机器来判断当前场景,进而完成智能化的安全预警。
在一些实施例中,使用余弦相似度作为判断向量f2与场景特征向量集中各个向量的相似度的基准:i=1~n分别代表向量A和B的各分量, 其中n可以理解为向量的特征纬度,对应本实施例中向量f2的特征纬度。例如:设预设的场景特征向量集为结合向量f1与预设的权重向量g1得出向量f2为 F1=[f1,f2…fn],则进行m次循环,i=1,i<=m,i++,进行F1与wi计算余弦相似度,得出进而s1=[s11,s12…s1n],s1则为向量F1与预设的场景特征向量集内各向量的一维相似度矩阵,同时可以想到的是预设场景特征向量集此前已经进行过(n-1)次遍历,产生了(n-1)×(n-1)相似度矩阵,加入新生成的一维相似度矩阵,形成完整的n×n相似度矩阵。
在一些实施例中,根据生成的相似度矩阵可以采用K最近邻(KNN,K-NearestNeighbor) 或社区发现(Community Detection)算法,来进一步数据挖掘,提升通过向量化的方法确认当前场景完成安全预警的效果。
同时容易想到的是,在实际进行安全预警的过程中,可以根据相似度矩阵进行多次排序判断,例如确认与向量fa最相似的向量fb后,在对向量fb所对应的的场景进行预警后,确认与向量fb最相似的向量fc,再在对向量fb所对应的的场景进行预警,可以重复这一过程,知道安全预警完成,来使安全预警更加全面。
步骤S150,根据相似度矩阵得出与向量f2相似度最高的拟合场景向量;
在一些实施例中,在得到相似度矩阵后,可以使用冒泡排序或快速排序等排序算法,挑选出与向量f2相似度最高达到向量来作为拟合场景向量,值得注意的是,这里的拟合场景向量只是代表其与向量f2相似度最高,并不是指拟合场景向量与向量f2完全一致,只是在预设的场景特征向量集中,拟合场景向量是最能代表向量f2的;同时可以想到,随着使用次数变多,不断有新的场景特征向量加入场景特征向量集中,这使根据相似度矩阵得出的与向量 f2相似度最高的拟合场景向量更加准确,这就是机器学习的过程,随着处理的数据的增加,得出的场景向量与向量f2更加拟合。
在一些实施例中,在得到相似度矩阵后,可以使用冒泡排序或快速排序等排序算法,挑选出与向量f2相似度最高达到向量来作为拟合场景向量后,可以将数据存储下来,得到一个经过排序的二维数组,代表与向量sim(fi)=[fi1,fi2...fin],方便后续进行数据挖掘,在根据相似度矩阵得出与向量f2相似度最高的拟合场景向量过程中节约排序的过程,提高预警的效率。
在一些实施例中,可以想到的在向量化的过程前先进行阈值判断,阈值判断触发安全预警,则节约处理时间,提高安全预警效率;例如:通过人脸识别设备发现在场员工数量少于阈值,直接触发安全预警,警告人员不足,在场水泥工与钢筋工比例少于阈值,直接触发安全预警,警告水泥工与钢筋工比例失调等,在此不在赘述。
步骤S160,根据拟合场景向量所映射的场景信息进行安全预警;
在一些实施例中,获取拟合场景向量所映射的场景信息是根据计算机存储介质中存在的场景向量-场景信息映射表来确定的,相关领域技术人员可以将其理解为一个数据库,场景向量属性是主键,根据主键进行查询便可获取对应的场景信息。
在一些实施例中,根据场景信息进行安全预警,可理解在芯片中,根据代表场景信息的输入电信号经过逻辑判断,输出相应的电信号,输出的电信号通过数据线或无线网络,控制一些设备进行运转。例如:通过人脸识别设备发现在场新老员工比例为10:1,通过向量化,计算相似度,得出最能代表这一情况的输入电信号,经处理输出电信号,控制警告设备,向施工人员传达在场新老员工比例为x1,并提醒新老员工数量应当维持10:1以内;可以理解的是这只是本实施一个方面的例子,相关领域技术人员可以根据实际情况进行调整。
参考图2,在一些实施例中,施工人员布局信息包括步骤S210施工人员类别信息和施工人员位置信息;步骤S220生成施工人员类别信息与施工人员位置信息相对应的二维数组 w1;步骤S230压缩数组w1得到代表当前施工情况信息的向量f1。
在参考图3,获取来自传感设备的施工场地数据,包括,步骤S310通过定位设备获取施工人员位置信息;步骤S320根据施工人员位置信息启动摄影设备;步骤S330获取来自摄影设备的施工场地数据。
可以想到的是过通过定位设备获取施工人员位置信息后再根据施工人员位置信息启动摄影设备,可以有区别的监测施工场地,一些不处于工作状态的施工场地则没有监测的必要,从而节约计算机资源,提高安全预警效率。
在一些实施例中,通过计算余弦相似度的方法得出向量f2与场景特征向量集内各向量的相似度矩阵后,还包括,将向量f2并入场景特征向量集。
在一些实施例中,根据拟合场景向量所映射的场景信息进行安全预警后,还包括,将向量f2与对应场景信息更新到场景特征向量与场景信息的映射关系表中。
可以理解的是,将向量f2并入场景特征向量集和将向量f2与对应场景信息更新到场景特征向量与场景信息的映射关系表中,都为机器学习中更新迭代,提升后续匹配操作精度的过程,通过不断扩展模型,安全预警的性能也会越来越好。
在一些实施例中,场景特征向量集为使用BIM模型预测施工进度时产生的场景特征向量。
可以理解的是,BMI模型为施工现场的3D模型配合传感识别装置发出的各种参数能够预测施工场地的施工进度,以BMI模型的进度预测结果为基础,预测其施工人员布局信息,将其向量化,加入到场景特征向量集内,可以扩充场景特征向量集的规模,提高后续利用余弦相似度进行匹配时,匹配的精度,提高后续安全预警的准确性。
在一些实施例中,通过传感识别技术控制施工场地传感设备获取施工人员布局信息包括,通过图像识别技术获取施工人员身份信息;通过RFID技术获取施工人员位置信息。
在一些实施例中,图像识别技术通过摄像头监控获取施工人员身份信息,注意这里所提的摄像头其潜在特征为搭载有完成人脸识别硬件设备,运用基于主动近红外图像的多光源人脸识别技术,可以克服光线变化的影响,对出现在高清摄像头内人员进行识别区分,当前人脸识别技术发展已相当完善,相关领域技术人员应当理解,在此不再赘述。
在一些实施例中,RFID组件即通过射频识别技术完成对人员的定位,可以基于主动标签(AT)或者被动标签(PT),相对于传统场与惯性技术定位的技术,拥有更高的精度,可以完成更好的定位,在室内定位方面表现优秀。
在一些实施例中,施工人员布局信息,还包括施工人员到场时间、施工人员施工人员离场时间、施工人员离场次数、施工人员变化速度、施工人员变化数量、施工小组数量、施工人员工种配比、施工人员作业环境信息和施工人员动向信息。
在一些实施例中,安全预警包括功放喇叭播放警示语音预警、指示灯预警、鸣笛预警和智能终端设备推送消息预警,控制警报设备进行预警信息推送,其中预警信息实际传播的形式是一种电信号序列,控制处理部件中的集成电路芯片根据接收的电信号序列,对照存储存储设备中的信号对应表,使警报预警消息推送的对应动作,警报设备为功放喇叭、显示屏和显示灯等常见警报设备中的一种或组合。
本申请的另一个实施例还提供了一种施工场地安全监测系统,包括:
传感识别装置,传感识别装置与工地基础设施连接,传感识别装置中包括组合识别模块和警报设备,组合识别模块包括多种传感器,组合识别模块结合多种传感器的参数得出施工人员布局信息;
传输网络,传输网络将传感识别装置得出的施工人员布局信息传输到数据总线;
控制处理部件,用于根据数据总线中的施工人员布局信息,控制警报设备进行安全预警。
本申请实施例的施工场地安全监测系统,至少具有以下有益效果:在工地建设过程中,通过与工地基础设施连接的传感识别装置中的多种传感器获得多种传感信息,同时多种传感器组成组合识别模块,组合识别模块结合多种传感信息匹配当前场景,多个组合识别模块联动得出能代表当前场景的施工人员布局信息,并将施工人员布局信息通过传输网络传输给控制处理部件,控制处理部件根据施工人员布局信息进行安全预警,能够进一步地提高安全监测系统的监测能力以及监测准备率,建造人员根据具体信息对工地建设细节和进度进行调整,从而更好的规避风险,更好的保障建设效率和工地建设安全。
在一些实施例中,控制处理部件可以为单片机或者现场可编程逻辑门阵列(FieldProgrammable Gate Array,PFGA)芯片。
本申请的另一个实施例还提供了一种施工场地安全监测系统,该施工场地安全监测系统可用于执行如上任意实施例中的控制方法,例如,执行以上描述的图1中的方法步骤S110 至S160、图2中的方法步骤S210至S230、图3中的方法步骤S310至S330。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外,本申请的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,执行以上描述的图1中的方法步骤S110至S160、图2中的方法步骤S210至S230、图3中的方法步骤S310至S330。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本申请的较佳实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于机器学习的施工场地安全监测方法,其特征在于,所述安全监测方法,包括:
通过传感识别技术控制施工场地传感设备获取施工人员布局信息;
根据所述施工人员布局信息获取代表当前施工情况信息的向量f1;
结合所述向量f1与预设的权重向量g1得出向量f2;
通过计算余弦相似度的方法得出所述向量f2与预设的场景特征向量集内各向量的相似度矩阵;
根据所述相似度矩阵得出与所述向量f2相似度最高的拟合场景向量;
根据所述拟合场景向量所映射的场景信息进行安全预警。
2.根据权利要求1所述的安全监测方法,其特征在于,所述根据所述施工人员布局信息获取代表当前施工情况信息的向量f1,包括:
所述所述施工人员布局信息包括施工人员类别信息和施工人员位置信息;
生成所述施工人员类别信息与所述施工人员位置信息相对应的二维数组w1;
压缩数组w1得到代表当前施工情况信息的向量f1。
4.根据权利要求1所述的安全监测方法,其特征在于,所述获取来自传感设备的施工场地数据,包括:
通过定位设备获取施工人员位置信息;
根据所述施工人员位置信息启动摄影设备;
获取来自所述摄影设备的施工场地数据。
5.根据权利要求1所述的安全监测方法,其特征在于,所述通过计算余弦相似度的方法得出所述向量f2与场景特征向量集内各向量的相似度矩阵后,还包括,将所述向量f2并入所述场景特征向量集。
6.根据权利要求1所述的安全监测方法,其特征在于,所述根据所述拟合场景向量所映射的场景信息进行安全预警后,还包括,将所述向量f2与对应场景信息更新到场景特征向量与场景信息的映射关系表中。
7.根据权利要求1所述的安全监测方法,其特征在于,所述通过传感识别技术控制施工场地传感设备获取施工人员布局信息,包括:
通过图像识别技术获取施工人员身份信息;
通过RFID技术获取施工人员位置信息。
8.一种施工场地安全监测系统,其特征在于,包括:
传感识别装置,所述传感识别装置与工地基础设施连接,所述传感识别装置中包括组合识别模块和警报设备,所述组合识别模块包括多种传感器,所述组合识别模块结合多种传感器的参数得出施工人员布局信息;
传输网络,所述传输网络将所述传感识别装置得出的所述施工人员布局信息传输到数据总线;
控制处理部件,用于根据所述数据总线中的所述施工人员布局信息,控制所述警报设备进行安全预警。
9.一种施工场地安全监测系统,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的安全监测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任意一项所述的安全监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111202285.3A CN114065340B (zh) | 2021-10-15 | 2021-10-15 | 基于机器学习的施工场地安全监测方法及系统、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111202285.3A CN114065340B (zh) | 2021-10-15 | 2021-10-15 | 基于机器学习的施工场地安全监测方法及系统、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065340A true CN114065340A (zh) | 2022-02-18 |
CN114065340B CN114065340B (zh) | 2024-07-26 |
Family
ID=80234607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111202285.3A Active CN114065340B (zh) | 2021-10-15 | 2021-10-15 | 基于机器学习的施工场地安全监测方法及系统、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065340B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595994A (zh) * | 2022-03-18 | 2022-06-07 | 湖南工研科技有限公司 | 一种基于物联网智慧工地云平台 |
CN114758483A (zh) * | 2022-04-14 | 2022-07-15 | 江苏国电南自海吉科技有限公司 | 一种基于余弦相似性的电力设备动态智能预警方法 |
CN118410428A (zh) * | 2024-03-20 | 2024-07-30 | 广东泽宝勘测设计研究有限公司 | 一种地铁隧道自动化监测方法、系统、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009271628A (ja) * | 2008-05-01 | 2009-11-19 | Giken Kogyo Kk | 安全監視システム |
CN103118043A (zh) * | 2011-11-16 | 2013-05-22 | 阿里巴巴集团控股有限公司 | 一种用户账号的识别方法及设备 |
US20150127290A1 (en) * | 2012-05-07 | 2015-05-07 | Google, Inc. | Pedometer in a low-power device |
US20180173803A1 (en) * | 2016-12-15 | 2018-06-21 | Linkedln Corporation | Determining similarities among industries to enhance job searching |
CN109409768A (zh) * | 2018-11-12 | 2019-03-01 | 广东工业大学 | 物流运输车辆的预警方法 |
CN111797873A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 场景识别方法、装置、存储介质及电子设备 |
-
2021
- 2021-10-15 CN CN202111202285.3A patent/CN114065340B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009271628A (ja) * | 2008-05-01 | 2009-11-19 | Giken Kogyo Kk | 安全監視システム |
CN103118043A (zh) * | 2011-11-16 | 2013-05-22 | 阿里巴巴集团控股有限公司 | 一种用户账号的识别方法及设备 |
US20150127290A1 (en) * | 2012-05-07 | 2015-05-07 | Google, Inc. | Pedometer in a low-power device |
US20180173803A1 (en) * | 2016-12-15 | 2018-06-21 | Linkedln Corporation | Determining similarities among industries to enhance job searching |
CN109409768A (zh) * | 2018-11-12 | 2019-03-01 | 广东工业大学 | 物流运输车辆的预警方法 |
CN111797873A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 场景识别方法、装置、存储介质及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595994A (zh) * | 2022-03-18 | 2022-06-07 | 湖南工研科技有限公司 | 一种基于物联网智慧工地云平台 |
CN114595994B (zh) * | 2022-03-18 | 2022-09-30 | 湖南工研科技有限公司 | 一种基于物联网智慧工地云平台 |
CN114758483A (zh) * | 2022-04-14 | 2022-07-15 | 江苏国电南自海吉科技有限公司 | 一种基于余弦相似性的电力设备动态智能预警方法 |
CN118410428A (zh) * | 2024-03-20 | 2024-07-30 | 广东泽宝勘测设计研究有限公司 | 一种地铁隧道自动化监测方法、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114065340B (zh) | 2024-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11735018B2 (en) | Security system with face recognition | |
CN114065340A (zh) | 基于机器学习的施工场地安全监测方法及系统、存储介质 | |
CN109583278B (zh) | 人脸识别报警的方法、装置、系统及计算机设备 | |
US20190251369A1 (en) | License plate detection and recognition system | |
CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
Arietta et al. | City forensics: Using visual elements to predict non-visual city attributes | |
KR101897923B1 (ko) | 신경망 학습 모델 기반 추적 객체 추출 서비스 제공 시스템, 이의 방법, 그리고 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 | |
CN109325429B (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN105404860A (zh) | 用于管理走失人员信息的方法和设备 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
KR102333143B1 (ko) | 무인 계수 서비스 제공 시스템 | |
CN112770265A (zh) | 一种行人身份信息获取方法、系统、服务器和存储介质 | |
JP2019117556A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN115272656A (zh) | 环境检测报警方法、装置、计算机设备及存储介质 | |
CN112633222A (zh) | 基于对抗网络的步态识别方法、装置、设备及介质 | |
CN113673326B (zh) | 一种基于图像深度学习的无人机平台人群计数方法及系统 | |
CN117765348A (zh) | 目标检测模型的部署方法和目标检测方法及电子设备 | |
CN111695404B (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
CN114419480A (zh) | 一种多人身份和动作关联识别方法、装置及可读介质 | |
CN110795980A (zh) | 基于网络视频的逃犯识别方法、设备、存储介质及装置 | |
CN113627321A (zh) | 基于人工智能的图像识别方法、装置及计算机设备 | |
CN113505704A (zh) | 图像识别的人员安全侦测方法、系统、设备及存储介质 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN113435753A (zh) | 高危行业中企业风险判定方法、装置、设备及介质 | |
CN116959099A (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |