CN114187559A - 一种建筑施工现场不同机械设备识别方法 - Google Patents

Abstract

本发明公开了一种建筑施工现场不同机械设备识别方法，具体步骤如下：步骤一：建筑施工现场的区域边界确定；步骤二：机械设备图像采集；步骤三：机械设备目标检测与边界框确定；步骤四：机械设备特征提取；步骤五：机械设备特征融合；步骤六：应用验证集优化评估结果；步骤七：应用测试集确定检测结果；步骤八：判断是否符合作业区域机械设备规定。本发明可有效解决机械设备交叉作业管理难题，提高了安防视频监控的智能性、稳定性和准确性。

Description

一种建筑施工现场不同机械设备识别方法

技术领域

本发明涉及建筑施工工程领域，具体涉及一种建筑施工现场不同机械设备识别方法。

背景技术

在建筑施工现场，普遍存在多种机械设备交叉作业的现象，容易引起机械伤害、起重伤害、物体打击等风险，增加工程项目现场管理的成本。针对这一问题，传统的建筑施工现场管理方法是通过管理人员巡视、拍照等手段指挥现场机械设备的进出和调度，但是这种方式难以保证每个时刻、每个地点覆盖，无法应对快速变化的施工现场作业。随着安防摄像头逐渐普及，各种建筑施工现场的机械设备作业情况基本得到实时监控。然而这一过程仍然需要管理人员自主判断，不能做到自动识别报警。不但造成人力浪费，监控人员也不能保证能够监视所有建筑施工区域机械设备的作业。

因此，需要一种新的监控方法和系统，用以对建筑施工现场不同机械设备进行自动识别，一方面解决机械设备交叉作业管理难题，另一方面提高安防视频监控的智能性、稳定性和准确性。

基于上述情况，本发明提出了一种建筑施工现场不同机械设备识别方法，可有效解决以上问题。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供一种建筑施工现场不同机械设备识别方法。本发明可有效解决机械设备交叉作业管理难题，提高了安防视频监控的智能性、稳定性和准确性。

为解决上述技术问题，本发明通过下述技术方案实现：

本发明提供了一种建筑施工现场不同机械设备识别方法，包括如下步骤：

S1、采用发光二极管将建筑施工现场的区域分割成一个或多个正方形区域，生成建筑施工现场的区域边界；

S2、在建筑施工现场的区域内设置若干图像采集装置，通过图像采集装置对建筑施工现场的区域边界内的机械设备进行视频信息采集，将获得的图像数据划分为训练集、验证集及测试集；

S3、采用聚类算法分析训练集，对机械设备目标检测与边界框进行确定，调整区域边缘从而更准确地预测目标的真实边界框；

S4、采用单一的卷积神经网络与多次卷积神经网络重复预测同一时刻不同角度的多张图像的边界框和类别概率；通过深度可分离卷积，将普通卷积分解为深度卷积和逐点卷积两部分，确定最终机械设备特征；

S5、采用多层次的特征提取融合，从浅层特征逐步到深层特征的融合；

S6、根据验证集数据估计训练中或训练后的泛化误差，更新并不断消除训练集中的超参数；

S7、所有超参数优化完成后，通过测试集对泛化误差进行估计，确定检测结果；

S8、事先在图像采集装置中输入特定建筑施工现场区域机械设备的类型、作业时间、数量的算法，结合步骤S7的检测结果，判断是否满足要求；若满足，输出设备的相关信息；若不满足，发出报警信息。

作为本发明的一种优选技术方案，所述步骤S1中，发光二极管的光源为红色，便于图像采集装置可直接抓取红色光源，从而确定区域边界。

作为本发明的一种优选技术方案，所述步骤S2中，图像采集装置为安防监控摄像头，以施工现场中心区域为中心点，采用等边三角点布置三个摄像头，监控视野要覆盖整个施工现场区域。

作为本发明的一种优选技术方案，安防监控摄像头按帧获取同一时刻三个角度的实时图像数据，图像数据按时间顺序，将采集图像数据集的前60％作为训练集，中间20％作为验证集，后20％作为测试集。

作为本发明的一种优选技术方案，所述步骤S3中，采用K-means聚类算法分析训练集，在输入图像数据集中选取大量的区域，然后判断所选中的区域是否包含最终识别的工程机械设备，调整区域边缘从而更准确地预测目标的真实边界框。

作为本发明的一种优选技术方案，所述步骤S4中，首先通过单一的卷积神经网络一次性从步骤S2中完整地预测同一时刻不同角度的三张图像的边界框和类别概率，实现端到端的检测；其次通过多次卷积神经网络重复上述过程；最后通过深度可分离卷积，将普通卷积分解为深度卷积和逐点卷积两部分，减少卷积过程中的计算量，加快识别机械设备的时间，增加容错率。

作为本发明的一种优选技术方案，所述步骤S5中，在每层网络进行卷积操作之前，将上一层的特征图加上该层的特征图，从而保留上一层的部分信息，减少该层信息的丢失。

作为本发明的一种优选技术方案，所述步骤S6中，训练集数据和验证集数据的选择要在同一时间段、同一施工现场区域内。

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明从深度学习的智能监控角度出发，提出一种自动识别建筑施工现场不同机械设备的方法，实现了建筑施工现场不同机械设备作业危险区域的智能化报警，有效提升机械设备交叉作业管理的效率。

(2)本发明考虑了机械设备识别中图像数据处理的方法，将新采集到的建筑施工现场图像重复放入模型强化训练，扩充了数据集，得到高可靠性的检测结果，为图像识别技术也提供新的思路。

附图说明

图1是本发明的施工区域内机械设备识别流程图；

图2是本发明的建筑施工现场区域边界的确定范围图；

图3是本发明的机械设备图像采集摄像头的布置空间图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本发明提供一种建筑施工现场不同机械设备识别方法，包括以下步骤：

步骤一：建筑施工现场的区域边界确定

如图2所示，在施工区域边界点布置四个红色发光二极管，将边界确定为一个正方形区域。当施工区域过大或不规则时，可增加二极管数量，将区域分割为若干正方形区域。安防摄像头可直接抓取二极管光源，生成特定建筑施工现场的区域边界。

步骤二：机械设备图像采集

如图3所示，可以在建筑施工现场设置安防监控摄像头等图像采集装置，以施工现场中心区域为中心点，采用等边三角点来布置三个摄像头。进一步地，考虑现场情况，对便于安装摄像头的位置，采用近似等边三角形的方式，三个摄像头距中心点连线的夹角在110°到130°之间，并且视野要覆盖整个施工现场区域。

通过三个摄像头对建筑施工现场的区域边界内的机械设备进行视频信息采集，按帧获取同一时刻三个角度的实时图像数据。所述图像数据按照时间顺序，将采集图像数据集的60％作为训练集，20％作为验证集，20％作为测试集。即，每采集100张照片，将前60张存储作为训练集，中间20张存储作为验证集，后20张存储作为测试集。

步骤三：机械设备目标检测与边界框确定

在本实施例中，可选的，目标检测与边界框确定算法采用K-means聚类算法分析训练集，在输入图像数据集中选取大量的区域，然后判断所选中的区域是否包含最终识别的工程机械设备，调整区域边缘从而更准确地预测目标的真实边界框。这些候选框会以已识别图片的宽高比和大小为基础，在训练过程中不断地调整。因此，通过对数据集进行分析，找出针对数据集中样本提前预备合适尺度的候选框能够有效的提高算法精度。数据集中目标的宽高比随着图片的不同进行着变动，但同一种工地机械设备的宽高比有着相似性，聚类分析整个样本数据集从而得到各个机械设备宽高比的规律。K-means算法的核心思想是在设备标注的真实框中选取K个框作为初始的簇中心框，进一步计算每一个样本框与初始簇中心框的距离值，将每一个样本框分配到距离最近的簇中心。簇中心与分配到的样本框构成了一个聚类。每分配到一个样本框，聚类的簇中心会根据聚类中存在的样本框进行重新计算。不断重复上述过程，当没有样本框被重新分配给不同的聚类或者簇中心不再发生变化时终止聚类。

步骤四：机械设备特征提取

在本实施例中，特征提取网络可以将输入图片中机械设备目标的检测看作回归问题，从空间上分离边界框和目标类别概率。通过单一的卷积神经网络一次性从完整的图像上预测边界框和类别概率，实现端到端的检测。通过深度可分离卷积，减少卷积过程中的计算量，加快识别机械设备的时间，增加容错率。深度可分离卷积将普通卷积分解为深度卷积和逐点卷积两部分。普通形式的卷积使用一个和输入数据通道数相同的卷积核执行逐个通道卷积后，求和获得一个通道的输出。逐点卷积是使用一组通道数为1的卷积核，每次只处理一个输入通道，并且这一组卷积核的数量和输入通道数相同。使用深度卷积和逐点卷积结合常见的残差结构搭建反残差块，改善网络加深带来的问题，反残差块结构为BN算法和Mish激活函数。作用为反向传播时，错误信号可以不经过任何中间权重矩阵变换直接传播到低层，一定程度上可以缓解梯度弥散问题，使得信息前后向传播更加顺畅。

步骤五：机械设备特征融合

在本实施例中，特征融合采用多层次的提取特征。基于卷积神经网络中不同层级的特征图获得的语义信息不同，浅层特征层中主要包括颜色、形状等信息，主要感受目标的颜色信息、形状变化、背景遮挡等情况；深层特征是经过多个卷积层甚至整个网络提取的高级语义信息。首先，网络低层任务目标是提取机械设备的一些轮廓特征，随着网络的深入提取的特征改变为机械设备的轮胎、翻斗等更高的语义特征，到最后网络到达最深的层就提取到了整个机械设备的特征。这样网络的最后一层就可以接入一个分类器进行检测识别。但是随着网络的加深，每一层都会丢失一些信息，到最后一层就会丢掉比较多的信息。为了解决这个问题，就加入多尺度特征融合，有了特征融合的解决方案。基本思想是考虑在某一层网络进行卷积操作之前，将上一层的特征图加上该层的特征图，这样就可以保留上一层的一些信息，减少该层信息的丢失。通过非极大值抑制算法解决的是一个目标被多次检测的问题。在特征提取的过程中，算法可能对同一物体识别了多次，非极大值抑制算法可以选取得分最高的那个候选框为最终的物体识别框。

步骤六：应用验证集优化评估结果

在本实施例中，对于每次训练的模型必然存在过拟合或欠拟合的情况，即存在超参数，要根据验证集数据估计训练中或训练后的泛化误差，更新并不断消除超参数。具体实施步骤为：首先从需要被处理的训练集中随机分离出一个10％数据量的测试/保留集以用于模型的最终评估，剩下的数据将被分割成K个折叠数(子集)。然后交叉验证迭代这些折叠数，在每次迭代中使用一个K折叠作为验证集，同时使用所有剩余的折叠作为训练集。最后重复这个过程，直到每个折叠都被用作验证集，从而消除超参数。多数机械设备通过训练集数据训练后区别较为容易，难度在于机械设备的动态作业性质，导致同一机械在不同时刻会呈现不同形态，因此，训练集数据和验证集数据的选择要在同一时间段、同一施工现场区域内。

步骤七：应用测试集确定检测结果

在本实施例中，所有超参数优化完成后，泛化误差要通过测试集来估计，得出最终检测结果。根据测试集的图片进度调整训练时间，对特征明显的机械设备如塔式起重机可通过浅层网络提取轮廓特征。对于混凝土搅拌车、混凝土翻斗车等复杂机械设备要采用深层网络，从网络中选取大量机械设备图像数据，提取特征值对比，出现少量无法识别的采用人工认定。

步骤八：判断符合作业区域机械设备规定

在本实例中，事先在摄像头中输入特定建筑施工现场区域机械设备的类型、作业时间、数量的算法，结合步骤七的检测结果，判断是否满足要求。可以结合定位技术，预先在机械设备上设置定位装置，在检测到机械设备处于违规作业区域或时间时，对其驾驶员进行身份识别和定位，也可以与移动通信装置绑定，对未按规定作业的区域内机械设备驾驶员发出报警信息。若施工现场区域的机械设备符合规定，则实时输出机械设备类型、数量、工作时长、定位信息。

依据本发明的描述及附图，本领域技术人员很容易使用本发明的一种建筑施工现场不同机械设备识别方法，并且能够产生本发明所记载的积极效果。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (8)

1.一种建筑施工现场不同机械设备识别方法，其特征在于，包括如下步骤：

S1、采用发光二极管将建筑施工现场的区域分割成一个或多个正方形区域，生成建筑施工现场的区域边界；

S2、在建筑施工现场的区域内设置若干图像采集装置，通过图像采集装置对建筑施工现场的区域边界内的机械设备进行视频信息采集，将获得的图像数据划分为训练集、验证集及测试集；

S3、采用聚类算法分析训练集，对机械设备目标检测与边界框进行确定，调整区域边缘从而更准确地预测目标的真实边界框；

S4、采用单一的卷积神经网络与多次卷积神经网络重复预测同一时刻不同角度的多张图像的边界框和类别概率；通过深度可分离卷积，将普通卷积分解为深度卷积和逐点卷积两部分，确定最终机械设备特征；

S5、采用多层次的特征提取融合，从浅层特征逐步到深层特征的融合；

S6、根据验证集数据估计训练中或训练后的泛化误差，更新并不断消除训练集中的超参数；

S7、所有超参数优化完成后，通过测试集对泛化误差进行估计，确定检测结果；

S8、事先在图像采集装置中输入特定建筑施工现场区域机械设备的类型、作业时间、数量的算法，结合步骤S7的检测结果，判断是否满足要求；若满足，输出设备的相关信息；若不满足，发出报警信息。

2.如权利要求1所述的一种建筑施工现场不同机械设备识别方法，其特征在于：所述步骤S1中，发光二极管的光源为红色，便于图像采集装置可直接抓取红色光源，从而确定区域边界。

3.如权利要求1所述的一种建筑施工现场不同机械设备识别方法，其特征在于：所述步骤S2中，图像采集装置为安防监控摄像头，以施工现场中心区域为中心点，采用等边三角点布置三个摄像头，监控视野要覆盖整个施工现场区域。

4.如权利要求3所述的一种建筑施工现场不同机械设备识别方法，其特征在于：安防监控摄像头按帧获取同一时刻三个角度的实时图像数据，图像数据按时间顺序，将采集图像数据集的前60％作为训练集，中间20％作为验证集，后20％作为测试集。

5.如权利要求1所述的一种建筑施工现场不同机械设备识别方法，其特征在于：所述步骤S3中，采用K-means聚类算法分析训练集，在输入图像数据集中选取大量的区域，然后判断所选中的区域是否包含最终识别的工程机械设备，调整区域边缘从而更准确地预测目标的真实边界框。

6.如权利要求1所述的一种建筑施工现场不同机械设备识别方法，其特征在于：所述步骤S4中，首先通过单一的卷积神经网络一次性从步骤S2中完整地预测同一时刻不同角度的三张图像的边界框和类别概率，实现端到端的检测；其次通过多次卷积神经网络重复上述过程；最后通过深度可分离卷积，将普通卷积分解为深度卷积和逐点卷积两部分，减少卷积过程中的计算量，加快识别机械设备的时间，增加容错率。

7.如权利要求1所述的一种建筑施工现场不同机械设备识别方法，其特征在于：所述步骤S5中，在每层网络进行卷积操作之前，将上一层的特征图加上该层的特征图，从而保留上一层的部分信息，减少该层信息的丢失。

8.如权利要求1所述的一种建筑施工现场不同机械设备识别方法，其特征在于：所述步骤S6中，训练集数据和验证集数据的选择要在同一时间段、同一施工现场区域内。

Images