CN114727063B - 施工现场的路径安全监测系统、方法及装置 - Google Patents

施工现场的路径安全监测系统、方法及装置 Download PDF

Info

Publication number
CN114727063B
CN114727063B CN202210339973.2A CN202210339973A CN114727063B CN 114727063 B CN114727063 B CN 114727063B CN 202210339973 A CN202210339973 A CN 202210339973A CN 114727063 B CN114727063 B CN 114727063B
Authority
CN
China
Prior art keywords
worker
path
construction site
coordinate point
cluster
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
Application number
CN202210339973.2A
Other languages
English (en)
Other versions
CN114727063A (zh
Inventor
方东平
古博韬
岳清瑞
李建华
黄玥诚
郭红领
王尧
曹思涵
刘云飞
曹海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Beijing Urban Construction Group Co Ltd
Original Assignee
Tsinghua University
Beijing Urban Construction Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Beijing Urban Construction Group Co Ltd filed Critical Tsinghua University
Priority to CN202210339973.2A priority Critical patent/CN114727063B/zh
Publication of CN114727063A publication Critical patent/CN114727063A/zh
Application granted granted Critical
Publication of CN114727063B publication Critical patent/CN114727063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明是关于一种施工现场的路径安全监测系统、方法及装置，系统包括：数据采集模块，用于通过摄像装置采集施工现场的图像数据；识别模块，用于对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；风险评测模块，用于根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域。

Description

施工现场的路径安全监测系统、方法及装置
技术领域
本发明涉及施工现场的安全风险监控技术领域，尤其涉及一种施工现场的路径安全监测系统、方法及装置。
背景技术
建筑业施工现场的安全问题是困扰行业发展的难题之一，每年造成将近4000人的死亡。工人的伤亡不仅会带来直接的经济损失，并且会间接造成施工工期的延误，甚至会影响施工承包方、业主方的整体发展。不安全行为是造成施工现场安全事故的重要原因，其中工人的移动与安全事故密切相关。在施工现场工人的移动路径大多无法精细到具体的道路，因为工地现场动态变化，不同阶段现场作业的区域不同，因此除了为了承重的工程机械道路外，工人可移动的范围较为灵活。施工现场作业区、工程机械行驶风险区与临时作业区存在碰撞、打击类风险，共同构成工人风险区域。工人的临时移动路径与工人风险区域的重合度代表了施工项目的工人移动风险等级。此外，工人的移动路径与施工现场的施工区域的结合可以为发现路径问题，优化路径提供安全管理的基础。目前缺乏合适的管理工具与方法将工人的移动路径从安全角度加以管理并优化。
施工现场现阶段最常见的传统不安全行为的管理方法为人工监督，通过安全相关监督人员巡场对现场发生的不安全行为加以管理。但是传统方法过于依靠人力，在施工现场安全监督人员能力参差不齐的当下，通过数字化手段收集施工现场的客观数据成为一种提升施工项目安全管理能力的解决方法。此外，工人移动路径单纯通过人工观察无法形成结果，因为路径是工人的空间坐标在时间轴上留下的数据集，无法通过单个或少量空间坐标点观察监督来记录。因此需要一种数字化手段在时间维度上统计出工人群体的移动路径，帮助安全监督人员便捷直观地监控并预警工人移动的风险。
发明内容
为克服相关技术中存在的问题，本发明提供一种施工现场的路径安全监测系统及方法。
根据本发明实施例的第一方面，提供一种施工现场的路径安全监测系统，包括：
数据采集模块，用于通过摄像装置采集施工现场的图像数据；
识别模块，用于对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
风险评测模块，用于根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域。
在一个实施例中，优选地，所述识别模块包括：要素识别单元、路径识别单元和作业识别单元；
所述要素识别单元，用于通过预先收集和标注的施工图像，基于YOLO算法对工人和工程机械进行训练，以分钟为单位在所述图像数据中识别每个工人坐标点和工程机械的种类及中心坐标点；
所述路径识别单元，用于对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径；
所述作业识别单元，用于采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域。
在一个实施例中，优选地，所述路径识别单元具体用于：
将施工现场一平方米按比例尺换算，向上取整得到对应像素数量，具体公式为：
Figure 492062DEST_PATH_IMAGE001
以n p 为单位将当日相机拍摄的最后1小时的第一张图像划分为N个n p ×n p 的像素块；
将每日所有图像数据中的每分钟工人移动坐标点数据集融合，统计每个像素块中的工人数量，并统计整张图像的栅格数据的工人数量中位数值M；
采用DBSCAN聚类算法，将n p 定为邻域半径（eps），
Figure 409202DEST_PATH_IMAGE002
定为最少点数目，扫描图像中所有的工人坐标点，如果目标工人坐标点的半径范围内其余工人数量大于或等于
Figure 126622DEST_PATH_IMAGE002
，则将其纳入路径点集并将其密度直达的工人坐标点构成临时聚类簇；
对于一个临时聚类簇，遍历其中的所有工人坐标点，判断该工人坐标点是否还位于另一个临时聚类簇；
如果位于，则将两个临时聚类簇合并为一个，对每一个临时聚类簇重复此操作，直到没有可合并的临时聚类簇则停止，以获得不同的聚类簇；
将不同的聚类簇编号，记为C i = [(X j , Y j )]，其中i为聚类簇编号，i=1,2,3…n，j为i类聚类簇中的工人坐标点，j=1,2,3…m；
以
Figure 521832DEST_PATH_IMAGE003
为邻域半径（eps），
Figure 273887DEST_PATH_IMAGE004
为最少点数据，扫描图像中所有的工人坐标点，重新进行聚类，以得到聚类簇组
Figure 96350DEST_PATH_IMAGE005
；
将聚类簇组
Figure 301066DEST_PATH_IMAGE005
中所有(C i )包括的工人坐标点剔除，将聚类簇组剩余坐标合并到数组C l ，以得到工人移动主路径的聚类簇集(C i )，辅路径的数据集C l ，并进行逻辑回归，得到聚类的决策边界。
在一个实施例中，优选地，所述作业识别单元具体用于：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i , i=0,1,……n，其中第一个60秒对应BG 0 ；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界。
在一个实施例中，优选地，所述风险评估模块包括：
第一风险评估单元，用于以分钟为单位统计出现在施工现场的主路径与辅路径的工程机械数量以及像素数量，采用以下公式计算路径风险指数：
Figure 499966DEST_PATH_IMAGE006
其中，R为路径风险指数，N m 为当日出现在主路径的工程机械数量，N a 为当日出现在辅路径的工程机械数量，N rm 为主路径覆盖的像素数量，N ra 为辅路径覆盖的像素数量；
工程机械按类别统计其中心点坐标出现在主路径与辅路径的频数，其中，辅路径的频数乘以0.5的系数与主路径加和获得该类别工程机械的人机交互频数，记录频数最高的工程机械为风险工程机械。
在一个实施例中，优选地，所述风险评估模块包括：
第二风险评估单元，用于将工人移动坐标点数据集与主路径覆盖的工人坐标点集和辅路径覆盖的工人坐标点集做补集运算，得到剩余的空间坐标点，将所述剩余的空间坐标点确定为第一异常移动坐标点；和
将主路径与辅路径每类中出现的工人移动坐标点对应的时间通过K-mean数据挖掘算法做聚类，并用最大轮廓系数确定聚类的类别数，统计每个聚类簇中含的数据量，计算所有聚类簇的平均数据数量N，然后计聚类簇中数据量小于N/2的聚类簇，以得到异常聚类簇及其中的工人坐标点与时间数据，将所述异常聚类簇中的工人移动坐标点确定为第二异常移动坐标点。
在一个实施例中，优选地，所述风险评估模块包括：
第三风险评估单元，用于从BIM系统中获取施工计划图，确定所述主路径中的工人移动坐标点在所述施工计划图中对应的区域；对于非预设路径区及非作业区域的主路径坐标所对应的区域，在所述施工计划图中突出显示，以进行预警。
在一个实施例中，优选地，所述系统还包括：
校准模块，用于每日对摄像装置进行校准。
根据本发明实施例的第二方面，提供一种施工现场的路径安全监测方法，包括：
通过摄像装置采集施工现场的图像数据；
对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域。
在一个实施例中，优选地，对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域，包括：
通过预先收集和标注的施工图像，基于YOLO算法对工人和工程机械进行训练，以分钟为单位在所述图像数据中识别每个工人坐标点和工程机械的种类及中心坐标点；
对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径；
采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域。
在一个实施例中，优选地，对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径，包括：
将施工现场一平方米按比例尺换算，向上取整得到对应像素数量，具体公式为：
Figure 930747DEST_PATH_IMAGE001
以n p 为单位将当日相机拍摄的最后1小时的第一张图像划分为N个n p ×n p 的像素块；
将每日所有图像数据中的每分钟工人移动坐标点数据集融合，统计每个像素块中的工人数量，并统计整张图像的栅格数据的工人数量中位数值M；
采用DBSCAN聚类算法，将n p 定为邻域半径（eps），
Figure 924111DEST_PATH_IMAGE002
定为最少点数目，扫描图像中所有的工人坐标点，如果目标工人坐标点的半径范围内其余工人数量大于或等于
Figure 616123DEST_PATH_IMAGE002
，则将其纳入路径点集并将其密度直达的工人坐标点构成临时聚类簇；
对于一个临时聚类簇，遍历其中的所有工人坐标点，判断该工人坐标点是否还位于另一个临时聚类簇；
如果位于，则将两个临时聚类簇合并为一个，对每一个临时聚类簇重复此操作，直到没有可合并的临时聚类簇则停止，以获得不同的聚类簇；
将不同的聚类簇编号，记为C i = [(X j , Y j )]，其中i为聚类簇编号，i=1,2,3…n，j为i类聚类簇中的工人坐标点，j=1,2,3…m；
以
Figure 353135DEST_PATH_IMAGE003
为邻域半径（eps），
Figure 876520DEST_PATH_IMAGE004
为最少点数据，扫描图像中所有的工人坐标点，重新进行聚类，以得到聚类簇组
Figure 244048DEST_PATH_IMAGE005
；
将聚类簇组
Figure 485673DEST_PATH_IMAGE005
中所有(C i )包括的工人坐标点剔除，将聚类簇组剩余坐标合并到数组C l ，以得到工人移动主路径的聚类簇集(C i )，辅路径的数据集C l ，并进行逻辑回归，得到聚类的决策边界。
在一个实施例中，优选地，采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域，包括：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i , i=0,1,……n，其中第一个60秒对应BG 0 ；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界。
在一个实施例中，根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域，包括：
以分钟为单位统计出现在施工现场的主路径与辅路径的工程机械数量以及像素数量，采用以下公式计算路径风险指数：
Figure 698480DEST_PATH_IMAGE006
其中，R为路径风险指数，N m 为当日出现在主路径的工程机械数量，N a 为当日出现在辅路径的工程机械数量，N rm 为主路径覆盖的像素数量，N ra 为辅路径覆盖的像素数量；
工程机械按类别统计其中心点坐标出现在主路径与辅路径的频数，其中，辅路径的频数乘以0.5的系数与主路径加和获得该类别工程机械的人机交互频数，记录频数最高的工程机械为风险工程机械。
在一个实施例中，根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域，包括：
将工人移动坐标点数据集与主路径覆盖的工人坐标点集和辅路径覆盖的工人坐标点集做补集运算，得到剩余的空间坐标点，将所述剩余的空间坐标点确定为第一异常移动坐标点；和
将主路径与辅路径每类中出现的工人移动坐标点对应的时间通过K-mean数据挖掘算法做聚类，并用最大轮廓系数确定聚类的类别数，统计每个聚类簇中含的数据量，计算所有聚类簇的平均数据数量N，然后计聚类簇中数据量小于N/2的聚类簇，以得到异常聚类簇及其中的工人坐标点与时间数据，将所述异常聚类簇中的工人移动坐标点确定为第二异常移动坐标点。
在一个实施例中，根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域，包括：
从BIM系统中获取施工计划图，确定所述主路径中的工人移动坐标点在所述施工计划图中对应的区域；对于非预设路径区及非作业区域的主路径坐标所对应的区域，在所述施工计划图中突出显示，以进行预警。
在一个实施例中，优选地，所述方法还包括：
每日对摄像装置进行校准。
根据本发明实施例的第三方面，提供一种施工现场的路径安全监测装置，装置包括：
处理器；
用于存储处理器可执行指令的存储器;
其中，处理器被配置为：
通过摄像装置采集施工现场的图像数据；
对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明基于数据挖掘技术构建施工现场路径安全风险监控与预警系统，通过系留系统与计算机视觉技术采集施工现场的工人移动数据后，基于无监督聚类算法将数据加以分类并构建预警阈值，从而实现以天为单位的施工现场工人移动路径监控与预警。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种施工现场的路径安全监测系统的框图。
图2是根据一示例性实施例示出的一种施工现场的路径安全监测系统中数据采集模块的框图。
图3是根据一示例性实施例示出的一种施工现场的路径安全监测系统中识别模块的框图。
图4是根据一示例性实施例示出的一种施工现场的路径安全监测系统中主路径和辅路径的示意图。
图5是根据一示例性实施例示出的一种施工现场的路径安全监测系统中作业区域的示意图。
图6是根据一示例性实施例示出的一种施工现场的路径安全监测系统中风险评估模块的框图。
图7是根据一示例性实施例示出的一种施工现场的路径安全监测系统中第一异常移动坐标点的示意图。
图8是根据一示例性实施例示出的一种施工现场的路径安全监测系统中第二异常移动坐标点的示意图。
图9是根据一示例性实施例示出的一种施工现场的路径安全监测系统中作业区域和非作业区域的的示意图。
图10是根据一示例性实施例示出的另一种施工现场的路径安全监测系统的框图。
图11是根据一示例性实施例示出的另一种施工现场的路径安全监测方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种施工现场的路径安全监测系统的框图。
如图1所示，根据本发明实施例的第一方面，提供一种施工现场的路径安全监测系统，包括：
数据采集模块11，用于通过摄像装置采集施工现场的图像数据；
其中，如图2所示，数据采集模块11包括包含系留飞艇、高清相机、云台、图传模块和遥控模块五大子模块。为了保证画面覆盖施工现场，高清相机安装在至少100米的高处，相机倾角以画面覆盖整体施工现场为准。为了保证画面的清晰度，本发明选择6K及以上的高清相机对施工现场进行实时监控。云台模块采用三轴自稳云台，主要通过IMU（惯性测量单元）和电机磁编码器对云台上的相机镜头做姿态校准，保证镜头的稳定。遥控模块用于遥控镜头的朝向。图传模块用于实时传输高清相机采集的图片到地面工控机中。
施工现场缺少安装相机的高空位置，因此选择系留飞艇提供相机安装的位置。此处选择系留飞艇的主要原因是考虑其能不间断供电从而在高空长时间作业，价格相对无人机更加经济（无人机、工业气球等设备配合系留系统同样可以满足此处的要求）。在具体实施时，首先基于施工图纸，在现场选择合适的位置将飞艇升空，通过系留系统在稳定供电的前提下将飞艇升到100米的高度。然后在地面通过工控机连接遥控模块和图传模块，调整高清相机的朝向。图传模块将高清相机拍摄的照片实时传输到地面工控机中。此外为了保证数据采集模块的长时间工作，系留飞艇连接工地电源（可以是生活区电源）并为整体数据采集模块供电。
识别模块12，用于对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
风险评测模块13，用于根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域。
图3是根据一示例性实施例示出的一种施工现场的路径安全监测系统中识别模块的框图。
如图3所示，在一个实施例中，优选地，所述识别模块12包括：要素识别单元31、路径识别单元32和作业识别单元33；
所述要素识别单元31，用于通过预先收集和标注的施工图像，基于YOLO算法对工人和工程机械进行训练，以分钟为单位在所述图像数据中识别每个工人坐标点和工程机械的种类及中心坐标点；
通过预先收集施工现场数据并进行标注，基于YOLO算法对施工人员（普通工人、专业工人、安全监督人员）、典型移动式工程机械（挖掘机、移动式吊车、叉车、打桩机等）进行训练，以分钟为单位在图像中识别并获得施工人员与移动式工程机械的中心空间点坐标。将识别结果存入数据库，如表1所示：
表1
Figure 341951DEST_PATH_IMAGE007
所述路径识别单元32，用于对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径；
所述作业识别单元33，用于采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域。
在一个实施例中，优选地，所述路径识别单元具体32用于：
将施工现场一平方米按比例尺换算，向上取整得到对应像素数量，具体公式为：
Figure 677117DEST_PATH_IMAGE001
以n p 为单位将当日相机拍摄的最后1小时的第一张图像划分为N个n p ×n p 的像素块；其中，从X、Y轴原点开始扫描，对图像边缘处不够n p 的部分直接丢弃不做处理。
将每日所有图像数据中的每分钟的每分钟工人移动坐标点数据集融合，统计每个像素块中的工人数量，并统计整张图像的栅格数据的工人数量中位数值M；
采用DBSCAN聚类算法，将n p 定为邻域半径（eps），
Figure 343722DEST_PATH_IMAGE002
定为最少点数目，扫描图像中所有的工人坐标点，如果目标工人坐标点的半径范围内其余工人数量大于或等于
Figure 422536DEST_PATH_IMAGE002
，则将其纳入路径点集并将其密度直达的工人坐标点构成临时聚类簇；
对于一个临时聚类簇，遍历其中的所有工人坐标点，判断该工人坐标点是否还位于另一个临时聚类簇；
如果位于，则将两个临时聚类簇合并为一个，对每一个临时聚类簇重复此操作，直到没有可合并的临时聚类簇则停止，以获得不同的聚类簇；
将不同的聚类簇编号，记为C i = [(X j , Y j )]，其中i为聚类簇编号，i=1,2,3…n，j为i类聚类簇中的工人坐标点，j=1,2,3…m；
以
Figure 858197DEST_PATH_IMAGE003
为邻域半径（eps），
Figure 629844DEST_PATH_IMAGE004
为最少点数据，扫描图像中所有的工人坐标点，重新进行聚类，以得到聚类簇组
Figure 393531DEST_PATH_IMAGE005
；该步骤以
Figure 213720DEST_PATH_IMAGE003
为邻域半径（eps），
Figure 566204DEST_PATH_IMAGE004
为最少点数据，扫描图像中所有的工人坐标点，重复按照上述DBSCAN聚类算法的步骤，得到聚类簇组
Figure 446435DEST_PATH_IMAGE005
；
将聚类簇组
Figure 884370DEST_PATH_IMAGE005
中所有(C i )包括的工人坐标点剔除，将聚类簇组剩余坐标合并到数组C l ，以得到工人移动主路径的聚类簇集(C i )，辅路径的数据集C l ，并进行逻辑回归，得到聚类的决策边界，如图4所示，图中示出了聚类簇集中的两类主路径和辅路径。
在一个实施例中，优选地，所述作业识别单元具体用于：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i , i=0,1,……n，其中第一个60秒对应BG 0 ；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界，如图5所示。
图6是根据一示例性实施例示出的一种施工现场的路径安全监测系统中风险评估模块的框图。
如图6所示，在一个实施例中，优选地，所述风险评估模块13包括：
第一风险评估单元61，用于以分钟为单位统计出现在施工现场的主路径与辅路径的工程机械数量以及像素数量，采用以下公式计算路径风险指数：
Figure 242670DEST_PATH_IMAGE006
其中，R为路径风险指数，N m 为当日出现在主路径的工程机械数量，N a 为当日出现在辅路径的工程机械数量，N rm 为主路径覆盖的像素数量，N ra 为辅路径覆盖的像素数量；
工程机械按类别统计其中心点坐标出现在主路径与辅路径的频数，其中，辅路径的频数乘以0.5的系数与主路径加和获得该类别工程机械的人机交互频数，记录频数最高的工程机械为风险工程机械。
第二风险评估单元62，用于将工人移动坐标点数据集与主路径覆盖的工人坐标点集和辅路径覆盖的工人坐标点集做补集运算，得到剩余的空间坐标点，将所述剩余的空间坐标点确定为第一异常移动坐标点，如图7所示；和
将主路径与辅路径每类中出现的工人移动坐标点对应的时间通过K-mean数据挖掘算法做聚类，并用最大轮廓系数确定聚类的类别数，统计每个聚类簇中含的数据量，计算所有聚类簇的平均数据数量N，然后计聚类簇中数据量小于N/2的聚类簇，以得到异常聚类簇及其中的工人坐标点与时间数据，将所述异常聚类簇中的工人移动坐标点确定为第二异常移动坐标点，如图8所示。
第三风险评估单元63，用于从BIM系统中获取施工计划图，确定所述主路径中的工人移动坐标点在所述施工计划图中对应的区域；对于非预设路径区及非作业区域的主路径坐标所对应的区域，在所述施工计划图中突出显示，以进行预警，如图9所示。
图10是根据一示例性实施例示出的另一种施工现场的路径安全监测系统的框图。
如图10所示，在一个实施例中，优选地，所述系统还包括：
校准模块1001，用于每日对摄像装置进行校准。
在系留飞艇首次升空后，通过地面工控机调整高清摄像机拍摄区域，使得画面能够覆盖全部施工现场，此时将IMU传感器的数值归零。IMU传感器的作用是测量高清摄像机的姿态，IMU传感模块通过3个加速度计和3个陀螺仪组C成的组合单元形成笛卡尔坐标系。具有x轴、y轴和z轴，传感器能够测量各轴方向的线性运动，以及围绕各轴的旋转运动。在归零后，每半小时对线性运动与旋转角度进行调整，使得各数值再次为0。由于IMU存在累计误差，每日的早晨7点经过人工校准后对IMU值归零。在使用前需要将一块2000mm×2000mm的紫色正方形塑料板作为校准色块放在现场，在高清摄像机中确认色块的完整存在。将RGB图像转为HSV图像，遍历一帧图像中的像素，找符合如下要求的像素块：
H∈[125, 155], S∈[43, 255], V∈[46, 255]
并记录其水平方向的最大值和最小值对应的像素块坐标与竖直方向的最大值和最小值对应的像素块坐标，将竖直方向的两个像素点与水平方向的两个像素点分别两两计算欧氏距离，将获得的4段距离加和计算算数平均，其对应的真实距离为2米，获得摄像画面的比例尺L。
图11是根据一示例性实施例示出的另一种施工现场的路径安全监测方法的流程图。
如图11所示，根据本发明实施例的第二方面，提供一种施工现场的路径安全监测方法，包括：
步骤S1101，通过摄像装置采集施工现场的图像数据；
步骤S1102，对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
步骤S1103，根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域。
在一个实施例中，优选地，对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域，包括：
通过预先收集和标注的施工图像，基于YOLO算法对工人和工程机械进行训练，以分钟为单位在所述图像数据中识别每个工人坐标点和工程机械的种类及中心坐标点；
对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径；
采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域。
在一个实施例中，优选地，对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径，包括：
将施工现场一平方米按比例尺换算，向上取整得到对应像素数量，具体公式为：
Figure 715239DEST_PATH_IMAGE001
以n p 为单位将当日相机拍摄的最后1小时的第一张图像划分为N个n p ×n p 的像素块；
将每日所有图像数据中的每分钟工人移动坐标点数据集融合，统计每个像素块中的工人数量，并统计整张图像的栅格数据的工人数量中位数值M；
采用DBSCAN聚类算法，将n p 定为邻域半径（eps），
Figure 828689DEST_PATH_IMAGE002
定为最少点数目，扫描图像中所有的工人坐标点，如果目标工人坐标点的半径范围内其余工人数量大于或等于
Figure 691603DEST_PATH_IMAGE002
，则将其纳入路径点集并将其密度直达的工人坐标点构成临时聚类簇；
对于一个临时聚类簇，遍历其中的所有工人坐标点，判断该工人坐标点是否还位于另一个临时聚类簇；
如果位于，则将两个临时聚类簇合并为一个，对每一个临时聚类簇重复此操作，直到没有可合并的临时聚类簇则停止，以获得不同的聚类簇；
将不同的聚类簇编号，记为C i = [(X j , Y j )]，其中i为聚类簇编号，i=1,2,3…n，j为i类聚类簇中的工人坐标点，j=1,2,3…m；
以
Figure 915911DEST_PATH_IMAGE003
为邻域半径（eps），
Figure 915091DEST_PATH_IMAGE004
为最少点数据，扫描图像中所有的工人坐标点，重新进行聚类，以得到聚类簇组
Figure 199442DEST_PATH_IMAGE005
；
将聚类簇组
Figure 611968DEST_PATH_IMAGE005
中所有(C i )包括的工人坐标点剔除，将聚类簇组剩余坐标合并到数组C l ，以得到工人移动主路径的聚类簇集(C i )，辅路径的数据集C l ，并进行逻辑回归，得到聚类的决策边界。
在一个实施例中，优选地，采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域，包括：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i , i=0,1,……n，其中第一个60秒对应BG 0 ；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界。
在一个实施例中，根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域，包括：
以分钟为单位统计出现在施工现场的主路径与辅路径的工程机械数量以及像素数量，采用以下公式计算路径风险指数：
Figure 577650DEST_PATH_IMAGE006
其中，R为路径风险指数，N m 为当日出现在主路径的工程机械数量，N a 为当日出现在辅路径的工程机械数量，N rm 为主路径覆盖的像素数量，N ra 为辅路径覆盖的像素数量；
工程机械按类别统计其中心点坐标出现在主路径与辅路径的频数，其中，辅路径的频数乘以0.5的系数与主路径加和获得该类别工程机械的人机交互频数，记录频数最高的工程机械为风险工程机械。
在一个实施例中，根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域，包括：
将工人移动坐标点数据集与主路径覆盖的工人坐标点集和辅路径覆盖的工人坐标点集做补集运算，得到剩余的空间坐标点，将所述剩余的空间坐标点确定为第一异常移动坐标点；和
将主路径与辅路径每类中出现的工人移动坐标点对应的时间通过K-mean数据挖掘算法做聚类，并用最大轮廓系数确定聚类的类别数，统计每个聚类簇中含的数据量，计算所有聚类簇的平均数据数量N，然后计聚类簇中数据量小于N/2的聚类簇，以得到异常聚类簇及其中的工人坐标点与时间数据，将所述异常聚类簇中的工人移动坐标点确定为第二异常移动坐标点。
在一个实施例中，根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域，包括：
从BIM系统中获取施工计划图，确定所述主路径中的工人移动坐标点在所述施工计划图中对应的区域；对于非预设路径区及非作业区域的主路径坐标所对应的区域，在所述施工计划图中突出显示，以进行预警。
在一个实施例中，优选地，所述方法还包括：
每日对摄像装置进行校准。
根据本发明实施例的第三方面，提供一种施工现场的路径安全监测装置，装置包括：
处理器；
用于存储处理器可执行指令的存储器;
其中，处理器被配置为：
通过摄像装置采集施工现场的图像数据；
对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域。
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (8)

1.一种施工现场的路径安全监测系统，其特征在于，包括：
数据采集模块，用于通过摄像装置采集施工现场的图像数据；
识别模块，用于对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
风险评测模块，用于根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域；
所述识别模块包括：要素识别单元、路径识别单元和作业识别单元；
所述要素识别单元，用于通过预先收集和标注的施工图像，基于YOLO算法对工人和工程机械进行训练，以分钟为单位在所述图像数据中识别每个工人坐标点和工程机械的种类及中心坐标点；
所述路径识别单元，用于对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径；
所述作业识别单元，用于采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域；
所述路径识别单元具体用于：
将施工现场一平方米按比例尺换算，向上取整得到对应像素数量，具体公式为：
Figure FDA0003854489120000011
以np为单位将当日相机拍摄的最后1小时的第一张图像划分为N个np×np的像素块；
将每日所有图像数据中的每分钟工人移动坐标点数据集融合，统计每个像素块中的工人数量，并统计整张图像的栅格数据的工人数量中位数值M；
采用DBSCAN聚类算法，将np定为邻域半径(eps)，
Figure FDA0003854489120000012
定为最少点数目，扫描图像中所有的工人坐标点，如果目标工人坐标点的半径范围内其余工人数量大于或等于
Figure FDA0003854489120000013
则将其纳入路径点集并将其密度直达的工人坐标点构成临时聚类簇；
对于一个临时聚类簇，遍历其中的所有工人坐标点，判断该工人坐标点是否还位于另一个临时聚类簇；
如果位于，则将两个临时聚类簇合并为一个，对每一个临时聚类簇重复此操作，直到没有可合并的临时聚类簇则停止，以获得不同的聚类簇；
将不同的聚类簇编号，记为Ci＝[(Xj，Yj)]，其中i为聚类簇编号，i＝1，2，3...n，j为i类聚类簇中的工人坐标点，j＝1，2，3...m；
以
Figure FDA0003854489120000021
为邻域半径(eps)，
Figure FDA0003854489120000022
为最少点数据，扫描图像中所有的工人坐标点，重新进行聚类，以得到聚类簇组(C′i)；
将聚类簇组(C′i)中所有(Ci)包括的工人坐标点剔除，将聚类簇组剩余坐标合并到数组Cl，以得到工人移动主路径的聚类簇集(Ci)，辅路径的数据集Cl，并进行逻辑回归，得到聚类的决策边界。
2.根据权利要求1的施工现场的路径安全监测系统，其特征在于，所述作业识别单元具体用于：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BGi，i＝0，1，......n，其中第一个60秒对应BG0；
将BGi+1与BGi做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界。
3.根据权利要求1的施工现场的路径安全监测系统，其特征在于，所述风险评测模块包括：
第一风险评估单元，用于以分钟为单位统计出现在施工现场的主路径与辅路径的工程机械数量以及像素数量，采用以下公式计算路径风险指数：
Figure FDA0003854489120000023
其中，R为路径风险指数，Nm为当日出现在主路径的工程机械数量，Na为当日出现在辅路径的工程机械数量，Nrm为主路径覆盖的像素数量，Nra为辅路径覆盖的像素数量；
工程机械按类别统计其中心点坐标出现在主路径与辅路径的频数，其中，辅路径的频数乘以0.5的系数与主路径加和获得该类别工程机械的人机交互频数，记录频数最高的工程机械为风险工程机械。
4.根据权利要求1的施工现场的路径安全监测系统，其特征在于，所述风险评测模块包括：
第二风险评估单元，用于将工人移动坐标点数据集与主路径覆盖的工人坐标点集和辅路径覆盖的工人坐标点集做补集运算，得到剩余的空间坐标点，将所述剩余的空间坐标点确定为第一异常移动坐标点；和
将主路径与辅路径每类中出现的工人移动坐标点对应的时间通过K-mean数据挖掘算法做聚类，并用最大轮廓系数确定聚类的类别数，统计每个聚类簇中含的数据量，计算所有聚类簇的平均数据数量N-，然后计聚类簇中数据量小于N-/2的聚类簇，以得到异常聚类簇及其中的工人坐标点与时间数据，将所述异常聚类簇中的工人移动坐标点确定为第二异常移动坐标点。
5.根据权利要求1的施工现场的路径安全监测系统，其特征在于，所述风险评测模块包括：
第三风险评估单元，用于从BIM系统中获取施工计划图，确定所述主路径中的工人移动坐标点在所述施工计划图中对应的区域；对于非预设路径区及非作业区域的主路径坐标所对应的区域，在所述施工计划图中突出显示，以进行预警。
6.根据权利要求1的施工现场的路径安全监测系统，其特征在于，所述系统还包括：
校准模块，用于每日对摄像装置进行校准。
7.一种施工现场的路径安全监测方法，其特征在于，包括：
通过摄像装置采集施工现场的图像数据；
对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域；
对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域，包括：
通过预先收集和标注的施工图像，基于YOLO算法对工人和工程机械进行训练，以分钟为单位在所述图像数据中识别每个工人坐标点和工程机械的种类及中心坐标点；
对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径；
采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域；
对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径，包括：
将施工现场一平方米按比例尺换算，向上取整得到对应像素数量，具体公式为：
Figure FDA0003854489120000041
以np为单位将当日相机拍摄的最后1小时的第一张图像划分为N个np×np的像素块；
将每日所有图像数据中的每分钟工人移动坐标点数据集融合，统计每个像素块中的工人数量，并统计整张图像的栅格数据的工人数量中位数值M；
采用DBSCAN聚类算法，将np定为邻域半径(eps)，
Figure FDA0003854489120000042
定为最少点数目，扫描图像中所有的工人坐标点，如果目标工人坐标点的半径范围内其余工人数量大于或等于
Figure FDA0003854489120000043
则将其纳入路径点集并将其密度直达的工人坐标点构成临时聚类簇；
对于一个临时聚类簇，遍历其中的所有工人坐标点，判断该工人坐标点是否还位于另一个临时聚类簇；
如果位于，则将两个临时聚类簇合并为一个，对每一个临时聚类簇重复此操作，直到没有可合并的临时聚类簇则停止，以获得不同的聚类簇；
将不同的聚类簇编号，记为Ci＝[(Xj，Yj)]，其中i为聚类簇编号，i＝1，2，3...n，j为i类聚类簇中的工人坐标点，j＝1，2，3...m；
以
Figure FDA0003854489120000044
为邻域半径(eps)，
Figure FDA0003854489120000045
为最少点数据，扫描图像中所有的工人坐标点，重新进行聚类，以得到聚类簇组(C′i)；
将聚类簇组(C′i)中所有(Ci)包括的工人坐标点剔除，将聚类簇组剩余坐标合并到数组Cl，以得到工人移动主路径的聚类簇集(Ci)，辅路径的数据集Cl，并进行逻辑回归，得到聚类的决策边界。
8.一种施工现场的路径安全监测装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
通过摄像装置采集施工现场的图像数据；
对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域；
根据每日工人的移动路径、工人坐标点、工程机械的中心坐标点和所述作业区域，确定移动路径的风险指数和风险工程机械，以及每个工人当日是否存在异常移动或进入非作业区域；
对所述施工现场的图像数据进行识别，以确定施工现场的每个工人坐标点和工程机械的中心坐标点，每日工人的移动路径和所述施工现场的作业区域，包括：
通过预先收集和标注的施工图像，基于YOLO算法对工人和工程机械进行训练，以分钟为单位在所述图像数据中识别每个工人坐标点和工程机械的种类及中心坐标点；
对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径；
采用背景差分算法对所述施工现场的图像数据进行识别，以确实施工现场的作业区域；
对所述施工现场的图像数据进行识别，采用聚类方法确定每日工人的移动路径，包括：
将施工现场一平方米按比例尺换算，向上取整得到对应像素数量，具体公式为：
Figure FDA0003854489120000051
以np为单位将当日相机拍摄的最后1小时的第一张图像划分为N个np×np的像素块；
将每日所有图像数据中的每分钟工人移动坐标点数据集融合，统计每个像素块中的工人数量，并统计整张图像的栅格数据的工人数量中位数值M；
采用DBSCAN聚类算法，将np定为邻域半径(eps)，
Figure FDA0003854489120000052
定为最少点数目，扫描图像中所有的工人坐标点，如果目标工人坐标点的半径范围内其余工人数量大于或等于
Figure FDA0003854489120000053
则将其纳入路径点集并将其密度直达的工人坐标点构成临时聚类簇；
对于一个临时聚类簇，遍历其中的所有工人坐标点，判断该工人坐标点是否还位于另一个临时聚类簇；
如果位于，则将两个临时聚类簇合并为一个，对每一个临时聚类簇重复此操作，直到没有可合并的临时聚类簇则停止，以获得不同的聚类簇；
将不同的聚类簇编号，记为Ci＝[(Xj，Yj)]，其中i为聚类簇编号，i＝1，2，3...n，j为i类聚类簇中的工人坐标点，j＝1，2，3...m；
以
Figure FDA0003854489120000054
为邻域半径(eps)，
Figure FDA0003854489120000055
为最少点数据，扫描图像中所有的工人坐标点，重新进行聚类，以得到聚类簇组(C′i)；
将聚类簇组(C′i)中所有(Ci)包括的工人坐标点剔除，将聚类簇组剩余坐标合并到数组Cl，以得到工人移动主路径的聚类簇集(Ci)，辅路径的数据集Cl，并进行逻辑回归，得到聚类的决策边界。
CN202210339973.2A 2022-04-02 2022-04-02 施工现场的路径安全监测系统、方法及装置 Active CN114727063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210339973.2A CN114727063B (zh) 2022-04-02 2022-04-02 施工现场的路径安全监测系统、方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210339973.2A CN114727063B (zh) 2022-04-02 2022-04-02 施工现场的路径安全监测系统、方法及装置

Publications (2)

Publication Number Publication Date
CN114727063A CN114727063A (zh) 2022-07-08
CN114727063B true CN114727063B (zh) 2022-11-25

Family

ID=82242184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210339973.2A Active CN114727063B (zh) 2022-04-02 2022-04-02 施工现场的路径安全监测系统、方法及装置

Country Status (1)

Country Link
CN (1) CN114727063B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392407B (zh) * 2022-10-28 2023-03-24 中建五局第三建设有限公司 基于无监督学习的危险源预警方法、装置、设备及介质
CN116070790B (zh) * 2023-03-21 2023-09-01 中国建筑一局(集团)有限公司 一种减少施工现场重大安全风险隐患的预测方法和系统
CN116524441B (zh) * 2023-07-03 2023-09-01 四川顶圣工程项目管理有限公司 一种用于工程项目管理的施工现场监督方法
CN117130373B (zh) * 2023-10-26 2024-03-08 超技工业(广东)股份有限公司 一种半成品仓中载具输送机器人的控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145479A (zh) * 2019-12-31 2020-05-12 清华大学 基于bim定位技术的施工危险环境实时预警平台与方法
CN111275923A (zh) * 2020-01-22 2020-06-12 清华大学 施工现场的人机碰撞预警方法及系统
CN113160510A (zh) * 2021-05-31 2021-07-23 西南石油大学 一种建筑施工危险区域的视觉预警方法
CN113536935A (zh) * 2021-06-17 2021-10-22 深圳有象智联科技有限公司 一种工程现场的安全监测方法及设备
CN113762171A (zh) * 2021-09-09 2021-12-07 赛思沃德(武汉)科技有限公司 铁路施工现场安全监测的方法及装置
CN113869245A (zh) * 2021-09-30 2021-12-31 南方电网电力科技股份有限公司 一种安全区域的识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145479A (zh) * 2019-12-31 2020-05-12 清华大学 基于bim定位技术的施工危险环境实时预警平台与方法
CN111275923A (zh) * 2020-01-22 2020-06-12 清华大学 施工现场的人机碰撞预警方法及系统
CN113160510A (zh) * 2021-05-31 2021-07-23 西南石油大学 一种建筑施工危险区域的视觉预警方法
CN113536935A (zh) * 2021-06-17 2021-10-22 深圳有象智联科技有限公司 一种工程现场的安全监测方法及设备
CN113762171A (zh) * 2021-09-09 2021-12-07 赛思沃德(武汉)科技有限公司 铁路施工现场安全监测的方法及装置
CN113869245A (zh) * 2021-09-30 2021-12-31 南方电网电力科技股份有限公司 一种安全区域的识别方法及装置

Also Published As

Publication number Publication date
CN114727063A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN114727063B (zh) 施工现场的路径安全监测系统、方法及装置
CN114493375B (zh) 施工安全宏观评估系统及方法
CN111275923B (zh) 施工现场的人机碰撞预警方法及系统
CN110874596B (zh) 一种仪表智能识别预警方法及系统
CN106296814A (zh) 公路养护检测与可视化交互方法和系统
CN103207987A (zh) 一种指针式仪表的示数识别方法
CN110602449A (zh) 一种基于视觉的大场景下施工安全智能监控系统方法
CN108364466A (zh) 一种基于无人机交通视频的车流量统计方法
CN103266559A (zh) Bp桥梁安全巡检车及获取桥梁表面面相的方法
CN115205718B (zh) 一种地理信息测量系统及其测量方法
CN115506216A (zh) 路面平整度分析方法以及养护巡查系统
CN103528531A (zh) 小型车车辆参数的物联网图像智能检测系统
CN115311592A (zh) 一种基于计算机视觉技术的施工现场物料安全评估系统
CN116862208B (zh) 一种煤矿机器人集群管理系统
CN116912551A (zh) 基于车联网的高速公路设备监测系统
CN110044358B (zh) 基于现场场线特征的移动机器人定位方法
CN115035249A (zh) 一种用于的智慧工地施工进度的可视化实时监测系统
CN114489143B (zh) 施工安全风险监控的无人机管理系统、方法及装置
CN113033443B (zh) 一种基于无人机的行人过街设施全路网自动化排查方法
CN114727064B (zh) 施工安全宏观监控系统及方法
CN117433440A (zh) 一种基于激光点云的巷道形变实时检测方法、装置及存储介质
CN116931599A (zh) 光伏发电场调度机器人的路线控制方法
US20210383141A1 (en) Sign position identification system and program
CN115496399A (zh) 基于无人机的基坑勘测任务即时更新分配方法及系统
CN115409691A (zh) 融合激光测距和监控图像的双模态学习边坡风险检测方法

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
GR01 Patent grant
GR01 Patent grant