CN114936799A - 一种水泥纤维板的施工过程中风险识别方法及系统 - Google Patents
一种水泥纤维板的施工过程中风险识别方法及系统 Download PDFInfo
- Publication number
- CN114936799A CN114936799A CN202210684041.1A CN202210684041A CN114936799A CN 114936799 A CN114936799 A CN 114936799A CN 202210684041 A CN202210684041 A CN 202210684041A CN 114936799 A CN114936799 A CN 114936799A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- construction
- feature
- personnel
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000004568 cement Substances 0.000 title claims abstract description 40
- 239000011094 fiberboard Substances 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 title claims abstract description 24
- 230000001681 protective effect Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000004566 building material Substances 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001214538 Hoya kerrii Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/165—Land development
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供一种水泥纤维板的施工过程中风险识别方法及系统,系统包括人脸识别模块,图像采集模块,人员定位模块、防护装备风险识别模块和人员位置风险识别模块;该水泥纤维板的施工过程中风险识别方法及系统设计合理,通过防护装备风险识别模块,对图像采集模块上传的水泥纤维板施工现场的图像信息进行网络模型的识别,并判断作业人员的人员信息和所穿戴的施工防护设备的类型,若有异常的风险会及时提示,减少了安全管理的人力投入,提高了风险行为的识别率,使得现场作业更加的安全。
Description
技术领域
本发明属于三维模型重建技术领域,特别涉及一种水泥纤维板的施工过程中风险识别方法及系统。
背景技术
随着经济不断发展,人民生活水平不断提高,因此,人们对建筑的美观性、舒适性及功能性有了更高的要求,普通的建材已经不能满足社会需求,纤维水泥板是一种新型建材,由天然纤维水泥制成,其成分有天然纤维、水泥、天然河沙、水和少量化学添加剂,玻璃纤维等,它具有精美的外观和优良特性,应用于各个领域,
超宽带技术(UWB)是一种全新的、与传统通信技术有极大差异的通信新技术,它不需要使用传统通信体制中的载波,而是通过发送和接收具有纳秒或纳秒级以下的极窄脉冲来传输数据,从而具有GHz量级的带宽,超宽带系统与传统的窄带系统相比,具有穿透力强、功耗低、抗多径效果好、安全性高、系统复杂度低、能提供精确定位精度等优点,因此,超宽带技术可以应用于室内静止或者移动物体以及人的定位跟踪与导航,且能提供十分精确的定位精度,通过室内布置数个已知坐标的定位基站,需要定位的人员携带定位标签,标签按照一定的频率发射脉冲,不断和4个已知位置的基站进行测距,通过一定的精确算法定出标签的位置;
射频识别系统(FRID)是一种非接触式的自动识别系统,它通过射频无线信号自动识别目标对象,并获取相关数据,由电子标签、读写器和计算机网络构成,射频识别系统以电子标签来标识物体,电子标签通过无线电波与读写器进行数据交换,读写器可将主机的读写命令传送到电子标签,再把电子标签返回的数据传送到主机,主机的数据交换与管理系统负责完成电子标签数据信息的存储、管理和控制,
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一,基础的CNN由卷积(convolution),激活(activation),和池化(pooling)三种结构组成,CNN输出的结果是每幅图像的特定特征空间,当处理图像分类任务时,会把CNN输出的特征空间作为全连接层或全连接神经网络(fully connected neuralnetwork,FCN)的输入,用全连接层来完成从输入图像到标签集的映射,即分类,当然,整个过程最重要的工作就是如何通过训练数据迭代调整网络权重,也就是后向传播算法,
目标检测的基本思路:同时解决定位(localization)+识别(Recognition),多任务学习,带有两个输出分支,一个分支用于做图像分类,即全连接+softmax判断目标类别,和单纯图像分类区别在于这里还另外需要一个“背景”类,另一个分支用于判断目标位置,即完成回归任务输出四个数字标记预测框位置(例如中心点横纵坐标和包围盒长宽),该分支输出结果只有在分类分支判断不为“背景”时才使用,目前目标检测领域的深度学习方法主要分为两类:两阶段(Two Stages)的目标检测算法、一阶段(One Stage)目标检测算法,两阶段(Two Stages):首先由算法(algorithm)生成一系列作为样本的候选框,再通过卷积神经网络进行样本(Sample)分类,常见的算法有R-CNN、Fast R-CNN、Faster R-CNN等等,一阶段(One Stage):不需要产生候选框,直接将目标框定位的问题转化为回归(Regression)问题处理(Process),常见的算法有YOLO、SSD等等,
公开号为CN112581318A的中国专利公开了“基于BIM与定位技术集成的施工安全预警系统”根据建筑的施工图纸,建立建筑物的BIM模型,并将现场定位数据进行处理集成到BIM模型中;显示单元在BIM模型中显示出定位信息,以及各个定位目标(工地人员、工地车辆、工地设备和工地物料)之间的关系;预警单元包括测点的基础信息、测点对应的后台历史测量数据和计算数据,并根据测点预警阈值,实现测点报警时以电话报警、中心报警和/或短信报警的方式作出相应的报警反应,解决了工作人员的定位与区域风险识别问题,但该技术识别的风险单一,并没有可以检测施工防护装备的能力,不能对施工人员未按要求穿戴施工防护装备这种风险进行预警,水泥纤维板施工场地环境复杂且危险,容易发生意外从而造成人员伤亡,所以工作人员在施工场地中要做好必要的保护措施,正规的施工场地都要求相关人员佩戴施工防护装备,但人总存在侥幸心态,故需要监督机制保证所有人员按要求佩戴施工防护装备。
在现有监督方式主中,人工监督方式效率较低,不仅会出现监督人员疏忽大意的情况,而且无法杜绝监督人员工作时犯主观错误,视频监控在视角盲区的时候,很难做到监管,而且视频监控本质上还是人工监督。
近年来,计算机视觉技术的应用范围越来越广,智能监控就是其中一个重要的方向,通过智能监控能够有效代替人工检查,提高效率,为此,本发明提出一种水泥纤维板的施工过程中风险识别方法及系统。
发明内容
为了解决现有技术存在的问题,本发明提供了一种水泥纤维板的施工过程中风险识别方法及系统,该水泥纤维板的施工过程中风险识别方法及系统设计合理,通过防护装备风险识别模块,对图像采集模块上传的水泥纤维板施工现场的图像信息进行网络模型的识别,并判断作业人员的人员信息和所穿戴的施工防护设备的类型,若有异常的风险会及时提示,减少了安全管理的人力投入,提高了风险行为的识别率,使得现场作业更加的安全。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种水泥纤维板的施工过程中风险识别方法,包括以下步骤:
步骤一:图像采集;采用人脸识别,只有持有工作许可的人员才能识别通过进行以下的风险识别操作,通过水泥纤维板施工现场设置的摄像头对作业现场进行图像采集,再将图像信息上传至系统,对图像进行预处理;
步骤二:人员定位;在施工现场的不同工作区域设置电子标签,人员进入现场后其佩戴的读写装置与电子标签感应,得到人员工作区域信息,将其无线传回系统,在现场设置定位基站,与施工人员佩戴的定位器交互得到响应信息,将其无线传回系统,经算法处理得到人员位置信息和行动轨迹;
步骤三:防护装备风险预警;利用目标检测算法对现场图像进行分析处理,检测施工人员是否穿戴规定种类的施工防护装备,若未全部穿戴则发出警报;
步骤四:人员位置风险预警;对人员定位得到的定位数据进行处理,若靠近危险区域或者长时间处于错误的工作区域则发出警报。
进一步的,所述人脸识别采用基于CNN(卷积神经网络)的人脸识别,利用卷积神经网络对工作人员的人脸进行深度特征提取,利用设备采集到现场作业人员的图像信息后,根据数据库中人脸信息进行比对,确认身份后再进行风险识别的图像信息采集,然后作业人员将各种施工防护设备上传至服务器中,系统可以自定义将获取到施工防护设备图像大小进行自适应缩放,满足深度学习网络中所要求的图像大小,利用自适应灰度填充的方法将获得到的图像信息进行填充将图像的较长边设定为基准,计算图像的宽高比,依据输入图像与要求图像大小的比例计算缩放比例,将图像进行等比例缩放,再对短边进行灰度填充。
进一步的,所述步骤二中,人员定位方法包括两种,具体如下:
①在现场各处设置的基站获得信号接收时的方向以及信号到达的强度,可以使用信号传播时信号强度的减小或者信号传输的飞行的时间计算出发出信号到接收信号间的距离,由接收到的信号方向计算出信号发生标签与基站之间的角度,利用双曲线定理特性的算法,工作人员借由佩戴的定位器发送UWB无线信号,信号传播到达不同基站,通过计算不同基站的接收时间的差值来乘以飞行速度C(光速3×108),从而测量得到信号到达不同基站的距离差,由双曲线特性线上点到固定两点的距离差相同,可以列出人所在的双曲线方程,通过不同的基站列出不同的方程,联立方程组的解,即双曲线的交点,就是工作人员的坐标;
②电子标签采用无源RFID标签,不需要携带电池,标签通过接收到阅读器发出的微波信号后,将部分微波能量转换为直流电供标签工作,读写装置是一种带有射频识别的读写终端设备,不仅能够自动读取标签数据,还同时能够擦写数据,其工作频率范围为860MHz~960MHz,可一次迅速识别多个标签,通过在工作现场的每个工作区域设置不同的电子标签,工作人员进入工作区域后,电子标签通过接受射频识别读写装置传输来的微波信号,以及通过电磁感应线圈获取能量来对自身短暂供电,从而完成此次信息交换,读写装置会记录下与电子标签发送的某一频率的信号,读取信息并解码,即可实现人员当前所处区域信息的获取。
进一步的,所述步骤三中,在获取到施工防护装备的图像信息后,利用模块化网络实现装备识别,得到施工防护装备的特征信息,然后使用装备识别模型对施工防护装备信息进行特征提取和特征学习,从而实现对施工防护装置类别的识别并检测施工人员佩戴防护设备的安全性。
进一步的,所述用于目标检测的模块化网络的作用是对输入模型的图像进行特征提取以及特征增强,最后预测出目标的类别以及目标的边界框。整个目标检测模型分为主干网络部分、特征增强部分、预测部分三个部分。主干网络部分负责对输入模型的图像进行深度特征提取,得到图像中施工防护设备各个位置的特征(物体颜色、物体边缘特点、物体纹理),最后在主干网络的不同位置输出不同尺度的特征图;特征增强部分主要任务是将主干网络部分的输出的不同尺度的特征融合在一起,即将图像的深层信息和浅层信息通过融合模块进行融合,并输出一个融合后的特征图;预测部份负责对特征增强部分输出的特征图进行分析处理,预测出图像中的目标类别以及目标的边界框。
目标检测模型的主干网络部分包括:首先将一种水泥纤维板的施工过程中风险识别系统的图像采集模块输出的图像统一转换为224*224*3的图像矩阵,输入目标检测模型的主干网络部分,其中切片模块的作用是将图像进行平面切割,再进行深度的堆叠的大小,主干网络的输入图像经过切片模块后,大小变为原来的四分之一,图像深度变为原来的四倍,而不造成任何图像信息丢失;图像经过切片模块处理后进入卷积模块1,通过卷积、正则化(BN)、Leaky Relu函数激活,调整自身尺寸,作为特征提取做准备;利用注意力机制能够着重关注目标信息的特点,在模型中引入注意力机制,图像经过卷积模块处理后先后进入通道注意力模块和空间注意力模块,对图像特征图的权重进行再分配,提升目标检测的精度,其中通道注意力模块通过对图像进行全局平均池化压缩图像的二维特征,再为图像的每个通道分配权重值,其中包含目标的通道的权重值更大,使用全连接层保证输出权重数量与输入的通道数量一致。空间注意力模块先将图像做平均池化、最大池化处理,再将两种池化结果融合,依次通过卷积、sigmoid函数激活,作用是基于空间上的图像特征分布,为图像通道中包含目标空间的部分分配更大的空间权重,使模型重点关注任务相关的图像区域;之后将特征图依次通过四组(F1、F2、F3、F4)深度特征提取,其中每个组包含的特征提取模块数量按照先后顺序分别为3、4、12、3,在特征提取模块中,特征图被分为若干组使用包含不同卷积核的卷积层对不同的组进行特征提取,将输出的各组特征图进行空间上的堆叠,经过两个卷积模块1继续提取特征,输出后与特征提取模块的输入进行结合,最后使用Leaky Relu函数激活。
目标检测模型的特征增强部分包括:
①将主干网络结构F4输出的特征图进行一次进行卷积后,做两种处理:
1)将特征图上采样;
2)经过三次卷积,每经过一次卷积输成一个特征图,最终得到特征图N4、N5、N6;
②将F3输出的特征图进行一次进行卷积后,与F4进行卷积、上采样后的特征图融合,得到新的特征图,对新特征图进行两种处理:
1)经过一次卷积得到特征图N3;
2)进行上采样;
③将F2输出的特征图进行一次卷积后,融合来自F3输出处理中得到的上采样后的新特征图,最后经过一次卷积得到特征图N2;
特征增强部分通过在主干网络部分后构建特征融合结构用以融合不同层次、多尺度的特征,使得特征图同时拥有高度抽象的特征和细粒度特征,提升系统检测质量;
使用主干网络部分进行特征提取,再经过特征融合模块生成5个尺寸的特征图,将特征图尺寸从大到小排列,分别是N2、N3、N4、N5、N6,它们分别用来检测用于检测多尺寸目标,如不同种类施工防护装备,其中尺寸较小的特征图中的区域拥有更大的感受野,负责检测较大的目标,尺寸较大的特征图的感受野较小,负责检测较小的目标。根据特征图尺寸设置格栅,在格栅中每个网格中设置3种不同尺寸的基准框,为输出预测框的参数提供基准,目标检测模型通过输出预测框相对于基准框的四个偏移量tx,ty,tw,th,分别为预测框的中心坐标、宽度和高度,得到预测框在原图片中实际的位置参数、预测物体的置信度以及类别概率;
为了避免模型在检测图像中,同一物体被多个预测框框选的问题以及在训练时提高预测框质量,模型为预测框设置阈值,对于某个真实目标所在的预测区域内所有低于阈值的预测框会直接消去,对该区域剩余的预测框按照置信度由高到低进行排序,选择置信度最高的预测框,依次计算预测框与将其余同一类别的预测框面积的重叠比,设定阈值,若某一预测框与置信度最高的框的重叠比高于阈值表明其预测的物体大概率为同一物体,直接将其删去,网络模型通过这个过程减少冗余的预测框,阈值计算公式如下:
其中α是权重函数,v用来表示长宽比的相似性,定义为:
b,bgt分别代表预测框和真实框的中心所在位置,p代表两个中心位置的欧氏距离,c代表能够同时包含预测框和真实框的最小闭包区域的对角线距离;
特征融合模块输出的相对于原图下采样4倍的特征图将输入至不同任务的检测头中做最后处理,在2D目标检测任务中涉及到3个检测头,分别为heatmap、scale和offset,其中heatmap主要负责物体类别的预测和物体中心的定位,scale主要负责预测物体的长和宽,offset主要负责预测下采样偏差;
网络模型通过聚类分析,得到3个尺寸固定的基准框(锚框)来预测瘦长、矮胖、长宽均衡的物体,在预测阶段,固定尺寸的基准框在预测框的预测中起到重要的参考作用,网络通过预测每个预测框相对于基准框的四个偏移量tx,ty,tw,th,分别为预测框的中心坐标、宽度和高度,得到预测框在原图片中实际的位置参数、预测物体的置信度以及类别概率;
目标检测网络中每个待检测目标的4个偏移量坐标:tx,ty,tw,th,因此需要使用锚框和预测的偏移量坐标计算预测的坐标:bx,by,bw,bh,如果单元格与图像左上角的偏移量为(cx,cy),则预测坐标值计算公式如下:
bx=σ(tx)+cx,by=σ(ty)+cy
上式中,tx,ty为预测的目标预测框中心位置相对于对应网络网格左上角的坐标偏移量;tw,th为预测的目标预测框的宽、高相对于锚框尺寸的比值;bx,by为预测目标框中心位置的坐标;bw,bh为预测目标预测框的长和宽;Pw,Ph为锚框的长和宽;f(x)为激活函数;
通过对图像进行特征提取、预测分析,判别作业人员穿戴的施工防护装备是否齐全,若未穿戴一种或多种施工防护设备则存在风险,会发出提示警报。
进一步的,所述步骤四中,在获取到读写装置的感应数据后,利用射频识别技术确定施工人员当前处于几号区域,获取到微基站的定位数据后,利用定位测量算法得到施工人员的精确位置和轨迹信息,从而实现对施工人员的工作区域、实时位置的掌握并检测施工人员所处于位置的安全性,具体如下:系统通过无源RFID标签的反向散射信号来分析人员与危险区域之间的距离,提醒用户避开危险区域,该系统的关键是标签与天线之间的距离不同,信号的衰减程度不同,即可以通过RSSI信号表示人员与危险区域的距离,所述的射频识别技术指工人佩戴的阅读器与电子标签通信时,获取RSSI信号,RSSI是无线发送层的一个组成部分,根据天线的发射功率和标签接收信号强度,再通过对信号衰减进行计算,就可以得出标记点与接收点之间的距离,在某个时刻,接收端信号的叠加结果就是实际接收到的信号S,具体计算方式如下:
其中R和θ分别是第j条路径上信号的幅值和相位,N为传播路径总数,λ为信号频率,可以得到标签与天线的距离SRSSI:
SRSSI=λlog2S
系统通过无源RFID标签的反向散射信号来分析人员与危险区域之间的距离,提醒用户避开危险区域,该系统的关键是标签与天线之间的距离不同,信号的衰减程度不同,即可以通过RSSI信号表示人员与危险区域的距离。
进一步的,所述定位测量算法是基于定位基站和标签之间的精确测距完成的,系统通过对工作区域进行模拟绘图,绘制出操作间隔和空白区域,在后台系统划定工作区域1~N的相对坐标(0,0)~(n-1,n-1)范围,作业现场由一个个操作隔间组成,每个操作隔间都会划定工作区域,现场作业人员分配工作时会明确在哪几个间隔操作,将工作人员的工作区域储存到系统数据库中,按照工作区域设定工作围栏,以保证作业范围在围栏之内,对作业现场工作区域进行划分,规定每个操作隔间的工作区域,对每个工作区域进行编码,并且为了便于定位,每个操作隔间安置电子标签号与它一一对应。
进一步的,所述定位测量算法是基于定位基站和定位标签之间的精确测距完成的,测距方法基于飞行时间,使用请求应答模式,当基站要测量和标签之间的距离时,基站会发送信号给标签,并记录发送时间当定位标签收到来自基站的请求信号时,会记录下接收时间经过一段信息处理时间后,定位标签会在时刻给基站回复一个响应信号,当基站接收到标签响应信号时,基站记录一个时间通过基站和标签所记录的时间可以推算出信号的飞行时间,从而计算出信号的飞行距离,也就是标签与基站之间的距离S,从而实现获取人员所处的位置信息和区域信息,所述的系统中,基站与定位标签之间的通信采用高频的冲击脉冲,在工作现场传播速度近似光速,基站和定位标签均有一定的处理延迟,在设备测试后得到延迟系数引入方程中,方程为:
其中,C为光速,l为延迟系数;
利用定位技术估算每个标签的位置之后,会得到每个标签的实际位置坐标,使用这些位置坐标与工作区域的坐标做比对,判断工作人员是否位于危险区域或者在非工作区域,人员处于危险位置或未处在工作区域时发出警告。
一种水泥纤维板的施工过程中风险识别系统,包括人脸识别模块,图像采集模块,人员定位模块、防护装备风险识别模块和人员位置风险识别模块,人脸识别模块、防护装备风险识别模块和人员位置风险识别模块负责系统核心事务,图像采集模块和人员定位模块为系统事务提供数据支持,其中:
图像采集模块利用摄像设备获取现场图像,对图像进行包括灰度填充、二值内的预处理;
人脸识别模块中首先确保具有施工方许可工作的权限,只有通过后才能对现场进行风险识别;
人员定位模块根据基于基站的精确定位和基于射频技术的区域定位,记录当前作业人员的位置信息并为系统风险预警提供位置数据;
防护装备风险识别模块通过对图像进行特征提取、预测分析,判别作业人员穿戴的施工防护装备是否齐全,若未穿戴一种或多种施工防护设备则存在风险,会发出提示警报;
人员位置风险识别模块通过判别作业人员所处位置是否处于危险区域或处于错误的工作区域,若位于危险区域或长时间处于错误的工作区域则存在风险,会发出提示警报。
本发明的有益效果:
1、此水泥纤维板的施工过程中风险识别方法通过防护装备风险识别模块,对图像采集模块上传的水泥纤维板施工现场的图像信息进行网络模型的识别,并判断作业人员的人员信息和所穿戴的施工防护设备的类型,若有异常的风险会及时提示,减少了安全管理的人力投入,提高了风险行为的识别率,使得现场作业更加的安全。
2、此水泥纤维板的施工过程中风险识别方法使用了模块化目标检测网络,采用特征融合技术,显著提升了检测准确度,网络结构精简,执行同样的检测任务拥有更小的计算量,因此本网络模型在减少模型尺寸的同时具有施工防护设备具有非常好的检测效果。
3、此水泥纤维板的施工过程中风险识别方法使用基于基站的超宽带定位技术和射频识别定位技术,对工作人员误入危险区域和长时间处于非本人工作区域的情况,具有高速的风险识别速度;系统利用精确的人员定位和轨迹分析,可对工作人员进行精准管理,提高了工作效率,避免其进入不应该进入的区域,保障了施工人员的生命安全。
附图说明
图1为一种水泥纤维板的施工过程中风险识别方法的流程示意图;
图2为一种水泥纤维板的施工过程中风险识别系统的模块结构图;
图3为一种水泥纤维板的施工过程中风险识别系统的目标检测模型网络结构图;
图4为一种水泥纤维板的施工过程中风险识别系统的目标检测模型各个模块的结构图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
请参阅图1至图2,本发明提供一种技术方案:一种水泥纤维板的施工过程中风险识别方法,包括以下步骤:
步骤一:图像采集;采用人脸识别,只有持有工作许可的人员才能识别通过进行以下的风险识别操作,通过水泥纤维板施工现场设置的摄像头对作业现场进行图像采集,再将图像信息上传至系统,对图像进行预处理,所述人脸识别采用基于CNN(卷积神经网络)的人脸识别,利用卷积神经网络对工作人员的人脸进行深度特征提取,利用设备采集到现场作业人员的图像信息后,根据数据库中人脸信息进行比对,确认身份后再进行风险识别的图像信息采集,然后作业人员将各种施工防护设备上传至服务器中,系统可以自定义将获取到施工防护设备图像大小进行自适应缩放,满足深度学习网络中所要求的图像大小,利用自适应灰度填充的方法将获得到的图像信息进行填充将图像的较长边设定为基准,计算图像的宽高比,依据输入图像与要求图像大小的比例计算缩放比例,将图像进行等比例缩放,再对短边进行灰度填充;
步骤二:人员定位;在施工现场的不同工作区域设置电子标签,人员进入现场后其佩戴的读写装置与电子标签感应,得到人员工作区域信息,将其无线传回系统,在现场设置定位基站,与施工人员佩戴的定位器交互得到响应信息,将其无线传回系统,经算法处理得到人员位置信息和行动轨迹,人员定位方法包括两种,具体如下:
①在现场各处设置的基站获得信号接收时的方向以及信号到达的强度,可以使用信号传播时信号强度的减小或者信号传输的飞行的时间计算出发出信号到接收信号间的距离,由接收到的信号方向计算出信号发生标签与基站之间的角度,利用双曲线定理特性的算法,工作人员借由佩戴的定位器发送UWB无线信号,信号传播到达不同基站,通过计算不同基站的接收时间的差值来乘以飞行速度C(光速3×108),从而测量得到信号到达不同基站的距离差,由双曲线特性线上点到固定两点的距离差相同,可以列出人所在的双曲线方程,通过不同的基站列出不同的方程,联立方程组的解,即双曲线的交点,就是工作人员的坐标;
②电子标签采用无源RFID标签,不需要携带电池,标签通过接收到阅读器发出的微波信号后,将部分微波能量转换为直流电供标签工作,读写装置是一种带有射频识别的读写终端设备,不仅能够自动读取标签数据,还同时能够擦写数据,其工作频率范围为860MHz~960MHz,可一次迅速识别多个标签,通过在工作现场的每个工作区域设置不同的电子标签,工作人员进入工作区域后,电子标签通过接受射频识别读写装置传输来的微波信号,以及通过电磁感应线圈获取能量来对自身短暂供电,从而完成此次信息交换,读写装置会记录下与电子标签发送的某一频率的信号,读取信息并解码,即可实现人员当前所处区域信息的获取;
步骤三:防护装备风险预警;利用目标检测算法对现场图像进行分析处理,检测施工人员是否穿戴规定种类的施工防护装备,若未全部穿戴则发出警报,在获取到施工防护装备的图像信息后,利用模块化网络实现装备识别,得到施工防护装备的特征信息,然后使用装备识别模型对施工防护装备信息进行特征提取和特征学习,从而实现对施工防护装置类别的识别并检测施工人员佩戴防护设备的安全性;
用于目标检测的模块化网络的作用是对输入模型的图像进行特征提取以及特征增强,最后预测出目标的类别以及目标的边界框。整个目标检测模型分为主干网络部分、特征增强部分、预测部分三个部分。主干网络部分负责对输入模型的图像进行深度特征提取,得到图像中施工防护设备各个位置的特征(物体颜色、物体边缘特点、物体纹理),最后在主干网络的不同位置输出不同尺度的特征图;特征增强部分主要任务是将主干网络部分的输出的不同尺度的特征融合在一起,即将图像的深层信息和浅层信息通过融合模块进行融合,并输出一个融合后的特征图;预测部份负责对特征增强部分输出的特征图进行分析处理,预测出图像中的目标类别以及目标的边界框。
目标检测模型的主干网络部分包括:首先将一种水泥纤维板的施工过程中风险识别系统的图像采集模块输出的图像统一转换为224*224*3的图像矩阵,输入目标检测模型的主干网络部分,其中切片模块的作用是将图像进行平面切割,再进行深度的堆叠的大小,主干网络的输入图像经过切片模块后,大小变为原来的四分之一,图像深度变为原来的四倍,而不造成任何图像信息丢失;图像经过切片模块处理后进入卷积模块1,通过卷积、正则化(BN)、Leaky Relu函数激活,调整自身尺寸,作为特征提取做准备;利用注意力机制能够着重关注目标信息的特点,在模型中引入注意力机制,图像经过卷积模块处理后先后进入通道注意力模块和空间注意力模块,对图像特征图的权重进行再分配,提升目标检测的精度,其中通道注意力模块通过对图像进行全局平均池化压缩图像的二维特征,再为图像的每个通道分配权重值,其中包含目标的通道的权重值更大,使用全连接层保证输出权重数量与输入的通道数量一致。空间注意力模块先将图像做平均池化、最大池化处理,再将两种池化结果融合,依次通过卷积、sigmoid函数激活,作用是基于空间上的图像特征分布,为图像通道中包含目标空间的部分分配更大的空间权重,使模型重点关注任务相关的图像区域;之后将特征图依次通过四组(F1、F2、F3、F4)深度特征提取,其中每个组包含的特征提取模块数量按照先后顺序分别为3、4、12、3,在特征提取模块中,特征图被分为若干组使用包含不同卷积核的卷积层对不同的组进行特征提取,将输出的各组特征图进行空间上的堆叠,经过两个卷积模块1继续提取特征,输出后与特征提取模块的输入进行结合,最后使用Leaky Relu函数激活。
目标检测模型的特征增强部分包括:
①将主干网络结构F4输出的特征图进行一次进行卷积后,做两种处理:
1)将特征图上采样;
2)经过三次卷积,每经过一次卷积输成一个特征图,最终得到特征图N4、N5、N6;
②将F3输出的特征图进行一次进行卷积后,与F4进行卷积、上采样后的特征图融合,得到新的特征图,对新特征图进行两种处理:
1)经过一次卷积得到特征图N3;
2)进行上采样;
③将F2输出的特征图进行一次卷积后,融合来自F3输出处理中得到的上采样后的新特征图,最后经过一次卷积得到特征图N2。
特征增强部分通过在主干网络部分后构建特征融合结构用以融合不同层次、多尺度的特征,使得特征图同时拥有高度抽象的特征和细粒度特征,提升系统检测质量;
使用主干网络部分进行特征提取,再经过特征融合模块生成5个尺寸的特征图,将特征图尺寸从大到小排列,分别是N2、N3、N4、N5、N6,它们分别用来检测用于检测多尺寸目标,如不同种类施工防护装备,其中尺寸较小的特征图中的区域拥有更大的感受野,负责检测较大的目标,尺寸较大的特征图的感受野较小,负责检测较小的目标。根据特征图尺寸设置格栅,在格栅中每个网格中设置3种不同尺寸的基准框,为输出预测框的参数提供基准,目标检测模型通过输出预测框相对于基准框的四个偏移量tx,ty,tw,th,分别为预测框的中心坐标、宽度和高度,得到预测框在原图片中实际的位置参数、预测物体的置信度以及类别概率;
为了避免模型在检测图像中,同一物体被多个预测框框选的问题以及在训练时提高预测框质量,模型为预测框设置阈值,对于某个真实目标所在的预测区域内所有低于阈值的预测框会直接消去,对该区域剩余的预测框按照置信度由高到低进行排序,选择置信度最高的预测框,依次计算预测框与将其余同一类别的预测框面积的重叠比,设定阈值,若某一预测框与置信度最高的框的重叠比高于阈值表明其预测的物体大概率为同一物体,直接将其删去,网络模型通过这个过程减少冗余的预测框,阈值计算公式如下:
其中α是权重函数,v用来表示长宽比的相似性,定义为:
b,bgt分别代表预测框和真实框的中心所在位置,p代表两个中心位置的欧氏距离,c代表能够同时包含预测框和真实框的最小闭包区域的对角线距离;
特征融合模块输出的相对于原图下采样4倍的特征图将输入至不同任务的检测头中做最后处理,在2D目标检测任务中涉及到3个检测头,分别为heatmap、scale和offset,其中heatmap主要负责物体类别的预测和物体中心的定位,scale主要负责预测物体的长和宽,offset主要负责预测下采样偏差;
网络模型通过聚类分析,得到3个尺寸固定的基准框(锚框)来预测瘦长、矮胖、长宽均衡的物体,在预测阶段,固定尺寸的基准框在预测框的预测中起到重要的参考作用,网络通过预测每个预测框相对于基准框的四个偏移量tx,ty,tw,th,分别为预测框的中心坐标、宽度和高度,得到预测框在原图片中实际的位置参数、预测物体的置信度以及类别概率;
目标检测网络中每个待检测目标的4个偏移量坐标:tx,ty,tw,th,因此需要使用锚框和预测的偏移量坐标计算预测的坐标:bx,by,bw,bh,如果单元格与图像左上角的偏移量为(cx,cy),则预测坐标值计算公式如下:
bx=σ(tx)+cx,by=σ(ty)+cy
上式中,tx,ty为预测的目标预测框中心位置相对于对应网络网格左上角的坐标偏移量;tw,th为预测的目标预测框的宽、高相对于锚框尺寸的比值;bx,by为预测目标框中心位置的坐标;bw,th为预测目标预测框的长和宽;Pw,Ph为锚框的长和宽;f(x)为激活函数;
通过对图像进行特征提取、预测分析,判别作业人员穿戴的施工防护装备是否齐全,若未穿戴一种或多种施工防护设备则存在风险,会发出提示警报;
步骤四:人员位置风险预警;对人员定位得到的定位数据进行处理,若靠近危险区域或者长时间处于错误的工作区域则发出警报,在获取到读写装置的感应数据后,利用射频识别技术确定施工人员当前处于几号区域,获取到微基站的定位数据后,利用定位测量算法得到施工人员的精确位置和轨迹信息,从而实现对施工人员的工作区域、实时位置的掌握并检测施工人员所处于位置的安全性,具体如下:系统通过无源RFID标签的反向散射信号来分析人员与危险区域之间的距离,提醒用户避开危险区域,该系统的关键是标签与天线之间的距离不同,信号的衰减程度不同,即可以通过RSSI信号表示人员与危险区域的距离。通过射频识别技术,获取工人佩戴的阅读器与电子标签通信的RSSI信号,RSSI是无线发送层的一个组成部分,根据天线的发射功率和标签接收信号强度,再通过对信号衰减进行计算,就可以得出标记点与接收点之间的距离,在某个时刻,接收端信号的叠加结果就是实际接收到的信号S,具体计算方式如下:
其中R和θ分别是第j条路径上信号的幅值和相位,N为传播路径总数,λ为信号频率,可以得到标签与天线的距离SRSSI:
SRSSI=λlog2S
系统通过无源RFID标签的反向散射信号来分析人员与危险区域之间的距离,提醒用户避开危险区域,该系统的关键是标签与天线之间的距离不同,信号的衰减程度不同,即可以通过RSSI信号表示人员与危险区域的距离。
定位测量算法是基于定位基站和标签之间的精确测距完成的,系统通过对工作区域进行模拟绘图,绘制出操作间隔和空白区域,在后台系统划定工作区域1~N的相对坐标(0,0)~(n-1,n-1)范围,作业现场由一个个操作隔间组成,每个操作隔间都会划定工作区域,现场作业人员分配工作时会明确在哪几个间隔操作,将工作人员的工作区域储存到系统数据库中,按照工作区域设定工作围栏,以保证作业范围在围栏之内,对作业现场工作区域进行划分,规定每个操作隔间的工作区域,对每个工作区域进行编码,并且为了便于定位,每个操作隔间安置电子标签号与它一一对应。
定位测量算法是基于定位基站和定位标签之间的精确测距完成的,测距方法基于飞行时间,使用请求应答模式,当基站要测量和标签之间的距离时,基站会发送信号给标签,并记录发送时间当定位标签收到来自基站的请求信号时,会记录下接收时间经过一段信息处理时间后,定位标签会在时刻给基站回复一个响应信号,当基站接收到标签响应信号时,基站记录一个时间通过基站和标签所记录的时间可以推算出信号的飞行时间,从而计算出信号的飞行距离,也就是标签与基站之间的距离S,从而实现获取人员所处的位置信息和区域信息,所述的系统中,基站与定位标签之间的通信采用高频的冲击脉冲,在工作现场传播速度近似光速,基站和定位标签均有一定的处理延迟,在设备测试后得到延迟系数引入方程中,方程为:
其中,C为光速,l为延迟系数;
利用定位技术估算每个标签的位置之后,会得到每个标签的实际位置坐标,使用这些位置坐标与工作区域的坐标做比对,判断工作人员是否位于危险区域或者在非工作区域,人员处于危险位置或未处在工作区域时发出警告。
一种水泥纤维板的施工过程中风险识别系统,包括人脸识别模块,图像采集模块,人员定位模块、防护装备风险识别模块和人员位置风险识别模块,人脸识别模块、防护装备风险识别模块和人员位置风险识别模块负责系统核心事务,图像采集模块和人员定位模块为系统事务提供数据支持,其中:
图像采集模块利用摄像设备获取现场图像,对图像进行包括灰度填充、二值内的预处理;
人脸识别模块中首先确保具有施工方许可工作的权限,只有通过后才能对现场进行风险识别;
人员定位模块根据基于基站的精确定位和基于射频技术的区域定位,记录当前作业人员的位置信息并为系统风险预警提供位置数据;
防护装备风险识别模块通过对图像进行特征提取、预测分析,判别作业人员穿戴的施工防护装备是否齐全,若未穿戴一种或多种施工防护设备则存在风险,会发出提示警报;
人员位置风险识别模块通过判别作业人员所处位置是否处于危险区域或处于错误的工作区域,若位于危险区域或长时间处于错误的工作区域则存在风险,会发出提示警报。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种水泥纤维板的施工过程中风险识别方法,其特征在于,包括以下步骤:
步骤一:图像采集;采用人脸识别,只有持有工作许可的人员才能识别通过进行以下的风险识别操作,通过水泥纤维板施工现场设置的摄像头对作业现场进行图像采集,再将图像信息上传至系统,对图像进行预处理;
步骤二:人员定位;在施工现场的不同工作区域设置电子标签,人员进入现场后其佩戴的读写装置与电子标签感应,得到人员工作区域信息,将其无线传回系统,在现场设置定位基站,与施工人员佩戴的定位器交互得到响应信息,将其无线传回系统,经算法处理得到人员位置信息和行动轨迹;
步骤三:防护装备风险预警;利用目标检测模型对现场图像进行分析处理,检测施工人员是否穿戴规定种类的施工防护装备,若未全部穿戴则发出警报;
步骤四:人员位置风险预警;对人员定位得到的定位数据进行处理,若靠近危险区域或者长时间处于错误的工作区域则发出警报。
2.根据权利要求1所述的一种水泥纤维板的施工过程中风险识别方法,其特征在于:所述人脸识别采用基于CNN(卷积神经网络)的人脸识别,利用卷积神经网络对工作人员的人脸进行深度特征提取,利用设备采集到现场作业人员的图像信息后,根据数据库中人脸信息进行比对,确认身份后再进行风险识别的图像信息采集,然后作业人员将各种施工防护设备上传至服务器中,系统可以自定义将获取到施工防护设备图像大小进行自适应缩放,满足深度学习网络中所要求的图像大小,利用自适应灰度填充的方法将获得到的图像信息进行填充将图像的较长边设定为基准,计算图像的宽高比,依据输入图像与要求图像大小的比例计算缩放比例,将图像进行等比例缩放,再对短边进行灰度填充。
3.根据权利要求1所述的一种水泥纤维板的施工过程中风险识别方法,其特征在于:所述步骤三中,在获取到施工防护装备的图像信息后,利用目标检测模型对图像进行处理分析,实现对施工防护装置类别的识别并检测施工人员佩戴防护设备的安全性。
4.根据权利要求3所述的一种水泥纤维板的施工过程中风险识别方法,其特征在于:所述用于目标检测的目标检测模型的作用是对输入模型的图像进行特征提取以及特征增强,最后预测出目标的类别以及目标的边界框,整个目标检测模型分为主干网络部分、特征增强部分、预测部分三个部分,主干网络部分负责对输入模型的图像进行深度特征提取,得到图像中施工防护设备各个位置的特征(物体颜色、物体边缘特点、物体纹理),最后在主干网络的不同位置输出不同尺度的特征图;特征增强部分主要任务是将主干网络部分的输出的不同尺度的特征融合在一起,即将图像的深层信息和浅层信息通过融合模块进行融合,并输出一个融合后的特征图;预测部份负责对特征增强部分输出的特征图进行分析处理,预测出图像中的目标类别以及目标的边界框。
5.根据权利要求5所述的一种水泥纤维板的施工过程中风险识别方法,其特征在于:目标检测模型的主干网络部分包括:首先将一种水泥纤维板的施工过程中风险识别系统的图像采集模块输出的图像统一转换为224*224*3的图像矩阵,输入目标检测模型的主干网络部分,其中切片模块的作用是将图像进行平面切割,再进行深度的堆叠的大小,主干网络的输入图像经过切片模块后,大小变为原来的四分之一,图像深度变为原来的四倍,而不造成任何图像信息丢失;图像经过切片模块处理后进入卷积模块1,通过卷积、正则化(BN)、Leaky Relu函数激活,调整自身尺寸,作为特征提取做准备;利用注意力机制能够着重关注目标信息的特点,在模型中引入注意力机制,图像经过卷积模块处理后先后进入通道注意力模块和空间注意力模块,对图像特征图的权重进行再分配,提升目标检测的精度,其中通道注意力模块通过对图像进行全局平均池化压缩图像的二维特征,再为图像的每个通道分配权重值,其中包含目标的通道的权重值更大,使用全连接层保证输出权重数量与输入的通道数量一致,空间注意力模块先将图像做平均池化、最大池化处理,再将两种池化结果融合,依次通过卷积、sigmoid函数激活,作用是基于空间上的图像特征分布,为图像通道中包含目标空间的部分分配更大的空间权重,使模型重点关注任务相关的图像区域;之后将特征图依次通过四组(F1、F2、F3、F4)深度特征提取,其中每个组包含的特征提取模块数量按照先后顺序分别为3、4、12、3,在特征提取模块中,特征图被分为若干组使用包含不同卷积核的卷积层对不同的组进行特征提取,将输出的各组特征图进行空间上的堆叠,经过两个卷积模块1继续提取特征,输出后与特征提取模块的输入进行结合,最后使用Leaky Relu函数激活。
目标检测模型的特征增强部分包括:
①将主干网络结构F4输出的特征图进行一次进行卷积后,做两种处理:
1)将特征图上采样;
2)经过三次卷积,每经过一次卷积输成一个特征图,最终得到特征图N4、N5、N6;
②将F3输出的特征图进行一次进行卷积后,与F4进行卷积、上采样后的特征图融合,得到新的特征图,对新特征图进行两种处理:
1)经过一次卷积得到特征图N3;
2)进行上采样;
③将F2输出的特征图进行一次卷积后,融合来自F3输出处理中得到的上采样后的新特征图,最后经过一次卷积得到特征图N2;
特征增强部分通过在主干网络部分后构建特征融合结构用以融合不同层次、多尺度的特征,使得特征图同时拥有高度抽象的特征和细粒度特征,提升系统检测质量。
6.根据权利要求1所述的一种水泥纤维板的施工过程中风险识别方法,其特征在于:所述步骤四中,在获取到读写装置的感应数据后,利用射频识别技术确定施工人员当前处于几号区域,获取到微基站的定位数据后,利用定位测量算法得到施工人员的精确位置和轨迹信息,从而实现对施工人员的工作区域、实时位置的掌握并检测施工人员所处于位置的安全性,具体如下:系统通过无源RFID标签的反向散射信号来分析人员与危险区域之间的距离,提醒用户避开危险区域,该系统的关键是标签与天线之间的距离不同,信号的衰减程度不同,系统根据标记点的发射功率和接收点的发射功率,对信号距离之间的衰减进行计算,就可以得出标记点与接收点之间的距离,即可以通过RSSI信号表示人员与危险区域的距离。
7.根据权利要求6所述的一种水泥纤维板的施工过程中风险识别方法,其特征在于:所述定位测量算法是基于定位基站和标签之间的精确测距完成的,系统通过对工作区域进行模拟绘图,绘制出操作间隔和空白区域,在后台系统划定工作区域1~N的相对坐标(0,0)~(n-1,n-1)范围,作业现场由一个个操作隔间组成,每个操作隔间都会划定工作区域,现场作业人员分配工作时会明确在哪几个间隔操作,将工作人员的工作区域储存到系统数据库中,按照工作区域设定工作围栏,以保证作业范围在围栏之内,对作业现场工作区域进行划分,规定每个操作隔间的工作区域,对每个工作区域进行编码,并且为了便于定位,每个操作隔间安置电子标签号与它一一对应。
8.根据权利要求6所述的一种水泥纤维板的施工过程中风险识别方法,其特征在于:所述定位测量算法是基于定位基站和定位标签之间的精确测距完成的,测距方法基于飞行时间,使用请求应答模式,当基站要测量和标签之间的距离时,基站会发送信号给标签,并记录发送时间当定位标签收到来自基站的请求信号时,会记录下接收时间经过一段信息处理时间后,定位标签会在时刻给基站回复一个响应信号,当基站接收到标签响应信号时,基站记录一个时间通过基站和标签所记录的时间可以推算出信号的飞行时间,从而计算出信号的飞行距离,也就是标签与基站之间的距离S,从而实现获取人员所处的位置信息和区域信息。
利用定位技术估算每个标签的位置之后,会得到每个标签的实际位置坐标,使用这些位置坐标与工作区域的坐标做比对,判断工作人员是否位于危险区域或者在非工作区域,人员处于危险位置或未处在工作区域时发出警告。
9.一种水泥纤维板的施工过程中风险识别系统,其特征在于:包括人脸识别模块,图像采集模块,人员定位模块、防护装备风险识别模块和人员位置风险识别模块,人脸识别模块、防护装备风险识别模块和人员位置风险识别模块负责系统核心事务,图像采集模块和人员定位模块为系统事务提供数据支持,其中:
图像采集模块利用摄像设备获取现场图像,对图像进行包括灰度填充、二值内的预处理;
人脸识别模块中首先确保具有施工方许可工作的权限,只有通过后才能对现场进行风险识别;
人员定位模块根据基于基站的精确定位和基于射频技术的区域定位,记录当前作业人员的位置信息并为系统风险预警提供位置数据;
防护装备风险识别模块通过对图像进行特征提取、预测分析,判别作业人员穿戴的施工防护装备是否齐全,若未穿戴一种或多种施工防护设备则存在风险,会发出提示警报;
人员位置风险识别模块通过判别作业人员所处位置是否处于危险区域或处于错误的工作区域,若位于危险区域或长时间处于错误的工作区域则存在风险,会发出提示警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684041.1A CN114936799A (zh) | 2022-06-16 | 2022-06-16 | 一种水泥纤维板的施工过程中风险识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210684041.1A CN114936799A (zh) | 2022-06-16 | 2022-06-16 | 一种水泥纤维板的施工过程中风险识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936799A true CN114936799A (zh) | 2022-08-23 |
Family
ID=82867909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210684041.1A Pending CN114936799A (zh) | 2022-06-16 | 2022-06-16 | 一种水泥纤维板的施工过程中风险识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936799A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860730A (zh) * | 2023-02-23 | 2023-03-28 | 通号工程局集团电气工程有限公司 | 一种基于互联网的铁路轨道施工人员安全管理系统 |
CN116311633A (zh) * | 2023-05-19 | 2023-06-23 | 安徽数智建造研究院有限公司 | 基于人脸识别技术的隧道施工人员管理方法 |
CN116579616A (zh) * | 2023-07-10 | 2023-08-11 | 武汉纺织大学 | 一种基于深度学习的风险识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200043A (zh) * | 2020-09-30 | 2021-01-08 | 中邮通建设咨询有限公司 | 面向室外施工现场的危险源智能识别系统及方法 |
CN112581318A (zh) * | 2020-12-18 | 2021-03-30 | 华航环境发展有限公司 | 基于bim与定位技术集成的施工安全预警系统 |
CN112990232A (zh) * | 2021-04-14 | 2021-06-18 | 广东工业大学 | 面向多种高空作业施工现场的安全带佩戴识别与检测方法 |
RU2750419C1 (ru) * | 2020-10-23 | 2021-06-28 | ООО "Ай Ти Ви групп" | Система и способ идентификации экипировки на человеке |
CN113158752A (zh) * | 2021-02-05 | 2021-07-23 | 国网河南省电力公司鹤壁供电公司 | 一种电力员工进场作业智能安全管控系统 |
-
2022
- 2022-06-16 CN CN202210684041.1A patent/CN114936799A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200043A (zh) * | 2020-09-30 | 2021-01-08 | 中邮通建设咨询有限公司 | 面向室外施工现场的危险源智能识别系统及方法 |
RU2750419C1 (ru) * | 2020-10-23 | 2021-06-28 | ООО "Ай Ти Ви групп" | Система и способ идентификации экипировки на человеке |
CN112581318A (zh) * | 2020-12-18 | 2021-03-30 | 华航环境发展有限公司 | 基于bim与定位技术集成的施工安全预警系统 |
CN113158752A (zh) * | 2021-02-05 | 2021-07-23 | 国网河南省电力公司鹤壁供电公司 | 一种电力员工进场作业智能安全管控系统 |
CN112990232A (zh) * | 2021-04-14 | 2021-06-18 | 广东工业大学 | 面向多种高空作业施工现场的安全带佩戴识别与检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860730A (zh) * | 2023-02-23 | 2023-03-28 | 通号工程局集团电气工程有限公司 | 一种基于互联网的铁路轨道施工人员安全管理系统 |
CN116311633A (zh) * | 2023-05-19 | 2023-06-23 | 安徽数智建造研究院有限公司 | 基于人脸识别技术的隧道施工人员管理方法 |
CN116311633B (zh) * | 2023-05-19 | 2023-08-04 | 安徽数智建造研究院有限公司 | 基于人脸识别技术的隧道施工人员管理方法 |
CN116579616A (zh) * | 2023-07-10 | 2023-08-11 | 武汉纺织大学 | 一种基于深度学习的风险识别方法 |
CN116579616B (zh) * | 2023-07-10 | 2023-09-29 | 武汉纺织大学 | 一种基于深度学习的风险识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114936799A (zh) | 一种水泥纤维板的施工过程中风险识别方法及系统 | |
Motamedi et al. | Localization of RFID-equipped assets during the operation phase of facilities | |
CN110334788B (zh) | 基于深度学习的分布式多天线阅读器定位系统及其方法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
CN109996186A (zh) | 一种网络覆盖问题识别方法及装置、可读取存储介质 | |
Zheng et al. | Channel non-line-of-sight identification based on convolutional neural networks | |
CN110458095A (zh) | 一种有效手势的识别方法、控制方法、装置和电子设备 | |
CN112818768B (zh) | 一种基于元学习的变电站改扩建违章行为智能化识别方法 | |
CN109917394B (zh) | 一种基于天气雷达的短临智能外推方法 | |
Ting et al. | A study on RFID adoption for vehicle tracking in container terminal | |
CN108038424A (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN104391290A (zh) | 一种适用于复杂非均匀杂波下的cfar检测器 | |
CN115600513B (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
CN111461251A (zh) | 基于随机森林与自编码器的WiFi指纹的室内定位方法 | |
Mazan et al. | A Study of Devising Neural Network Based Indoor Localization Using Beacons: First Results. | |
CN115471865A (zh) | 作业现场数字化安全管控方法、装置、设备和存储介质 | |
Wu et al. | A new multi-sensor fusion approach for integrated ship motion perception in inland waterways | |
Mendez et al. | Automatic label creation framework for fmcw radar images using camera data | |
CN114710831B (zh) | 一种基于深度学习的rfid标签定位系统 | |
CN112839342B (zh) | 基于支持向量机的救灾移动应急基站选址方法 | |
CN116234005A (zh) | 一种多建筑物室内定位方法 | |
Jikyo et al. | A study on outdoor localization method based on deep learning using model-based received power estimation data of low power wireless tag | |
Weerasinghe | Automated construction worker performance and tool-time measuring model using RGB depth camera and audio microphone array system | |
Huang et al. | Optimizing fiducial marker placement for improved visual localization | |
Wu et al. | Novel robust parcel-size classification using mmWave radar |
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 |