CN115223091A - 基于ai的工地隐患监测方法、装置、设备及存储介质 - Google Patents

基于ai的工地隐患监测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115223091A
CN115223091A CN202210788391.2A CN202210788391A CN115223091A CN 115223091 A CN115223091 A CN 115223091A CN 202210788391 A CN202210788391 A CN 202210788391A CN 115223091 A CN115223091 A CN 115223091A
Authority
CN
China
Prior art keywords
image
hidden danger
worksite
model
construction site
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
Application number
CN202210788391.2A
Other languages
English (en)
Inventor
曹小伍
欧阳思奕
曹景溢
钱隆
魏市
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.)
Hangzhou Xiangyi Technology Co Ltd
Original Assignee
Hangzhou Xiangyi Technology 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 Hangzhou Xiangyi Technology Co Ltd filed Critical Hangzhou Xiangyi Technology Co Ltd
Priority to CN202210788391.2A priority Critical patent/CN115223091A/zh
Publication of CN115223091A publication Critical patent/CN115223091A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本申请公开了一种基于AI的工地隐患监测方法、装置、设备及存储介质，该方法包括：通过摄像机每间隔预设时间段采集关于工地的工地图像；确定所述工地图像的类型；从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。本申请直接通过人工智能识别的手段识别工地安全隐患，并进行响应报警，提升工地建设的安全性。

Description

基于AI的工地隐患监测方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于AI的工地隐患监测方法、装置、设备及存储介质。
背景技术
确保工地建设的安全是工地建设中的一个重要环节。
然而，现有工地安全，主要以工人或者保安人为巡逻监测为主，具体地，例如，工人或者保安巡逻监察周界是否有人员车辆入侵，巡逻监察工地裸土是否被覆盖等，以防止安全隐患，然而，工人或者保安巡逻监察易受人为因素的影响，难以时刻确保工地建设的安全，导致工地建设安全性还是较低。
发明内容
本申请的主要目的在于提供一种基于AI的工地隐患监测方法、装置、设备及存储介质，旨在解决现有工地建设安全性低的技术问题。
为实现上述目的，本申请提供一种基于AI的工地隐患监测方法，所述方法包括：
通过摄像机每间隔预设时间段采集关于工地的工地图像；
确定所述工地图像的类型；
从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；
根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；
确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。
可选地，所述工地图像的类型包括非工地关联事项类型图像，在所述工地图像的类型为非工地关联事项类型图像时，所述目标工地隐患监测模型为非工地关联事项图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述非工地关联事项图像识别模型是基于具有非工地关联事项标签的第一训练数据，对第一待训练模型进行迭代训练后得到的，具有满足第一精度条件的模型参数的预测模型，所述非工地关联事项标签包括非工地车辆标签和非工地人员标签；
根据所述非工地关联事项图像识别模型对所述非工地关联事项类型图像进行识别，确定所述非工地关联事项类型图像是否具有非工地车辆和/或者具有非工地人员；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
若所述非工地关联事项类型图像为具有非工地车辆和/或者具有非工地人员的图像，则输出驱赶所述非工地车辆和/或者具有非工地人员的驱赶响应警报。
可选地，所述工地图像的类型包括火灾风险类型图像，在所述工地图像的类型为火灾风险类型图像时，所述目标工地隐患监测模型为火灾风险图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述火灾风险图像识别模型是基于具有火灾风险标签的第二训练数据，对第二待训练模型进行迭代训练后得到的，具有满足第二精度条件的模型参数的预测模型，所述火灾风险标签包括烟雾标签和明火标签；
根据所述火灾风险图像识别模型对所述火灾风险类型图像进行识别，确定所述火灾风险类型图像是否具有烟雾和/或者明火；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
若所述火灾风险类型图像为具有烟雾和/或者明火的图像，则输出烟雾响应警报和/或者明火响应警报。
可选地，所述工地图像的类型包括裸土类型图像，在所述工地图像的类型为裸土类型图像时，所述目标工地隐患监测模型为裸土图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述裸土类型图像识别模型是基于具有裸土被覆盖标签的第三训练数据，对第三待训练模型进行迭代训练后得到的，具有满足第三精度条件的模型参数的预测模型；
根据所述裸土类型图像识别模型对所述裸土类型图像进行识别，确定所述裸土类型图像中裸土是否被覆盖；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
若所述裸土类型图像中为裸土被覆盖的图像，则输出裸土被覆盖的响应警报。
可选地，所述工地图像的类型包括渣土车类型图像，在所述工地图像的类型为渣土车图像时，所述目标工地隐患监测模型为渣土车图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述渣土车图像识别模型是基于具有渣土车密闭标签的第四训练数据，对第四待训练模型进行迭代训练后得到的，具有满足第四精度条件的模型参数的预测模型；
根据所述渣土车图像识别模型对所述渣土车类型图像进行识别，确定所述渣土车图像中渣土车是否密闭；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
若所述渣土车图像为渣土车未密闭的图像，则输出渣土车未密闭的响应警报。
可选地，所述确定所述工地图像的类型的步骤，包括：
确定采集所述工地图像的摄像头的位置信息以及所述位置信息所在的警示区域类型；
根据所述位置信息和所述警示区域类型，对所述工地图像进行分类，得到所述工地图像的类型。
本申请还提供一种基于AI的工地隐患监测装置，所述装置包括：
采集模块，用于通过摄像机每间隔预设时间段采集关于工地的工地图像；
第一确定模块，用于确定所述工地图像的类型；
选择模块，用于从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；
获取模块，用于根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；
第二确定模块，用于确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。
本申请还提供一种设备，该设备为电子设备，所述电子设备为实体节点设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于AI的工地隐患监测方法的程序，所述基于AI的工地隐患监测方法的程序被处理器执行时可实现如上述所述基于AI的工地隐患监测方法的步骤。
本申请还提供一种存储介质，所述存储介质上存储有实现上述基于AI的工地隐患监测方法的程序，所述基于AI的工地隐患监测方法的程序被处理器执行时实现如上述所述基于AI的工地隐患监测方法的步骤。
本申请还提供一种产品、所述产品为计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述所述基于AI的工地隐患监测方法的步骤。
本申请提供一种基于AI的工地隐患监测方法、装置、设备及存储介质，与现有技术中以工人或者保安人为巡逻监测工地为主，致使工地建设安全性低相比，在本申请中，通过摄像机每间隔预设时间段采集关于工地的工地图像；确定所述工地图像的类型；从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。可以理解，在本申请中，在摄像机采集工地图像后，通过确定对应目标工地隐患监测模型，进而准确确定工地图像的识别结果，以进一步确定识别结果是否为工地隐患集中的一种工地隐患，若是时，则输出所述工地隐患对应的响应警报。可以理解，在本申请中，直接通过人工智能识别的手段识别工地安全隐患，并进行响应报警，提升工地建设的安全性。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请基于AI的工地隐患监测方法第一实施例的流程示意图；
图2为本申请基于AI的工地隐患监测方法第一实施例中步骤S20的细化流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
本申请实施例提供一种基于AI的工地隐患监测方法，在本申请基于AI的工地隐患监测方法的第一实施例中，参照图1，所述基于AI的工地隐患监测方法包括：
步骤S10，通过摄像机每间隔预设时间段采集关于工地的工地图像；
步骤S20，确定所述工地图像的类型；
步骤S30，从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；
步骤S40，根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；
步骤S50，确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。
在本实施例中，在摄像机采集工地图像后，通过确定对应目标工地隐患监测模型，进而准确确定工地图像的识别结果，以进一步确定识别结果是否为工地隐患集中的一种工地隐患，若是时，则输出所述工地隐患对应的响应警报。可以理解，在本实施例中，不是人为确保工地建设的安全性，而是直接通过人工智能识别的手段识别工地安全隐患，并进行响应报警，避免人为因素不可控制的影响，提升工地建设的安全性。
具体步骤如下：
步骤S10，通过摄像机每间隔预设时间段采集关于工地的工地图像；
在本实施例中，需要说明的是，基于AI的工地隐患监测方法可以应用于基于AI的工地隐患监测系统，该基于AI的工地隐患监测系统从属于电子设备，如基于AI的工地隐患监测设备或其他电子设备。
在本实施例中，针对的具体应用场景可以是：
第一，现有工地安全，主要以工人或者保安人为巡逻监测为主，具体地，例如，工人或者保安巡逻监察周界是否有人员车辆入侵，巡逻监察工地裸土是否被覆盖等，以防止安全隐患，然而，工人或者保安巡逻监察易受人为因素的影响。
第二，现有工地安全，主要以工人或者保安人为巡逻监测为主，具体地，例如，工人或者保安巡逻监察周界是否有人员车辆入侵，巡逻监察工地裸土是否被覆盖等，以防止安全隐患，然而，工人或者保安巡逻监察是有时间限制的，在时间限制外，难以确保工地建设的安全。
在本实施例中，不受时间上的限制，不受人为因素的限制，提升工地建设的安全性。
通过摄像机每间隔预设时间段采集关于工地的工地图像。
其中，摄像机可以为多个，该多个摄像机分别设置在工地不同位置处，具体地，该不同位置是需要监管的位置，例如，工地大门位置，工地裸土位置，工地内部等。
在本实施例中，预设时间段可以是1分钟，或者2分钟，具体不做限定。
在本实施例中，摄像机可以在采集时调整摄像角度，在不同时刻在不同的摄像角度采集，在采集一个轮回后，摄像机角度调回起始角度，并进行下一个轮回的采集，其中，摄像机在采集一个轮回后，将采集到的图像发送给电子设备进行处理。
步骤S20，确定所述工地图像的类型；
在本实施例中，确定所述工地图像的类型的方式可以是：
方式一：将所述工地图像输入至轮廓识别模型中，基于所述轮识别模型确定所述工地图像中的轮廓信息(车辆轮廓信息或者人员轮廓信息等)，基于该轮廓信息，确定工地图像的类型；
方式二：基于历史经验，将历史工地图像所属类型从多至少排列，将最多历史工地图像所属的类型作为所述工地图像的类型。
方式三，参照图2，所述确定所述工地图像的类型的步骤，包括：
步骤S21，确定采集所述工地图像的摄像头的位置信息以及所述位置信息所在的警示区域类型；
在本实施例中，确定采集所述工地图像的摄像头的位置信息(如工地大门还是工地内部房间)，在本实施例中，还确定所述位置信息所在的警示区域类型，如是警示明火，还是警示烟雾，或者是警示外来人员。
步骤S22，根据所述位置信息和所述警示区域类型，对所述工地图像进行分类，得到所述工地图像的类型。
在确定位置信息和所述警示区域类型后，对所述工地图像进行分类，得到所述工地图像的类型。
具体地，若警示区域是警示明火，则工地图像的类型为火灾风险类型图像；
若警示区域是警示裸土，则工地图像的类型为裸土类型图像；
若警示区域是警示非工地关联事项，则工地图像的类型为非工地关联事项类型图像；
步骤S30，从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；
从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型，也即，在本实施例中，为了提升监测效率，针对每种场景，对应设置有工地隐患监测模型，进而，整体电子设备中是存在工地隐患监测模型集的，进而，在确定工地图像的类型后，从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型，以快速对工地图像进行针对性识别，得到识别结果。
步骤S40，根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；
在得到目标工地隐患监测模型后，由于目标工地隐患监测模型是已经训练好的模型，因而，直接对所述工地图像进行识别，得到识别结果，需要说明的是，若目标工地隐患监测模型无法识别出工地图像，因而，目标工地隐患监测模型可能选择错误，此时，可以将工地图像输入至其他模型中进行识别，进而，得到识别结果。
所述工地图像的类型包括非工地关联事项类型图像，在所述工地图像的类型为非工地关联事项类型图像时，所述目标工地隐患监测模型为非工地关联事项图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述非工地关联事项图像识别模型是基于具有非工地关联事项标签的第一训练数据，对第一待训练模型进行迭代训练后得到的，具有满足第一精度条件的模型参数的预测模型，所述非工地关联事项标签包括非工地车辆标签和非工地人员标签；
在本实施例中，非工地关联事项指的是非工地车辆，或者非工地人员。
在本实施例中，将根据所述非工地关联事项图像识别模型对所述非工地关联事项类型图像进行识别的步骤之前，包括：
获取第一训练数据，所述第一训练数据的每一条训练数据对应一个非工地车辆标签和非工地人员标签；
基于所述第一训练数据确定所述第一待训练模型的初始的模型参数；
基于所述第一训练数据和所述第一待训练模型的初始的模型参数，对所述第一待训练模型进行迭代训练，得到具有满足第一精度条件的模型参数的所述非工地关联事项图像识别模型。
在本实施例中，第一精度条件与第一训练数据对应的第一标准差、第一方差等关联。
步骤S41，根据所述非工地关联事项图像识别模型对所述非工地关联事项类型图像进行识别，确定所述非工地关联事项类型图像是否具有非工地车辆和/或者具有非工地人员；
根据所述非工地关联事项图像识别模型对所述非工地关联事项类型图像进行识别，确定所述非工地关联事项类型图像是否具有非工地车辆和/或者具有非工地人员。若非工地关联事项类型图像具有非工地车辆和/或者具有非工地人员，则识别结果为具有工地隐患，若非工地关联事项类型图像不具有非工地车辆和/或者具有非工地人员，则识别结果为不具有工地隐患。
步骤S50，确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。
确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报，其中，不同的工地隐患，输出的响应警报不同。
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
步骤A1，若所述非工地关联事项类型图像为具有非工地车辆和/或者具有非工地人员的图像，则输出驱赶所述非工地车辆和/或者具有非工地人员的驱赶响应警报。
在本实施例中，若所述非工地关联事项类型图像为具有非工地车辆和/或者具有非工地人员的图像，则输出驱赶所述非工地车辆和/或者具有非工地人员的驱赶响应警报。该驱赶响应警报的内容可以是“工地重地，请迅速离开”。
本申请提供一种基于AI的工地隐患监测方法、装置、设备及存储介质，与现有技术中以工人或者保安人为巡逻监测工地为主，致使工地建设安全性低相比，在本申请中，通过摄像机每间隔预设时间段采集关于工地的工地图像；确定所述工地图像的类型；从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。可以理解，在本申请中，在摄像机采集工地图像后，通过确定对应目标工地隐患监测模型，进而准确确定工地图像的识别结果，以进一步确定识别结果是否为工地隐患集中的一种工地隐患，若是时，则输出所述工地隐患对应的响应警报。可以理解，在本申请中，直接通过人工智能识别的手段识别工地安全隐患，并进行响应报警，提升工地建设的安全性。
实施例二
进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述工地图像的类型包括火灾风险类型图像，在所述工地图像的类型为火灾风险类型图像时，所述目标工地隐患监测模型为火灾风险图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述火灾风险图像识别模型是基于具有火灾风险标签的第二训练数据，对第二待训练模型进行迭代训练后得到的，具有满足第二精度条件的模型参数的预测模型，所述火灾风险标签包括烟雾标签和明火标签；
在本实施例中，根据所述火灾风险图像识别模型对所述火灾风险类型图像进行识别的步骤之前，包括：
获取第二训练数据，所述第二训练数据的每一条训练数据对应一个烟雾标签和明火标签；
基于所述第二训练数据确定所述第二待训练模型的初始的模型参数；
基于所述第二训练数据和所述第二待训练模型的初始的模型参数，对所述第二待训练模型进行迭代训练，得到具有满足第二精度条件的模型参数的所述火灾风险图像识别模型。
在本实施例中，第二精度条件与第二训练数据对应的第二标准差、第二方差等关联。
所述基于所述第二训练数据和所述第二待训练模型的初始的模型参数，对所述第二待训练模型进行迭代训练，得到具有满足第二精度条件的模型参数的所述火灾风险图像识别模型的步骤，包括：
将所述第二训练数据的每一条训练数据输入至所述第二待训练模型；
利用所述第二待训练模型基于所述第二训练数据的每一条训练数据和所述初始的模型参数得到所述第二训练数据的每一条训练数据的训练预测结果；
将所述第二训练数据的每一条训练数据的训练预测结果与所述第二训练数据的每一条训练数据的标签对应进行差异计算，得到训练误差结果；
判断所述训练误差结果是否满足预设误差阈值指示的误差标准；
如果所述训练误差结果未满足所述预设误差阈值指示的误差标准，则更新所述第二待训练模型当前的模型参数，并返回所述利用所述第二待训练模型基于所述第二训练数据的每一条训练数据和所述初始的模型参数得到所述第二训练数据的每一条训练数据的训练预测结果的步骤，直到所述训练误差结果满足所述预设误差阈值指示的误差标准后停止训练；
将停止训练的所述第二待训练模型作为具有满足第二精度条件的模型参数的所述火灾风险图像识别模型。
步骤S42，根据所述火灾风险图像识别模型对所述火灾风险类型图像进行识别，确定所述火灾风险类型图像是否具有烟雾和/或者明火；
根据所述火灾风险图像识别模型对所述火灾风险类型图像进行识别，确定所述火灾风险类型图像是否具有烟雾和/或者明火。若所述火灾风险类型图像为具有烟雾和/或者明火的图像，则识别结果为具有工地隐患，若所述火灾风险类型图像为不具有烟雾和/或者明火的图像，则识别结果为不具有工地隐患。
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
步骤B1，若所述火灾风险类型图像为具有烟雾和/或者明火的图像，则输出烟雾响应警报和/或者明火响应警报。
若所述火灾风险类型图像为具有烟雾和/或者明火的图像，则输出烟雾响应警报和/或者明火响应警报，该烟雾响应警报和/或者明火响应警报可以是：“请注意火灾”。
本申请提供一种基于AI的工地隐患监测方法、装置、设备及存储介质，在本实施例中，所述火灾风险图像识别模型是基于具有火灾风险标签的第二训练数据，对第二待训练模型进行迭代训练后得到的，具有满足第二精度条件的模型参数的预测模型，所述火灾风险标签包括烟雾标签和明火标签；根据所述火灾风险图像识别模型对所述火灾风险类型图像进行识别，确定所述火灾风险类型图像是否具有烟雾和/或者明火；所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：若所述火灾风险类型图像为具有烟雾和/或者明火的图像，则输出烟雾响应警报和/或者明火响应警报。在本申请中，火灾风险图像识别模型为提升工地安全奠定基础。
实施例三
进一步地，基于本申请中第一实施例和第二实施例，提供本申请的另一实施例，在该实施例中，所述工地图像的类型包括裸土类型图像，在所述工地图像的类型为裸土类型图像时，所述目标工地隐患监测模型为裸土图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述裸土类型图像识别模型是基于具有裸土被覆盖标签的第三训练数据，对第三待训练模型进行迭代训练后得到的，具有满足第三精度条件的模型参数的预测模型；
基于所述第三训练数据确定所述第三待训练模型的初始的模型参数；
基于所述第三训练数据和所述第三待训练模型的初始的模型参数，对所述第三待训练模型进行迭代训练，得到具有满足第三精度条件的模型参数的所述裸土类型图像识别模型。
在本实施例中，第三精度条件与第三训练数据对应的第三标准差、第三方差等关联。
步骤S43，根据所述裸土类型图像识别模型对所述裸土类型图像进行识别，确定所述裸土类型图像中裸土是否被覆盖；
根据所述裸土类型图像识别模型对所述裸土类型图像进行识别，确定所述裸土类型图像中裸土是否被覆盖，若所述裸土类型图像为具有裸土被覆盖的图像，则识别结果为具有工地隐患，若所述裸土类型图像为不具有裸土被覆盖的图像，则识别结果为不具有工地隐患。
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
步骤C1，若所述裸土类型图像中为裸土被覆盖的图像，则输出裸土被覆盖的响应警报。
在本实施例中，若所述裸土类型图像为裸土被覆盖的图像，则识别结果为具有工地隐患，若所述裸土类型图像不是裸土被覆盖的图像，则识别结果为不具有工地隐患。若所述裸土类型图像中为裸土被覆盖的图像，则输出裸土被覆盖的响应警报。该裸土被覆盖的响应警可以是：“请注意裸土”。在本申请中，裸土类型图像识别模型为提升工地安全奠定基础。
实施例四
进一步地，基于本申请中第一实施例、第二实施例和第三实施例，提供本申请的另一实施例，在该实施例中，所述工地图像的类型包括渣土车类型图像，在所述工地图像的类型为渣土车图像时，所述目标工地隐患监测模型为渣土车图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述渣土车图像识别模型是基于具有渣土车密闭标签的第四训练数据，对第四待训练模型进行迭代训练后得到的，具有满足第四精度条件的模型参数的预测模型；
基于所述第四训练数据确定所述第四待训练模型的初始的模型参数；
基于所述第四训练数据和所述第四待训练模型的初始的模型参数，对所述第四待训练模型进行迭代训练，得到具有满足第四精度条件的模型参数的所述裸土类型图像识别模型。
在本实施例中，第四精度条件与第四训练数据对应的第四标准差、四差等关联。
步骤S44，根据所述渣土车图像识别模型对所述渣土车类型图像进行识别，确定所述渣土车图像中渣土车是否密闭；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
步骤D1，若所述渣土车图像为渣土车未密闭的图像，则输出渣土车未密闭的响应警报。
根据所述渣土车图像识别模型对所述渣土车类型图像进行识别，确定所述渣土车图像中渣土车是否密闭，若所述渣土车类型图像为具有渣土车不封闭的图像，则识别结果为具有工地隐患，若所述裸土类型图像为具有渣土车被封闭的图像，则识别结果为不具有工地隐患。
在本实施例中，所述渣土车图像识别模型是基于具有渣土车密闭标签的第四训练数据，对第四待训练模型进行迭代训练后得到的，具有满足第四精度条件的模型参数的预测模型；根据所述渣土车图像识别模型对所述渣土车类型图像进行识别，确定所述渣土车图像中渣土车是否密闭；所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：若所述渣土车图像为渣土车未密闭的图像，则输出渣土车未密闭的响应警报。在本申请中，渣土车图像识别模型为提升工地安全奠定基础。
实施例五
参照图3，图3是本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图3所示，该电子设备既可以是专门用于实现上述数据数据处理方法的基于AI的工地隐患监测设备，也可以是将该基于AI的工地隐患监测设备作为一个模组的集成化系统设备。该电子设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该电子设备还可以包括矩形用户接口、网络接口、摄像头、RF(RadioFrequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于AI的工地隐患监测程序。操作系统是管理和控制电子设备硬件和软件资源的程序，支持基于AI的工地隐患监测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与基于AI的工地隐患监测系统中其它硬件和软件之间通信。
在图3所示的电子设备中，处理器1001用于执行存储器1005中存储的基于AI的工地隐患监测程序，实现上述任一项所述的基于AI的工地隐患监测方法的步骤。
本申请电子设备具体实施方式与上述基于AI的工地隐患监测方法各实施例基本相同，在此不再赘述。
实施例六
本申请还提供一种基于AI的工地隐患监测装置，所述装置包括：
采集模块，用于通过摄像机每间隔预设时间段采集关于工地的工地图像；
第一确定模块，用于确定所述工地图像的类型；
选择模块，用于从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；
获取模块，用于根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；
第二确定模块，用于确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。
本申请基于AI的工地隐患监测装置的具体实施方式及有益效果与上述所述基于AI的工地隐患监测方法各实施例基本相同，在此不再赘述。
实施例七
本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述所述基于AI的工地隐患监测方法的步骤。
本申请存储介质及有益效果具体实施方式与上述所述基于AI的工地隐患监测方法各实施例基本相同，在此不再赘述。
实施例八
本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述所述基于AI的工地隐患监测方法的步骤。
本申请计算机程序产品的具体实施方式及有益效果与上述所述基于AI的工地隐患监测方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于AI的工地隐患监测方法，其特征在于，所述方法包括：
通过摄像机每间隔预设时间段采集关于工地的工地图像；
确定所述工地图像的类型；
从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；
根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；
确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。
2.如权利要求1所述的基于AI的工地隐患监测方法，其特征在于，所述工地图像的类型包括非工地关联事项类型图像，在所述工地图像的类型为非工地关联事项类型图像时，所述目标工地隐患监测模型为非工地关联事项图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述非工地关联事项图像识别模型是基于具有非工地关联事项标签的第一训练数据，对第一待训练模型进行迭代训练后得到的，具有满足第一精度条件的模型参数的预测模型，所述非工地关联事项标签包括非工地车辆标签和非工地人员标签；
根据所述非工地关联事项图像识别模型对所述非工地关联事项类型图像进行识别，确定所述非工地关联事项类型图像是否具有非工地车辆和/或者具有非工地人员；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
若所述非工地关联事项类型图像为具有非工地车辆和/或者具有非工地人员的图像，则输出驱赶所述非工地车辆和/或者具有非工地人员的驱赶响应警报。
3.如权利要求1所述的基于AI的工地隐患监测方法，其特征在于，所述工地图像的类型包括火灾风险类型图像，在所述工地图像的类型为火灾风险类型图像时，所述目标工地隐患监测模型为火灾风险图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述火灾风险图像识别模型是基于具有火灾风险标签的第二训练数据，对第二待训练模型进行迭代训练后得到的，具有满足第二精度条件的模型参数的预测模型，所述火灾风险标签包括烟雾标签和明火标签；
根据所述火灾风险图像识别模型对所述火灾风险类型图像进行识别，确定所述火灾风险类型图像是否具有烟雾和/或者明火；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
若所述火灾风险类型图像为具有烟雾和/或者明火的图像，则输出烟雾响应警报和/或者明火响应警报。
4.如权利要求1所述的基于AI的工地隐患监测方法，其特征在于，所述工地图像的类型包括裸土类型图像，在所述工地图像的类型为裸土类型图像时，所述目标工地隐患监测模型为裸土图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述裸土类型图像识别模型是基于具有裸土被覆盖标签的第三训练数据，对第三待训练模型进行迭代训练后得到的，具有满足第三精度条件的模型参数的预测模型；
根据所述裸土类型图像识别模型对所述裸土类型图像进行识别，确定所述裸土类型图像中裸土是否被覆盖；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
若所述裸土类型图像中为裸土被覆盖的图像，则输出裸土被覆盖的响应警报。
5.如权利要求1所述的基于AI的工地隐患监测方法，其特征在于，所述工地图像的类型包括渣土车类型图像，在所述工地图像的类型为渣土车图像时，所述目标工地隐患监测模型为渣土车图像识别模型；
所述根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果的步骤，包括：
所述渣土车图像识别模型是基于具有渣土车密闭标签的第四训练数据，对第四待训练模型进行迭代训练后得到的，具有满足第四精度条件的模型参数的预测模型；
根据所述渣土车图像识别模型对所述渣土车类型图像进行识别，确定所述渣土车图像中渣土车是否密闭；
所述确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报的步骤，包括：
若所述渣土车图像为渣土车未密闭的图像，则输出渣土车未密闭的响应警报。
6.如权利要求1-5任一项所述的基于AI的工地隐患监测方法，其特征在于，所述确定所述工地图像的类型的步骤，包括：
确定采集所述工地图像的摄像头的位置信息以及所述位置信息所在的警示区域类型；
根据所述位置信息和所述警示区域类型，对所述工地图像进行分类，得到所述工地图像的类型。
7.一种基于AI的工地隐患监测装置，其特征在于，所述装置包括：
采集模块，用于通过摄像机每间隔预设时间段采集关于工地的工地图像；
第一确定模块，用于确定所述工地图像的类型；
选择模块，用于从预设工地隐患监测模型集中选择得到与所述工地图像的类型匹配的目标工地隐患监测模型；
获取模块，用于根据所述目标工地隐患监测模型对所述工地图像进行识别，得到识别结果；
第二确定模块，用于确定所述识别结果是否为工地隐患集中的一种工地隐患，若是时，输出所述工地隐患对应的响应警报。
8.一种设备，其特征在于，所述设备为电子设备，所述电子设备包括：存储器、处理器以及存储在存储器上的用于实现所述基于AI的工地隐患监测方法的程序，
所述存储器用于存储实现基于AI的工地隐患监测方法的程序；
所述处理器用于执行实现所述基于AI的工地隐患监测方法的程序，以实现如权利要求1至6中任一项所述基于AI的工地隐患监测方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有实现基于AI的工地隐患监测方法的程序，所述实现基于AI的工地隐患监测方法的程序被处理器执行以实现如权利要求1至7中任一项所述基于AI的工地隐患监测方法的步骤。
10.一种产品，所述产品为计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于AI的工地隐患监测方法的步骤。
CN202210788391.2A 2022-07-05 2022-07-05 基于ai的工地隐患监测方法、装置、设备及存储介质 Pending CN115223091A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210788391.2A CN115223091A (zh) 2022-07-05 2022-07-05 基于ai的工地隐患监测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210788391.2A CN115223091A (zh) 2022-07-05 2022-07-05 基于ai的工地隐患监测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115223091A true CN115223091A (zh) 2022-10-21

Family

ID=83609564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210788391.2A Pending CN115223091A (zh) 2022-07-05 2022-07-05 基于ai的工地隐患监测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115223091A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116789016A (zh) * 2023-08-25 2023-09-22 济南瑞源智能城市开发有限公司 一种智慧工地塔机的运行隐患监控方法及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116789016A (zh) * 2023-08-25 2023-09-22 济南瑞源智能城市开发有限公司 一种智慧工地塔机的运行隐患监控方法及设备
CN116789016B (zh) * 2023-08-25 2023-12-01 济南瑞源智能城市开发有限公司 一种智慧工地塔机的运行隐患监控方法及设备

Similar Documents

Publication Publication Date Title
CN109698934B (zh) 一种区域监控方法及装置
CN111310947A (zh) 基于5g的建筑设施运维方法、设备、存储介质及系统
CN112004067A (zh) 视频监控方法、装置和存储介质
CN113011833A (zh) 施工现场的安全管理方法、装置、计算机设备和存储介质
CN110889339B (zh) 基于头肩检测的危险区域分级预警方法与系统
CN114237087A (zh) 监控系统预警方法、装置及计算机可读存储介质
US20140337077A1 (en) Task assignment and verification system and method
CN115223091A (zh) 基于ai的工地隐患监测方法、装置、设备及存储介质
CN113971782B (zh) 一种综合监控信息管理方法和系统
CN110544362A (zh) 基于区块链的施工现场异常识别方法及装置
CN113627897A (zh) 现场作业人员安全的管控方法和装置及存储介质
CN112071007A (zh) 一种博物馆安全防控管理系统
CN111930054A (zh) 一种机房管理方法、装置、存储介质及设备
CN110602446A (zh) 垃圾回收提醒方法、系统及存储介质
CN112288320A (zh) 一种地铁运行风险监控和管理系统
CN115271612A (zh) 物流园区安全监控方法、装置、设备及存储介质
CN111860187A (zh) 一种高精度的佩戴口罩识别方法及系统
CN114463873A (zh) 用于社区的巡逻系统
CN113823054A (zh) 换流站的综合安防管理系统、方法、装置和计算机设备
CN213424017U (zh) 一种智能工地系统
KR102635902B1 (ko) Ai 로봇을 이용한 건설 현장의 작업 공정별 상황 인식 및 안전 관리 시스템
CN112216073B (zh) 一种梯子违规操作告警方法及装置
CN114332695A (zh) 电梯开关门的识别方法、设备及存储介质
CN114004720A (zh) 核查方法、装置、核查服务器、核查系统及存储介质
CN115474441A (zh) 障碍物检测方法、装置、设备和计算机存储介质

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