CN115358529A - 基于计算机视觉和模糊推理的施工安全评估方法 - Google Patents
基于计算机视觉和模糊推理的施工安全评估方法 Download PDFInfo
- Publication number
- CN115358529A CN115358529A CN202210873279.9A CN202210873279A CN115358529A CN 115358529 A CN115358529 A CN 115358529A CN 202210873279 A CN202210873279 A CN 202210873279A CN 115358529 A CN115358529 A CN 115358529A
- Authority
- CN
- China
- Prior art keywords
- distance
- pixel
- coordinate system
- worker
- safety
- 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 56
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000009435 building construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于计算机视觉和模糊推理的施工安全评估方法，采用计算机视觉技术提取施工现场的图像信息，得到设备临近工人的距离以及施工现场的拥挤度，然后将临近距离和拥挤度作为主要影响因素输入到构建好的模糊推理系统中进行推理得到工人的安全等级。本发明能够将工人的安全水平相对准确、及时的映射为精确的数值，解决了复杂施工现场环境下、工人碰撞事故的安全评估问题。
Description
技术领域
本发明涉及建筑施工安全管理领域，特别涉及一种基于计算机视觉和 模糊推理的施工安全评估方法。
背景技术
在造成建筑安全事故的过程中，施工机械和设备造成的人员伤亡数量 占事故总数相当大比例。减少碰撞事故的发生，对提升建筑施工安全管理 水平具有重要意义。如何在施工机械设备活动范围内，系统地管控人机碰 撞事故发生风险，确定应采取的安全管理技术类型，以减少工人与设备间 的碰撞事故发生率，成为当前研究人员关注的焦点。
碰撞事故的发生可归咎于多个物体在同一时刻空间位置的重叠过程， 自动识别施工人员与设备的交互安全等级是一种有助于缓解和预防碰撞 事故发生的有效措施。为了应对建筑施工安全事故多发带来的巨大挑战， 建筑安全管理者和研究人员正在寻求探索更为安全的施工环境的有效方 法。传统的施工现场具有安全管理水平低下，管理范围小，主要依靠安全 管理人员的主观监测，不能全程监控等一系列问题，以至于事故多发。同时，在以往建设项目施工现场碰撞环境识别的工程安全管理过程中，还主 要是依靠安全员的前期主观协调及以往事故的经验分析来降低事故的发 生概率。但是在建设项目的设计规划阶段不可能完全准确的预防项目全生 命周期的各类安全隐患，并且这些数据不能提供全面而足够的信息揭示事 故的危险因素与发生机理，进而起到预防的作用。
如何提供一种高效、低成本、降低人为主观因素干扰的碰撞安全检测方法， 成为当前亟需解决的问题。
发明内容
为了解决上述问题，本发明提供了一种基于计算机视觉和模糊推理的 施工安全评估方法，能够将工人的安全水平映射为精确的数值，解决了复 杂施工现场环境下、工人碰撞事故的安全评估问题。
本发明通过如下方案来实现：一种基于计算机视觉和模糊推理的施工 安全评估方法，包括步骤：
获取包含施工场景的图片，利用图像识别模型识别图片中的工人和设 备；
获取图片中的工人和设备的数量并确定拥挤值；
计算图片中待评估工人至每个设备的像素距离；
利用像素距离和真实三维空间距离转换模型测算出待评估工人至每 个设备的实际距离，并将所述实际距离中的最近距离作为临近距离；
建立一个双输入单输出的模糊推理系统，以定义隶属函数的形式描述 接近度、拥挤度和安全水平，设计综合反应所述接近度和所述拥挤度相互 作用下的工人安全水平的安全规则，并建立规则库；
将所述临近距离和所述拥挤值输入至所述模糊推理系统中，从所述规 则库中找到匹配的安全规则，并将相应的安全水平作为待评估工人的安全 评估结果输出。
本发明基于计算机视觉和模糊推理的施工安全评估方法的进一步改 进在于，在定义隶属函数时，使用梯形函数作为输入隶属函数，使用三角 形函数作为输出隶属函数。
本发明基于计算机视觉和模糊推理的施工安全评估方法的进一步改 进在于，在以定义隶属函数的形式描述接近度、拥挤度时，定义远、中、 近、很近描述所述接近度，定义很拥挤、拥挤、正常、疏松描述所述拥挤 度。
本发明基于计算机视觉和模糊推理的施工安全评估方法的进一步改 进在于，在利用图像识别模型识别图片中的工人和设备之前，先对所述图 像识别模型进行训练和测试，步骤如下：
采集多张带有工人和设备的施工图片作为模型的训练测试集；
使用图形图像注释工具对所述施工图片进行注释，标注工人为正样本， 标注设备为负样本，并将注释结果保存为文件；
对所述训练测试集进行训练和对象检测，直至识别并框选出所有工人 和设备为止。
本发明基于计算机视觉和模糊推理的施工安全评估方法的进一步改 进在于，计算图片中待评估工人至每个设备的像素距离的步骤包括：
获取识别选框左上角和右下角的像素坐标来计算识别选框的中心像 素，以所述中心像素代表所述识别选框所对应的工人或设备的质心像素， 计算所述待评估工人的质心像素至每个设备的质心像素的距离。
本发明基于计算机视觉和模糊推理的施工安全评估方法的进一步改 进在于，所述像素距离和真实三维空间距离转换模型是根据小孔成像三角 测量原理建立的倾角摄像机标定模型，所述倾角摄像机标定模型包括相机 坐标系、世界坐标系和成像平面坐标系；
在利用像素距离和真实三维空间距离转换模型测算出待评估工人至 每个设备的实际距离的步骤包括：
通过相机内部参数标定，将所述图像识别模型的像素坐标系转换为所 述成像平面坐标系；
将所述成像平面坐标系向所述相机坐标系刚体转换；
通过相机外部参数标定，将所述相机坐标系转换为所述世界坐标系， 得到所述像素坐标系与所述世界坐标系的转换关系；
利用所述像素距离和所述转换关系测算出所述实际距离。
本发明基于计算机视觉和模糊推理的施工安全评估方法的进一步改 进在于，使用张正友相机标定法进行所述相机内部参数标定和所述相机外 部参数标定。
本发明利用计算机视觉技术可以快速、准确地对施工现场图片的工人 和设备进行识别，计算和确定一定区域范围的拥挤度和接近度，以接近度 和拥挤度作为两个重要影响因素，结合模糊推理理论和建立的安全规则库， 能够将工人的安全水平相对准确、及时的映射为精确的数值，解决了复杂 施工现场环境下、工人碰撞事故的安全评估问题，削弱了原有主观因素对 工人安全评估所占的比重，极大地降低了管理所需的时间成本和人力成本， 为建筑施工现场环境的安全性和施工人员的安全状态评估提供了新方法。
附图说明
图1示出了本发明方法的流程图。
图2示出了本发明方法中图形识别模型的网络结构图。
图3示出了本发明方法中倾角摄像机标定模型的几何状况图。
图4示出了本发明方法中倾角摄像机标定模型的平面成像示意图。
图5示出了本发明实施例中定义的拥挤度隶属函数示意图。
图6示出了本发明实施例中定义的接近度隶属函数示意图。
图7示出了本发明实施例中定义的评估指标隶属函数示意图。
具体实施方式
传统的施工现场具有安全管理水平低下，管理范围小，主要依靠安全 管理人员的主观监测，不能全程监控等一系列问题，以至于事故多发。同 时，在以往建设项目施工现场碰撞环境识别的工程安全管理过程中，还主 要是依靠安全员的前期主观协调及以往事故的经验分析来降低事故的发 生概率。但是在建设项目的设计规划阶段不可能完全准确的预防项目全生 命周期的各类安全隐患，并且这些数据不能提供全面而足够的信息揭示事故的危险因素与发生机理，进而起到预防的作用。本发明提供了一种基于 计算机视觉和模糊推理的施工安全评估方法，能够将工人的安全水平映射 为精确的数值，解决了复杂施工现场环境下、工人碰撞事故的安全评估问 题。
下面以具体实施例结合附图对该基于计算机视觉和模糊推理的施工 安全评估方法作进一步说明。
参阅图1所示，一种基于计算机视觉和模糊推理的施工安全评估方法， 包括步骤：
步骤S1，获取包含施工场景的图片，利用图像识别模型识别图片中 的工人和设备。
具体来说，该图像识别模型为Faster R-CNN，在使用前预先进行了模 型训练和测试，步骤如下：
(1)、采集多张带有工人和设备的施工图片作为模型的训练测试集。 该施工图片可以是以往收集的，也可以是从监控设备中调取的，采集后对 图片进行缩放等预处理。
(2)、使用图形图像注释工具“Labelme”对这些施工图片进行注释， 标注工人为正样本“worker”，标注设备为负样本“equipment”，并将注 释结果保存为VOC格式的XML文件。
(3)在Tensor Flow系统架构中对该训练测试集进行该Faster R-CNN 模型的训练和对象检测，直至识别并框选出所有工人和设备为止。
具体参阅图2所示，在该步骤中，区域建议网络(Region Proposal Network)能够从任意尺寸的图片中得到一系列的带有识别出物体概率分 数的建议区域。首先通过多层卷积和池化操作对整幅图像的基础信息提取， 形成特征图(Feature map)，再通过推荐网络提取固定个数推荐网络框。 在ROI pooling层中将特征映射为相同尺寸的特征向量输入至全连接层。 利用窗口得分分别对每一类物体进行非极大值抑制剔除重叠建议框，最终得到每个类别中回归修正后的得分最高的窗口作为最终的检测框。
由于检测工人与机械设备在整个图像中占据很小的一部分区域，通过 区分前景与背景，能够避免图像背景中很多冗余信息的干扰，提高模型的 识别准确率。具体而言，本发明通过设置重叠比例参数将与真实标签区域 重叠比例大于0.7的推荐区域记为前景，重叠比例参数小于0.3的记为背 景，对介于二者之间的推荐区域不计入损失函数。
步骤S2，获取图片中的工人和设备的数量并确定拥挤值。本实施方 式设定该拥挤值为感兴趣区域以内其他工人或设备的数量之和。
步骤S3，计算图片中待评估工人至每个设备的像素距离。
具体来说，在该步骤中，获取识别选框(即步骤S1得出的检测框) 左上角和右下角的像素坐标来计算识别选框的中心像素，以该中心像素代 表该识别选框所对应的工人或设备的质心像素，任何二维线性变化均可根 据其长度或面积之间的比值获得。因此，在通过像素标定与处理后，可以 通过公式(1)计算出待评估工人至每个设备的像素距离Distance：
其中：(Xe，Ye)和(Xw，Yw)分别代表设备及待评估工人的质心 像素。
步骤S4，利用像素距离和真实三维空间距离转换模型测算出待评估 工人至每个设备的实际距离，并将该实际距离中的最近距离作为临近距离。
具体来说，该像素距离和真实三维空间距离转换模型是根据小孔成像 三角测量原理建立的倾角摄像机标定模型，其几何状况如图3所示，该倾 角摄像机标定模型包括相机坐标系XcYcZc、世界坐标系XwYwZw(反应 真是三维空间状态)和成像平面坐标系XOY；
在利用像素距离和真实三维空间距离转换模型测算出待评估工人至 每个设备的实际距离的步骤包括：
(1)通过相机内部参数标定，将该图像识别模型的像素坐标系UOV 转换为该成像平面坐标系XOY。
(2)将该成像平面坐标系XOY向该相机坐标系XcYcZc刚体转换。
(3)通过相机外部参数标定，将该相机坐标系XcYcZc转换为该世 界坐标系XwYwZw，得到该像素坐标系UOV与该世界坐标系XwYwZw 的转换关系。
利用该像素距离和该转换关系测算出该实际距离。
下面结合附图4以成像平面坐标系XOY上P(X,Y)点为例，对上述 坐标系转换进行具体说明：
该P点在像素坐标系UOV上的坐标为(U,V)，由公知常识可知： 像素坐标描述的是某点在像素坐标系中的第几行和第几列，并没有实际物 理意义上的长度单位，而平面坐标有具体的长度单位物理意义，因此他们 之间的转换需要介入一个物理比例参数来实现像素与距离的转换。具体用 关系式(2)表示：
其中各参数含义如下：
U0、V0为平面原点在像素坐标系UOV下的横坐标与纵坐标，单位为 像素；
X、Y为P点在成像平面坐标XOY下的横坐标与纵坐标，单位为mm；
dx、dy为图像像素的横向和纵向物理尺寸单位，单位为mm；
U、V为P点在像素坐标系UOV下的横坐标和纵坐标，单位为像素。
关系式(2)的齐次形式的矩阵形式为：
而在相机坐标系XcYcZc中以相机的焦点为原点，由该小孔成像几何 模型可以得到相机坐标系XcYcZc与成像平面坐标系XOY的透视变换关 系为：
其中各参数含义如下：
Xc、Yc为P点在相机坐标系XcYcZc下的X轴和Y轴坐标，单位均 为mm；
f为相机模型的焦距，单位为mm。
关系式(4)的齐次形式的矩阵形式为：
由公知常识可知，相机坐标系XcYcZc与世界坐标系XwYwZw不尽 相同，且其旋转变换与平移变换是相互独立的，故将这两个坐标系的坐标 变换分解为三维平移变换T和三维旋转变换R，记为
因此 二者之间变换的齐次矩阵形式为：
其中各参数含义如下：
Xc、Yc、Zc为P点在相机坐标系下XcYcZc的坐标，单位均为mm；
Xw、Yw、Zw为真实三维坐标点P在世界坐标系XwYwZw下的坐标， 单位均为mm；
0为列形式的零向量，0T＝(0,0,0)；
R为世界坐标系的三个坐标轴绕其坐标原点Ow旋转至与相机坐标系 XcYcZc相对应的三个坐标轴同向平行所决定的三维旋转矩阵。
综合上述变换关系，将关系式(5)式代入关系式(4)中，再将结果 代入关系式(6)中，即得到齐次形式相机几何数学模型，记
具体如下：
其中，W为相机的外参矩阵，M为相机的内参矩阵。
上述相机内外参数可以通过相机标定的方法求解，本发明通过使用张 正友相机标定法，调用Open MV相机内参数矩阵表示
其中 fx＝225.1439，cx＝182.3044，fy＝260.3625，cy＝3.8307，平移向量[K1，K2]；K1＝0.0023，K2＝0.0018。畸变是对直线投影的偏移，相机畸变误差是使用 透镜造成的径向畸变[K1，K2，K3]，参数为K1＝-0.1302，K2＝0.2168，K3＝-0.0357。 通过各参数设置可实现后续临近距离的求解。
步骤S5，利用Matlab模糊推理工具箱建立一个双输入单输出的 Mamdani型模糊推理系统，以定义隶属函数的形式描述接近度、拥挤度和 安全水平，设计综合反应该接近度和该拥挤度相互作用下的工人安全水平 的安全规则，并建立规则库。
具体来说，使用梯形函数作为输入隶属函数，三角形函数作为输出隶 属函数，在着重考虑近距离和拥挤状态下的工人安全水平时，分别选择四 种术语(远、中、近、很近)描述临近距离和(很拥挤、拥挤，正常，疏 松)描述拥挤度。
然后设计推理规则，安全规则综合反映了两个危险因素相互作用下的 工人安全水平，每个规则对应一个输入和输出值，输入的为工人接近度和 拥挤度，输出则为工人的安全水平值。使用梯形隶属函数对接近度和拥挤 度的输入值进行模糊化。最后，利用If-Then规则和三角形输出隶属函数 获得每个工人的安全等级。在Matlab模糊器中直接建立规则库，由于工 人的安全状态是接近度，拥挤度以二者共同决定的，因此可以在三维系统空间中建立映射关系。
步骤S6，将该临近距离和该拥挤值输入至该模糊推理系统中，从该 规则库中找到匹配的安全规则，并将相应的安全水平作为待评估工人的安 全评估结果输出。
采用本方法可以借助计算机视觉技术，以图片为分析基础，结合隶属 函数定义形式的模糊推理系统推理出图片中待评估工人(可事先指定)的 安全水平值，结果更直观，且该模糊推理系统不同于常规的模糊神经网络， 其无需提前训练，逻辑简单、推理快速、结果更具解释性。若要实时跟踪 待评估工人施工现场的安全水平情况，仅需将计算机视觉技术与现场监控 设备相结合，实施捕捉施工现场的施工场景图片，形成系列图片，按需进 行上述方法的推理即可。
下面以某实际项目为例，选取基于远景摄像头的地下工程开挖视频中 所存在的挖掘设备和施工人员作为研究对象对该方法进行验证。
1、利用图像识别模型识别样本图片中的工人和设备，该样本图片中 包含一个设备和一个工人在正常进行施工作业。
2、在该施工场景下，除了该工人和距离其一定范围内的一个设备外， 该范围外没有其他实体(即工人或设备)，故确定拥挤值为0。
3、根据识别出的工人与设备检测框角点像素坐标，可计算出的中心 像素坐标分别为正样本Worker(421.5，247)，负样本Equipment(250.5， 183.5)。按照关系式(1)可计算像素距离为182.409个单位像素。
4、利用像素距离和真实三维空间距离转换模型测算出该工人至该设 备的实际距离(仅一个工人和一个设备，则该实际距离也为临近距离)为 6.29m。
5、(1)定义隶属函数。表1为安全水平、拥挤度和临近距离的模糊 定义，图5和图6分别为定义的拥挤度隶属函数和接近度隶属函数，图7 为定义的评估指标(对应安全水平值)隶属函数。
表1安全水平、拥挤度和临近距离的模糊定义
5、(2)设计推理规则。表2为构建的模糊规则库。
表2模糊规则库
6、将该临近距离6.29m和该拥挤值0输入至该模糊推理系统中，可 得到该工人的安全评估结果，安全水平值为5.83，因此，该工人处于高安 全水平。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人 员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节 不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本 发明的保护范围。
Claims (7)
1.一种基于计算机视觉和模糊推理的施工安全评估方法，其特征在于，包括步骤：
获取包含施工场景的图片，利用图像识别模型识别图片中的工人和设备；
获取图片中的工人和设备的数量并确定拥挤值；
计算图片中待评估工人至每个设备的像素距离；
利用像素距离和真实三维空间距离转换模型测算出待评估工人至每个设备的实际距离，并将所述实际距离中的最近距离作为临近距离；
建立一个双输入单输出的模糊推理系统，以定义隶属函数的形式描述接近度、拥挤度和安全水平，设计综合反应所述接近度和所述拥挤度相互作用下的工人安全水平的安全规则，并建立规则库；
将所述临近距离和所述拥挤值输入至所述模糊推理系统中，从所述规则库中找到匹配的安全规则，并将相应的安全水平作为待评估工人的安全评估结果输出。
2.如权利要求1所述的基于计算机视觉和模糊推理的施工安全评估方法，其特征在于，在定义隶属函数时，使用梯形函数作为输入隶属函数，使用三角形函数作为输出隶属函数。
3.如权利要求1所述的基于计算机视觉和模糊推理的施工安全评估方法，其特征在于，在以定义隶属函数的形式描述接近度、拥挤度时，定义远、中、近、很近描述所述接近度，定义很拥挤、拥挤、正常、疏松描述所述拥挤度。
4.如权利要求1所述的基于计算机视觉和模糊推理的施工安全评估方法，其特征在于，在利用图像识别模型识别图片中的工人和设备之前，先对所述图像识别模型进行训练和测试，步骤如下：
采集多张带有工人和设备的施工图片作为模型的训练测试集；
使用图形图像注释工具对所述施工图片进行注释，标注工人为正样本，标注设备为负样本，并将注释结果保存为文件；
对所述训练测试集进行训练和对象检测，直至识别并框选出所有工人和设备为止。
5.如权利要求1所述的基于计算机视觉和模糊推理的施工安全评估方法，其特征在于，计算图片中待评估工人至每个设备的像素距离的步骤包括：
获取识别选框左上角和右下角的像素坐标来计算识别选框的中心像素，以所述中心像素代表所述识别选框所对应的工人或设备的质心像素，计算所述待评估工人的质心像素至每个设备的质心像素的距离。
6.如权利要求1所述的基于计算机视觉和模糊推理的施工安全评估方法，其特征在于，所述像素距离和真实三维空间距离转换模型是根据小孔成像三角测量原理建立的倾角摄像机标定模型，所述倾角摄像机标定模型包括相机坐标系、世界坐标系和成像平面坐标系；
在利用像素距离和真实三维空间距离转换模型测算出待评估工人至每个设备的实际距离的步骤包括：
通过相机内部参数标定，将所述图像识别模型的像素坐标系转换为所述成像平面坐标系；
将所述成像平面坐标系向所述相机坐标系刚体转换；
通过相机外部参数标定，将所述相机坐标系转换为所述世界坐标系，得到所述像素坐标系与所述世界坐标系的转换关系；
利用所述像素距离和所述转换关系测算出所述实际距离。
7.如权利要求6所述的基于计算机视觉和模糊推理的施工安全评估方法，其特征在于，使用张正友相机标定法进行所述相机内部参数标定和所述相机外部参数标定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210873279.9A CN115358529A (zh) | 2022-07-22 | 2022-07-22 | 基于计算机视觉和模糊推理的施工安全评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210873279.9A CN115358529A (zh) | 2022-07-22 | 2022-07-22 | 基于计算机视觉和模糊推理的施工安全评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115358529A true CN115358529A (zh) | 2022-11-18 |
Family
ID=84031280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210873279.9A Pending CN115358529A (zh) | 2022-07-22 | 2022-07-22 | 基于计算机视觉和模糊推理的施工安全评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358529A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057682A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市睿拓新科技有限公司 | 一种道路施工期间交通安全评价方法及系统 |
-
2022
- 2022-07-22 CN CN202210873279.9A patent/CN115358529A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057682A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市睿拓新科技有限公司 | 一种道路施工期间交通安全评价方法及系统 |
| CN117057682B (zh) * | 2023-10-12 | 2024-01-23 | 深圳市睿拓新科技有限公司 | 一种道路施工期间交通安全评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | SLAM-driven robotic mapping and registration of 3D point clouds | |
| CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
| CN113255481B (zh) | 一种基于无人巡逻车的人群状态检测方法 | |
| CN109035187B (zh) | 一种医学图像的标注方法及装置 | |
| CN111459166B (zh) | 一种灾后救援环境下含受困人员位置信息的情景地图构建方法 | |
| CN109859245B (zh) | 视频目标的多目标跟踪方法、装置及存储介质 | |
| CN108564065B (zh) | 一种基于ssd的电缆隧道明火识别方法 | |
| CN109253722B (zh) | 融合语义分割的单目测距系统、方法、设备及存储介质 | |
| Hou et al. | Detecting structural components of building engineering based on deep-learning method | |
| Ding et al. | Crack detection and quantification for concrete structures using UAV and transformer | |
| CN111996883B (zh) | 一种检测公路路面宽度的方法 | |
| CN115482195B (zh) | 一种基于三维点云的列车部件变形检测方法 | |
| CN114089330B (zh) | 一种基于深度图像修复的室内移动机器人玻璃检测与地图更新方法 | |
| CN116844147A (zh) | 一种基于深度学习的指针式仪表识别和异常警报方法 | |
| CN111950440A (zh) | 一种识别与定位门的方法、装置及存储介质 | |
| CN114972421A (zh) | 车间物料识别追踪与定位方法、系统 | |
| CN115358529A (zh) | 基于计算机视觉和模糊推理的施工安全评估方法 | |
| CN112699748B (zh) | 基于yolo及rgb图像的人车距离估计方法 | |
| KR102260556B1 (ko) | 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치 | |
| CN117218855A (zh) | 一种评价侧撞事故风险的方法及系统 | |
| CN117333846A (zh) | 恶劣天气下基于传感器融合和增量学习的检测方法及系统 | |
| CN112924037A (zh) | 基于图像配准的红外体温检测系统及检测方法 | |
| CN112017213A (zh) | 一种目标对象的位置更新方法及系统 | |
| CN115982824A (zh) | 施工现场工人空间管理方法、装置、电子设备及存储介质 | |
| US11978197B2 (en) | Inspection method for inspecting an object and machine vision system |
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 |