CN115393789A

CN115393789A - 建筑工地危险区域人群聚集预警方法、系统、设备及存储介质

Info

Publication number: CN115393789A
Application number: CN202210927882.0A
Authority: CN
Inventors: 周崇华
Original assignee: Caac Airport Construction Group Co ltd
Current assignee: Caac Airport Construction Group Co ltd
Priority date: 2022-08-03
Filing date: 2022-08-03
Publication date: 2022-11-25

Abstract

本发明提供一种建筑工地危险区域人群聚集预警方法，包括：获取建筑工地现场图像；识别所述建筑工地现场图像中的危险区域，得到危险区域图像；加载预先完成训练的机器学习模型；将所述危险区域图像输入至所述机器学习模型，识别出风险人员及其标注信息；对所述风险人员计数，判断所述风险人员的数量是否超过预设阈值，如果超过预设阈值，预警提示。本发明还提供一种建筑工地危险区域人群聚集预警系统、设备和存储介质。采用本发明的建筑工地危险区域人群聚集预警方法、系统、设备和存储介质，能够解决现有技术中人工特征选择有限、难以根据具体问题的特性做适应性的修改的技术问题。

Description

建筑工地危险区域人群聚集预警方法、系统、设备及存储介质

技术领域

本发明涉及图像识别领域，具体涉及一种建筑工地危险区域人群聚集预警方法、系统、设备及存储介质。

背景技术

随着建筑行业的快速发展，也伴随着安全事故频繁。建筑施工属于高危行业，在施工一些危险性较大或危险性较大的分部分项工程时，若安全技术措施不到位、管理松懈、麻痹大意，易发生安全事故，造成群死群伤和恶劣的社会影响。经调查统计，按较大及以上事故类型来看，数量位居前五位的施工作业有土方坍塌、起重机械伤害、模板支撑体系坍塌、吊篮倾覆、中毒和窒息，基本涵盖近10年全国发生的典型建筑施工重大生产安全事故。

为了防范群死群伤等恶性事件发生，有些建筑企业明确提出“在专项施工方案编制、审批时，应注重技术创新和“四新技术”应用，从方案源头上降低危大工程施工作业人员数量，尽量减少9人以上作业情况的出现”。对于人数大于9人的危大工程施工作业工程项目宜采用视频监控等手段，做到全时段安全监控，实时监督、及时预警，有效管控重大安全风险，从根本上遏制群死群伤事故的发生。

采用计算机技术对在危大工程施工作业人员进行计数是实现智能安全管控的核心技术，人群计数的主要任务就是对于给定的一幅图像或一段视频，通过计算机自动处理，分析出目标区域(region of interest，ROI)的人数。而基于计算机视觉的计数方法的发展以及监控设备的升级为面向建筑工地复杂场景的自动化人群计数带来了可能。近年来已经有很多类的方法应用于人群计数问题，传统的人群计数算法主要可以分为基于检测和基于回归的模型，不论是哪种模型，其基本流程都是特征选择加上分类器或者回归器，整个算法的表现很大一部分取决于特征的设计或选择。在建筑工地，由于每个场景都有其独特的属性，如不同的场景视角、不同的密度分布等，而传统的人工特征选择是有限、而且很难根据具体问题的特性做适应性的修改。

发明内容

本发明的目的是提供一种建筑工地危险区域人群聚集预警方法、系统、设备及存储介质，解决现有技术中人工特征选择有限、难以根据具体问题的特性做适应性的修改的技术问题。

为实现上述目的，本发明提供一种建筑工地危险区域人群聚集预警方法，包括：获取建筑工地现场图像；识别所述建筑工地现场图像中的危险区域，得到危险区域图像；加载预先完成训练的机器学习模型；将所述危险区域图像输入至所述机器学习模型，识别出风险人员及其标注信息，所述风险人员为所述危险区域图像中的人员，所述风险人员的标注信息包括所述风险人员的位置信息；对所述风险人员计数，判断所述风险人员的数量是否超过预设阈值，如果超过预设阈值，预警提示。

本发明还提供一种建筑工地危险区域人群聚集预警系统，包括：图像获取模块，用于获取建筑工地现场图像；危险区域识别模块，用于识别所述建筑工地现场图像中的危险区域，得到危险区域图像；模型加载模块，用于加载预先完成训练的机器学习模型；风险人员检测模块，用于将所述危险区域图像输入至所述机器学习模型，识别出风险人员及其标注信息，所述风险人员为所述危险区域图像中的人员，所述风险人员的标注信息包括所述风险人员的位置信息；预警模块，用于对所述风险人员计数，判断所述风险人员的数量是否超过预设阈值，如果超过预设阈值，预警提示。

本发明还提供一种计算机可读存储介质，用于保存计算机程序，当其在计算机上运行时，使得计算机执行所述建筑工地危险区域人群聚集预警方法。

本发明还提供一种电子设备，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序，以实现所述建筑工地危险区域人群聚集预警方法。

相比于现有技术，本发明的有益效果在于：

本发明的建筑工地危险区域人群聚集预警方法，通过获取建筑工地现场图像并识别出图像中的危险区域，同时利用卷积网络学习训练出的机器学习模型识别危险区域中的风险人员，根据风险人员的数量进行预警提示，可对不同的危险区域进行识别、对复杂场景中的人员自动识别及预警。基于深度学习技术的机器学习模型通过各层之间耦合所形成的复杂的映射函数实现有效特征的自动提取和组合，能够找到更加适合于人群识别任务的相关的特征表达，让模型达到更好的性能。而基于深度卷积神经网络(Deep CNN)的人群识别方法在处理场景适应性、尺度多样性等问题时表现更优，此外由于其特征是自学习的、不需要人工选取，可以显著提升识别效果，避免风险人员漏判错判及人群计数错误等问题发生，实现对在危险区域超过一定作业人员阈值的场景进行预警，提高安全监督力度，减少群死群伤事故的突发率。

优选的，所述识别所述建筑工地现场图像中的危险区域，得到危险区域图像包括：提取所述建筑工地现场图像的角点特征；根据所述角点特征，计算所述建筑工地现场图像与危险场景图像的相似性，所述危险场景图像来自预先构建的危险场景库；识别所述建筑工地现场图像中所述相似性低于预设值的区域，得到危险区域图像。通过定量计算匹配建筑工地现场图像与危险场景图像，能够更加准确和高效地识别建筑工地现场图像中的危险区域。

优选的，所述方法还包括：将所述危险区域图像作为新的危险场景图像添加至所述危险场景库中，扩充危险场景库的样本数量，提高工地现场复杂环境中对危险区域识别的准确性。

优选的，所述方法还包括：构建第一样本集，所述第一样本集包括所述建筑工地现场图像及其标注信息，所述建筑工地现场图像的标注信息包括所述建筑工地现场图像中人员的位置信息；将所述第一样本集输入至卷积网络中进行学习训练，输出所述机器学习模型，便于利用所述机器学习模型对复杂场景中的人员自动识别。

优选的，所述方法还包括：存储所述危险区域图像及其标注信息；将所述危险区域图像及其标注信息输入至所述第一样本集，得到第二样本集；根据预设条件，将所述第二样本集输入至卷积网络中进行学习训练，更新所述机器学习模型。将危险区域图像及其标注信息补充进入用于训练机器学习模型的样本集，可进一步扩充用于模型训练的样本量，并不断补充和更新样本集，更有效地克服少样本学习问题，有利于模型的训练和验证。

优选的，所述危险区域识别模块包括：特征提取单元，用于提取所述建筑工地现场图像的角点特征；特征匹配单元，用于根据所述角点特征，计算所述建筑工地现场图像与危险场景图像的相似性，所述危险场景图像来自预先构建的危险场景库；危险区域识别单元，用于识别所述建筑工地现场图像中所述相似性低于预设值的区域，得到危险区域图像。

优选的，所述系统还包括：危险场景库更新模块，用于将所述危险区域图像作为新的危险场景图像添加至所述危险场景库中。

优选的，所述系统还包括：样本集构建模块，用于构建第一样本集，所述第一样本集包括所述建筑工地现场图像及其标注信息，所述建筑工地现场图像的标注信息包括所述建筑工地现场图像中人员的位置信息；模型训练模块，用于将所述第一样本集输入至卷积网络中进行学习训练，输出所述机器学习模型。

优选的，所述系统还包括：存储模块，用于存储所述危险区域图像及其标注信息；样本集更新模块，用于将所述危险区域图像及其标注信息输入至所述第一样本集，得到第二样本集；模型更新模块，用于根据预设条件，将所述第二样本集输入至卷积网络中进行学习训练，更新所述机器学习模型。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明建筑工地危险区域人群聚集预警方法的流程示意图；

图2为本发明识别所述危险区域图像的流程示意图；

图3为本发明建筑工地危险区域人群聚集预警机器学习模型训练方法的流程示意图；

图4为本发明建筑工地危险区域人群聚集预警机器学习模型更新方法的流程示意图；

图5为本发明建筑工地危险区域人群聚集预警系统的结构示意图；

图6为本发明危险区域识别模块的结构示意图；

图7为本发明建筑工地危险区域人群聚集预警机器学习模型训练系统的结构示意图；

图8为本发明建筑工地危险区域人群聚集预警机器学习模型更新系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明建筑工地危险区域人群聚集预警方法的流程示意图。如图1所示，本实施例公开一种建筑工地危险区域人群聚集预警方法，包括：

S11，获取建筑工地现场图像。

可采用全彩智能摄像机、4G球机、人脸门禁一体机、道闸、无线网桥等等现有技术中的监控设备，获取工地现场监控图像。在具体的应用场景中，通常在制高点/塔吊通过安装监控设备对工地各区域实现现场监控，这些监控设备能用来灵活管理作业人员等多方位的施工活动，及时有效地掌握现场人员施工动态情况，能够较为完整地抓取到涉及全部作业人员的现场图像信息。

S12，识别所述建筑工地现场图像中的危险区域，得到危险区域图像。

其中，如图2所示，识别所述建筑工地现场图像中的危险区域，得到危险区域图像的过程具体包括：

S21，提取所述建筑工地现场图像的角点特征。

在一个可行的实施方式中，提取图像的SIFT(Scale-invariant featuretransform，尺度不变特征变换)特征用于危险区域的判别。由于SIFT特征具有光照不变性、旋转不变性、缩放平移性和局部不变性等特性，因此能够较好的适用于建筑工地现场这样杂波较多、噪声较多的复杂场景中。有关具体SIFT特征生成的方法可以参考现有技术，在此不再进行赘述。

在一些优选的实施例中，提取建筑工地现场图像的角点特征前，对其进行预处理，例如使用滤波算法去除图像数据集的随机噪声、使用频域处理技术去除图像数据集的频域内噪声、使用直方图均衡增加图像数据集的对比度等手段，还包括灰度变换、几何校正等一种或多种预处理方式，从而降低复杂的工业环境对图像的影响。

S22，根据所述角点特征，计算所述建筑工地现场图像与危险场景图像的相似性，所述危险场景图像来自预先构建的危险场景库。

根据实际需要，收集包含危险的多种施工现场区域类型的场景图像作为危险场景图像，形成基础的危险场景库，并提取各危险场景图像的角点特征。这些包含危险的场景图像是预先通过人工检测等方式识别出的。施工现场危险区域类型可结合实际情况进行划分和选择，例如高处坠落区、物体打击区、坍塌区、起重伤害区、机械碰撞区和其他作业危害区。

本实施例中，图像特征匹配的相似性的定量方法，采用欧式距离作为相似性距离计算。计算方法如下：

其中，d(U,V_i)为相似性距离，U(x₁,x₂,…,x₁₂₈)为从建筑工地现场图像提取的特征描述子向量，V_i(y₁,y₂,…,y₁₂₈)为危险场景库V的第i个危险场景图像特征描述子向量，x_m、y_m为第m个特征描述子向量元素。

S23，识别所述建筑工地现场图像中所述相似性低于预设值的区域，得到危险区域图像。

本实施例中，首先将相似性距离低于预设值的区域确认为危险区域，而后将危险区域的位置坐标映射到建筑工地现场图像中，从而识别出建筑工地现场图像中的危险区域。可通过绘制危险区域边界线、或将危险区域从建筑工地现场图像中分离等方式，得到所述危险区域图像。通过定量计算匹配建筑工地现场图像与危险场景图像，能够更加准确和高效地识别建筑工地现场图像中的危险区域。

在一些优选的实施例中，将所述危险区域图像作为新的危险场景图像添加至所述危险场景库中，扩充危险场景库的样本数量，提高工地现场复杂环境中对危险区域识别的准确性。

S13，加载预先完成训练的机器学习模型。

在本实施例中，利用预先完成训练的机器学习模型来识别和计数各个危险区域图像中的人员。机器学习模型的训练基于机器视觉和深度学习实现，图3为本发明公开的一种建筑工地危险区域人群聚集预警机器学习模型训练方法的流程示意图。如图3所示，所述机器学习模型的训练方法包括：

S31，构建第一样本集，所述第一样本集包括所述建筑工地现场图像及其标注信息，所述建筑工地现场图像的标注信息包括所述建筑工地现场图像中人员的位置信息。

可根据需要在建筑工地现场拍摄图片，或在建筑工地现有的监控设备录制的视频中提取作业人群图片，来获取建筑工地现场图像，第一样本集的这些图像可以包含或不包含所述危险区域。在一些优选的实施例中，对收集到的建筑工地现场图像进行预处理，例如采用归一化、去噪、相关性分析等常规技术手段，降低复杂的工业环境对图像的影响。

本实施例中，以人头中心位置来代表人员位置。预先采用人工等方式对建筑工地现场图像中的所述人员位置进行识别，进而至少获得每张图像中的人员位置信息作为标注信息。可结合标注信息进行计数来进一步获取人员数量信息。

第一样本集中的图像及其标注信息进一步划分为训练集和测试集，以备模型训练使用。

S32，将所述第一样本集输入至卷积网络中进行学习训练，输出所述机器学习模型。

本实施例以深度卷积神经网络(Deep CNN)的VGG_16为主干,使用两个分支——人头中心点回归分支和候选人头点分类分支——来预测一系列候选人头中心点，使用密度归一化平均精度(density normalized Average Precision，nAP) 指标对算法计数精度和定位能力进行综合评估。建立计数模型，确定最优参数组合。然后，进行模型测试、评估和优化，测试集对计数模型进行测试，对模型进行评价；一旦模型结果评价通过，输出模型；达不到有关要求，则进行模型优化，包括反馈及权值调整等。

加载预先完成训练的机器学习模型的结果为经过上述模型训练方法得到的所述机器学习模型各卷积层的权重值，所述权重值包括上百万个权重值参数。

S14，将所述危险区域图像输入至所述机器学习模型，识别出风险人员，所述风险人员为所述危险区域图像中的人员，所述风险人员的标注信息包括所述风险人员的位置信息。

预先完成训练的机器学习模型加载完成后，通过增加人群计数网络层，对输入至所述机器学习模型的危险区域图像中的人员进行自动识别，以便对识别结果进行约束。识别结果包括人员在图像中的位置信息，根据该位置信息判断这些人员是否在危险区域图像中，进而判断这些人员是否为所述风险人员。

在一些优选的实施例中，所述方法还包括：标注所述风险人员在所述危险区域图像中的位置，得到标注后的所述危险区域图像。可用点代表人头中心位置，在危险区域图像中通过标记点的方式来可视化标注风险人员位置。

图4为本发明公开的一种建筑工地危险区域人群聚集预警机器学习模型更新方法的流程示意图。如图4所示，所述方法还包括：

S41，存储所述危险区域图像及其标注信息。

将危险区域图像及其标注信息进行后台编码存储，以备后续使用，存储方式可以为在内存储器中进行临时存储或在外存储器中进行永久存储。在一个可行的实施方式中，亦可将标注后的危险区域图像进行存储备用，得到的标注前及标注后的危险区域图像、以及对应的标注信息，可以通过标准的检索工具进行检索，能实现对已被记录的特定事件的查询；此外，上述图像和标注信息还作为人群计数分析的大数据来源，用于对人群计数特征统计与分析。

S42，将所述危险区域图像及其标注信息输入至所述第一样本集，得到第二样本集。

将所述危险区域图像及其标注信息补充进入用于训练机器学习模型的样本集，可进一步扩充用于模型训练的样本量，并不断补充和更新样本集，更有效地克服少样本学习问题，有利于模型的训练和验证。在一个可行的实施方式中，亦可将标注后的危险区域图像存储并输入至所述第一样本集，得到包含标注后的危险区域图像的第二样本集。

S43，根据预设条件，将所述第二样本集输入至卷积网络中进行学习训练，更新所述机器学习模型。

所述预设条件包括时间周期、检测次数或其他动态触发条件。

将危险区域图像及其标注信息补充进入用于训练机器学习模型的样本集，可进一步扩充用于模型训练的样本量，并不断补充和更新样本集，更有效地克服少样本学习问题，有利于模型的训练和验证。

需要说明的是，模型加载是一个动态过程，根据需要按照固定周期等动态触发条件对所述机器学习模型进行动态更新，加载更新后的模型得到新的权重值，定期删除旧的模型。通常情况下上述模型训练过程与模型加载使用过程是滚动进行，即根据时间的推移，在加载使用过程中穿插上述训练过程，以保证模型的精确性。当然，有关上述模型的训练过程与模型加载使用过程之间具体的执行先后需要根据实际情况自行设定，在此不做具体限定。

S15，对所述风险人员计数，判断所述风险人员的数量是否超过预设阈值，如果超过预设阈值，预警提示。

可以对风险人员的位置进行计数，得到风险人员数量；在以标记点的方式可视化标注了风险人员位置的危险区域图像中，可通过对标记的点进行计数，得到风险人员数量。

在一个具体的应用场景中，根据聚集预警等级设定的指令，设定聚集预警等级：当C≤3，设聚集预警为一级；当3<C≤9，设聚集预警为二级；当C>9，设聚集预警为三级；其中C为一个危险区域图像中的风险人员数量。当聚集预警为三级时(即预设阈值为9)，发出预警指令，并在大屏上显示该危险区域图像对应摄像头所拍摄的建筑工地的视频，并以红色标记。

采用本发明的建筑工地危险区域人群聚集预警方法，可对不同的危险区域进行识别、对复杂场景中的人员自动识别及预警。基于深度学习技术的机器学习模型通过各层之间耦合所形成的复杂的映射函数实现有效特征的自动提取和组合，能够找到更加适合于人群识别任务的相关的特征表达，让模型达到更好的性能。而基于深度卷积神经网络(DeepCNN)的人群识别方法在处理场景适应性、尺度多样性等问题时表现更优，此外由于其特征是自学习的、不需要人工选取，可以显著提升识别效果，避免风险人员漏判错判及人群计数错误等问题发生，实现对在危险区域超过一定作业人员阈值的场景进行预警，提高安全监督力度，减少群死群伤事故的突发率。

如图5所示，本实施例还公开一种建筑工地危险区域人群聚集预警系统，包括：

图像获取模块501，用于获取建筑工地现场图像；

危险区域识别模块502，用于识别所述建筑工地现场图像中的危险区域，得到危险区域图像；

模型加载模块503，用于加载预先完成训练的机器学习模型；

风险人员检测模块504，用于将所述危险区域图像输入至所述机器学习模型，识别出风险人员及其标注信息，所述风险人员为所述危险区域图像中的人员，所述风险人员的标注信息包括所述风险人员的位置信息；

预警模块505，用于对所述风险人员计数，判断所述风险人员的数量是否超过预设阈值，如果超过预设阈值，预警提示。

具体的，如图6所示，所述危险区域识别模块还包括：

特征提取单元601，用于提取所述建筑工地现场图像的角点特征；

特征匹配单元602，用于根据所述角点特征，计算所述建筑工地现场图像与危险场景图像的相似性，所述危险场景图像来自预先构建的危险场景库；

危险区域识别单元603，用于识别所述建筑工地现场图像中所述相似性低于预设值的区域，得到危险区域图像。

具体的，所述系统还包括：危险场景库更新模块，用于将所述危险区域图像作为新的危险场景图像添加至所述危险场景库中。

具体的，如图7所示，所述系统还包括：

样本集构建模块701，用于构建第一样本集，所述第一样本集包括所述建筑工地现场图像及其标注信息，所述建筑工地现场图像的标注信息包括所述建筑工地现场图像中人员的位置信息；

模型训练模块702，用于将所述第一样本集输入至卷积网络中进行学习训练，输出所述机器学习模型。

具体的，如图8所示，所述系统还包括：

存储模块801，用于存储所述危险区域图像及其标注信息；

样本集更新模块802，用于将所述危险区域图像及其标注信息输入至所述第一样本集，得到第二样本集；

模型更新模块803，用于根据预设条件，将所述第二样本集输入至卷积网络中进行学习训练，更新所述机器学习模型。

本实施例还公开一种计算机可读存储介质，用于保存计算机程序，当其在计算机上运行时，使得计算机执行所述建筑工地危险区域人群聚集预警方法。

本实施例还公开一种电子设备，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序，以实现所述建筑工地危险区域人群聚集预警方法。

需要说明的是，本发明实施例公开的一种建筑工地危险区域人群聚集预警系统、电子设备及计算机可读存储介质中相关部分的说明请参见本发明实施例提供的一种建筑工地危险区域人群聚集预警方法中对应部分的详细说明，在此不再赘述。另外，本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器 (RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

上面对本发明的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本发明的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本发明旨在包括在此已经讨论过的本发明的所有替代、修改和变化，以及落在上述申请的精神和范围内的其它实施方式。

虽然通过实施方式描绘了本发明，本领域普通技术人员知道，本发明有许多变形和变化而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。

Claims

1.建筑工地危险区域人群聚集预警方法，其特征在于，包括：

获取建筑工地现场图像；

识别所述建筑工地现场图像中的危险区域，得到危险区域图像；

加载预先完成训练的机器学习模型；

将所述危险区域图像输入至所述机器学习模型，识别出风险人员及其标注信息，所述风险人员为所述危险区域图像中的人员，所述风险人员的标注信息包括所述风险人员的位置信息；

对所述风险人员计数，判断所述风险人员的数量是否超过预设阈值，如果超过预设阈值，预警提示。

2.如权利要求1所述建筑工地危险区域人群聚集预警方法，其特征在于，所述识别所述建筑工地现场图像中的危险区域，得到危险区域图像包括：

提取所述建筑工地现场图像的角点特征；

根据所述角点特征，计算所述建筑工地现场图像与危险场景图像的相似性，所述危险场景图像来自预先构建的危险场景库；

识别所述建筑工地现场图像中所述相似性低于预设值的区域，得到危险区域图像。

3.如权利要求2所述建筑工地危险区域人群聚集预警方法，其特征在于，还包括：将所述危险区域图像作为新的危险场景图像添加至所述危险场景库中。

4.如权利要求1所述建筑工地危险区域人群聚集预警方法，其特征在于，还包括：

构建第一样本集，所述第一样本集包括所述建筑工地现场图像及其标注信息，所述建筑工地现场图像的标注信息包括所述建筑工地现场图像中人员的位置信息；

将所述第一样本集输入至卷积网络中进行学习训练，输出所述机器学习模型。

5.如权利要求1-4任意一项所述建筑工地危险区域人群聚集预警方法，其特征在于，还包括：

存储所述危险区域图像及其标注信息；

将所述危险区域图像及其标注信息输入至所述第一样本集，得到第二样本集；

根据预设条件，将所述第二样本集输入至卷积网络中进行学习训练，更新所述机器学习模型。

6.建筑工地危险区域人群聚集预警系统，其特征在于，包括：

图像获取模块，用于获取建筑工地现场图像；

危险区域识别模块，用于识别所述建筑工地现场图像中的危险区域，得到危险区域图像；

模型加载模块，用于加载预先完成训练的机器学习模型；

风险人员检测模块，用于将所述危险区域图像输入至所述机器学习模型，识别出风险人员及其标注信息，所述风险人员为所述危险区域图像中的人员，所述风险人员的标注信息包括所述风险人员的位置信息；

预警模块，用于对所述风险人员计数，判断所述风险人员的数量是否超过预设阈值，如果超过预设阈值，预警提示。

7.如权利要求6所述建筑工地危险区域人群聚集预警系统，其特征在于，所述危险区域识别模块包括：

特征提取单元，用于提取所述建筑工地现场图像的角点特征；

特征匹配单元，用于根据所述角点特征，计算所述建筑工地现场图像与危险场景图像的相似性，所述危险场景图像来自预先构建的危险场景库；

危险区域识别单元，用于识别所述建筑工地现场图像中所述相似性低于预设值的区域，得到危险区域图像。

8.如权利要求7所述建筑工地危险区域人群聚集预警系统，其特征在于，还包括：危险场景库更新模块，用于将所述危险区域图像作为新的危险场景图像添加至所述危险场景库中。

9.如权利要求6所述建筑工地危险区域人群聚集预警系统，其特征在于，还包括：

样本集构建模块，用于构建第一样本集，所述第一样本集包括所述建筑工地现场图像及其标注信息，所述建筑工地现场图像的标注信息包括所述建筑工地现场图像中人员的位置信息；

模型训练模块，用于将所述第一样本集输入至卷积网络中进行学习训练，输出所述机器学习模型。

10.如权利要求6-9任意一项所述建筑工地危险区域人群聚集预警系统，其特征在于，还包括：

存储模块，用于存储所述危险区域图像及其标注信息；

样本集更新模块，用于将所述危险区域图像及其标注信息输入至所述第一样本集，得到第二样本集；

模型更新模块，用于根据预设条件，将所述第二样本集输入至卷积网络中进行学习训练，更新所述机器学习模型。

11.一种计算机可读存储介质，其特征在于，用于保存计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1-5任意一项所述建筑工地危险区域人群聚集预警方法。

12.一种电子设备，其特征在于，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序，以实现如权利要求1-5任意一项所述建筑工地危险区域人群聚集预警方法。