CN116030427B - 一种适用于施工作业现场安全管控的场景判别方法 - Google Patents

一种适用于施工作业现场安全管控的场景判别方法 Download PDF

Info

Publication number
CN116030427B
CN116030427B CN202310323326.7A CN202310323326A CN116030427B CN 116030427 B CN116030427 B CN 116030427B CN 202310323326 A CN202310323326 A CN 202310323326A CN 116030427 B CN116030427 B CN 116030427B
Authority
CN
China
Prior art keywords
construction operation
image
safety control
operation site
degree
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
CN202310323326.7A
Other languages
English (en)
Other versions
CN116030427A (zh
Inventor
陈然
周蠡
贺兰菲
蔡杰
李智威
周英博
熊川羽
张赵阳
熊一
马莉
廖晓红
李吕满
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.)
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Hubei Electric Power 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 Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Priority to CN202310323326.7A priority Critical patent/CN116030427B/zh
Publication of CN116030427A publication Critical patent/CN116030427A/zh
Application granted granted Critical
Publication of CN116030427B publication Critical patent/CN116030427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种适用于施工作业现场安全管控的场景判别方法，首先采集施工作业现场的图像数据，将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料；然后利用安全管控评价指标建立集对分析综合评价模型；最后利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象；本发明在应用中，通过采集施工作业现场的图像，并建立评价分析模型对图像进行判别分析，确认出施工作业现场存在的违章现象，提高了施工作业现场的安全管理水平，减少了可能存在的事故隐患。因此，本发明不仅可以减少施工作业现场的安全隐患，而且提高了施工作业现场的安全性。

Description

一种适用于施工作业现场安全管控的场景判别方法
技术领域
本发明涉及一种场景判别方法，属于图像识别技术领域，尤其涉及一种适用于施工作业现场安全管控的场景判别方法。
背景技术
随着科技进步，电力设备的体积越来越小，性能越来越可靠智能，装配式变电站的发展前景宽阔，为了防止施工作业现场出现的违章操作对装配式变电站造成不良影响，需要实时检测装配式变电站施工现场的状况，并得出有效的评价结果，因此，为保障装配式变电站施工现场安全，有必要对装配式变电站施工现场智能评价方法展开深入研究。
在现有技术材料中：文献《基于多层卷积神经网络的变电站异常场景识别算法》提出一种基于多层卷积神经网络的图像分类方法，用置信度判断识别情况，重新提取不符合的样本特征，从而提升了网络的识别率；文献《基于改进卷积神经网络的变电站异物入侵识别》提出了一种基于改进卷积神经网络的异物图像识别方法，提高了识别率并减少了计算时间；文献《基于集对分析联系数模型的矿井火灾安全评价》提出在风险评价中引入集对分析，构建集对分析四元联系数模型，对风险做出合理的评价；然而，以上所公开的方法仅针对变电站的异常进行识别与风险评估，并未针对装配式变电站施工现场中作业人员的行为及现场布设做出识别分析，而施工现场中作业人员的行为及现场布设的情况也直接影响着变电站的生产安全，因此，这一问题亟需解决。
公开该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的是克服现有技术中存在的上述缺陷与问题，提供一种可以提高施工作业现场安全性的一种适用于施工作业现场安全管控的场景判别方法。
为实现以上目的，本发明的技术解决方案是：一种适用于施工作业现场安全管控的场景判别方法，所述场景判别方法包括以下步骤：
S1、采集施工作业现场的图像数据，然后将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料；
S2、利用安全管控评价指标建立集对分析综合评价模型；
S3、利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象。
所述步骤S1，采集施工作业现场的图像数据，然后将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料是指：
首先由图像捕捉设备对施工作业现场进行视频图像数据采集，然后将视频图像数据输入至图像训练模型中，通过图像训练模型将捕捉到的视频图像数据转化为若干单帧图像，最后提取单帧图像内的违章现象的图像特征信息，获得图像特征材料。
所述步骤S2，利用安全管控评价指标建立集对分析综合评价模型的步骤包括：
S21、由参与评价的施工作业单位的集合
Figure SMS_1
与施工作业现场的安全管控评价指标的集合/>
Figure SMS_2
，组成集对/>
Figure SMS_3
，所述集对的联系度表达式如下：
Figure SMS_4
；
Figure SMS_5
；
Figure SMS_6
；
Figure SMS_7
；
其中，
Figure SMS_11
为施工作业单位的集合/>
Figure SMS_33
与施工作业现场安全管控评价指标的集合/>
Figure SMS_34
的同一度；/>
Figure SMS_8
为集合/>
Figure SMS_13
与集合/>
Figure SMS_15
的差异度；/>
Figure SMS_18
为集合/>
Figure SMS_10
和集合/>
Figure SMS_14
的对立度；/>
Figure SMS_16
为集合/>
Figure SMS_20
和集合/>
Figure SMS_23
的差异度标记；/>
Figure SMS_25
为集合/>
Figure SMS_28
和集合/>
Figure SMS_31
的对立度标记；/>
Figure SMS_22
为集合/>
Figure SMS_26
和集合/>
Figure SMS_30
所共有的特性数；/>
Figure SMS_32
为集合/>
Figure SMS_9
和集合/>
Figure SMS_12
既不共有也不相互对立的特性数；/>
Figure SMS_17
为集合/>
Figure SMS_19
和集合/>
Figure SMS_21
对立的特征数；/>
Figure SMS_24
为集合/>
Figure SMS_27
和集合/>
Figure SMS_29
特性总数；
S22、根据集对构建集对分析决策矩阵：
Figure SMS_35
；
其中：
Figure SMS_37
为第/>
Figure SMS_40
个施工作业单位与第/>
Figure SMS_43
个施工作业现场的安全管控评价指标的集对的同一度；/>
Figure SMS_38
为第/>
Figure SMS_41
个施工作业单位与第/>
Figure SMS_42
个施工作业现场的安全管控评价指标的集对的差异度；/>
Figure SMS_44
为第/>
Figure SMS_36
个施工作业单位与第/>
Figure SMS_39
个施工作业现场的安全管控评价指标的集对的对立度；
其中：
Figure SMS_45
；/>
Figure SMS_46
为参与评价的施工作业单位数；/>
Figure SMS_47
为施工作业现场的安全管控评价指标数。
所述步骤S3，利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象的步骤包括：
S31、根据分析决策矩阵确定施工作业现场的安全管控评价指标的权重，其权重值为：
Figure SMS_48
；
其中：
Figure SMS_49
分别为施工作业现场的安全管控指标中的第/>
Figure SMS_50
个指标的权重，且满足/>
Figure SMS_51
；
S32、根据权重确定图像特征材料的综合联系度：
Figure SMS_52
；
其中：
Figure SMS_53
为第/>
Figure SMS_54
个施工作业现场安全管控评价指标权重；
S33、通过集对分析综合评价模型对图像特征材料的差异度进行为同一度与对立度的转换，将图像特征材料中不确定的图像，确定为属于违章现象的图像或属于不违章现象的图像，完成违章现象的判别。
所述步骤S33后，还包括利用集对的新联系度对施工作业现场进行评估的步骤，其步骤如下：
S34、在集对的联系度
Figure SMS_55
中差异度标记/>
Figure SMS_56
取/>
Figure SMS_57
、/>
Figure SMS_58
、/>
Figure SMS_59
，获得集对的新联系度，其表达式如下：
Figure SMS_60
；
其中：
Figure SMS_61
为施工作业单位集合/>
Figure SMS_62
与施工作业现场安全管控评价指标集合/>
Figure SMS_63
构成集对的新联系度中的同一度；/>
Figure SMS_64
为集对的新联系度中的差异度；/>
Figure SMS_65
为集对的新联系度中的对立度；满足/>
Figure SMS_66
归一化条件；
S35、通过计算集对的新联系度并比较广义同一度的大小，对施工作业现场的优劣进行评估；其值的大小与施工作业现场评估的优劣结果之间呈正相关；所述广义同一度即新联系度的同一度。
所述步骤S2中，安全管控评价指标是指：施工作业现场的违章现象，其包括现场布设违章与现场作业违章；
所述现场布设违章包括：避雷设备、消防器、防护围栏与安全标志牌的布设不合理；
所述现场作业违章包括：未佩戴安全帽、未佩戴安全带、未佩戴安全吊钩、未佩戴护目镜、未佩戴防护手套、抽烟与翻越围墙。
所述图像训练模型是指：基于AlexNet模型，并对其进行改进与训练，获得用于图像场景判别的图像训练模型。
所述对其进行改进是指：
在AlexNet模型结构的基础上，减少一层全连接层，并在最后一层全连接层后加入Dropout层，同时在每个卷积组内的卷积层与池化层之间加入批量标准化层。
所述对其进行训练是指：
采用自适应动量的随机优化方法微调图像训练模型的权值；所述自适应动量的随机优化方法的参数更新表达式如下：
Figure SMS_67
；
Figure SMS_68
；
Figure SMS_69
；
Figure SMS_70
；
其中：
Figure SMS_73
、/>
Figure SMS_74
分别为一阶、二阶矩估计的权重更新量；/>
Figure SMS_78
、/>
Figure SMS_71
分别为第/>
Figure SMS_75
步的一阶、二阶矩估计的权重更新量；/>
Figure SMS_77
为第/>
Figure SMS_80
步的梯度；/>
Figure SMS_72
、/>
Figure SMS_76
为参数控制衰减率；/>
Figure SMS_79
、/>
Figure SMS_81
分别为微调后的一阶、二阶矩估计的权重更新量；
图像训练模型微调后的权值的表达式如下：
Figure SMS_82
；
其中：
Figure SMS_83
为权值；/>
Figure SMS_84
为第/>
Figure SMS_85
步的权值；/>
Figure SMS_86
为学习率；/>
Figure SMS_87
为平滑项。
与现有技术相比，本发明的有益效果为：
1、本发明一种适用于施工作业现场安全管控的场景判别方法中，首先采集施工作业现场的图像数据，将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料；然后利用安全管控评价指标建立集对分析综合评价模型；最后利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象；本发明在应用中，通过采集施工作业现场的图像，并建立评价分析模型对图像进行判别分析，确认出施工作业现场存在的违章现象，以便及时对施工作业中存在的安全隐患进行整改，提高了施工作业现场的安全管理水平，减少了可能存在的事故。因此，本发明不仅可以减少施工作业现场的安全隐患，而且提高了施工作业现场的安全性。
2、本发明一种适用于施工作业现场安全管控的场景判别方法中，基于AlexNet模型，在其基础上，减少一层全连接层，并在最后一层全连接层后加入Dropout层，同时在每个卷积组内的卷积层与池化层之间加入批量标准化层；本发明在应用中，对网络模型进行改进，提高了网络模型的训练时间、检测图像的时间以及其检测结果的精确度，以便及时的对施工现场进行反馈整改。因此，本发明不仅有效提高了检测效率，降低违章现象的存在时间，而且减少了安全隐患。
附图说明
图1是本发明的流程示意图。
图2是本发明中的AlexNet模型的结构示意图。
图3是本发明中图像训练模型的结构示意图。
图4是本发明中的安全管控评价指标的示意图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1—图4，一种适用于施工作业现场安全管控的场景判别方法，所述场景判别方法包括以下步骤：
S1、采集施工作业现场的图像数据，然后将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料；
S2、利用安全管控评价指标建立集对分析综合评价模型；
S3、利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象。
所述步骤S1，采集施工作业现场的图像数据，然后将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料是指：
首先由图像捕捉设备对施工作业现场进行视频图像数据采集，然后将视频图像数据输入至图像训练模型中，通过图像训练模型将捕捉到的视频图像数据转化为若干单帧图像，最后提取单帧图像内的违章现象的图像特征信息，获得图像特征材料。
所述步骤S2，利用安全管控评价指标建立集对分析综合评价模型的步骤包括：
S21、由参与评价的施工作业单位的集合
Figure SMS_88
与施工作业现场的安全管控评价指标的集合/>
Figure SMS_89
，组成集对/>
Figure SMS_90
，所述集对的联系度表达式如下：
Figure SMS_91
；
Figure SMS_92
；
Figure SMS_93
；
Figure SMS_94
；
其中，
Figure SMS_98
为施工作业单位的集合/>
Figure SMS_102
与施工作业现场安全管控评价指标的集合/>
Figure SMS_105
的同一度；/>
Figure SMS_96
为集合/>
Figure SMS_100
与集合/>
Figure SMS_104
的差异度；/>
Figure SMS_109
为集合/>
Figure SMS_97
和集合/>
Figure SMS_101
的对立度；/>
Figure SMS_103
为集合/>
Figure SMS_106
和集合/>
Figure SMS_110
的差异度标记；/>
Figure SMS_112
为集合/>
Figure SMS_116
和集合/>
Figure SMS_118
的对立度标记；/>
Figure SMS_114
为集合/>
Figure SMS_115
和集合/>
Figure SMS_119
所共有的特性数；/>
Figure SMS_121
为集合/>
Figure SMS_95
和集合/>
Figure SMS_99
既不共有也不相互对立的特性数；/>
Figure SMS_108
为集合/>
Figure SMS_111
和集合/>
Figure SMS_107
对立的特征数；/>
Figure SMS_113
为集合/>
Figure SMS_117
和集合/>
Figure SMS_120
特性总数；
S22、根据集对构建集对分析决策矩阵：
Figure SMS_122
；
其中：
Figure SMS_125
为第/>
Figure SMS_128
个施工作业单位与第/>
Figure SMS_130
个施工作业现场的安全管控评价指标的集对的同一度；/>
Figure SMS_123
为第/>
Figure SMS_126
个施工作业单位与第/>
Figure SMS_129
个施工作业现场的安全管控评价指标的集对的差异度；/>
Figure SMS_131
为第/>
Figure SMS_124
个施工作业单位与第/>
Figure SMS_127
个施工作业现场的安全管控评价指标的集对的对立度；
其中：
Figure SMS_132
；/>
Figure SMS_133
为参与评价的施工作业单位数；/>
Figure SMS_134
为施工作业现场的安全管控评价指标数。
所述步骤S3，利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象的步骤包括：
S31、根据分析决策矩阵确定施工作业现场的安全管控评价指标的权重，其权重值为：
Figure SMS_135
；
其中：
Figure SMS_136
分别为施工作业现场的安全管控指标中的第/>
Figure SMS_137
个指标的权重，且满足/>
Figure SMS_138
；
S32、根据权重确定图像特征材料的综合联系度：
Figure SMS_139
；
其中：
Figure SMS_140
为第/>
Figure SMS_141
个施工作业现场安全管控评价指标权重；
S33、通过集对分析综合评价模型对图像特征材料的差异度进行为同一度与对立度的转换，将图像特征材料中不确定的图像，确定为属于违章现象的图像或属于不违章现象的图像，完成违章现象的判别。
所述步骤S33后，还包括利用集对的新联系度对施工作业现场进行评估的步骤，其步骤如下：
S34、在集对的联系度
Figure SMS_142
中差异度标记/>
Figure SMS_143
取/>
Figure SMS_144
、/>
Figure SMS_145
、/>
Figure SMS_146
，获得集对的新联系度，其表达式如下：
Figure SMS_147
；
其中：
Figure SMS_148
为施工作业单位集合/>
Figure SMS_149
与施工作业现场安全管控评价指标集合/>
Figure SMS_150
构成集对的新联系度中的同一度；/>
Figure SMS_151
为集对的新联系度中的差异度；/>
Figure SMS_152
为集对的新联系度中的对立度；满足/>
Figure SMS_153
归一化条件；
S35、通过计算集对的新联系度并比较广义同一度的大小，对施工作业现场的优劣进行评估；其值的大小与施工作业现场评估的优劣结果之间呈正相关；所述广义同一度即新联系度的同一度。
所述步骤S2中，安全管控评价指标是指：施工作业现场的违章现象，其包括现场布设违章与现场作业违章；
所述现场布设违章包括：避雷设备、消防器、防护围栏与安全标志牌的布设不合理；
所述现场作业违章包括：未佩戴安全帽、未佩戴安全带、未佩戴安全吊钩、未佩戴护目镜、未佩戴防护手套、抽烟与翻越围墙。
所述图像训练模型是指：基于AlexNet模型，并对其进行改进与训练，获得用于图像场景判别的图像训练模型。
所述对其进行改进是指：
在AlexNet模型结构的基础上，减少一层全连接层，并在最后一层全连接层后加入Dropout层，同时在每个卷积组内的卷积层与池化层之间加入批量标准化层。
所述对其进行训练是指：
采用自适应动量的随机优化方法微调图像训练模型的权值；所述自适应动量的随机优化方法的参数更新表达式如下：
Figure SMS_154
；
Figure SMS_155
；
Figure SMS_156
；
Figure SMS_157
；
其中：
Figure SMS_158
、/>
Figure SMS_161
分别为一阶、二阶矩估计的权重更新量；/>
Figure SMS_164
、/>
Figure SMS_160
分别为第/>
Figure SMS_163
步的一阶、二阶矩估计的权重更新量；/>
Figure SMS_165
为第/>
Figure SMS_168
步的梯度；/>
Figure SMS_159
、/>
Figure SMS_162
为参数控制衰减率；/>
Figure SMS_166
、/>
Figure SMS_167
分别为微调后的一阶、二阶矩估计的权重更新量；
图像训练模型微调后的权值的表达式如下：
Figure SMS_169
；
其中：
Figure SMS_170
为权值；/>
Figure SMS_171
为第/>
Figure SMS_172
步的权值；/>
Figure SMS_173
为学习率；/>
Figure SMS_174
为平滑项。
本发明的原理说明如下：
本发明中，在AlexNet模型的基础上减少一层全连接层，可以加快网络的训练速度，引入Dropout层并加入批量标准化层，可以预防过拟合；在应用中，首先通过卷积层提取单帧图像的特征，然后由批量标准化层进行批标准化处理，由池化层进行降低特征维度处理，最后由全连接层对特征重新拟合并完成判别分类并输出结果，完成场景的判别。
实施例1：
参见图1-图4，一种适用于施工作业现场安全管控的场景判别方法，所述场景判别方法包括以下步骤：
S1、采集施工作业现场的图像数据，然后将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料；
进一步的，采集施工作业现场的图像数据，然后将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料是指：
首先由图像捕捉设备对施工作业现场进行视频图像数据采集，然后将视频图像数据输入至图像训练模型中，通过图像训练模型将捕捉到的视频图像数据转化为若干单帧图像，最后提取单帧图像内的违章现象的图像特征信息，获得图像特征材料；
优选的，图像捕捉设备包括：由摄像头、视频服务器、专用传输通道、主控计算机等设备组成的视频监控系统；
S2、利用安全管控评价指标建立集对分析综合评价模型；
进一步的，利用安全管控评价指标建立集对分析综合评价模型的步骤包括：
S21、由参与评价的施工作业单位的集合
Figure SMS_175
与施工作业现场的安全管控评价指标的集合/>
Figure SMS_176
，组成集对/>
Figure SMS_177
，所述集对的联系度表达式如下：
Figure SMS_178
；
Figure SMS_179
；
Figure SMS_180
；
Figure SMS_181
；
其中，
Figure SMS_201
为施工作业单位的集合/>
Figure SMS_205
与施工作业现场安全管控评价指标的集合/>
Figure SMS_208
的同一度；/>
Figure SMS_183
为集合/>
Figure SMS_189
与集合/>
Figure SMS_192
的差异度；/>
Figure SMS_197
为集合/>
Figure SMS_185
和集合/>
Figure SMS_187
的对立度；/>
Figure SMS_190
为集合/>
Figure SMS_196
和集合/>
Figure SMS_199
的差异度标记，取值范围/>
Figure SMS_203
；/>
Figure SMS_206
为集合/>
Figure SMS_209
和集合/>
Figure SMS_198
的对立度标记，取值为-1；/>
Figure SMS_200
为集合/>
Figure SMS_202
和集合/>
Figure SMS_207
所共有的特性数；/>
Figure SMS_182
为集合/>
Figure SMS_186
和集合/>
Figure SMS_191
既不共有也不相互对立的特性数；
Figure SMS_193
为集合/>
Figure SMS_184
和集合/>
Figure SMS_188
对立的特征数；/>
Figure SMS_194
为集合/>
Figure SMS_195
和集合/>
Figure SMS_204
特性总数；
S22、根据集对构建集对分析决策矩阵：
Figure SMS_210
；
其中：
Figure SMS_212
为第/>
Figure SMS_216
个施工作业单位与第/>
Figure SMS_217
个施工作业现场的安全管控评价指标的集对的同一度；/>
Figure SMS_213
为第/>
Figure SMS_215
个施工作业单位与第/>
Figure SMS_218
个施工作业现场的安全管控评价指标的集对的差异度；/>
Figure SMS_219
为第/>
Figure SMS_211
个施工作业单位与第/>
Figure SMS_214
个施工作业现场的安全管控评价指标的集对的对立度；
其中：
Figure SMS_220
；/>
Figure SMS_221
为参与评价的施工作业单位数；/>
Figure SMS_222
为施工作业现场的安全管控评价指标数；
进一步的，安全管控评价指标是指：施工作业现场的违章现象，其包括现场布设违章与现场作业违章；
所述现场布设违章包括：避雷设备、消防器、防护围栏与安全标志牌的布设不合理；
所述现场作业违章包括：未佩戴安全帽、未佩戴安全带、未佩戴安全吊钩、未佩戴护目镜、未佩戴防护手套、抽烟与翻越围墙；
S3、利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象；
进一步的，利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象的步骤包括：
S31、根据分析决策矩阵确定施工作业现场的安全管控评价指标的权重，其权重值为：
Figure SMS_223
；
其中：
Figure SMS_224
分别为施工作业现场的安全管控指标中的第/>
Figure SMS_225
个指标的权重，且满足/>
Figure SMS_226
；
S32、根据权重确定图像特征材料的综合联系度：
Figure SMS_227
；
其中：
Figure SMS_228
为第/>
Figure SMS_229
个施工作业现场安全管控评价指标权重；
S33、通过集对分析综合评价模型对图像特征材料的差异度进行为同一度与对立度的转换，将图像特征材料中不确定的图像，确定为属于违章现象的图像或属于不违章现象的图像，完成违章现象的判别；
优选的，违章现象判别完成后，将结果传输至施工作业现场管理人员，对施工作业现象的违章现象进行整改。
实施例2：
基本内容同实施例1，不同之处在于：
所述步骤S33后，还包括利用集对的新联系度对施工作业现场进行评估的步骤，其步骤如下：
S34、在集对的联系度
Figure SMS_230
中差异度标记/>
Figure SMS_231
取/>
Figure SMS_232
、/>
Figure SMS_233
、/>
Figure SMS_234
，获得集对的新联系度，其表达式如下：
Figure SMS_235
；
其中：
Figure SMS_236
为施工作业单位集合/>
Figure SMS_237
与施工作业现场安全管控评价指标集合/>
Figure SMS_238
构成集对的新联系度中的同一度；/>
Figure SMS_239
为集对的新联系度中的差异度；/>
Figure SMS_240
为集对的新联系度中的对立度；满足/>
Figure SMS_241
归一化条件；
S35、通过计算集对的新联系度并比较广义同一度的大小，对施工作业现场的优劣进行评估；其值的大小与施工作业现场评估的优劣结果之间呈正相关；所述广义同一度即新联系度的同一度。
实施例3：
基本内容同实施例1，不同之处在于：
所述图像训练模型是指：基于AlexNet模型，并对其进行改进与训练，获得用于图像场景判别的图像训练模型。
所述对其进行改进是指：
在AlexNet模型结构的基础上，减少一层全连接层，并在最后一层全连接层后加入Dropout层，同时在每个卷积组内的卷积层与池化层之间加入批量标准化层。
所述对其进行训练是指：
采用自适应动量的随机优化方法微调图像训练模型的权值；所述自适应动量的随机优化方法的参数更新表达式如下：
Figure SMS_242
；
Figure SMS_243
；
Figure SMS_244
；
Figure SMS_245
；
其中：
Figure SMS_247
、/>
Figure SMS_249
分别为一阶、二阶矩估计的权重更新量；/>
Figure SMS_254
、/>
Figure SMS_248
分别为第/>
Figure SMS_250
步的一阶、二阶矩估计的权重更新量；/>
Figure SMS_252
为第/>
Figure SMS_255
步的梯度；/>
Figure SMS_246
、/>
Figure SMS_251
为参数控制衰减率，分别预设为0.9与0.999；/>
Figure SMS_253
、/>
Figure SMS_256
分别为微调后的一阶、二阶矩估计的权重更新量；
图像训练模型微调后的权值的表达式如下：
Figure SMS_257
；
其中：
Figure SMS_258
为权值；/>
Figure SMS_259
为第/>
Figure SMS_260
步的权值；/>
Figure SMS_261
为学习率，预设为0.001；/>
Figure SMS_262
为平滑项，预设为/>
Figure SMS_263
。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (7)

1.一种适用于施工作业现场安全管控的场景判别方法，其特征在于，所述场景判别方法包括以下步骤：
S1、采集施工作业现场的图像数据，然后将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料；
S2、利用安全管控评价指标建立集对分析综合评价模型；所述步骤S2，利用安全管控评价指标建立集对分析综合评价模型的步骤包括：
S21、由参与评价的施工作业单位的集合A与施工作业现场的安全管控评价指标的集合B，组成集对Z＝(A，B)，所述集对的联系度表达式如下：
μ＝α+βi+γj；
Figure FDA0004232577900000011
Figure FDA0004232577900000012
Figure FDA0004232577900000013
其中，α为施工作业单位的集合A与施工作业现场安全管控评价指标的集合B的同一度；β为集合A与集合B的差异度；γ为集合A和集合B的对立度；i为集合A和集合B的差异度标记；j为集合A和集合B的对立度标记；S为集合A和集合B所共有的特性数；F为集合A和集合B既不共有也不相互对立的特性数；P为集合A和集合B对立的特征数；N为集合A和集合B特性总数；
S22、根据集对构建集对分析决策矩阵：
Figure FDA0004232577900000014
其中：αlk为第l个施工作业单位与第k个施工作业现场的安全管控评价指标的集对的同一度；βlk为第l个施工作业单位与第k个施工作业现场的安全管控评价指标的集对的差异度；γlk为第l个施工作业单位与第k个施工作业现场的安全管控评价指标的集对的对立度；
其中：αlk+βlk+γlk＝1(l＝1，2，…，n；k＝1，2，…，m)，αlk，βlk，γlk∈[0，1]；n为参与评价的施工作业单位数；m为施工作业现场的安全管控评价指标数；
S3、利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象；所述步骤S3，利用集对分析综合评价模型对图像特征材料进行判别，确定施工作业现场的违章现象的步骤包括：
S31、根据集对分析决策矩阵确定施工作业现场的安全管控评价指标的权重，其权重值为：ω1，ω2，…，ωm∈[0，1]；
其中：ω1，ω2，…，ωm分别为施工作业现场的安全管控指标中的第1，2，…，m个指标的权重，且满足ω1+ω2+…ωm＝1；
S32、根据权重确定图像特征材料的综合联系度：
Figure FDA0004232577900000021
其中：ωk为第k个施工作业现场安全管控评价指标权重；
S33、通过集对分析综合评价模型对图像特征材料的差异度进行同一度与对立度的转换，将图像特征材料中不确定的图像，确定为属于违章现象的图像或属于不违章现象的图像，完成违章现象的判别。
2.根据权利要求1所述的一种适用于施工作业现场安全管控的场景判别方法，其特征在于：
所述步骤S1，采集施工作业现场的图像数据，然后将图像数据转化为单帧图像，并提取单帧图像内的违章现象的图像特征信息，获得图像特征材料是指：
首先由图像捕捉设备对施工作业现场进行视频图像数据采集，然后将视频图像数据输入至图像训练模型中，通过图像训练模型将捕捉到的视频图像数据转化为若干单帧图像，最后提取单帧图像内的违章现象的图像特征信息，获得图像特征材料。
3.根据权利要求2所述的一种适用于施工作业现场安全管控的场景判别方法，其特征在于：
所述步骤S33后，还包括利用集对的新联系度对施工作业现场进行评估的步骤，其步骤如下：
S34、在集对的联系度μ＝α+βi+γj中差异度标记i取α、β、γ，获得集对的新联系度，其表达式如下：
Figure FDA0004232577900000031
其中：α+αβ为施工作业单位集合A与施工作业现场安全管控评价指标集合B构成集对的新联系度中的同一度；ββ为集对的新联系度中的差异度；γ+βγ为集对的新联系度中的对立度；满足α+αβ+ββ+βγ+γ＝1归一化条件；
S35、通过计算集对的新联系度并比较广义同一度的大小，对施工作业现场的优劣进行评估；其值的大小与施工作业现场评估的优劣结果之间呈正相关；所述广义同一度即新联系度的同一度。
4.根据权利要求1、2或3所述的一种适用于施工作业现场安全管控的场景判别方法，其特征在于：
所述步骤S2中，安全管控评价指标是指：施工作业现场的违章现象，其包括现场布设违章与现场作业违章；
所述现场布设违章包括：避雷设备、消防器、防护围栏与安全标志牌的布设不合理；
所述现场作业违章包括：未佩戴安全帽、未佩戴安全带、未佩戴安全吊钩、未佩戴护目镜、未佩戴防护手套、抽烟与翻越围墙。
5.根据权利要求2或3所述的一种适用于施工作业现场安全管控的场景判别方法，其特征在于：
所述图像训练模型是指：基于AlexNet模型，并对其进行改进与训练，获得用于图像场景判别的图像训练模型。
6.根据权利要求5所述的一种适用于施工作业现场安全管控的场景判别方法，其特征在于：
所述对其进行改进是指：
在AlexNet模型结构的基础上，减少一层全连接层，并在最后一层全连接层后加入Dropout层，同时在每个卷积组内的卷积层与池化层之间加入批量标准化层。
7.根据权利要求6所述的一种适用于施工作业现场安全管控的场景判别方法，其特征在于：
所述对其进行训练是指：
采用自适应动量的随机优化方法微调图像训练模型的权值；所述自适应动量的随机优化方法的参数更新表达式如下：
st＝η1st-1+(1-η1)dt；
Figure FDA0004232577900000041
Figure FDA0004232577900000042
Figure FDA0004232577900000043
其中：st、rt分别为一阶、二阶矩估计的权重更新量；st-1、rt-1分别为第t-1步的一阶、二阶矩估计的权重更新量；dt为第t步的梯度；η1、η2为参数控制衰减率；
Figure FDA0004232577900000044
分别为微调后的一阶、二阶矩估计的权重更新量；
图像训练模型微调后的权值的表达式如下：
Figure FDA0004232577900000045
其中：wt为权值；wt-1为第t-1步的权值；
Figure FDA0004232577900000046
为学习率；ε为平滑项。
CN202310323326.7A 2023-03-30 2023-03-30 一种适用于施工作业现场安全管控的场景判别方法 Active CN116030427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310323326.7A CN116030427B (zh) 2023-03-30 2023-03-30 一种适用于施工作业现场安全管控的场景判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310323326.7A CN116030427B (zh) 2023-03-30 2023-03-30 一种适用于施工作业现场安全管控的场景判别方法

Publications (2)

Publication Number Publication Date
CN116030427A CN116030427A (zh) 2023-04-28
CN116030427B true CN116030427B (zh) 2023-06-23

Family

ID=86077969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310323326.7A Active CN116030427B (zh) 2023-03-30 2023-03-30 一种适用于施工作业现场安全管控的场景判别方法

Country Status (1)

Country Link
CN (1) CN116030427B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907067A (zh) * 2021-02-10 2021-06-04 三峡大学 混凝土坝安全监测方法及系统
CN113239759A (zh) * 2021-04-29 2021-08-10 国网江苏省电力有限公司苏州供电分公司 一种电网作业现场违章识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907067A (zh) * 2021-02-10 2021-06-04 三峡大学 混凝土坝安全监测方法及系统
CN113239759A (zh) * 2021-04-29 2021-08-10 国网江苏省电力有限公司苏州供电分公司 一种电网作业现场违章识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于云模型的SPA模型在石化装置危险性评价中的应用;张秀敏等;工业安全与环保(07);全文 *
基于集对分析的安全防范系统动态效能评估;吴雅菊等;安防科技(11);全文 *

Also Published As

Publication number Publication date
CN116030427A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN107169426B (zh) 一种基于深度神经网络的人群情绪异常检测和定位方法
CN111241959B (zh) 一种通过工地视频流检测未佩戴安全帽人员的方法
CN110717481B (zh) 一种利用级联卷积神经网络实现人脸检测的方法
CN103632158B (zh) 森林防火监控方法及森林防火监控系统
CN110728223A (zh) 一种基于深度学习的安全帽佩戴识别方法
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
CN107038449B (zh) 一种欺诈用户的识别方法及装置
CN108062542A (zh) 被遮挡的人脸的检测方法
CN111062303A (zh) 图像处理方法、系统及计算机存储介质
CN112367518B (zh) 一种输电线路无人机巡检图像质量评价方法
CN109389146A (zh) 基于神经网络图像分类算法的设备状态反馈方法及系统
CN107145778A (zh) 一种入侵检测方法及装置
CN115511367B (zh) 生产线的质量智能管理系统
CN116826958A (zh) 一种数字化输电通道智能安全巡检方法
CN116030427B (zh) 一种适用于施工作业现场安全管控的场景判别方法
CN117576632B (zh) 基于多模态ai大模型的电网监控火灾预警系统及方法
CN113129530B (zh) 基于物联网和机器视觉的智能安防电子围栏报警系统
CN108960169A (zh) 基于计算机视觉的仪器设备状态在线监测方法及系统
CN115829324A (zh) 一种人员安全风险静默监视方法
CN110807174A (zh) 一种基于统计分布的污水厂厂群出水分析及异常识别方法
CN116452370A (zh) 一种基于多维数据的智能建筑物环境安全管理系统
CN110414047A (zh) 一种用于通信传输设备健康状态评价的方法
CN110807605A (zh) 关键检验特性缺陷率统计方法
CN110647831A (zh) 一种庭审巡查方法和系统
CN114694090A (zh) 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法

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