CN116386128A - 一种隧道工人施工状态检测方法、系统、介质及设备 - Google Patents
一种隧道工人施工状态检测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN116386128A CN116386128A CN202310071473.XA CN202310071473A CN116386128A CN 116386128 A CN116386128 A CN 116386128A CN 202310071473 A CN202310071473 A CN 202310071473A CN 116386128 A CN116386128 A CN 116386128A
- Authority
- CN
- China
- Prior art keywords
- construction state
- worker
- tunnel
- parameters
- construction
- 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 93
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 239000000428 dust Substances 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 6
- 210000003127 knee Anatomy 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000005553 drilling Methods 0.000 claims description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000005422 blasting Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 239000002002 slurry Substances 0.000 claims 1
- 238000005507 spraying Methods 0.000 claims 1
- 238000003466 welding Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 9
- 206010000117 Abnormal behaviour Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明涉及轨道工人行为检测技术领域，尤其涉及一种隧道工人施工状态检测方法、系统、介质及设备。隧道工人施工状态检测方法，包括：获取施工状态参数，所述施工状态参数包括隧道中环境参数和人体参数；对所述施工状态参数进行降维，标准化处理不同量纲的信息得到反应工人施工状态的主成分；将得到的所述主成分输入BP神经网络，输出多个值作为坐标进行工人施工状态的判别分类。本发明充分利用施工过程与环境参数、施工人员、施工器械之间的内在联系，解决了施工现场粉尘浓度较高、可见度低、施工过程中工人部分骨架关节点坐标采集困难等问题。
Description
技术领域
本发明涉及轨道工人行为检测技术领域，尤其涉及一种隧道工人施工状态检测方法、系统、介质及设备。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
随着神经网络算法的不断发展，其在地下工程领域上的应用越来越广泛。隧道工程施工、运维中已应用神经网络算法在隧道病害目标检测、隧道变形预测、隧道围岩地质分级预测等方面，并取得良好的效果。
通过对工人施工状态识别，可以了解工人的施工操作步骤、工作状态及工程的具体进展，对规范施工过程，提高工作效率，保证工程质量具有重要的现实意义。借助深度学习的方法对隧道施工现场人员进行管控，检测其是否正在进行异常违规行为，有助于降低事故发生概率，有效推动地下工程的安全智能建造。
现有的施工管理中，工人的施工状态都是由现场技术员来反馈，但是在管理过程中由于管理标准模糊、工人素质差距较大很难确保工人严格按照施工标准进行操作。中国专利CN202210807829.7公开了一种基于FCOS目标检测的工地异常行为检测方法及系统，首先获取工地异常行为样本图像以及对应的样本标签文件作为第一训练数据集，训练FCOS深度学习网络模型，对工地异常行为样本图像中的作业人员及异常行为标志物进行关系标定，训练MLP多层感知器，将两级网络进行结合得到异常行为检测模型，对待测图像进行检测，得到检测结果。中国专利CN202010248170.7公开了一种基于人工智能的工人施工状态监测方法，运用深度学习姿态估计框架Openpose来获取工人的骨架关节点坐标，运用LSTM网络进行训练输出建筑工人的行为，将检测出的工人行为与工地上的标志物作为新特征训练xgboost网络模型，最后实现实时施工状态实时监测。
但是，上述的检测方法只是将简单环境下工人的施工状态进行判别，没有考虑隧道复杂施工环境中高粉尘、低可见度、多障碍物、强干扰等问题，其主要具有如下三个问题：
(1)中国专利CN202210807829.7和中国专利CN202010248170.7所述方法只能适用于部分施工环境较好的隧道，隧道施工过程中部分工序如打钻、除渣、排险等施工现场粉尘浓度较高、可见度低，采用机器视觉的方法噪声点较多。
(2)中国专利CN202010248170.7所述方法未考虑到施工过程中工人一般站在台车上操作，摄像头的安装角度、安装数量受限，部分骨架关节点坐标采集困难，且施工过程中使用的各类工具影响机器视觉的识别效果。
(3)上述方法未能充分利用施工过程与环境参数、施工人员、施工器械之间的内在联系。
发明内容
针对现有技术存在的不足，本发明实施例的目的是提供一种隧道工人施工状态检测方法、系统、介质及设备。
为了实现上述目的，本发明实施例提供了如下技术方案：
一种隧道工人施工状态检测方法，包括：
获取施工状态参数，所述施工状态参数包括隧道中环境参数和人体骨架坐标参数；
对所述施工状态参数进行降维，标准化处理不同量纲的信息得到反应工人施工状态的主成分；
将得到的所述主成分输入BP神经网络，输出多个值作为坐标进行工人施工状态的判别分类。
根据另一些实施例，本公开还采用如下技术方案：
一种隧道工人施工状态检测系统，包括：
特征提取模块：被配置为获取施工状态参数，所述施工状态参数包括隧道中环境参数和人体参数；
主成分分析模块：被配置为对所述施工状态参数进行降维，标准化处理不同量纲的信息得到反应工人施工状态的主成分；
状态分类模块：被配置为将得到的所述主成分输入BP神经网络，输出多个值作为坐标进行工人施工状态的判别分类。
根据另一些实施例，本公开还采用如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行所述的隧道工人施工状态检测方法。
根据另一些实施例，本公开还采用如下技术方案：
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的隧道工人施工状态检测方法。。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、本发明运用主成分分析将能表征隧道工人施工状态的环境参数和工人骨架坐标降维得到反映工人施工状态的主成分，使BP神经网络的输入数据变得多元化，将得到的主成分运用BP神经网络进行训练，输出多个值作为坐标进行工人施工状态的判别分类。本发明充分利用施工过程与环境参数、施工人员、施工器械之间的内在联系，解决施工现场粉尘浓度较高、可见度低、施工过程中工人部分骨架关节点坐标采集困难等问题，拓展BP神经网络输入层的数据类型，并减少输入数据的个数，实现隧道工人规范化施工状态的检测，具有重要的工程意义。
2、本发明使用环境参数辅助决策隧道工人的施工状态，充分考虑了隧道施工过程，解决了部分工序(如打钻、除渣、排险等)施工现场粉尘浓度较高、可见度低，导致采用机器视觉方法噪声点多的问题。
3、本发明通过主成分分析法将不同量纲的数据进行标准化处理，使决策的输入信息更加广泛。
4、本发明采用的主成分分析在一定程度上地减少了特征的数量，能有效地加速识别。其次，主成分的使用能有效地消除不稳定骨架点造成的消极影响，对不均衡的数据也是鲁棒的。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一提供的隧道工人施工状态检测方法示意图；
图2是本发明实施例一提供的BP神经网络示意图；
图3是本发明实施例一提供的人体骨架坐标示意图。
为显示各部位位置而夸大了互相间间距或尺寸，示意图仅作示意使用。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
术语解释：
主成分分析法：是运用“降维”思想，把多个指标变换成少数综合指标的多元统计方法。
主成分：每一个主成分都是所有影响因子的的线性组合。
因子载荷矩阵：是第i个变量与第j个公共因子的相关系数矩阵，反映了第i个变量在第j个公共因子上的重要性。
权值；上层神经元输出作为下层神经元输入的系数。
阈值：阈值是上下神经元联系的门槛，当外界刺激达到一定的阀值时，神经元才会受刺激，继而影响下一个神经元。
本发明提出的总体思路：
由于隧道施工状态非常复杂，不同的参数从不同的角度刻画工人的施工形态特征，因此可以通过环境参数辅助判别。运用主成分分析将能表征隧道工人施工状态的环境参数和工人骨架坐标降维，标准化处理不同量纲的信息得到反应工人施工状态的主成分，将得到的主成分运用BP神经网络进行训练，输出多个值作为坐标进行工人施工状态的判别分类。
实施例一
如图1所示，一种隧道工人施工状态检测方法，包括以下步骤：
1、主成分分析法降维。本发明采用主成分分析将粉尘浓度、光线强度、人体骨架坐标等多种环境参数及人体骨架坐标参数等标准化处理，得出由所有影响因子线性组合的主成分，当i个主成分累计贡献率大于85％时，即只使用i个主成分时其所保存的信息量占原来的85％以上，完成降维过程。
主成分分析是从研究变量内部相互依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子(公共因子)的一种多变量统计分析方法，它通过分析事件的内在联系，找出主要因素，抓住主要矛盾，使多变量的复杂问题变得易于研究和分析，同时消除了指标间的相关问题和评价的主观性。
主成分分析的数学模型可写为如下，矩阵形式中，X＝(X1，X2，…，Xp)T是可观测的P维n个随机向量，它的每个分量代表一个指标或者变量；
简化为矩阵形式如下所示，其中F＝(F1，F2，…，Fm)T是不可观测的m(m≤p)维随机向量，它的各个分量将出现在每个原观测变量的表达式中，故称为公共因子。矩阵A称为因子载荷矩阵，其中aij称为因子载荷，是第i个变量与第j个公共因子的相关系数，反映了第i个变量在第j个公共因子上的重要性。e＝(e1，e2，…，eP)T称为特殊因子，表示Z中与F无关的部分，包括随机误差。
假设有p个指标构成的样本矩阵，主成分分析法降维具体过程为：
1-1、由于各信息的量纲不同，所以对数据进行标准化变换，将粉尘浓度、光线强度、人体骨架坐标等25个环境参数及人体骨架坐标参数进行处理运算。标准化变换公式如下：
其中，xj为按列计算的均值，xij为第i个j列的数据，sj为样本的标准差，Zij为标准化后的数据，xij的前10列为环境参数分别是烟尘浓度、瓦斯浓度、硫化氢浓度、CO浓度、光照度、风速、噪声、照明、湿度、作业人数，11～55列为人体骨架坐标分别是头、颈、左肩、右肩、左肘、右肘、左手、右手、腰、左胯、右胯、左膝、右膝、左脚、右脚的三维坐标，见图3。
1-2、求标准化矩阵Zij的相关系数矩阵R。
其中，R是标准化样本的相关系数矩阵矩阵，相关系数矩阵的每一个元素都在[-1,1]之间。
1-3、解相关系数矩阵R的特征方程，得到特征根及其贡献率，计算主成分贡献率及累计贡献率。
其中，a1，a2，…ap是相关系数矩阵R的特征方程的特征向量，λ是各影响因素贡献率，λk是第k个成分的贡献率，λg为主成分贡献率，i是主成分个数，λlg为累计贡献率。
1-4、对i个主成分进行综合评价，当i个主成分累计贡献率大于85％时，即只使用i个主成分时其所保存的信息量占原来的85％以上。每一个主成分都是所有成分的线性组合，本实施例确定主成分为10个。
1-5、将标准化后的指标向量转化为主成分。
Fi＝a1Z1j+A2Z2j+...+apZpj (13)
其中，ap为式(10)计算得出的特征向量，Zij为式(6)计算得出的标准化后的数据矩阵。
1-6、画出主成分系数矩阵。
对于某个主成分而言，指标前面的系数越大，代表该指标对于该主成分的影响越大。
2、BP神经网络进行施工状态分类。本发明采用的是多层BP神经网络模型，且输入层是粉尘浓度、光线强度、人体骨架坐标、人体表面积、骨架节点欧式距离等多种环境参数及人体骨架坐标参数等降维后组成的10个主成分数据，输出层是工人行为类别识别结果。具体过程为：
2-1、输入层和输出层节点数设计。节点数为该层神经元的个数，此参数与输入变量和输出变量的个数有关。将步骤1运算得到的10个主成分作为BP神经网络的输入变量，所以输入层节点数为10。将工人行为类别识别作为输出变量，本实施例输出3个坐标，所以输出节点数为3，三维坐标可表示8类不同的施工状态。
2-2、隐含层节点设计。Kolmogorov定理(柯尔莫哥洛夫定理)指出，BP神经网络隐含层神经元个数可以通过以下公式计算出。
其中，Nh为隐含层节点个数，Nin为输入层节点个数，Nout为输出层节点个数，h为[1,10]之间的常数。
2-3、权值初始化和阈值设计。权值就是上层神经元输出作为下层神经元输入的系数。阈值是上下神经元联系的门槛，当外界刺激达到一定的阀值时，神经元才会受刺激，继而影响下一个神经元。
BP神经网络初始权值和阈值一般选择较小的随机数，本文初始权值和阈值选择的是(-1,1)之间的随机数。
2-4、传递函数的选择。BP神经网络中常用的隐含层传递函数是tansing函数。将purelin函数作为输出层传递函数。
purelin(n)＝n (16)
2-5、分别设置BP神经网络学习速率、训练精度、最大训练次数为0.05、0.0001、1000。综上所述，BP神经网络拓扑结构如图2所示。
2-6、输出工人行为类别识别结果，如下表1所示。
表1三个输出值可判定的工人施工状态类型
| 类别 | 输出 |
| 打钻 | [0,0,0]T |
| 排险 | [0,0,1]T |
| 除渣 | [0,1,0]T |
| 焊接 | [0,1,1]T |
| 立架 | [1,0,0]T |
| 喷浆 | [1,1,0]T |
| 爆破 | [1,1,1]T |
实施例二
本实施例的目的是提供一种隧道工人施工状态检测系统，包括：
特征提取模块：被配置为获取施工状态参数，所述施工状态参数包括隧道中环境参数和人体参数；
主成分分析模块：被配置为对所述施工状态参数进行降维，标准化处理不同量纲的信息得到反应工人施工状态的主成分；
状态分类模块：被配置为将得到的所述主成分输入BP神经网络，输出多个值作为坐标进行工人施工状态的判别分类。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例一中方法的步骤。
实施例四
本公开的一种实施例中提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行实施例一中方法的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种隧道工人施工状态检测方法，其特征在于，包括：
获取施工状态参数，所述施工状态参数包括隧道中环境参数和人体骨架坐标参数；
对所述施工状态参数进行降维，标准化处理不同量纲的信息得到反应工人施工状态的主成分；
将得到的所述主成分输入BP神经网络，输出多个值作为坐标进行工人施工状态的判别分类。
2.如权利要求1所述的隧道工人施工状态检测方法，其特征在于，所述环境参数包括烟尘浓度、瓦斯浓度、硫化氢浓度、CO浓度、光照度、风速、噪声、照明、湿度、作业人数，所述人体骨架坐标参数包括头、颈、左肩、右肩、左肘、右肘、左手、右手、腰、左胯、右胯、左膝、右膝、左脚、右脚的三维骨架坐标。
3.如权利要求1所述的隧道工人施工状态检测方法，其特征在于，运用主成分分析对所述施工状态参数降维，包括：
其中，xj为按列计算的均值，xij为第i个j列的数据，sj为样本的标准差，Zij为标准化后的数据，xij的前10列为环境参数分别是烟尘浓度、瓦斯浓度、硫化氢浓度、CO浓度、光照度、风速、噪声、照明、湿度、作业人数，后45列为人体骨架坐标分别是头、颈、左肩、右肩、左肘、右肘、左手、右手、腰、左胯、右胯、左膝、右膝、左脚、右脚。
4.如权利要求3所述的隧道工人施工状态检测方法，其特征在于，求标准化矩阵Z的相关系数矩阵R：
其中，R是标准化样本的相关系数矩阵矩阵，相关系数矩阵的每一个元素都在[-1,1]之间；
解相关系数矩阵R的特征方程，得到特征根及其贡献率，计算主成分贡献率及累计贡献率：
其中，a1，a2，…ap是相关系数矩阵R的特征方程的特征向量，λ是各影响因素贡献率，λk是第k个成分的贡献率，λg为主成分贡献率，i是主成分个数，λlg为累计贡献率。
5.如权利要求4所述的隧道工人施工状态检测方法，其特征在于，对i个主成分进行综合评价，当i个主成分累计贡献率大于85％时，完成降维过程。
6.如权利要求1所述的隧道工人施工状态检测方法，其特征在于，BP神经网络进行工人施工状态的判别分类包括：
输入层和输出层节点数设计：将得到的所述主成分作为BP神经网络的输入变量，将工人行为类别识别作为输出变量；
隐含层节点设计：BP神经网络隐含层神经元个数通过以下公式计算出:
其中，Nh为隐含层节点个数，Nin为输入层节点个数，Nout为输出层节点个数，h为[1,10]之间的常数；
权值初始化和阈值设计：BP神经网络初始权值和阈值选择(-1,1)之间的随机数；
传递函数的选择：将purelin函数作为输出层传递函数，
purelin(n)＝n (16)
分别设置BP神经网络学习速率、训练精度、最大训练次数为0.05、0.0001、1000；
输出工人行为类别识别结果。
7.如权利要求6所述的隧道工人施工状态检测方法，其特征在于，工人行为类别识别结果包括：打钻、排险、除渣、焊接、立架、喷浆或爆破。
8.一种隧道工人施工状态检测系统，其特征在于，包括：
特征提取模块：被配置为获取施工状态参数，所述施工状态参数包括隧道中环境参数和人体参数；
主成分分析模块：被配置为对所述施工状态参数进行降维，标准化处理不同量纲的信息得到反应工人施工状态的主成分；
状态分类模块：被配置为将得到的所述主成分输入BP神经网络，输出多个值作为坐标进行工人施工状态的判别分类。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时执行如权利要求1-7任一项所述的隧道工人施工状态检测方法。
10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-7任一项所述的隧道工人施工状态检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310071473.XA CN116386128A (zh) | 2023-01-17 | 2023-01-17 | 一种隧道工人施工状态检测方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310071473.XA CN116386128A (zh) | 2023-01-17 | 2023-01-17 | 一种隧道工人施工状态检测方法、系统、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116386128A true CN116386128A (zh) | 2023-07-04 |
Family
ID=86973844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310071473.XA Pending CN116386128A (zh) | 2023-01-17 | 2023-01-17 | 一种隧道工人施工状态检测方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116386128A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740900A (zh) * | 2023-08-15 | 2023-09-12 | 中铁七局集团电务工程有限公司武汉分公司 | 一种基于svm的电力施工预警方法及系统 |
-
2023
- 2023-01-17 CN CN202310071473.XA patent/CN116386128A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740900A (zh) * | 2023-08-15 | 2023-09-12 | 中铁七局集团电务工程有限公司武汉分公司 | 一种基于svm的电力施工预警方法及系统 |
| CN116740900B (zh) * | 2023-08-15 | 2023-10-13 | 中铁七局集团电务工程有限公司武汉分公司 | 一种基于svm的电力施工预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN109063366B (zh) | 一种基于时间和空间加权的建筑性能数据在线预处理方法 | |
| CN108280543B (zh) | 基于分类回归模式的工况自适应的设备健康度评估方法 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
| CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
| CN116386128A (zh) | 一种隧道工人施工状态检测方法、系统、介质及设备 | |
| CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
| CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
| CN111752259A (zh) | 一种燃气轮机传感器信号的故障识别方法和装置 | |
| CN113593605B (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| CN117572863A (zh) | 用于变电站机器人的路径优化方法及系统 | |
| CN117705121A (zh) | 一种用于电厂的多维度巡检系统 | |
| CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
| CN112363465A (zh) | 一种专家规则集训练方法、训练器和工业设备预警系统 | |
| CN110727669A (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
| Mbuli et al. | Root causes analysis and fault prediction in intelligent transportation systems: coupling unsupervised and supervised learning techniques | |
| Rakshit et al. | Railway Track Fault Detection using Deep Neural Networks | |
| Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
| CN113449966A (zh) | 一种石膏板设备巡检方法及系统 | |
| CN117589177B (zh) | 基于工业大模型自主导航方法 | |
| KR102564668B1 (ko) | 솔라 및 반도체 장비의 센서 데이터를 이용하는 통합 솔루션 관리 장치 및 그 방법 | |
| CN111598220B (zh) | 一种基于相关性分析的燃气轮机故障预测方法 |
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 |