CN116740819A - 基于ai算法的施工现场中施工异常行为的识别方法及装置 - Google Patents
基于ai算法的施工现场中施工异常行为的识别方法及装置 Download PDFInfo
- Publication number
- CN116740819A CN116740819A CN202311019623.9A CN202311019623A CN116740819A CN 116740819 A CN116740819 A CN 116740819A CN 202311019623 A CN202311019623 A CN 202311019623A CN 116740819 A CN116740819 A CN 116740819A
- Authority
- CN
- China
- Prior art keywords
- constructor
- construction
- behavior
- constructors
- abnormal
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 609
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 174
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006399 behavior Effects 0.000 claims abstract description 369
- 238000012545 processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 24
- 230000009286 beneficial effect Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001681 protective effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AI算法的施工现场中施工异常行为的识别方法及装置,该方法包括:采集施工现场内的施工图像集合;对于每个施工人员,根据该施工人员的所有施工图像确定该施工人员对应的多维度施工信息;将该施工人员对应的多维度施工信息输入至行为分析模型中进行分析,得到该施工人员对应的行为分析结果;根据所有多维度施工信息确定每个施工人员的正常行为判定值;对于每个施工人员,判断该施工人员的行为分析结果中的行为属性值是否大于或等于该施工人员的正常行为判定值;若小于,则确定该施工人员的施工行为中存在施工异常行为。可见,实施本发明能够提高施工异常行为的识别准确性,从而有利于提高施工现场的管理准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于AI算法的施工现场中施工异常行为的识别方法及装置。
背景技术
在建筑工程建设过程中,施工人员在施工现场进行施工时可能会存在异常行为(例如:安全帽佩戴不规范),容易导致安全隐患。
当前,针对施工现场中施工人员的行为管理通常是依靠人工管理手段,对摄像头画面进行人工识别和人工统计分析。然而,实践发现,一旦将施工人员的施工异常行为误识别为施工正常行为,则容易导致对该施工人员进行错误管理,从而可能会引发安全事故。可见,提出一种提高施工异常行为的识别准确性的技术方案显得尤为重要。
发明内容
本发明提供了一种基于AI算法的施工现场中施工异常行为的识别方法及装置,能够提高施工异常行为的识别准确性,从而有利于提高施工现场的管理准确性,进而有利于减少安全事故的发生。
为了解决上述技术问题,本发明第一方面公开了一种基于AI算法的施工现场中施工异常行为的识别方法,所述方法包括:
采集施工现场内的施工图像集合,所述施工图像集合包括所述施工现场内所有施工人员中每个所述施工人员的多个施工图像;
对于每个所述施工人员,根据该施工人员的所有所述施工图像,确定该施工人员对应的多维度施工信息,每个所述施工人员对应的多维度施工信息包括每个所述施工人员的人员信息、每个所述施工人员的施工对象的对象信息以及每个所述施工人员的施工设备的设备信息;
对于每个所述施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,所述行为分析结果包括相应施工人员的行为属性值;
根据所有所述施工人员对应的多维度施工信息,确定所有所述施工人员中每个所述施工人员的正常行为判定值;
对于每个所述施工人员,根据该施工人员的行为分析结果中的行为属性值,判断该施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值;
若判断出该施工人员的行为属性值小于该施工人员的正常行为判定值,则确定该施工人员的施工行为中存在施工异常行为。
本发明第二方面公开了一种基于AI算法的施工现场中施工异常行为的识别装置,所述装置包括:
采集模块,用于采集施工现场内的施工图像集合,所述施工图像集合包括所述施工现场内所有施工人员中每个所述施工人员的多个施工图像;
第一确定模块,用于对于每个所述施工人员,根据该施工人员的所有所述施工图像,确定该施工人员对应的多维度施工信息,每个所述施工人员对应的多维度施工信息包括每个所述施工人员的人员信息、每个所述施工人员的施工对象的对象信息以及每个所述施工人员的施工设备的设备信息;
分析模块,用于对于每个所述施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,所述行为分析结果包括相应施工人员的行为属性值;
所述第一确定模块,还用于根据所有所述施工人员对应的多维度施工信息,确定所有所述施工人员中每个所述施工人员的正常行为判定值;
判断模块,用于对于每个所述施工人员,根据该施工人员的行为分析结果中的行为属性值,判断该施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值;
所述第一确定模块,还用于若所述判断模块判断出该施工人员的行为属性值小于该施工人员的正常行为判定值,则确定该施工人员的施工行为中存在施工异常行为。
本发明第三方面公开了另一种基于AI算法的施工现场中施工异常行为的识别装置,装置包括:
存储有可执行程序代码的存储器;
与存储器耦合的处理器;
处理器调用存储器中存储的可执行程序代码,执行本发明第一方面公开的基于AI算法的施工现场中施工异常行为的识别方法。
本发明第四方面公开了一种计算机存储介质,计算机存储介质存储有计算机指令,计算机指令被调用时,用于执行本发明第一方面公开的基于AI算法的施工现场中施工异常行为的识别方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,采集施工现场内的施工图像集合,施工图像集合包括施工现场内所有施工人员中每个施工人员的多个施工图像;对于每个施工人员,根据该施工人员的所有施工图像,确定该施工人员对应的多维度施工信息,每个施工人员对应的多维度施工信息包括每个施工人员的人员信息、每个施工人员的施工对象的对象信息以及每个施工人员的施工设备的设备信息;对于每个施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,行为分析结果包括相应施工人员的行为属性值;根据所有施工人员对应的多维度施工信息,确定所有施工人员中每个施工人员的正常行为判定值;对于每个施工人员,根据该施工人员的行为分析结果中的行为属性值,判断该施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值;若判断出该施工人员的行为属性值小于该施工人员的正常行为判定值,则确定该施工人员的施工行为中存在施工异常行为。可见,实施本发明能够根据采集到的每个施工人员的所有施工图像,准确地确定该施工人员对应的多维度施工信息,并将准确确定出的该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,能够提高行为分析结果的分析准确性,以及根据所有施工人员对应多维度施工信息,确定出每个施工人员的正常行为判定值,能够提高正常行为判定值的确定准确性,通过判断出每个施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值,当判断出该施工人员的行为属性值小于该施工人员的正常行为判定值时,确定该施工人员的施工行为中存在施工异常行为,能够提高施工异常行为的识别准确性,从而有利于提高施工现场的管理准确性,进而有利于减少安全事故的发生。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例公开的一种基于AI算法的施工现场中施工异常行为的识别方法的流程示意图;
图2是本发明实施例公开的另一种基于AI算法的施工现场中施工异常行为的识别方法的流程示意图;
图3是本发明实施例公开的一种基于AI算法的施工现场中施工异常行为的识别装置的结构示意图;
图4是本发明实施例公开的另一种基于AI算法的施工现场中施工异常行为的识别装置的结构示意图;
图5是本发明实施例公开的又一种基于AI算法的施工现场中施工异常行为的识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于AI算法的施工现场中施工异常行为的识别方法及装置,能够根据采集到的每个施工人员的所有施工图像,准确地确定该施工人员对应的多维度施工信息,并将准确确定出的该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,能够提高行为分析结果的分析准确性,以及根据所有施工人员对应多维度施工信息,确定出每个施工人员的正常行为判定值,能够提高正常行为判定值的确定准确性,通过判断出每个施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值,当判断出该施工人员的行为属性值小于该施工人员的正常行为判定值时,确定该施工人员的施工行为中存在施工异常行为,能够提高施工异常行为的识别准确性,从而有利于提高施工现场的管理准确性,进而有利于减少安全事故的发生。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于AI算法的施工现场中施工异常行为的识别方法的流程示意图。其中,图1所描述的基于AI算法的施工现场中施工异常行为的识别方法可以应用于基于AI算法的施工现场中施工异常行为的识别装置中,其中,该装置可以包括识别设备或者识别服务器,其中,识别服务器可以包括云端服务器或者本地服务器,本发明实施例不做限定。如图1所示,该基于AI算法的施工现场中施工异常行为的识别方法可以包括以下操作:
101、采集施工现场内的施工图像集合。
本发明实施例中,可选的,施工图像集合可以包括施工现场内所有施工人员中每个施工人员的多个施工图像。可选的,每个施工人员的所有施工图像可以包括每个施工人员对应的第一类图像、每个施工人员的施工对象对应的第二类图像以及每个施工人员的施工设备对应的第三类图像。其中,且第一类图像的图像数量、第二类图像的图像数量以及第三类图像的图像数量可以包括一个或多个,本发明实施例不做限定。
举例来说,假设施工人员为钻孔人员,则该孔位勘探人员的施工对象为需要进行钻孔的地面或者墙面,该钻孔人员的施工设备为钻孔机。
102、对于每个施工人员,根据该施工人员的所有施工图像,确定该施工人员对应的多维度施工信息。
本发明实施例中,可选的,每个施工人员对应的多维度施工信息包括每个施工人员的人员信息、每个施工人员的施工对象的对象信息以及每个施工人员的施工设备的设备信息。可选的,对于每个施工人员,可以通过该施工人员对应的第一类图像中的所有图像,确定出该施工人员的人员信息,也可以通过该施工人员的施工对象对应的第二类图像中的所有图像,确定出该施工人员的对象信息,还可以通过该施工人员的施工设备对应的第三类图像中的所有图像,确定出该施工人员的设备信息,本发明实施例不做限定。
本发明实施例中,可选的,对每个施工人员的所有施工图像中的每一类图像进行信息提取,可以得到该施工人员对应的每一类图像的施工信息;对该施工人员对应的所有施工信息进行整合,能够得到该施工人员对应的多维度施工信息,本发明实施例不做限定。
举例来说,对每个施工人员对应的第一类图像进行信息提取,能够得到该施工人员的人员信息;对该施工人员的施工对象对应的第二类图像进行信息提取,能够得到该施工人员的施工对象的对象信息;对该施工人员的施工设备对应的第三类图像进行信息提取,能够得到该施工人员的施工设备的设备信息。
103、对于每个施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果。
本发明实施例中,行为分析结果包括相应施工人员的行为属性值。可选的,每个施工人员对应的多维度施工信息均存在对应的施工时长。
在一个可选的实施例中,对于每个施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,可以包括:
对于每个施工人员对应的多维度施工信息,将该多维度施工信息及该多维度施工信息对应的施工时长进行时域离散化处理,得到该多维度施工信息的多个子信息,所有子信息对应的子时长的和为多维度施工信息对应的施工时长;
对于每个施工人员对应的多维度施工信息中的每个子信息,将该子信息及该子信息对应的子时长输入至训练好的行为分析模型中进行行为分析,得到该子信息的子属性值及该子信息对应的控制因子,控制因子可以包括正常行为控制因子或者异常行为控制因子;
对于每个施工人员,根据该施工人员对应的多维度施工信息中所有子信息的子属性值及所有上述子信息对应的控制因子,计算该施工人员的行为属性值。
可见,该可选的实施例能够通过时域离散化处理后的多维度施工信息,准确地分析出相应施工人员对应的每个子信息的子属性值及该子信息对应的控制因子,并对每个施工人员对应的多维度施工信息中所有子信息的子属性值及所有上述子信息对应的控制因子,计算该施工人员的行为属性值,能够提高每个施工人员的行为属性值的计算准确性。
104、根据所有施工人员对应的多维度施工信息,确定所有施工人员中每个施工人员的正常行为判定值。
本发明实施例中,可选的,也可以根据所有施工人员对应的多维度施工信息,确定出所有施工人员中每个施工人员的异常行为判定值。可选的,对于每个施工人员,可以只确定出该施工人员的正常行为判定值,也可以只确定出该施工人员的异常行为判定值,还可以同时确定出该施工人员的正常行为判定值和该施工人员的异常行为判定值,本发明实施例不做限定。
105、对于每个施工人员,根据该施工人员的行为分析结果中的行为属性值,判断该施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值。
本发明实施例中,对于每个施工人员,若上述步骤104是确定出该施工人员的异常行为判定值,则可以判断该施工人员的行为属性值是否大于或等于该施工人员的异常行为判定值;若判断出该施工人员的行为属性值大于或等于该施工人员的异常行为判定值,则执行步骤106;若判断出该施工人员的行为属性值小于该施工人员的异常行为判定值,则执行步骤107。
本发明实施例中,对于每个施工人员,若上述步骤104是同时确定出该施工人员的正常行为判定值和该施工人员的异常行为判定值,则可以从该施工人员的正常行为判定值和该施工人员的异常行为判定值中选择其中一个作为该施工人员的目标行为判定值。其中,该目标行为判定值可以用于识别相应施工人员的施工行为并得到识别结果,所有行为判定值中除目标行为判定值外的剩余行为判定值可以用于对目标行为判定值的识别结果进行校验,并在校验通过时,确定该施工人员的识别结果正确;在校验不通过时,确定该施工人员的识别结果对应的识别操作存在错误操作,本发明实施例不做限定。
本发明实施例中,可选的,每个施工人员的目标行为判定值可以是人为选择出的,也可以是根据该施工人员的历史施工行为来进行选择的,本发明实施例不做限定。
举例来说,对于每个施工人员,若该施工人员的历史施工行为表示该施工人员存在多次施工异常行为,则选择异常行为判定值作为该施工人员的目标行为判定值。
若步骤105的判断结果为否,则执行步骤106;若步骤105的判断结果为是,则执行步骤107。
106、确定该施工人员的施工行为中存在施工异常行为。
本发明实施例中,可选的,施工异常行为可以包括防护服穿戴异常行为,也可以包括施工速度异常行为(例如:施工速度过快导致停止时的惯性可能损坏周围物品),还可以包括搬运物品异常行为(例如:施工人员在搬运物品时是否存在怕碰撞搬运路上的其余施工人员、施工设备或施工对象中的至少一个),本发明实施例不做限定。其中,防护服穿戴异常行为可以包括没有穿戴防护服或者虽穿戴防护服但防护服穿戴不规范(例如:安全帽佩戴不规范),本发明实施例不做限定。
107、确定该施工人员的施工行为中不存在施工异常行为。
可见,本发明实施例所描述的基于AI算法的施工现场中施工异常行为的识别方法能够根据采集到的每个施工人员的所有施工图像,准确地确定该施工人员对应的多维度施工信息,并将准确确定出的该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,能够提高行为分析结果的分析准确性,以及根据所有施工人员对应多维度施工信息,确定出每个施工人员的正常行为判定值,能够提高正常行为判定值的确定准确性,通过判断出每个施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值,当判断出该施工人员的行为属性值小于该施工人员的正常行为判定值时,确定该施工人员的施工行为中存在施工异常行为,能够提高施工异常行为的识别准确性,从而有利于提高施工现场的管理准确性,进而有利于减少安全事故的发生。
在一个可选的实施例中,在上述步骤102的对于每个施工人员,根据该施工人员的所有施工图像,确定该施工人员对应的多维度施工信息之前,该方法还可以包括:
对于每个施工人员的每个施工图像,获取该施工图像的多维度图像信息,每个施工图像的多维度图像信息可以包括每个施工图像的图像像素、每个施工图像的图像面积、每个施工图像的图像亮度、每个施工图像的图像颜色以及每个施工图像的图像透光度中的一种或多种的组合;
对于每个施工人员的每个施工图像,计算该施工图像的多维度图像信息与预设图像信息之间的差异度;
判断该施工图像的多维度图像信息与预设图像信息之间的差异度是否大于或等于预设差异度;
若判断出该施工图像的多维度图像信息与预设图像信息之间的差异度大于或等于预设差异度,则根据该施工图像的多维度图像信息与预设图像信息之间的差异度,对该施工图像的多维度图像信息进行增益,使该施工图像的多维度图像信息与预设图像信息之间的差异度小于预设差异度。
本发明实施例中,对于每个施工图像,假设该施工图像的多维度图像信息包括图像像素,则预设图像信息包括预设图像像素,且该施工图像的多维度图像信息与预设图像信息之间的差异度可以包括该施工图像的图像像素与预设图像像素之间的像素差异度。可选的,预设差异度可以是80%,也可以是90%,还可以是设定好的其它任何数值,本发明实施例不做限定。
可见,该可选的实施例能够获取每个施工人员的每个施工图像的多维度图像信息,并计算每个施工图像的多维度图像信息与预设图像信息之间的差异度,能够提高多维度图像信息与预设图像信息之间的差异度的计算准确性,以及,判断每个施工图像的多维度图像信息与预设图像信息之间的差异度是否大于或等于预设差异度,并在判断出该施工图像的多维度图像信息与预设图像信息之间的差异度大于或等于预设差异度时,根据该施工图像的多维度图像信息与预设图像信息之间的差异度,对该施工图像的多维度图像信息进行增益,能够提高多维度图像信息的增益准确性,从而有利于提高每个施工人员对应的多维度施工信息的确定准确性,进而有利于提高每个施工人员的多维度施工信息的分析准确性。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于AI算法的施工现场中施工异常行为的识别方法的流程示意图。其中,图2所描述的基于AI算法的施工现场中施工异常行为的识别方法可以应用于基于AI算法的施工现场中施工异常行为的识别装置中,其中,该装置可以包括识别设备或者识别服务器,其中,识别服务器可以包括云端服务器或者本地服务器,本发明实施例不做限定。如图2所示,该基于AI算法的施工现场中施工异常行为的识别方法可以包括以下操作:
201、采集施工现场内的施工图像集合。
202、对于每个施工人员,根据该施工人员的所有施工图像,确定该施工人员对应的多维度施工信息。
203、对于每个施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果。
204、根据所有施工人员对应的多维度施工信息,确定所有施工人员中每个施工人员的正常行为判定值。
205、对于每个施工人员,根据该施工人员的行为分析结果中的行为属性值,判断该施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值。
若步骤205的判断结果为否,则执行步骤206;若步骤205的判断结果为是,则执行步骤207。
206、确定该施工人员的施工行为中存在施工异常行为。
207、确定该施工人员的施工行为中不存在施工异常行为。
本发明实施例中,针对步骤201-步骤207的其它描述,请参照实施例一中针对步骤101-步骤107的详细描述,本发明实施例不再赘述。
208、获取每个施工人员的多个历史施工行为。
本发明实施例中,每个历史施工行为是相应施工人员在施工现场内的施工行为,且每个历史施工行为均存在对应的施工时间。可选的,每个施工人员的每个历史施工行为可以是从该施工人员的历史行为监管数据库中获取到的。其中,该施工人员的历史行为监管数据库中的所有历史行为监管数据可以是在上述施工现场内针对该施工人员执行行为监管操作时得到的行为监管数据,本发明实施例不做限定。
209、对于每个施工人员,根据该施工人员的所有历史施工行为,计算该施工人员的历史异常行为次数。
本发明实施例中,对于每个施工人员的每个历史施工行为,若该历史施工行为中存在与上述施工行为中的施工异常行为的相似度大于预设相似度的行为,则确定该历史施工行为存在历史异常行为。其中,预设相似度可以是80%,也可以是90%,还可以是设定好的其它任何数值,本发明实施例不做限定。
210、对于每个施工人员,根据该施工人员的施工行为以及该施工人员的历史异常行为次数,在下一次对施工现场内的所有施工人员执行行为监管操作时,调整对该施工人员的监管力度。
本发明实施例中,可选的,调整每个施工人员的监管力度可以是调整该施工现场内针对该施工人员的图像采集装置的采集控制参数。其中,图像采集装置的采集控制参数可以包括图像采集装置的采集位置、在相应采集位置时图像采集装置的采集区域、采集面积以及采集数量中的一种或多种的组合,本发明实施例不做限定。
可见,本发明实施例所描述的基于AI算法的施工现场中施工异常行为的识别方法能够根据采集到的每个施工人员的所有施工图像,准确地确定该施工人员对应的多维度施工信息,并将准确确定出的该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,能够提高行为分析结果的分析准确性,以及根据所有施工人员对应多维度施工信息,确定出每个施工人员的正常行为判定值,能够提高正常行为判定值的确定准确性,通过判断出每个施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值,当判断出该施工人员的行为属性值小于该施工人员的正常行为判定值时,确定该施工人员的施工行为中存在施工异常行为,能够提高施工异常行为的识别准确性,从而有利于提高施工现场的管理准确性,进而有利于减少安全事故的发生。此外,还能够根据获取到的每个施工人员的多个历史施工行为,准确地计算出该施工人员的历史异常行为次数,并根据准确计算出的该施工人员的历史异常行为次数,在执行下一次行为监管操作时,调整针对该施工人员的监管力度,能够提高针对每个施工人员的监管力度的调整准确性,从而有利于对施工现场的监管资源进行更为合理的分配,进而有利于提高对施工现场的监管准确性。
在一个可选的实施例中,可选的,每个施工人员的人员信息可以包括每个施工人员的身份信息、每个施工人员的面部信息、每个施工人员的着装、每个施工人员的施工速度、每个施工人员的施工面积、每个施工人员的施工频率、每个施工人员的施工进度及每个施工人员的施工时长中的一种或多种的组合。其中,每个施工人员的身份信息可以用于唯一标识该施工人员。可选的,每个施工人员的面部信息可以包括每个施工人员的表情,且每个施工人员的面部信息可以用于表示每个施工人员的年龄及精神状态,本发明实施例不做限定。
可选的,每个施工人员的施工对象的对象信息可以包括每个施工人员的施工对象的数量、相应施工对象的材质及相应施工对象的施工变化情况,其中,每个施工对象的施工变化情况可以包括每个施工对象的尺寸变化情况、形状变化情况、表面积变化情况及体积变化情况中的一种或多种的组合,举例来说,尺寸变化情况可以包括尺寸没有发生变化或者尺寸发生变化,当尺寸发生变化时,尺寸变化情况还可以包括尺寸的变化参数,本发明实施例不做限定。
每个施工人员的施工设备的设备信息可以包括每个施工人员的施工设备的数量及相应施工设备的设备控制参数,其中,每个施工设备的设备控制参数可以包括每个施工设备的工作速度、每个施工设备的工作角度、每个施工设备的工作面积、每个施工设备的工作时长、每个施工设备的工作频率及每个施工设备的被使用频率中的一种或多种的组合。其中,工作频率为相应施工设备自身工作时的频率,被使用频率为相应施工设备所对应的施工人员使用该施工设备的频率,本发明实施例不做限定。
每个施工人员的行为属性值可以包括每个施工人员的着装属性值、每个施工人员的施工动作属性值、每个施工人员的施工对象的对象属性值及每个施工人员的施工设备的设备属性值中的一种或多种的组合,本发明实施例不做限定。
可见,该可选的实施例能够根据每个施工人员的所有施工图像,确定出该施工人员参数多样化的多维度信息,并对该施工人员的参数多样化的多维度信息进行分析,得到多样化的行为分析结果,从而通过多样化的行为分析结果,判断出相应施工人员的施工行为中是否存在施工异常行为,能够提高施工人员的施工行为的判断准确性和可靠性。
在该可选的实施例中,作为一种可选的实施方式,上述步骤104中的根据所有施工人员对应的多维度施工信息,确定所有施工人员中每个施工人员的正常行为判定值,可以包括:
获取每个施工人员的施工任务;
根据所有施工人员的施工任务,对所有施工人员进行分组,得到多个施工人员组,同一施工人员组内的所有施工人员均对应相应的施工任务;
对于每个施工人员组,对该施工人员组内所有施工人员对应的多维度施工信息进行比较,得到该施工人员组的比较结果;
对于每个施工人员组,根据该施工人员组的比较结果,确定该施工人员组的正常行为属性值;
对于每个施工人员组,对该施工人员组的正常行为属性值中所有子属性值及确定出的所有子属性值中每个子属性值对应的权重系数进行计算,得到该施工人员组内所有施工人员中每个施工人员的正常行为判定值。
本发明实施例中,可选的,施工任务可以包括搬运物品、地质勘探、拆除多余结构(如:非承重墙)、刷漆以及管道建设等任务中的一种或多种的组合,本发明实施例不做限定。
举例来说,对于每个施工人员组,假设该是施工人员组对应的所有多维度施工信息中均包括施工人员的施工速度,则可以对该施工人员组内的所有施工人员的施工速度进行比较,得到该施工人员组针对施工速度的速度比较结果;并根据该施工人员组针对施工速度的速度比较结果,可以确定出该施工人员组的正常施工速度对应的子属性值(该施工人员组的正常施工速度对应的子属性值可以是对该施工人员组内所有施工人员的施工速度进行平均值计算得到的)。
可见,该可选的实施方式能够根据获取到的所有施工人员的施工任务,对所有施工人员进行分组,准确地得到多个施工人员组,并对于准确分组得到的每个施工人员组,对该施工人员组内所有施工人员对应的多维度施工信息进行比较,得到该施工人员组的比较结果,能够提高每个施工人员组对应的所有多维度信息的比较准确性,以及根据准确比较出的每个施工人员组的比较结果,准确地确定出该施工人员组的正常行为属性值,对该施工人员组的正常行为属性值中的所有子属性值及其对应的权重系数进行计算,得到该施工人员组中每个施工人员的正常行为判定值,能够提高正常行为判定值的计算准确性,从而有利于提高对施工人员的施工行为的判断准确性。
在该可选的实施方式中,可选的,对于每个施工人员组,该施工人员组的正常行为属性值中每个子属性值对应的权重系数可以是通过以下方式确定出的:
对于每个施工人员组,获取该施工人员组的正常行为属性值中每个子属性值的重要程度,每个子属性值的重要程度用于表示每个子属性值针对相应施工人员的人身安全的第一重要程度和每个子属性值针对施工现场内的施工项目的项目安全的第二重要程度;
对于每个施工人员组,根据该施工人员组的正常行为属性值中每个子属性值的重要程度,确定该施工人员组的正常行为属性值中每个子属性值对应的权重系数。
本发明实施例中,每个子属性值对应的行为的第一重要程度和第二重要程度可以是对多个施工项目中每个施工项目存在的施工异常行为所造成的后果进行统计之后得到的,本发明实施例不做限定。
可见,该可选的实施方式还能够获取每个施工人员组的正常行为属性值每个子属性值的重要程度,并根据该施工人员组的正常行为属性值中每个子属性值的重要程度,确定出该子属性值对应的权重系数,能够提高权重系数的确定准确性,从而有利于提高正常行为判定值的计算准确性。
在另一个可选的实施例中,该方法还可以包括:
针对施工行为中存在施工异常行为的所有第一施工人员,从每个第一施工人员的所有施工图像中筛选出与该第一施工人员的施工异常行为相匹配的施工图像,作为该第一施工人员的目标施工图像;
对于每个第一施工人员,对该第一施工人员的目标施工图像进行特征提取,得到该第一施工人员的异常行为特征值;
对于每个第一施工人员,将该第一施工人员的异常行为特征值输入至预先训练好的风险等级确定模型中进行等级确定,得到该第一施工人员的施工异常行为对应的风险等级;
对于每个第一施工人员,根据该第一施工人员的施工异常行为对应的风险等级以及该第一施工人员的异常行为特征值,生成该第一施工人员对应的异常行为预警,异常行为预警用于提示相应第一施工人员执行与异常行为预警的预警内容相匹配的处理操作。
本发明实施例中,可选的,每个第一施工人员的目标施工图像的图像数量可以包括一个或多个。可选的,针对每个第一施工人员的目标施工图像进行特征提取时采用的算法可以包括HOG特征对应的算法、LBP特征对应的算法以及Haar特征对应的算法中的至少一种,本发明实施例不做限定。
本发明实施例中,可选的,风险等级确定模型可以是通过获取到的多个训练样本中每个训练样本的样本数据对预先确定出的机器学习模型进行训练之后得到的。其中,训练样本可以包括与该施工现场的施工类型相同的其余施工现场中的施工人员,训练样本的样本数据可以包括与该施工现场的施工类型相同的其余施工现场中施工人员的施工行为对应的行为数据。可选的,训练后的风险等级确定模型能够确定出的风险等级可以分为4个风险,从小到大分别为:低风险、一般风险、较大风险及重大风险。其中,风险等级可以反映相应施工人员的施工异常行为可能造成的后果的程度,本发明实施例不做限定。
本发明实施例中,可选的,每个第一施工人员对应的异常行为预警的内容可以包括该第一施工人员的施工异常行为对应的风险等级以及该第一施工人员的异常行为特征值。可选的,第一施工人员执行的处理操作可以是该第一施工人员重新规范自身行为,也可以是该第一施工人员对自身的施工异常行为进行补救,本发明实施例不做限定。
可见,该可选的实施例能够从每个第一施工人员的所有施工图像中筛选出与该第一施工人员的施工异常行为相匹配的施工图像,作为该第一施工人员的目标施工图像,能够提高目标施工图像的筛选准确性,并对准确筛选出的每个第一施工人员的目标施工图像进行特征提取,得到该第一施工人员的异常行为特征值,能够提高异常行为特征值的提取准确性,以及将每个第一施工人员的异常行为特征值输入至预先训练好的风险等级确定模型中进行等级确定,得到该第一施工人员的施工异常行为对应的风险等级,能够提高风险等级的确定准确性,根据每个第一施工人员的施工异常行为对应的风险等级以及该第一施工人员的异常行为特征值,生成该第一施工人员对应的异常行为预警,能够提高异常行为预警的生成准确性,从而有利于提高对第一施工人员执行相应处理操作的处理准确性,进而有利于提高对第一施工人员对应的施工现场的管理准确性。
在又一个可选的实施例中,上述步骤209中的对于每个施工人员,根据该施工人员的所有历史施工行为,计算该施工人员的历史异常行为次数,可以包括:
初始化每个施工人员的历史异常行为次数;
对于每个施工人员的每个历史施工行为,判断该历史施工行为中是否存在施工异常行为;
若判断出该历史施工行为中存在施工异常行为,则将相应施工人员的历史异常行为次数增加1。
本发明实施例中,对于每个施工人员的每个历史施工行为,若判断出该历史施工行为中不存在施工一场行为,则该相应施工人员的历史异常行为次数不变。
可见,该可选的实施例能够根据每个施工人员的所有历史施工行为,准确地计算出该施工人员的历史异常行为次数,从而通过准确计算出的施工人员的历史异常行为次数,能够在对下一次对该施工人员执行行为监管操作时,提高对该施工人员的监管力度的调整准确性。
在又一个可选的实施例中,上述步骤210中的对于每个施工人员,根据该施工人员的施工行为以及该施工人员的历史异常行为次数,在下一次对施工现场内的所有施工人员执行行为监管操作时,调整对该施工人员的监管力度,可以包括:
对于施工行为中存在施工异常行为的每个第一施工人员,判断该第一施工人员的历史异常行为次数是否大于或等于第一预设次数;若判断出该第一施工人员的历史异常行为次数大于或等于第一预设次数,则在下一次对施工现场内的所有施工人员执行行为监管操作时,增大对该第一施工人员的监管力度;或者,
对于施工行为中不存在施工异常行为的每个第二施工人员,判断该第二施工人员的历史异常行为次数是否小于或等于第二预设次数;若判断出该第二施工人员的历史异常行为次数小于或等于第二预设次数,则在下一次对施工现场内的所有施工人员执行行为监管操作时,减少对该第一施工人员的监管力度。
本发明实施例中,对于每个施工人员,若判断出该施工人员的行为属性值大于或等于该施工人员的正常行为判定值,则该施工人员的施工行为中不存在施工异常行为,且第一预设次数大于第二预设次数。
本发明实施例中,可选的,增大对第一施工人员的监管力度可以包括增大对第一施工人员的施工图像的采集数量。其中,增大采集数量可以包括增大第一类图像的采集数量,也可以增大第二类图像的采集数量,还可以增大第三类图像的采集数量。可选的,当第二预设次数为1时,第一预设次数为大于1的其余次数(如:2),本发明实施例不做限定。
可见,该可选的实施例能够判断施工行为中存在施工异常行为的每个第一施工人员的历史异常行为次数是否大于或等于第一预设次数,并在判断出该第一施工人员的历史异常行为次数大于或等于第一预设次数时,在下一次执行行为监管操作时增大对该第一施工人员的监管力度;以及,判断施工行为中不存在施工异常行为的每个第二施工人员的历史异常行为次数是否小于或等于第二预设次数,并在判断出该第二施工人员的历史异常行为次数小于或等于第二预设次数时,在下一次执行行为监管操作时减少对该第二施工人员的监管力度,能够提高对每个施工人员的监管力度的调整准确性,从而有利于在下一次执行行为监管操作时提高对所有施工人员的监管准确性,进而有利于减少施工现场安全事故的发生。
实施例三
请参阅图3,图3是本发明实施例公开的一种基于AI算法的施工现场中施工异常行为的识别装置的结构示意图。其中,图3所描述的基于AI算法的施工现场中施工异常行为的识别装置可以包括识别设备或者识别服务器,其中,识别服务器可以包括云端服务器或者本地服务器,本发明实施例不做限定。如图3所示,该基于AI算法的施工现场中施工异常行为的识别装置可以包括:
采集模块301,用于采集施工现场内的施工图像集合,施工图像集合包括施工现场内所有施工人员中每个施工人员的多个施工图像。
第一确定模块302,用于对于每个施工人员,根据该施工人员的所有施工图像,确定该施工人员对应的多维度施工信息,每个施工人员对应的多维度施工信息包括每个施工人员的人员信息、每个施工人员的施工对象的对象信息以及每个施工人员的施工设备的设备信息。
分析模块303,用于对于每个施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,行为分析结果包括相应施工人员的行为属性值。
第一确定模块302,还用于根据所有施工人员对应的多维度施工信息,确定所有施工人员中每个施工人员的正常行为判定值;
判断模块304,用于对于每个施工人员,根据该施工人员的行为分析结果中的行为属性值,判断该施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值;
第一确定模块302,还用于若判断模块304判断出该施工人员的行为属性值小于该施工人员的正常行为判定值,则确定该施工人员的施工行为中存在施工异常行为。
可见,本发明实施例所描述的基于AI算法的施工现场中施工异常行为的识别装置能够根据采集到的每个施工人员的所有施工图像,准确地确定该施工人员对应的多维度施工信息,并将准确确定出的该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,能够提高行为分析结果的分析准确性,以及根据所有施工人员对应多维度施工信息,确定出每个施工人员的正常行为判定值,能够提高正常行为判定值的确定准确性,通过判断出每个施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值,当判断出该施工人员的行为属性值小于该施工人员的正常行为判定值时,确定该施工人员的施工行为中存在施工异常行为,能够提高施工异常行为的识别准确性,从而有利于提高施工现场的管理准确性,进而有利于减少安全事故的发生。
在一个可选的实施例中,可选的,每个施工人员的人员信息包括每个施工人员的身份信息、每个施工人员的面部信息、每个施工人员的着装、每个施工人员的施工速度、每个施工人员的施工面积、每个施工人员的施工频率、每个施工人员的施工进度及每个施工人员的施工时长中的一种或多种的组合;
每个施工人员的施工对象的对象信息包括每个施工人员的施工对象的数量、相应施工对象的材质及相应施工对象的施工变化情况,其中,每个施工对象的施工变化情况包括每个施工对象的尺寸变化情况、形状变化情况、表面积变化情况及体积变化情况中的一种或多种的组合;
每个施工人员的施工设备的设备信息包括每个施工人员的施工设备的数量及相应施工设备的设备控制参数,其中,每个施工设备的设备控制参数包括每个施工设备的工作速度、每个施工设备的工作角度、每个施工设备的工作面积、每个施工设备的工作时长、每个施工设备的工作频率及每个施工设备的被使用频率中的一种或多种的组合;
每个施工人员的行为属性值包括每个施工人员的着装属性值、每个施工人员的施工动作属性值、每个施工人员的施工对象的对象属性值及每个施工人员的施工设备的设备属性值中的一种或多种的组合。
可见,该可选的实施例能够根据每个施工人员的所有施工图像,确定出该施工人员参数多样化的多维度信息,并对该施工人员的参数多样化的多维度信息进行分析,得到多样化的行为分析结果,从而通过多样化的行为分析结果,判断出相应施工人员的施工行为中是否存在施工异常行为,能够提高施工人员的施工行为的判断准确性和可靠性。
在该可选的实施例中,作为一种可选的实施方式,第一确定模块302根据所有施工人员对应的多维度施工信息,确定所有施工人员中每个施工人员的正常行为判定值的方式具体包括:
获取每个施工人员的施工任务;
根据所有施工人员的施工任务,对所有施工人员进行分组,得到多个施工人员组,同一施工人员组内的所有施工人员均对应相应的施工任务;
对于每个施工人员组,对该施工人员组内所有施工人员对应的多维度施工信息进行比较,得到该施工人员组的比较结果;
对于每个施工人员组,根据该施工人员组的比较结果,确定该施工人员组的正常行为属性值;
对于每个施工人员组,对该施工人员组的正常行为属性值中所有子属性值及确定出的所有子属性值中每个子属性值对应的权重系数进行计算,得到该施工人员组内所有施工人员中每个施工人员的正常行为判定值。
可见,该可选的实施方式能够根据获取到的所有施工人员的施工任务,对所有施工人员进行分组,准确地得到多个施工人员组,并对于准确分组得到的每个施工人员组,对该施工人员组内所有施工人员对应的多维度施工信息进行比较,得到该施工人员组的比较结果,能够提高每个施工人员组对应的所有多维度信息的比较准确性,以及根据准确比较出的每个施工人员组的比较结果,准确地确定出该施工人员组的正常行为属性值,对该施工人员组的正常行为属性值中的所有子属性值及其对应的权重系数进行计算,得到该施工人员组中每个施工人员的正常行为判定值,能够提高正常行为判定值的计算准确性,从而有利于提高对施工人员的施工行为的判断准确性。
在该可选的实施方式中,可选的,对于每个施工人员组,该施工人员组的正常行为属性值中每个子属性值对应的权重系数可以是通过以下方式确定出的:
对于每个施工人员组,获取该施工人员组的正常行为属性值中每个子属性值的重要程度,每个子属性值的重要程度用于表示每个子属性值针对相应施工人员的人身安全的第一重要程度和每个子属性值针对施工现场内的施工项目的项目安全的第二重要程度;
对于每个施工人员组,根据该施工人员组的正常行为属性值中每个子属性值的重要程度,确定该施工人员组的正常行为属性值中每个子属性值对应的权重系数。
可见,该可选的实施方式还能够获取每个施工人员组的正常行为属性值每个子属性值的重要程度,并根据该施工人员组的正常行为属性值中每个子属性值的重要程度,确定出该子属性值对应的权重系数,能够提高权重系数的确定准确性,从而有利于提高正常行为判定值的计算准确性。
在另一个可选的实施例中,如图4所示,该装置还可以包括:
筛选模块305,用于针对施工行为中存在施工异常行为的所有第一施工人员,从每个第一施工人员的所有施工图像中筛选出与该第一施工人员的施工异常行为相匹配的施工图像,作为该第一施工人员的目标施工图像;
提取模块306,用于对于每个第一施工人员,对该第一施工人员的目标施工图像进行特征提取,得到该第一施工人员的异常行为特征值;
第二确定模块307,用于对于每个第一施工人员,将该第一施工人员的异常行为特征值输入至预先训练好的风险等级确定模型中进行等级确定,得到该第一施工人员的施工异常行为对应的风险等级;
生成模块308,用于对于每个第一施工人员,根据该第一施工人员的施工异常行为对应的风险等级以及该第一施工人员的异常行为特征值,生成该第一施工人员对应的异常行为预警,异常行为预警用于提示相应第一施工人员执行与异常行为预警的预警内容相匹配的处理操作。
可见,该可选的实施例能够从每个第一施工人员的所有施工图像中筛选出与该第一施工人员的施工异常行为相匹配的施工图像,作为该第一施工人员的目标施工图像,能够提高目标施工图像的筛选准确性,并对准确筛选出的每个第一施工人员的目标施工图像进行特征提取,得到该第一施工人员的异常行为特征值,能够提高异常行为特征值的提取准确性,以及将每个第一施工人员的异常行为特征值输入至预先训练好的风险等级确定模型中进行等级确定,得到该第一施工人员的施工异常行为对应的风险等级,能够提高风险等级的确定准确性,根据每个第一施工人员的施工异常行为对应的风险等级以及该第一施工人员的异常行为特征值,生成该第一施工人员对应的异常行为预警,能够提高异常行为预警的生成准确性,从而有利于提高对第一施工人员执行相应处理操作的处理准确性,进而有利于提高对第一施工人员对应的施工现场的管理准确性。
在又一个可选的实施例中,如图4所示,该装置还可以包括:
获取模块309,用于获取每个施工人员的多个历史施工行为,每个历史施工行为是相应施工人员在施工现场内的施工行为,且每个历史施工行为均存在对应的施工时间;
计算模块310,用于对于每个施工人员,根据该施工人员的所有历史施工行为,计算该施工人员的历史异常行为次数;
调整模块311,用于对于每个施工人员,根据第一确定模块302确定出的该施工人员的施工行为以及该施工人员的历史异常行为次数,在下一次对施工现场内的所有施工人员执行行为监管操作时,调整对该施工人员的监管力度。
可见,该可选的实施例能够根据获取到的每个施工人员的多个历史施工行为,准确地计算出该施工人员的历史异常行为次数,并根据准确计算出的该施工人员的历史异常行为次数,在执行下一次行为监管操作时,调整针对该施工人员的监管力度,能够提高针对每个施工人员的监管力度的调整准确性,从而有利于对施工现场的监管资源进行更为合理的分配,进而有利于提高对施工现场的监管准确性。
在该可选的实施例中,作为一种可选的实施方式,计算模块310对于每个施工人员,根据该施工人员的所有历史施工行为,计算该施工人员的历史异常行为次数的方式具体可以包括:
初始化每个施工人员的历史异常行为次数;
对于每个施工人员的每个历史施工行为,判断该历史施工行为中是否存在施工异常行为;
若判断出该历史施工行为中存在施工异常行为,则将相应施工人员的历史异常行为次数增加1。
可见,该可选的实施方式能够根据每个施工人员的所有历史施工行为,准确地计算出该施工人员的历史异常行为次数,从而通过准确计算出的施工人员的历史异常行为次数,能够在对下一次对该施工人员执行行为监管操作时,提高对该施工人员的监管力度的调整准确性。
在该可选的实施例中,作为另一种可选的实施方式,调整模块311对于每个施工人员,根据该施工人员的施工行为以及该施工人员的历史异常行为次数,在下一次对施工现场内的所有施工人员执行行为监管操作时,调整对该施工人员的监管力度的方式具体可以包括:
对于施工行为中存在施工异常行为的每个第一施工人员,判断该第一施工人员的历史异常行为次数是否大于或等于第一预设次数;若判断出该第一施工人员的历史异常行为次数大于或等于第一预设次数,则在下一次对施工现场内的所有施工人员执行行为监管操作时,增大对该第一施工人员的监管力度;或者,
对于施工行为中不存在施工异常行为的每个第二施工人员,判断该第二施工人员的历史异常行为次数是否小于或等于第二预设次数;若判断出该第二施工人员的历史异常行为次数小于或等于第二预设次数,则在下一次对施工现场内的所有施工人员执行行为监管操作时,减少对该第一施工人员的监管力度,其中,对于每个施工人员,若判断出该施工人员的行为属性值大于或等于该施工人员的正常行为判定值,则该施工人员的施工行为中不存在施工异常行为,第一预设次数大于第二预设次数。
可见,该可选的实施方式能够判断施工行为中存在施工异常行为的每个第一施工人员的历史异常行为次数是否大于或等于第一预设次数,并在判断出该第一施工人员的历史异常行为次数大于或等于第一预设次数时,在下一次执行行为监管操作时增大对该第一施工人员的监管力度;以及,判断施工行为中不存在施工异常行为的每个第二施工人员的历史异常行为次数是否小于或等于第二预设次数,并在判断出该第二施工人员的历史异常行为次数小于或等于第二预设次数时,在下一次执行行为监管操作时减少对该第二施工人员的监管力度,能够提高对每个施工人员的监管力度的调整准确性,从而有利于在下一次执行行为监管操作时提高对所有施工人员的监管准确性,进而有利于减少施工现场安全事故的发生。
实施例四
请参阅图5,图5是本发明实施例公开的又一种基于AI算法的施工现场中施工异常行为的识别装置的结构示意图。如图5所示,该基于AI算法的施工现场中施工异常行为的识别装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,执行本发明实施例一或本发明实施例二所描述的基于AI算法的施工现场中施工异常行为的识别方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一或本发明实施例二所描述的基于AI算法的施工现场中施工异常行为的识别方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于AI算法的施工现场中施工异常行为的识别方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于AI算法的施工现场中施工异常行为的识别方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于AI算法的施工现场中施工异常行为的识别方法,其特征在于,所述方法包括:
采集施工现场内的施工图像集合,所述施工图像集合包括所述施工现场内所有施工人员中每个所述施工人员的多个施工图像;
对于每个所述施工人员,根据该施工人员的所有所述施工图像,确定该施工人员对应的多维度施工信息,每个所述施工人员对应的多维度施工信息包括每个所述施工人员的人员信息、每个所述施工人员的施工对象的对象信息以及每个所述施工人员的施工设备的设备信息;
对于每个所述施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,所述行为分析结果包括相应施工人员的行为属性值;
根据所有所述施工人员对应的多维度施工信息,确定所有所述施工人员中每个所述施工人员的正常行为判定值;
对于每个所述施工人员,根据该施工人员的行为分析结果中的行为属性值,判断该施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值;
若判断出该施工人员的行为属性值小于该施工人员的正常行为判定值,则确定该施工人员的施工行为中存在施工异常行为。
2.根据权利要求1所述的基于AI算法的施工现场中施工异常行为的识别方法,其特征在于,每个所述施工人员的人员信息包括每个所述施工人员的身份信息、每个所述施工人员的面部信息、每个所述施工人员的着装、每个所述施工人员的施工速度、每个所述施工人员的施工面积、每个所述施工人员的施工频率、每个所述施工人员的施工进度及每个所述施工人员的施工时长中的一种或多种的组合;
每个所述施工人员的施工对象的对象信息包括每个所述施工人员的施工对象的数量、相应施工对象的材质及相应施工对象的施工变化情况,其中,每个所述施工对象的施工变化情况包括每个所述施工对象的尺寸变化情况、形状变化情况、表面积变化情况及体积变化情况中的一种或多种的组合;
每个所述施工人员的施工设备的设备信息包括每个所述施工人员的施工设备的数量及相应施工设备的设备控制参数,其中,每个所述施工设备的设备控制参数包括每个所述施工设备的工作速度、每个所述施工设备的工作角度、每个所述施工设备的工作面积、每个所述施工设备的工作时长、每个所述施工设备的工作频率及每个所述施工设备的被使用频率中的一种或多种的组合;
每个所述施工人员的行为属性值包括每个所述施工人员的着装属性值、每个所述施工人员的施工动作属性值、每个所述施工人员的施工对象的对象属性值及每个所述施工人员的施工设备的设备属性值中的一种或多种的组合。
3.根据权利要求2所述的基于AI算法的施工现场中施工异常行为的识别方法,其特征在于,所述根据所有所述施工人员对应的多维度施工信息,确定所有所述施工人员中每个所述施工人员的正常行为判定值,包括:
获取每个所述施工人员的施工任务;
根据所有所述施工人员的施工任务,对所有所述施工人员进行分组,得到多个施工人员组,同一所述施工人员组内的所有施工人员均对应相应的施工任务;
对于每个所述施工人员组,对该施工人员组内所有施工人员对应的多维度施工信息进行比较,得到该施工人员组的比较结果;
对于每个所述施工人员组,根据该施工人员组的比较结果,确定该施工人员组的正常行为属性值;
对于每个所述施工人员组,对该施工人员组的正常行为属性值中所有子属性值及确定出的所有所述子属性值中每个所述子属性值对应的权重系数进行计算,得到该施工人员组内所有所述施工人员中每个所述施工人员的正常行为判定值。
4.根据权利要求3所述的基于AI算法的施工现场中施工异常行为的识别方法,其特征在于,对于每个所述施工人员组,该施工人员组的正常行为属性值中每个所述子属性值对应的权重系数是通过以下方式确定出的:
对于每个所述施工人员组,获取该施工人员组的正常行为属性值中每个所述子属性值的重要程度,每个所述子属性值的重要程度用于表示每个所述子属性值针对相应施工人员的人身安全的第一重要程度和每个所述子属性值针对所述施工现场内的施工项目的项目安全的第二重要程度;
对于每个所述施工人员组,根据该施工人员组的正常行为属性值中每个所述子属性值的重要程度,确定该施工人员组的正常行为属性值中每个所述子属性值对应的权重系数。
5.根据权利要求1-4任一项所述的基于AI算法的施工现场中施工异常行为的识别方法,其特征在于,所述方法还包括:
针对所述施工行为中存在施工异常行为的所有第一施工人员,从每个所述第一施工人员的所有施工图像中筛选出与该第一施工人员的施工异常行为相匹配的施工图像,作为该第一施工人员的目标施工图像;
对于每个所述第一施工人员,对该第一施工人员的目标施工图像进行特征提取,得到该第一施工人员的异常行为特征值;
对于每个所述第一施工人员,将该第一施工人员的异常行为特征值输入至预先训练好的风险等级确定模型中进行等级确定,得到该第一施工人员的施工异常行为对应的风险等级;
对于每个所述第一施工人员,根据该第一施工人员的施工异常行为对应的风险等级以及该第一施工人员的异常行为特征值,生成该第一施工人员对应的异常行为预警,所述异常行为预警用于提示相应第一施工人员执行与所述异常行为预警的预警内容相匹配的处理操作。
6.根据权利要求1-4任一项所述的基于AI算法的施工现场中施工异常行为的识别方法,其特征在于,所述方法还包括:
获取每个所述施工人员的多个历史施工行为,每个所述历史施工行为是相应施工人员在所述施工现场内的施工行为,且每个所述历史施工行为均存在对应的施工时间;
对于每个所述施工人员,根据该施工人员的所有历史施工行为,计算该施工人员的历史异常行为次数;
对于每个所述施工人员,根据该施工人员的施工行为以及该施工人员的历史异常行为次数,在下一次对所述施工现场内的所有施工人员执行行为监管操作时,调整对该施工人员的监管力度;
其中,所述对于每个所述施工人员,根据该施工人员的所有历史施工行为,计算该施工人员的历史异常行为次数,包括:
初始化每个所述施工人员的历史异常行为次数;
对于每个所述施工人员的每个所述历史施工行为,判断该历史施工行为中是否存在所述施工异常行为;
若判断出该历史施工行为中存在所述施工异常行为,则将相应施工人员的历史异常行为次数增加1。
7.根据权利要求6所述的基于AI算法的施工现场中施工异常行为的识别方法,其特征在于,所述对于每个所述施工人员,根据该施工人员的施工行为以及该施工人员的历史异常行为次数,在下一次对所述施工现场内的所有施工人员执行行为监管操作时,调整对该施工人员的监管力度,包括:
对于所述施工行为中存在所述施工异常行为的每个第一施工人员,判断该第一施工人员的历史异常行为次数是否大于或等于第一预设次数;若判断出该第一施工人员的历史异常行为次数大于或等于所述第一预设次数,则在下一次对所述施工现场内的所有施工人员执行行为监管操作时,增大对该第一施工人员的监管力度;或者,
对于所述施工行为中不存在所述施工异常行为的每个第二施工人员,判断该第二施工人员的历史异常行为次数是否小于或等于第二预设次数;若判断出该第二施工人员的历史异常行为次数小于或等于所述第二预设次数,则在下一次对所述施工现场内的所有施工人员执行所述行为监管操作时,减少对该第一施工人员的监管力度,其中,对于每个施工人员,若判断出该施工人员的行为属性值大于或等于该施工人员的正常行为判定值,则该施工人员的施工行为中不存在所述施工异常行为,所述第一预设次数大于所述第二预设次数。
8.一种基于AI算法的施工现场中施工异常行为的识别装置,其特征在于,所述装置包括:
采集模块,用于采集施工现场内的施工图像集合,所述施工图像集合包括所述施工现场内所有施工人员中每个所述施工人员的多个施工图像;
第一确定模块,用于对于每个所述施工人员,根据该施工人员的所有所述施工图像,确定该施工人员对应的多维度施工信息,每个所述施工人员对应的多维度施工信息包括每个所述施工人员的人员信息、每个所述施工人员的施工对象的对象信息以及每个所述施工人员的施工设备的设备信息;
分析模块,用于对于每个所述施工人员,将该施工人员对应的多维度施工信息输入至训练好的行为分析模型中进行行为分析,得到该施工人员对应的行为分析结果,所述行为分析结果包括相应施工人员的行为属性值;
所述第一确定模块,还用于根据所有所述施工人员对应的多维度施工信息,确定所有所述施工人员中每个所述施工人员的正常行为判定值;
判断模块,用于对于每个所述施工人员,根据该施工人员的行为分析结果中的行为属性值,判断该施工人员的行为属性值是否大于或等于该施工人员的正常行为判定值;
所述第一确定模块,还用于若所述判断模块判断出该施工人员的行为属性值小于该施工人员的正常行为判定值,则确定该施工人员的施工行为中存在施工异常行为。
9.一种基于AI算法的施工现场中施工异常行为的识别装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于AI算法的施工现场中施工异常行为的识别方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于AI算法的施工现场中施工异常行为的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311019623.9A CN116740819B (zh) | 2023-08-14 | 2023-08-14 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311019623.9A CN116740819B (zh) | 2023-08-14 | 2023-08-14 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740819A true CN116740819A (zh) | 2023-09-12 |
CN116740819B CN116740819B (zh) | 2023-12-19 |
Family
ID=87919033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311019623.9A Active CN116740819B (zh) | 2023-08-14 | 2023-08-14 | 基于ai算法的施工现场中施工异常行为的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740819B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507788A (zh) * | 2020-11-03 | 2021-03-16 | 重庆恢恢信息技术有限公司 | 神经网络训练行为图片进行工地施工异常行为提取方法 |
CN113191699A (zh) * | 2021-06-11 | 2021-07-30 | 广东电网有限责任公司 | 一种配电施工现场安全监管方法 |
CN113516383A (zh) * | 2021-06-30 | 2021-10-19 | 南通四建集团有限公司 | 一种建筑施工安全管控方法和装置 |
CN114298138A (zh) * | 2021-11-15 | 2022-04-08 | 深圳供电局有限公司 | 安全帽的佩戴识别方法、装置、计算机设备和存储介质 |
CN114937237A (zh) * | 2022-04-25 | 2022-08-23 | 中铁广州工程局集团第三工程有限公司 | 一种基于ai智能识别的工地安全监测方法及系统 |
CN114997682A (zh) * | 2022-06-15 | 2022-09-02 | 徐会君 | 一种基于大数据的施工现场安全监测系统及方法 |
CN115527340A (zh) * | 2022-09-29 | 2022-12-27 | 西安热工研究院有限公司 | 一种基于无人机与监控摄像的智慧工地安全监测系统及方法 |
CN115730831A (zh) * | 2023-01-10 | 2023-03-03 | 北京迈道科技有限公司 | 施工作业组织行为的安全指数评估方法、装置和电子设备 |
-
2023
- 2023-08-14 CN CN202311019623.9A patent/CN116740819B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507788A (zh) * | 2020-11-03 | 2021-03-16 | 重庆恢恢信息技术有限公司 | 神经网络训练行为图片进行工地施工异常行为提取方法 |
CN113191699A (zh) * | 2021-06-11 | 2021-07-30 | 广东电网有限责任公司 | 一种配电施工现场安全监管方法 |
CN113516383A (zh) * | 2021-06-30 | 2021-10-19 | 南通四建集团有限公司 | 一种建筑施工安全管控方法和装置 |
CN114298138A (zh) * | 2021-11-15 | 2022-04-08 | 深圳供电局有限公司 | 安全帽的佩戴识别方法、装置、计算机设备和存储介质 |
CN114937237A (zh) * | 2022-04-25 | 2022-08-23 | 中铁广州工程局集团第三工程有限公司 | 一种基于ai智能识别的工地安全监测方法及系统 |
CN114997682A (zh) * | 2022-06-15 | 2022-09-02 | 徐会君 | 一种基于大数据的施工现场安全监测系统及方法 |
CN115527340A (zh) * | 2022-09-29 | 2022-12-27 | 西安热工研究院有限公司 | 一种基于无人机与监控摄像的智慧工地安全监测系统及方法 |
CN115730831A (zh) * | 2023-01-10 | 2023-03-03 | 北京迈道科技有限公司 | 施工作业组织行为的安全指数评估方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116740819B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
CN109684118A (zh) | 异常数据的检测方法、装置、设备及计算机可读存储介质 | |
CN113791926A (zh) | 智能告警分析方法、装置、设备及存储介质 | |
CN115239135A (zh) | 一种施工风险识别管控系统及方法 | |
CN111597970B (zh) | 异常行为的识别方法及装置 | |
CN110225055A (zh) | 一种基于knn半监督学习模型的网络流量异常检测方法与系统 | |
CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及系统 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN116668039A (zh) | 基于人工智能的计算机远程登录识别系统及方法 | |
CN112528860A (zh) | 基于图像识别的安全工器具管理方法及系统 | |
CN106650446A (zh) | 基于系统调用的恶意程序行为识别方法和系统 | |
CN111652046A (zh) | 基于深度学习的安全穿戴检测方法、设备及系统 | |
CN110808995B (zh) | 安全防护方法和装置 | |
CN116563776A (zh) | 基于人工智能的违章行为告警方法、系统、介质及设备 | |
CN116740819B (zh) | 基于ai算法的施工现场中施工异常行为的识别方法及装置 | |
CN113743725A (zh) | 基于边缘计算的登高作业人员的登高资质检测方法及系统 | |
CN106685926A (zh) | 信息系统安全等级测评方法和系统 | |
CN115685825A (zh) | 建筑荷载沉降点监测系统和方法 | |
CN113379326B (zh) | 一种基于深度神经网络的电网灾情应急演练管理系统 | |
CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别系统 | |
CN116630752B (zh) | 基于ai算法的施工现场目标对象识别方法及装置 | |
CN113269268A (zh) | 基于大数据的数据匹配方法、系统及云平台 | |
CN104035866B (zh) | 基于系统调用分析的软件行为评估方法和装置 | |
CN113722230A (zh) | 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置 | |
CN113033289A (zh) | 一种基于dssd算法的安全帽佩戴检查方法、装置与系统 |
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 |