CN116935016A - 一种集成隧道施工现场风险识别与激光定位方法 - Google Patents
一种集成隧道施工现场风险识别与激光定位方法 Download PDFInfo
- Publication number
- CN116935016A CN116935016A CN202310939030.8A CN202310939030A CN116935016A CN 116935016 A CN116935016 A CN 116935016A CN 202310939030 A CN202310939030 A CN 202310939030A CN 116935016 A CN116935016 A CN 116935016A
- Authority
- CN
- China
- Prior art keywords
- risk
- laser
- model
- construction site
- tunnel 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000013058 risk prediction model Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- A—HUMAN NECESSITIES
- A42—HEADWEAR
- A42B—HATS; HEAD COVERINGS
- A42B3/00—Helmets; Helmet covers ; Other protective head coverings
- A42B3/04—Parts, details or accessories of helmets
- A42B3/0406—Accessories for helmets
- A42B3/0433—Detecting, signalling or lighting devices
- A42B3/0453—Signalling devices, e.g. auxiliary brake or indicator lights
-
- A—HUMAN NECESSITIES
- A42—HEADWEAR
- A42B—HATS; HEAD COVERINGS
- A42B3/00—Helmets; Helmet covers ; Other protective head coverings
- A42B3/04—Parts, details or accessories of helmets
- A42B3/0406—Accessories for helmets
- A42B3/0433—Detecting, signalling or lighting devices
- A42B3/046—Means for detecting hazards or accidents
-
- A—HUMAN NECESSITIES
- A42—HEADWEAR
- A42B—HATS; HEAD COVERINGS
- A42B3/00—Helmets; Helmet covers ; Other protective head coverings
- A42B3/04—Parts, details or accessories of helmets
- A42B3/30—Mounting radio sets or communication systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种集成隧道施工现场风险识别与激光定位方法，包括以下步骤：S1、通过安全头盔上的摄像头实时获取施工环境图像；S2、将获取的施工环境图像输入到训练后的风险检测模型中，判断当前施工环境是否有风险；S3、若风险检测模型输出的二维图像中没有风险预测框，则表明无风险，确认施工环境安全，继续重复步骤S1和步骤S2；S4、若风险检测模型输出的二维图像中出现风险预测框，则通过语音播报器振动提醒并播报风险类型，进入激光定位环节，进行风险定位。本发明采用上述的一种集成隧道施工现场风险识别与激光定位方法，可以快速准确地检测出集成隧道施工现场中的潜在的安全问题并进行直观的反映。
Description
技术领域
本发明涉及隧道安全监测技术领域，尤其是涉及一种集成隧道施工现场风险识别与激光定位方法。
背景技术
隧道施工风险是指在隧道施工过程中，由于地质、水文、环境等因素可能导致事故或灾害的潜在危险。隧道施工风险的具体表现包括但不限于地质情况不稳定、山体滑坡、地裂、地下水涌、泥石流、机械设备故障、作业人员操作不当、施工噪声、振动、粉尘、露筋等。同时由于隧道施工现场常常存在光线昏暗、地形复杂等问题，且许多隧道施工安全风险具有隐蔽性与高度危险性，传统的人工排查风险模式经常出现疏漏而导致严重的后果。
目标检测是指在图像或视频中检测出物体的位置并进行标注的技术。通常来说，目标检测任务可以分为两个主要部分：定位和分类。定位指的是在图像中准确地定位出目标所在的位置，而分类则是对这个目标进行分类，在施工安全隐患的检测中，目标检测技术可以有效地识别出隐患的存在并将其分类。
激光定位技术目前已得到长足发展。激光定位是利用激光测距仪或者激光传感器测量目标物体和激光源之间的距离和角度，从而确定目标物体的位置和姿态。激光定位技术通常需要高精度的激光测距仪和激光传感器，并结合相应的算法进行数据处理和定位计算。本项目在激光定位环节使用微型处理器Arduino控制两台不同方向的舵机，使激光束能够360°无死角旋转，借助与目标检测环节配合的传感器实现在隧道施工环境中对风险源的精确定位。
在一般的施工场景下，激光定位是没有什么必要性的。但隧道施工场景中，光线昏暗，空间宽阔、地形复杂，人眼不借助光线照明很难对安全隐患进行快速、精确的定位，激光定位使得安全隐患的位置更为直观，强化了安全隐患排查的实时性。
在工业4.0的大背景下，各项智能化技术已经在建筑行业得到一定的普及与应用，而深度学习作为智能识别与检测方面的最前沿技术，也受到了一定的重视。现今可循的类似方法多数将目标检测技术用于施工人员的安全装备穿戴检测上，而将目标检测技术用于其他施工安全隐患的则屈指可数。一方面是目标检测技术在施工安全隐患检测的应用并没有得到广泛的普及，另一方面是由于大部分施工现场处于宽敞明亮的环境中，且安全隐患不具有隐蔽性，因此人工排查风险的成功率和安全性可以得到保障。此外将激光定位技术与目标检测技术相结合的方法也没有先例，但激光定位在隧道施工安全隐患检测中的重要性已经在前文中提到。
发明内容
本发明的目的是提供一种集成隧道施工现场风险识别与激光定位方法，可以快速准确地检测出集成隧道施工现场中的潜在的安全问题并进行直观的反映。
为实现上述目的，本发明提供了一种集成隧道施工现场风险识别与激光定位方法，包括以下步骤：
S1、通过安全头盔上的摄像头实时获取施工环境图像；
S2、将获取的施工环境图像输入到训练后的风险检测模型中，判断当前施工环境是否有风险；
S3、若风险检测模型输出的二维图像中没有风险预测框，则表明无风险，确认施工环境安全，继续重复步骤S1和步骤S2；
S4、若风险检测模型输出的二维图像中出现风险预测框，则通过语音播报器振动提醒并播报风险类型，进入激光定位环节；
S41、激光器随机投射初始激光，后续的图像中同时出现激光点和风险预测框；
S42、在图像中构建二维坐标系，获得激光点坐标(x,y)，风险预测框中心点(a,b)；
S43、分别判断水平方向上和竖直方向上激光点坐标与风险预测框中心点坐标的相对大小关系；
S44、根据相对大小关系，确定每个舵机转动的方向；预设每个舵机每次微小转动的角度为θ0；
S45、在下一帧图像中，根据激光点与风险预测框的新的坐标，继续控制双舵机结构，每帧图像都使双舵机结构进行一次微小的转动，使激光点朝风险预测框方向移动；
S46、重复步骤S41～S45，直到激光点移动到风险预测框内部，表明风险定位成功。
优选的，步骤S2中，风险预测模型的构建方法，包括以下步骤：
S21、构建风险数据集：收集隧道施工现场的原始图像，并进行人工标注，标注内容包括风险所在区域及其风险类型，形成带有风险标注的数据集；
S22、数据增强：采用数据增强算法对图像进行平移变换、翻转变化、随机裁剪、噪声扰动、对比度变换、缩放变换操作，从而扩充数据集，提高后续模型的泛化能力；
S23、选择百度开源的预训练模型PP-Picodet作为基础模型；
S24、数据集划分：将步骤S21构建的带有风险标注的数据集划分为训练集、验证集和测试集，用于模型的训练、调优和评估；
S25、超参数调整：对模型进行训练前，对超参数进行调整，优化模型的性能；
S26、启动训练程序：使用划分好的训练集，在预训练模型PP-Picodet的基础上，进行进一步训练；优化模型的参数和权重；
S27、最优模型选择：使用验证集和测试集对训练好的模型进行评估，计算模型精度评估指标；根据评估结果选择表现最优的风险检测模型作为最终模型。
优选的，步骤S4中，风险类型包括渗漏水、露筋、裂缝、潜在火源、掉块。
优选的，步骤S4中，控制双舵机结构的旋转角度为：通过Ardunio主板，将电脑信号转换成电信号给双舵机结构。
优选的，S43、分别判断水平方向上和竖直方向上激光点坐标与风险预测框中心点坐标的相对大小关系，包括以下步骤：
S431、假设两个舵机的角度分别为θx、θy，风险位置预测框的中心点为A(a，b)，由θx与θy的方位所产生的投影到二维图像上的点为照射点O(x，y)；
S432、将照射点O(x，y)的二维平面坐标与风险位置预测框的中心点A(a，b)的二维平面坐标进行对比；
S4321、将x与a的值做比较，若x<a-d0，则θx’＝θx+θ0；
S4322、若x>a+d0，则θx’＝θx-θ0，继续比较x与a的大小；
其中，θx为水平舵机当前朝向与初始位置朝向的夹角；θx’表示每次转动后的夹角；d0是精度；θ0是预设的每次舵机微小旋转的角度；
重复步骤S4321～S4322，直到|x-a|<＝d0时，x满足指示精度；
S4323、将y与b的值做比较，若y<b-d0，则θy’＝θy+θ0；
S4324、若y>b+d0，则θy’＝θy-θ0，继续比较y与b的大小；
其中，θy为竖直舵机当前朝向与初始位置朝向的夹角；θy’表示每次转动后的夹角；
重复步骤S4323～S4324，直到|y-b|<＝d0时，y满足指示精度。
优选的，所述安全头盔包括头盔本体，所述头盔本体的上侧设置有双舵机结构，所述双舵机结构上侧连接有激光器，所述双舵机结构控制旋转激光器，所述头盔本体的前侧设置有用于获取隧道施工现场图像的摄像头，所述摄像头的对侧于头盔本体上设置有控制中心，所述控制中心一侧设置有总开关，所述总开关的下侧于头盔本体上设置有语音播报器。
优选的，所述双舵机结构包括水平舵机和竖直舵机，所述水平舵机控制激光器水平方向的旋转；所述竖直舵机控制激光器竖直方向的旋转。
优选的，所述控制中心内设置有AI微型计算机，所述AI微型计算机的一侧设置有电池包因此，本发明采用上述一种集成隧道施工现场风险识别与激光定位方法，其技术效果如下：
(1)安全头盔将风险识别和激光定位相结合，在不干扰施工人员正常工作的情况下，持续检测周围施工环境，并利用激光定位的方式精准暴露风险位置，给予施工人员最直接、最有效、最快速的真实反馈，成为隧道施工者的第三只眼睛(识别风险)和第三只手(指出风险)。
(2)安全头盔由施工人员在工作中随身佩戴，头盔上的摄像头实时地获取周围的图像信息，再通过内部部署好的风险检测模型检测风险有无，保证了风险检测的实时性。
(3)安全头盔在检测出风险时，除了播报风险类型，还能将激光投射到风险所在区域，高效地暴露风险所在位置，将风险信息第一时间反馈到施工人员，做到对隧道施工风险的快速应答，精准地指出风险。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为智能头盔整体示意图；
图2为控制中心内部示意图；
图3为激光器和双舵机结构示意图；
图4为风险识别与应答整体流程图；
图5为激光定位舵机旋转原理图；
图6为激光定位示意图；
附图标记
1、头盔本体；2、摄像头；3、双舵机结构；301、水平舵机；302、竖直舵机；4、激光器；5、总开关；6、语音播报器；7、控制中心；8、AI微型计算机；9、电池包。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例一
如图4所示，一种集成隧道施工现场风险识别与激光定位方法，包括以下步骤：
S1、通过安全头盔上的摄像头实时获取施工环境图像；
S2、将获取的施工环境图像输入到训练后的风险检测模型中，判断当前施工环境是否有风险；
风险预测模型的构建方法包括：
S21、构建风险数据集：收集隧道施工现场的原始图像，并进行人工标注，标注内容包括风险所在区域及其风险类型，形成带有风险标注的数据集；
S22、数据增强：采用数据增强算法对图像进行平移变换、翻转变化、随机裁剪、噪声扰动、对比度变换、缩放变换操作操作，从而扩充数据集，提高后续模型的泛化能力；
S23、选择百度开源的预训练模型PP-Picodet作为基础模型；
S24、数据集划分：将步骤S21构建的带有风险标注的数据集划分为训练集、验证集和测试集，用于模型的训练、调优和评估；
S25、超参数调整：对模型进行训练前，对超参数进行调整，优化模型的性能；
S26、启动训练程序：使用划分好的训练集，在预训练模型PP-Picodet的基础上，进行进一步训练；优化模型的参数和权重；
S27、最优模型选择：使用验证集和测试集对训练好的模型进行评估，计算模型的精度评估指标；根据评估结果选择表现最优的风险检测模型作为最终模型。
目标检测模型的评估指标有1.准确率、2.召回率、3.精度、4.不同置信度(有50％、75％、95％)阈值下的平均精度。
S3、若风险检测模型输出的二维图像中没有风险预测框，则表明无风险，确认施工环境安全，继续重复步骤S1和步骤S2；
S4、若风险检测模型输出的二维图像中出现风险预测框，则通过语音播报器振动提醒并播报风险类型(渗漏水、露筋、裂缝、潜在火源、掉块)，进入激光定位环节；
S41、激光器随机投射初始激光，后续的图像中同时出现激光点和风险预测框；
S42、在图像中构建二维坐标系，获得激光点坐标(x，y)，风险预测框中心点(a，b)；
如图6所示为激光定位示意图。
S43、分别判断水平方向上和竖直方向上激光点坐标与风险预测框中心点坐标的相对大小关系；
如图4所示，S431、假设两个舵机的角度分别为θx、θy，风险位置预测框的中心点为A(a，b)，由θx与θy的方位所产生的投影到二维图像上的点为照射点O(x，y)；
S432、将照射点O(x，y)的二维平面坐标与风险位置预测框的中心点A(a，b)的二维平面坐标进行对比；
S4321、将x与a的大小做比较，若x<a-0.01，则θx’＝θx+θ0；
S4322、若x>a+d0，则θx＝θx-θ0，继续比较x与a的大小；
其中，θx为水平舵机当前朝向与初始位置朝向的夹角；θx’表示每次转动后的夹角；d0是精度；θ0是预设的每次舵机微小旋转的角度；
重复步骤S4321～S4322，直到|x-a|<＝d0时，x满足指示精度；
S4323、将y与b的大小做比较，若y<b-d0，则θy’＝θy+θ0；
S4324、若y>b+d0，则θy＝θy-θ0，继续比较y与b的大小；
其中，θy为竖直舵机当前朝向与初始位置朝向的夹角；θy’表示每次转动后的夹角
重复步骤S4323～S4324，直到|y-b|<＝d0时，y满足指示精度。
S44、根据相对大小关系，确定每个舵机转动的方向；预设每个舵机每次微小转动的角度为0.01度；
控制双舵机结构的旋转角度为：通过Ardunio主板，将电脑信号转换成电信号给双舵机结构；在程序的控制代码中写入固定的角度，即可让舵机旋转相应的角度。现有的Servo(舵机)类提供了已有方法write()，是可以直接指定旋转角度的，例如，servo1.write(angle)；servo1是Servo类的一个实例，这里调用了write()方法，并指定转动角度为angle。
S45、在下一帧图像中，根据激光点与风险预测框的新的坐标，继续控制双舵机结构，每帧图像都使双舵机结构进行一次微小的转动，使激光点朝风险预测框方向移动；
S46、重复步骤S41～S45，直到激光点移动到风险预测框内部，表明风险定位成功。
如图1所示，安全头盔包括头盔本体1，头盔本体1的上侧设置有双舵机结构3，双舵机结构3上侧连接有激光器4，双舵机结构3控制旋转激光器4，激光器4发送激光，指示定位风险所在区域，头盔本体1的前侧设置有用于获取隧道施工现场图像的摄像头2，摄像头2的对侧于头盔本体1上设置有控制中心7，控制中心7一侧设置有总开关5，总开关5的下侧于头盔本体1上设置有语音播报器6，语音播报器根据风险识别的结果(包括风险类型和风险位置)，振动并播报风险类型，以提醒施工人员注意排查风险。
如图3所示，双舵机结构3包括水平舵机301和竖直舵机302，水平舵机301控制激光器水平方向的旋转；竖直舵机302控制激光器竖直方向的旋转。
如图2所示为控制中心7内部示意图，控制中心7内设置有AI微型计算机8，AI微型计算机8写入了所有必要程序，如风险识别程序，控制舵机的程序和控制语音播报程序等。AI微型计算机8的一侧设置有电池包9。
因此，本发明采用上述一种集成隧道施工现场风险识别与激光定位方法，安全头盔将风险识别和激光定位相结合，在不干扰施工人员正常工作的情况下，持续检测周围施工环境，并利用激光定位的方式精准暴露风险位置，给予施工人员最直接、最有效、最快速的真实反馈，成为隧道施工者的第三只眼睛(识别风险)和第三只手(指出风险)；安全头盔由施工人员在工作中随身佩戴，头盔上的摄像头实时地获取周围的图像信息，再通过内部部署好的风险检测模型检测风险有无，保证了风险检测的实时性；安全头盔在检测出风险时，除了播报风险类型，还能将激光投射到风险所在区域，高效地暴露风险所在位置，将风险信息第一时间反馈到施工人员，做到对隧道施工风险的快速应答，精准地指出风险。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (8)
1.一种集成隧道施工现场风险识别与激光定位方法，包括以下步骤：
S1、通过安全头盔上的摄像头实时获取施工环境图像；
S2、将获取的施工环境图像输入到训练后的风险检测模型中，判断当前施工环境是否有风险；
S3、若风险检测模型输出的二维图像中没有风险预测框，则表明无风险，确认施工环境安全，继续重复步骤S1和步骤S2；
S4、若风险检测模型输出的二维图像中出现风险预测框，则通过语音播报器振动提醒并播报风险类型，进入激光定位环节；
S41、激光器随机投射初始激光，后续的图像中同时出现激光点和风险预测框；
S42、在图像中构建二维坐标系，获得激光点坐标(x,y)，风险预测框中心点(a,b)；
S43、分别判断水平方向上和竖直方向上激光点坐标与风险预测框中心点坐标的相对大小关系；
S44、根据相对大小关系，确定每个舵机转动的方向；预设每个舵机每次微小转动的角度为θ0；
S45、在下一帧图像中，根据激光点与风险预测框的新的坐标，继续控制双舵机结构，每帧图像都使双舵机结构进行一次微小的转动，使激光点朝风险预测框方向移动；
S46、重复步骤S41～S45，直到激光点移动到风险预测框内部，表明风险定位成功。
2.根据权利要求1所述的一种集成隧道施工现场风险识别与激光定位方法，其特征在于，步骤S2中，风险预测模型的构建方法，包括以下步骤：
S21、构建风险数据集：收集隧道施工现场的原始图像，并进行人工标注，标注内容包括风险所在区域及其风险类型，形成带有风险标注的数据集；
S22、数据增强：采用数据增强算法对图像进行平移变换、翻转变化、随机裁剪、噪声扰动、对比度变换、缩放变换操作，从而扩充数据集，提高后续模型的泛化能力；
S23、选择百度开源的预训练模型PP-Picodet作为基础模型；
S24、数据集划分：将步骤S21构建的带有风险标注的数据集划分为训练集、验证集和测试集，用于模型的训练、调优和评估；
S25、超参数调整：对模型进行训练前，对超参数进行调整，优化模型的性能；
S26、启动训练程序：使用划分好的训练集，在预训练模型PP-Picodet的基础上，进行进一步训练；优化模型的参数和权重；
S27、最优模型选择：使用验证集和测试集对训练好的模型进行评估，计算模型精度评估指标；根据评估结果选择表现最优的风险检测模型作为最终模型。
3.根据权利要求1所述的一种集成隧道施工现场风险识别与激光定位方法，其特征在于，步骤S4中，风险类型包括渗漏水、露筋、裂缝、潜在火源、掉块。
4.根据权利要求1所述的一种集成隧道施工现场风险识别与激光定位方法，其特征在于，步骤S4中，控制双舵机结构的旋转角度为：通过Ardunio主板，将电脑信号转换成电信号给双舵机结构。
5.根据权利要求1所述的一种集成隧道施工现场风险识别与激光定位方法，其特征在于，S43、分别判断水平方向上和竖直方向上激光点坐标与风险预测框中心点坐标的相对大小关系，包括以下步骤：
S431、假设两个舵机的角度分别为θx、θy，风险位置预测框的中心点为A(a，b)，由θx与θy的方位所产生的投影到二维图像上的点为照射点O(x，y)；
S432、将照射点O(x，y)的二维平面坐标与风险位置预测框的中心点A(a，b)的二维平面坐标进行对比；
S4321、将x与a的值做比较，若x<a-d0，则θx’＝θx+θ0；
S4322、若x>a+d0，则θx’＝θx-θ0，继续比较x与a的大小；
其中，θx为水平舵机当前朝向与初始位置朝向的夹角；θx’表示每次转动后的夹角；d0是精度；θ0是预设的每次舵机微小旋转的角度；
重复步骤S4321～S4322，直到|x-a|<＝d0时，x满足指示精度；
S4323、将y与b的值做比较，若y<b-d0，则θy’＝θy+θ0；
S4324、若y>b+d0，则θy’＝θy-θ0，继续比较y与b的大小；
其中，θy为竖直舵机当前朝向与初始位置朝向的夹角；θy’表示每次转动后的夹角；
重复步骤S4323～S4324，直到|y-b|<＝d0时，y满足指示精度。
6.根据权利要求1所述的一种集成隧道施工现场风险识别与激光定位方法，其特征在于，所述安全头盔包括头盔本体，所述头盔本体的上侧设置有双舵机结构，所述双舵机结构上侧连接有激光器，所述双舵机结构控制旋转激光器，所述头盔本体的前侧设置有用于获取隧道施工现场图像的摄像头，所述摄像头的对侧于头盔本体上设置有控制中心，所述控制中心一侧设置有总开关，所述总开关的下侧于头盔本体上设置有语音播报器。
7.根据权利要求6所述的一种集成隧道施工现场风险识别与激光定位方法，其特征在于，所述双舵机结构包括水平舵机和竖直舵机，所述水平舵机控制激光器水平方向的旋转；所述竖直舵机控制激光器竖直方向的旋转。
8.根据权利要求6所述的一种集成隧道施工现场风险识别与激光定位方法，其特征在于，所述控制中心内设置有AI微型计算机，所述AI微型计算机的一侧设置有电池包。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310939030.8A CN116935016B (zh) | 2023-07-28 | 2023-07-28 | 一种集成隧道施工现场风险识别与激光定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310939030.8A CN116935016B (zh) | 2023-07-28 | 2023-07-28 | 一种集成隧道施工现场风险识别与激光定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116935016A true CN116935016A (zh) | 2023-10-24 |
| CN116935016B CN116935016B (zh) | 2024-03-08 |
Family
ID=88377066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310939030.8A Active CN116935016B (zh) | 2023-07-28 | 2023-07-28 | 一种集成隧道施工现场风险识别与激光定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116935016B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2879929A1 (en) * | 2012-09-05 | 2015-06-10 | Google, Inc. | Construction zone detection using a plurality of information sources |
| CN108378450A (zh) * | 2018-03-08 | 2018-08-10 | 公安部天津消防研究所 | 一种燃爆事故感知与风险预测预警智能消防头盔实现方法 |
| CN110672073A (zh) * | 2019-10-17 | 2020-01-10 | 中南大学 | 一种基于三维遥感技术辅助隧址区施工的方法及装置 |
| CN111521165A (zh) * | 2020-05-22 | 2020-08-11 | 中国路桥工程有限责任公司 | 隧道建设风险预测智能系统 |
| CN214235363U (zh) * | 2020-12-09 | 2021-09-21 | 中建交通建设集团有限公司 | 一种带有防尘除尘结构的无线激光测距仪 |
| CN113489893A (zh) * | 2020-07-31 | 2021-10-08 | 深圳技术大学 | 实时目标物体追踪定位方法以及实时目标物体追踪定位装置 |
| CN113570233A (zh) * | 2021-07-22 | 2021-10-29 | 吕福瑞 | 一种基于5g技术的施工组织管理系统 |
| CN113756815A (zh) * | 2021-08-16 | 2021-12-07 | 山西科达自控股份有限公司 | 设备位置图像识别系统 |
| CN113836999A (zh) * | 2021-08-16 | 2021-12-24 | 山东大学 | 基于探地雷达的隧道施工风险智能识别方法及系统 |
| CN114266716A (zh) * | 2020-09-15 | 2022-04-01 | 复旦大学 | 基于深度学习的盾构隧道墙面渗漏水风险检测的方法 |
| US20220331028A1 (en) * | 2019-08-30 | 2022-10-20 | Metralabs Gmbh Neue Technologien Und Systeme | System for Capturing Movement Patterns and/or Vital Signs of a Person |
| CN115727836A (zh) * | 2022-11-23 | 2023-03-03 | 锐趣科技(北京)有限公司 | 一种基于激光反光板和里程计的融合定位方法及系统 |
| CN115817570A (zh) * | 2022-12-16 | 2023-03-21 | 上海济目科技有限公司 | 一种基于单轨自平衡的铁轨破损巡检装置及巡检方法 |
| US11675878B1 (en) * | 2020-04-30 | 2023-06-13 | Everguard, Inc. | Auto-labeling method for multimodal safety systems |
| CN116298095A (zh) * | 2023-02-09 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 喷杆喷雾机近冠层风雾场试验装置与建模方法 |
| WO2023129725A1 (en) * | 2021-12-31 | 2023-07-06 | Velodyne Lidar Usa, Inc. | Lidar system having a linear focal plane, and related methods and apparatus |
| US20230236608A1 (en) * | 2022-01-24 | 2023-07-27 | Nanyang Technological University | Method and system for inspecting a building construction site using a mobile robotic system |
-
2023
- 2023-07-28 CN CN202310939030.8A patent/CN116935016B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2879929A1 (en) * | 2012-09-05 | 2015-06-10 | Google, Inc. | Construction zone detection using a plurality of information sources |
| CN108378450A (zh) * | 2018-03-08 | 2018-08-10 | 公安部天津消防研究所 | 一种燃爆事故感知与风险预测预警智能消防头盔实现方法 |
| US20220331028A1 (en) * | 2019-08-30 | 2022-10-20 | Metralabs Gmbh Neue Technologien Und Systeme | System for Capturing Movement Patterns and/or Vital Signs of a Person |
| CN110672073A (zh) * | 2019-10-17 | 2020-01-10 | 中南大学 | 一种基于三维遥感技术辅助隧址区施工的方法及装置 |
| US11675878B1 (en) * | 2020-04-30 | 2023-06-13 | Everguard, Inc. | Auto-labeling method for multimodal safety systems |
| CN111521165A (zh) * | 2020-05-22 | 2020-08-11 | 中国路桥工程有限责任公司 | 隧道建设风险预测智能系统 |
| CN113489893A (zh) * | 2020-07-31 | 2021-10-08 | 深圳技术大学 | 实时目标物体追踪定位方法以及实时目标物体追踪定位装置 |
| CN114266716A (zh) * | 2020-09-15 | 2022-04-01 | 复旦大学 | 基于深度学习的盾构隧道墙面渗漏水风险检测的方法 |
| CN214235363U (zh) * | 2020-12-09 | 2021-09-21 | 中建交通建设集团有限公司 | 一种带有防尘除尘结构的无线激光测距仪 |
| CN113570233A (zh) * | 2021-07-22 | 2021-10-29 | 吕福瑞 | 一种基于5g技术的施工组织管理系统 |
| CN113836999A (zh) * | 2021-08-16 | 2021-12-24 | 山东大学 | 基于探地雷达的隧道施工风险智能识别方法及系统 |
| CN113756815A (zh) * | 2021-08-16 | 2021-12-07 | 山西科达自控股份有限公司 | 设备位置图像识别系统 |
| WO2023129725A1 (en) * | 2021-12-31 | 2023-07-06 | Velodyne Lidar Usa, Inc. | Lidar system having a linear focal plane, and related methods and apparatus |
| US20230236608A1 (en) * | 2022-01-24 | 2023-07-27 | Nanyang Technological University | Method and system for inspecting a building construction site using a mobile robotic system |
| CN115727836A (zh) * | 2022-11-23 | 2023-03-03 | 锐趣科技(北京)有限公司 | 一种基于激光反光板和里程计的融合定位方法及系统 |
| CN115817570A (zh) * | 2022-12-16 | 2023-03-21 | 上海济目科技有限公司 | 一种基于单轨自平衡的铁轨破损巡检装置及巡检方法 |
| CN116298095A (zh) * | 2023-02-09 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 喷杆喷雾机近冠层风雾场试验装置与建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116935016B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109686031B (zh) | 基于安防的识别跟随方法 | |
| CN1598610B (zh) | 用于估计移动式机器人的位置和方位的装置和方法 | |
| CN112085003B (zh) | 公共场所异常行为自动识别方法及装置、摄像机设备 | |
| KR20190090393A (ko) | 차선 결정 방법, 디바이스 및 저장 매체 | |
| WO2021128834A1 (zh) | 基于计算机视觉的导航方法、装置、计算机设备及介质 | |
| CN113361539B (zh) | 一种井下巡检机器人的仪表读取方法、装置及电子设备 | |
| CN102737236A (zh) | 一种基于多模态传感器数据自动获取车辆训练样本方法 | |
| CN114155601A (zh) | 一种基于视觉的作业人员危险行为检测方法及系统 | |
| WO2021252084A1 (en) | Systems and methods for disengagement prediction and triage assistant | |
| CN109740461B (zh) | 目标跟随后的处理方法 | |
| CN117152156B (zh) | 一种基于多模态数据融合的铁路异常检测方法及系统 | |
| CN111199647A (zh) | 一种道路车辆连续变道和违规掉头的监控视频检测方法 | |
| CN105141887A (zh) | 一种基于热成像的海缆区域视频告警方法 | |
| JP2021100847A (ja) | 車両カーブ走行用情報処理方法及び装置 | |
| CN113452912A (zh) | 巡视机器人的云台摄像机的控制方法、装置、设备及介质 | |
| JP2022172444A (ja) | 原動機付き車両の走行動作を補助する方法及びアシスト装置並びに原動機付き車両 | |
| CN104021569A (zh) | 人体目标锁定跟踪装置和方法 | |
| CN116259002A (zh) | 一种基于视频的人体危险行为分析方法 | |
| CN111968713A (zh) | 一种数据采集方法及巡检装置 | |
| CN116935016B (zh) | 一种集成隧道施工现场风险识别与激光定位方法 | |
| CN106023338B (zh) | 一种无人车车况检测方法及装置 | |
| CN113505704B (zh) | 图像识别的人员安全侦测方法、系统、设备及存储介质 | |
| WO2024159749A1 (zh) | 基于巡检视觉感知的采煤机截割规划方法及设备 | |
| JP6943183B2 (ja) | 位置特定装置、位置特定方法、位置特定プログラムおよびカメラ装置 | |
| CN110081861B (zh) | 一种基于图像识别的激光快速测绘系统及测绘方法 |
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 |