CN117456601A - 一种塔吊安全状态预警方法及系统 - Google Patents
一种塔吊安全状态预警方法及系统 Download PDFInfo
- Publication number
- CN117456601A CN117456601A CN202311310437.0A CN202311310437A CN117456601A CN 117456601 A CN117456601 A CN 117456601A CN 202311310437 A CN202311310437 A CN 202311310437A CN 117456601 A CN117456601 A CN 117456601A
- Authority
- CN
- China
- Prior art keywords
- tower crane
- image
- state
- result
- analysis result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 208000009144 Pure autonomic failure Diseases 0.000 claims description 4
- 239000013312 porous aromatic framework Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/16—Applications of indicating, registering, or weighing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种塔吊安全状态预警方法及系统，包括：根据预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；根据预设的传感器，实时采集塔吊的运行数据并进行存储；根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果。本发明能够及时发现塔吊潜在的安全风险并预测塔吊可能发生的故障，避免潜在的故障、安全风险导致停工，有效的提高塔吊的安全性。
Description
技术领域
本发明涉及塔吊安全领域，具体而言，涉及一种塔吊安全状态预警方法及系统。
背景技术
随着社会的发展，建筑行业近几年突飞猛进，所有的高层建筑都会用到塔吊，随着建筑的工程量越来越大，塔吊的工作时间逐渐延长，一些塔吊的安全隐患无法被及时发现，会给施工现场带来极大的安全隐患。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种塔吊安全监控预警方法及系统，通过图像识别和数据预测，实时监测塔吊的状态，及时发现塔吊潜在的安全风险并预测塔吊可能发生的故障，避免潜在的故障、安全风险导致停工，有效的提高塔吊的安全性。
根据本发明实施例的第一个方面提供了一种塔吊安全状态预警方法，所述方法包括：
根据预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；
根据预设的传感器，实时采集塔吊的运行数据并进行存储；
根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；
根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果。
根据本发明实施例的第二个方面还提供了一种塔吊安全监控预警系统，所述系统包括：
图像处理单元，根据预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；
数据采集单元，根据预设的传感器，采集塔吊的运行数据；
预测单元，根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；
判断单元，根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果。
根据本发明实施例的又一方面，还提供了一种计算设备，所述计算设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行上述塔吊安全状态预警方法。
根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述塔吊安全状态预警方法。
在本发明实施例中，利用图像识别技术对塔吊图像进行分析，得出所述图像中的人员姿态信息以及塔吊行为状态信息，及时发现潜在的安全风险，提高塔吊的安全性；通过传感器对塔吊运行数据进行采集，根据塔吊历史运行数据进行建模，能够预测出塔吊运行时可能发生的事故以及故障，帮助相关人员及时对塔吊进行维修或停机，避免潜在的事故以及停工造成的损失。由此可见，本发明能够及时发现潜在的安全风险，减少事故以及停工损失，保障了塔吊的工作效率以及生产力，有效提高了塔吊的安全性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：
图1是根据本发明实施例的一种塔吊安全状态预警方法的流程示意图；
图2是根据本发明实施例的一种塔吊安全状态预警系统的结构示意图；
图3是根据本发明实施例的一种塔吊安全状态预警方法的图像人员姿态计算流程图；
图4是根据本发明实施例的一种塔吊安全状态预警方法的图像塔吊行为状态计算流程图；
图5示意性地示出了本发明实施例的一种介质的结构示意图；
图6示意性地示出了本发明实施例的一种计算设备的结构示意图。
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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面参考图1，图1为本发明一实施例提供的一种塔吊安全状态预警方法的流程示意图。需要注意的是，本发明的实施方式可以应用于适用的任何场景。
图1所示的本发明一实施例提供的一种塔吊安全状态预警方法的流程，包括：
步骤S101，根据预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；
本发明实施例中，当图像处理单元识别到塔吊时，对当前塔吊进行拍照，再通过图像增强、调整大小、裁剪等方法进行图像预处理，利用OpenPose算法分析图像中的人员姿态，利用LSTM方法分析图像中塔吊行为状态，能够及时发现塔吊的潜在安全风险。
步骤S102，根据预设的传感器，实时采集塔吊的运行数据并进行存储；
本发明实施例中，数据采集单元利用预设的倾斜度传感器、载荷传感器、振动传感器以及温度传感器，对塔吊运行时的角度、载荷、振动特征参数以及温度值进行采集，并将数据进行存储。
步骤S103，根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；
本发明实施例中，预测单元根据塔吊的历史运行数据，提取所述历史运行数据的特征并构建预测模型并进行训练，再对塔吊未来运行情况进行预测，通过预测结果，可以及时发现塔吊存在的事故和故障，并及时采取措施，避免事故和停工损失。
步骤S104，根据所述分析结果以及预测结果，对塔吊情况进行实时监测并比对分析结果和预测结果，得到比对结果。
本发明实施例中，判断单元对所述分析结果和预测结果进行实时监测，同时利用预设的阈值对分析结果和预测结果进行比对，判断塔吊是否存在异常情况，并根据判断结果基于远程通知、报警灯等方式进行及时报警，有效的提高了塔吊安全的监管水平。
请参阅图2，图2是本发明实施例公开的一种塔吊安全状态预警方法的图像人员姿态计算流程图。如图2所示，该方法包括以下步骤：
S201、使用预训练的CNN网络提取预处理图像中人员的人体特征，建立CNN输出人体特征图；
S202、通过额外的卷积层计算所述CNN人体特征图中人体关节之间的关联信息PAFs；
S203、在所述CNN人体特征图上计算人体关键点的热图，其中，每个热图表示图像上一个关键点的置信度分布；
S204、根据所述关键点热图和人体关节的关联信息PAFs，将关节点进行匹配和筛选，形成人体姿势的候选集合；
S205、基于所述候选关节点集合，通过最大连接图算法来解析出预处理图像中的人体姿态。
实施步骤S201～步骤S205，通过联合学习人体关键点的位置和关联信息，在单个前馈神经网络中实现关键点检测，达到较好的准确性以及鲁棒性，实现对检测图像中人体姿势和关键点的准确检测和识别。
请参阅图3，图3是本发明实施例公开的一种塔吊安全状态预警方法的图像塔吊行为状态计算流程图。如图2所示，该方法包括以下步骤：
S301、利用预训练的卷积神经网络CNN模型提取所述预处理图像中塔吊的特征，并将所述塔吊特征按照时间顺序进行排序，构建一个时间序列数据集；
S302、输入所述塔吊特征序列，构建用于学习塔吊行为状态之间的时序关系的LSTM模型；
S303、将所述时间序列数据集划分为训练集、验证集、测试集，利用所述训练集、验证集、测试集对所述LSTM模型进行训练；
S304、使用训练过的LSTM模型对图像序列中的塔吊进行识别，得到对应的塔吊行为状态。
实施步骤S301～步骤S304，通过关键点检测以及LSTM模型的构建，对塔吊行为状态进行识别，可以准确的识别不同时间步之间的行为状态，实现更加准确度的识别。
请参阅图4，图4是本发明实施例公开的一种塔吊安全状态预警系统的结构示意图。如图4所示，所述系统包括：
图像处理单元，根据预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；
数据采集单元，根据预设的传感器，采集塔吊的运行数据；
预测单元，根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；
判断单元，根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果。
在介绍了本发明示例性实施方式的方法和装置之后，接下来，参考图5对本发明示例性实施方式的计算机可读存储介质进行说明，请参考图5，其示出的计算机可读存储介质为光盘50，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会实现上述方法实施方式中所记载的各步骤，例如，预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；根据预设的传感器，实时采集塔吊的运行数据并进行存储；根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果；各步骤的具体实现方式在此不再重复说明。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
在介绍了本发明示例性实施方式的方法、介质和装置之后，接下来，参考图6对本发明示例性实施方式的塔吊安全状态预警方法的计算设备。
图6示出了适于用来实现本发明实施方式的示例性计算设备60的框图，该计算设备60可以是计算机系统或服务器。图6显示的计算设备60仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算设备60的组件可以包括但不限于：一个或者多个处理器或者处理单元601，系统存储器602，连接不同系统组件(包括系统存储器602和处理单元601)的总线603。
计算设备60典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备60访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器602可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)6021和/或高速缓存存储器6022。计算设备60可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM6023可以用于读写不可移动的、非易失性磁介质(图6中未显示，通常称为“硬盘驱动器”)。尽管未在图6中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线603相连。系统存储器602中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块6024的程序/实用工具6025，可以存储在例如系统存储器602中，且这样的程序模块6024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块6024通常执行本发明所描述的实施例中的功能和/或方法。
计算设备60也可以与一个或多个外部设备604(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口605进行。并且，计算设备60还可以通过网络适配器606与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器606通过总线603与计算设备60的其它模块(如处理单元601等)通信。应当明白，尽管图6中未示出，可以结合计算设备60使用其它硬件和/或软件模块。
处理单元601通过运行存储在系统存储器602中的程序，从而执行各种功能应用以及数据处理，例如，预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；根据预设的传感器，实时采集塔吊的运行数据并进行存储；根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果。各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了塔吊安全状态预警方法的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
Claims (10)
1.一种塔吊安全状态预警方法，其特征在于，所述方法包括：
根据预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；
根据预设的传感器，实时采集塔吊的运行数据并进行存储；
根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；
根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果。
2.根据权利要求1所述的一种塔吊安全状态预警方法，其特征在于，所述根据预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果的方式具体为：
通过预设在塔吊上的高分辨率摄像头，对塔吊图像或视频进行捕捉，并对捕捉到的图像进行图像增强、调整大小、裁剪，得到预处理图像；
利用OpenPose算法对所述预处理图像中的人员进行识别、分析，得出预处理图像中的人员姿态；
利用LSTM方法对所述预处理图像中的塔吊进行分析，得到所述预处理图像中的塔吊行为状态；
将所述关键目标信息、人员姿态、塔吊行为状态确定为分析结果。
3.根据权利要求2所述的一种塔吊安全状态预警方法，其特征在于，所述利用OpenPose算法对所述预处理图像中的人员进行识别、分析，得出所述预处理图像中的人员姿态的方式具体为：
使用预训练的CNN网络提取预处理图像中人员的人体特征，建立CNN输出人体特征图；
通过额外的卷积层计算所述CNN人体特征图中人体关节之间的关联信息PAFs；
在所述CNN人体特征图上计算人体关键点的热图，其中，每个热图表示图像上一个关键点的置信度分布；
根据所述关键点热图和人体关节的关联信息PAFs，将关节点进行匹配和筛选，形成人体姿势的候选集合；
基于所述候选关节点集合，通过最大连接图算法来解析出预处理图像中的人体姿态。
4.根据权利要求2所述的一种塔吊安全状态预警方法，其特征在于，所述利用LSTM方法对所述预处理图像中的塔吊进行分析，得到所述预处理图像中的塔吊行为状态的方式具体为：
利用预训练的卷积神经网络CNN模型提取所述预处理图像中塔吊的特征，并将所述塔吊特征按照时间顺序进行排序，构建一个时间序列数据集；
输入所述塔吊特征序列，构建用于学习塔吊行为状态之间的时序关系的LSTM模型；
将所述时间序列数据集划分为训练集、验证集、测试集，利用所述训练集、验证集、测试集对所述LSTM模型进行训练；
使用训练过的LSTM模型对图像序列中的塔吊进行识别，得到对应的塔吊行为状态。
5.根据权利要求1所述的一种塔吊安全状态预警方法，其特征在于，所述根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果的方式具体为：
将收集到的塔吊历史数据进行特征提取，包括塔吊的位置、高度、角度、载荷；
根据提取的数据特征，建立塔吊运行情况模型，并根据塔吊历史数据对塔吊运行情况模型进行训练；
使用训练后的塔吊运行情况模型预测塔吊的未来运行情况，作为预测结果。
6.根据权利要求1所述的一种塔吊安全状态预警方法，其特征在于，所述根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果的方式具体为：
将所述分析结果以及预测结果传输到后台设备中，对塔吊状态进行实时监测；
根据所述分析结果中的人员姿态，与人物标准姿态进行比对，判断所述人员姿态是否存在危险动作或者异常姿态；
根据所述分析结果中塔吊行为状态，与塔吊标准状态进行比对，判断所述塔吊行为状态是否规范；
根据所述预测结果中的未来塔吊运行情况，与塔吊标准运行情况进行比对，判断所述塔吊运行是否存在异常。
7.根据权利要求6所述的一种塔吊安全状态预警方法，其特征在于，所述得到判断结果后，所述方法还包括：
对所述判断结果进行识别；
若所述判断结果表示所述人员姿态存在危险动作或者异常姿态、塔吊行为状态不规范以及塔吊未来的运行情况存在异常；
则通过远程通知、报警灯等方式进行报警提醒相关人员。
8.一种塔吊安全状态预警系统，其特征在于，所述系统包括：
图像处理单元，根据预设的摄像头对塔吊图像进行捕捉，并对所述捕捉的图像进行预处理，并分析所述预处理图像，得到分析结果；
数据采集单元，根据预设的传感器，采集塔吊的运行数据；
预测单元，根据所述塔吊历史运行数据对塔吊运行情况进行预测，得到预测结果；
判断单元，根据所述分析结果以及预测结果，对塔吊状态进行实时监测并判断所述分析结果和预测结果，得到判断结果。
9.一种计算设备，所述计算设备包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1～7中的任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310437.0A CN117456601A (zh) | 2023-10-10 | 2023-10-10 | 一种塔吊安全状态预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310437.0A CN117456601A (zh) | 2023-10-10 | 2023-10-10 | 一种塔吊安全状态预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117456601A true CN117456601A (zh) | 2024-01-26 |
Family
ID=89578990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311310437.0A Pending CN117456601A (zh) | 2023-10-10 | 2023-10-10 | 一种塔吊安全状态预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456601A (zh) |
-
2023
- 2023-10-10 CN CN202311310437.0A patent/CN117456601A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111392619B (zh) | 一种塔吊预警方法、装置、系统及存储介质 | |
| CN110494861B (zh) | 基于图像的异常检测方法和系统 | |
| LU502731B1 (en) | Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor | |
| US11580629B2 (en) | System and method for determining situation of facility by imaging sensing data of facility | |
| CN111160701B (zh) | 工程项目风险监控方法、系统、计算机设备和存储介质 | |
| CN113343847B (zh) | 异常数据检测方法、装置、计算机设备和可读存储介质 | |
| CN111127825A (zh) | 环境预测方法和装置、电子设备 | |
| CN111126153A (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| Piao et al. | Dynamic fall risk assessment framework for construction workers based on dynamic Bayesian network and computer vision | |
| KR102315580B1 (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
| EP4038557A1 (en) | Method and system for continuous estimation and representation of risk | |
| CN116681292A (zh) | 基于深度学习的石化港区安全风险分析及责任划分方法 | |
| Harichandran et al. | Equipment activity recognition and early fault detection in automated construction through a hybrid machine learning framework | |
| CN105825130A (zh) | 一种信息安全预警方法及装置 | |
| CN108629310B (zh) | 一种工程管理监督方法及装置 | |
| KR20230083919A (ko) | 건설 현장의 동적 안전 관제 방법 및 시스템 | |
| CN113314230A (zh) | 基于大数据的智能防疫方法、装置、设备及存储介质 | |
| CN115965625B (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
| US10218722B2 (en) | Method and system for developing an anomaly detector for detecting an anomaly parameter on network terminals in a distributed network | |
| CN117456601A (zh) | 一种塔吊安全状态预警方法及系统 | |
| KR20210115121A (ko) | 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법 | |
| CN116310521A (zh) | 异常检测方法、装置、存储介质、电子设备及系统 | |
| CN110321770B (zh) | 管线监控方法、装置、设备和存储介质 | |
| CN111105582B (zh) | 森林防火监测方法、系统、计算机设备和可读存储介质 |
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 |