洞口类临边防护检测系统及方法与流程

本发明涉及临边防护，具体地指一种洞口类临边防护检测系统及方法。

背景技术：

1、建筑产业是我国的支柱性行业之一，工地作为建筑业的重要支点，保障其安全施工一直是工程建设的底线。针对洞口作业场景，国家住建部于2016年发布的《建筑施工高处作业安全技术规范》中规定，垂直类洞口和非垂直类洞口均应设置防护栏杆或盖板。洞口作业在工地现场常见，施工现场洞口防护缺失属于严重安全违章范畴，对施工人员的安全造成较大的隐患，是现场安全管理重要工作，需要重点开展管控。目前主要是通过现场安全管理员人工巡查的方式检测洞口防护缺失问题，然而人工巡查方式一是受限于项目作业面较大难以全面的识别隐患，二是人员巡查不能实时监测，存在有些施工人员为了方便作业拆除防护栏杆的情况，使得施工现场的安全措施存在漏洞，给施工人员作业安全造成隐患。目前暂无基于人工智能的方式检测洞口防护缺失的方案。

技术实现思路

1、本发明的目的就是要提供一种洞口类临边防护检测系统及方法，本发明旨在通过人工智能的计算机视觉技术来自动识别工地的各种洞口区域，并判断这些洞口区域是否配置相对应的防护栏杆，进而联动应用系统和现场管理人员，当工地出现洞口且没有设置围栏时及时预警，实现工地洞口类场景安全风险的自动识别、报警，充分利用数字化手段助力工地现场安全管理，帮助形成联动的工地安全管理体系。

2、为实现此目的，本发明所设计的洞口类临边防护检测系统，它包括数据预处理模块、数据集划分模块、标注模块、训练模块和模型测试模块；

3、数据预处理模块用于对洞口场景数据进行预处理；

4、数据集划分模块用于将预处理后的洞口场景数据按预设比例划分为训练集和测试集；

5、标注模块用于标注出训练集和测试集中的洞口和围栏；

6、训练模块用于将标注了洞口和围栏的训练集和测试集输送到深度神经网络模型，并在设定的初始超参数下进行训练，当相邻两轮深度神经网络模型的损失值的变化绝对值小于预设值时停止训练，并通过控制变量法确定此时的超参数，得到训练模型；

7、模型测试模块用于将所述训练模型输送到所述测试集上进行验证，确定训练模型在验证过程中目标检测map值最大时对应的训练模型权重为最优权重，采用此最优权重的训练模型成为洞口类临边防护检测模型。

8、本发明的有益效果：

9、本方案接入项目现场实时视频流，基于视频流数据进行抽帧,将抽帧图片数据输入到模型中进行推理，并将推理结果送入应用系统，实时监控施工现场洞口风险，辅助现场人员开展安全管理，助力工地安全施工，守住安全底线。

技术特征：

1.一种洞口类临边防护检测系统，其特征在于：它包括数据预处理模块、数据集划分模块、标注模块、训练模块和模型测试模块；

2.根据权利要求1所述的洞口类临边防护检测系统，其特征在于：它还包括洞口场景数据采集模块，洞口场景数据采集模块用于收集工地现场的洞口场景数据；

3.根据权利要求1所述的洞口类临边防护检测系统，其特征在于：所述数据预处理模块对洞口场景数据进行预处理的过程具体包括数据清洗、数据增强；

4.根据权利要求1所述的洞口类临边防护检测系统，其特征在于：所述标注模块采用开源工具labelimg或labelme标注出训练集和测试集中的洞口和围栏；

5.根据权利要求1所述的洞口类临边防护检测系统，其特征在于：所述深度神经网络模型的超参数包括训练轮数、批大小、学习率、预热策略、丢弃概率和激活函数，训练集和测试集在深度神经网络模型中进行训练的过程中对初始超参数进行调优，当相邻两轮深度神经网络模型的损失值的变化绝对值小于1时停止训练，并通过控制变量法确定此时的超参数，得到训练模型。

6.根据权利要求1所述的洞口类临边防护检测系统，其特征在于：所述深度神经网络模型为yolonas神经网络，将标注了洞口和围栏的训练集和测试集输送到深度神经网络模型，并在设定的超参数下进行训练的具体过程为：

7.根据权利要求6所述的洞口类临边防护检测系统，其特征在于：主干网络输出b1经过颈部网络的两个上采样阶段和两个下采样阶段，得到输出结果n1，其中通过跨层连接的方式将颈部网络中的瓶颈层中间结果和以瓶颈层中间结果为输入进行标准convbnact组件处理的结果按照样本维度拼接起来送入到最后的标准convbnact组件模块进行不同粒度的特征综合，即得到输出结果n1；

8.根据权利要求7所述的洞口类临边防护检测系统，其特征在于：yolonas的损失函数为pp-yoloe loss，公式如下：

9.一种基于权利要求1所述系统的洞口类临边防护检测方法，其特征在于，它包括如下步骤：

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求9所述方法的步骤。

技术总结
本发明公开了洞口类临边防护检测系统，它的数据预处理模块对洞口场景数据进行预处理；数据集划分模块将预处理后的洞口场景数据划分为训练集和测试集；标注模块标注出训练集和测试集中的洞口和围栏；训练模块将标注了洞口和围栏的训练集和测试集输送到深度神经网络模型，当相邻两轮深度神经网络模型的损失值的变化绝对值小于预设值时停止训练，并通过控制变量法确定此时的超参数，得到训练模型；模型测试模块将训练模型输送到所述测试集上进行验证，确定训练模型在验证过程中目标检测mAP值最大时对应的训练模型权重为最优权重，采用此最优权重的训练模型成为洞口类临边防护检测模型。本发明实时监控施工现场洞口风险，助力工地安全施工。

技术研发人员：赵璐,向颖刚,马飞,操春兵,乐建建,陈卓,吴天栋,石瑞宇,杨帆,刘萧
受保护的技术使用者：中交武汉智行国际工程咨询有限公司
技术研发日：
技术公布日：2024/3/5