基于机器视觉的施工现场安全隐患识别应用研究.pdf
《基于机器视觉的施工现场安全隐患识别应用研究.pdf》由会员分享,可在线阅读,更多相关《基于机器视觉的施工现场安全隐患识别应用研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、Jun.2023Journalof EreeringManagement2023年0 6 月No.3Vol.37第37 卷第3期理报程学管基于机器视觉的施工现场安全隐患识别应用研究肖天龙,宫培松,郭聖煜,易虹妍(中国地质大学(武汉)经济管理学院,湖北武汉430 0 7 4,E-mail:g o n g p s c u g.e d u.c n)摘要:为了预防施工现场安全事故,利用机器视觉技术和目标检测算法,研究施工现场安全隐患识别问题。通过施工现场拍照和网络爬虫等方式,收集施工现场常见安全隐惠图像,形成各类别安全隐惠数据集:分析各安全隐惠的特征因素和发生原因,有针对性地选取主流目标算法并进行适应
2、性调整以实现安全隐惠的自动识别;以施工现场配电箱的不安全状态为例进行识别实验,使用YOLOv5等主流目标算法实现了对施工现场安全隐患的高效识别。研究表明:基于高质量预处理数据集并针对具体安全隐惠特征进行算法选择和适应性调整,目标检测算法能够较好地实现对施工现场复杂安全隐患的高效识别。关键词:深度学习;安全风险;机器视觉;工程管理;目标检测(YOLOv5)中图分类号:TU714文献标识码:A文章编号:16 7 4-8 8 59(2 0 2 3)0 3-12 0-0 5D0I:10.13991/ki.jem.2023.03.021Research on the Application of Con
3、struction Site Safety HazardIdentification Based on the Machine VisionXIAO Tianlong,GONG Peisong,GUO Shengyu,YI Hongyan(School of Economics and Management,China University of Geosciences,Wuhan 430074,China,E-mail:)Abstract:To prevent construction site safety accidents,machine vision technology and t
4、arget detection algorithms are used tostudy the identification of construction site safety hazards.By means of construction site photography and web crawlers,we collectimages of common safety hazards at construction sites and form a data set of various types of safety hazards.The characteristicfacto
5、rs and causes of each safety hazard are analyzed,and the mainstream target algorithms are selected in a targeted manner andadapted to achieve automatic identification of safety hazards.Taking the unsafe state of distribution boxes at construction sites as anexample for identification experiments,the
6、 mainstream target algorithms such as YOLOv5 were used to achieve the efficientidentification of construction site safety hazards.This study found that the target detection algorithms can better achieve efficientidentification of complex construction site safety hazard,based on the high-quality pre-
7、processed data set,and the algorithmselection and adaptation for specific safety hazard characteristics.Keywords:deep learning;security risk;machine vision;construction management;target detection(YOLOv5)建筑施工现场存在各种各样的安全隐患,一般采用人工巡查的方式进行管理。但安全隐患具有数量大、存续时间不定的特点,人工巡检也存在人员经验和责任心不足的缺陷。因此,迫切需要一种智能方法,能够对复杂的
8、施工现场进行全面和实时地自动化检测,在第一时间发现安全隐患,并提醒安全管理人员和施工人员整改,从而保证现场施工的收稿日期:2 0 2 3-0 1-0 1.基金项目:国家自然科学基金青年科学基金项目(7 18 0 1197);中央高校教改基金项目(2 0 19G44).安全。在传统的施工现场安全隐患识别方面,国内外学者做了相关研究。邹小伟等 提出基于BIM技术和物联网技术的安全预警平台,通过射频识别(RFID)等技术对施工过程中人、物、环境等数据进行收集和整理,并将其上传到BIM模型中进行可视化分析,依据分析结果发布安全预警信息,以保障施工现场人员的安全。郭子星等2 通过监控摄像头采集施工作业环
9、境中的场景图像,结合信息技术开发建立施工现场安全风险控制及预警平台,从而实现对121肖天龙,等:基子机器视觉的施工现场惠识别应用研究第3期安全隐患的检测,降低安全事故发生的可能性。Muthunagai.R等3 基于集成建模技术利用超声波传感器、气体传感器、Atmega328p-PU控制器、SCADA系统对施工现场进行安全监测和预警,从而为建筑工人提供一个安全可靠的工作场所。Idris Jeelani等4 提出一种新型的集成框架,利用可穿戴式摄像机捕捉到的实时视频跟踪工人的位置,并在他们接近静态或动态危险时发出警告。随着深度学习的快速发展,部分学者尝试研究运用目标检测算法对施工现场安全隐患进行识
10、别。林鹏等5 基于卷积神经网络深度学习方法,构建了基于CNN模型的现场安全数据挖掘与学习的方法和流程,为基础设施建设现场智能安全管理提供了一种新的思路。王子豪等6 基于CNN算法和无人机技术,对无人机拍摄的3600张施工现场图片进行训练与测试,结果表明,5种模型在识别临边护栏安全状况的准确率均达到90%以上,有助于消除施工现场安全隐患。A1Daghan等7 提出利用YOLOv4来检测未穿戴个人防护装备及未经允许进人施工场地的人员并发出警报,以减小施工场地的风险。Yang等8 提出基于YOLOv5的安全帽佩戴检测方法,平均准确率可达95.2%,对减少施工现场安全隐患有一定帮助。以YOLO系列算法
11、为代表,基于回归计算的深层卷积网络的目标检测算法可以自动从图像中提取特征,从而避免手工提取的主观性,并具有高效率低成本的优势。特别是YOLOv5,达到了先进的速度和精度水平。本文基于机器视觉技术对施工现场安全隐患识别进行研究,收集常见安全隐患原始数据,分析各安全隐患特征,在多种检测算法中选用合适的算法并进行一定的适应性调整,以实现对各安全隐患的自动识别。这一技术路径可以有针对性地发挥算法优势,具有很好的检测精度和速度,能够有效提高施工现场安全隐患识别效率与精准度,提升施工现场工程管理工作效率。1施工现场安全隐患分析1.1施工现场存在的安全隐患施工现场存在物的不安全状态、人的不安全行为及管理上的
12、缺陷是引发安全事故的根本原因9。建筑施工安全多发事故主要包括高处坠落、物体打击、塌、起重伤害、机械伤害、触电、中毒、火灾爆炸、车辆伤害等类型10 。“三宝、四口、五临边”等方面存在的安全隐患正是导致这些安全事故发生的直接原因11,如高处坠落事故就可能是由作业工人在防护设施不齐全的洞口临边处因踏空踩滑所导致。因此,本文通过施工现场拍照、网络爬虫等方式获取施工人员个人防护用品佩戴、四口五临边防护设施、配电箱开关状态等可能导致事故发生的安全隐患数据集,并据此进行训练与检测1.2施工现场安全隐患的特点建筑施工是一个复杂而动态的过程,其作业量大、作业种类繁多、工期长、工作环境多变,且涉及的人员和机械种类
13、繁多12 。因此,建筑施工安全事故的安全隐患具有以下特点:(1)安全隐患复杂多样。这是由建筑结构、建筑材料、施工场所、所采用工艺的多样性所决定的。而施工场所可能位于自然条件影响极大的露天环境,也可能处于工作条件艰苦的几百米高空。(2)安全隐患数量繁多。施工现场作业面广阔、作业类型繁复,且作业人员数量多,因此需要对施工现场进行实时全面的监控与检测。(3)安全隐患暴露的时间有限。安全隐患通常在很短的时间显现,并随着施工进度的推进而消失,有时并没有形成安全事故。然而,这一特点使得人工管理往往忽视这些隐患,也是安全事故发生的一个重要原因(4)施工人员安全意识淡薄。施工现场一线作业的工人中大多数以体力劳
14、动者为主,这部分人群的文化程度参差不齐,安全管理和隐患防范的意识也不强,容易导致没有佩戴个人安全防护用品进行冒险作业、违规作业等安全隐患目前,大多数建筑施工现场通过人工巡检和视频监控等传统手段对安全隐患进行排查,存在处理滞后、效率低下等问题。2数据集2.1数据来源本文研究的数据集图像来自施工现场个人拍摄影像、实地录像截取图像及互联网爬虫获取的图像。这些图像数据集涵盖了在不同施工场景下、不同分辨率的安全隐患类型图像。此外,为了增加数据集的多样性,本文在每种类型数据集中添加多组干扰图片,如施工人员安全帽佩戴数据集中增加佩戴棒球帽的施工人员的图片、将安全帽放置在桌上或手持安全帽的施工人员的图片等13
15、。通过这样的方式,进一步提高数据集的覆盖范围和数据样本的丰富程度,从而更好地支持安全隐患检测算法的训练122第37 卷报理程学管和应用。2.2数据集处理鉴于获取的图像样本数量规模较小,采用色彩转换、光度调节、镜像翻转等方法对部分数据进行样本数据增强处理。这种方法能够通过数据集的扩充和增加使得样本更加多样化,从而提高样本的质量。数据集图像呈现出不相同的表现形式,有效地缓解了模型训练过程中出现的过拟合现象,增强了训练网络对数据的适应性,提高模型的预测能力。根据实验要求,本文需将数据集转换为VOC2007格式。为此,本文选择Labellmg进行数据集标注和制作,该标注工具能够直接将图像转化为训练所需
16、的XML或者YOLO格式。同时,在数据集标注过程中,需要进一步考虑减少锚框的重复性与穴杂度。如将配电箱数据集划分为box_open,b o x _c l o s e两类状态标注,以避免预测时出现多个种类标注,从而影响检测效果。3目标检测算法目标检测是计算机视觉领域的三大基本任务之一,不仅需要识别出图像中目标物体的类型,还需要对图像中物体的位置进行标定,从而达到判断物体类别和对物体定位的目标14。基于回归的目标检测算法使用卷积神经网络就可以直接预测目标的类别和位置,具有更好的实时性。特别是YOLOv5网络可以自适应锚框,对于小目标具有更好的检测效果。此外,YOLOv5的模型容易部署,更适用于施工
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 机器 视觉 施工现场 安全隐患 识别 应用 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。