【技術實現步驟摘要】
本專利技術涉及建筑工程安全監測，具體是指一種基于人工智能的建筑工程安全監測方法及系統。
技術介紹
1、基于人工智能的建筑工程安全監測是指采用人工智能技術，對建筑工地等危險區域內是否有人進行檢測，并進而進行建筑工程的整體安全監測。建筑工程中的危險區域內常常有危險的機器設備、區域和高處作業，進入此類區域中的人員容易受到傷害，為了提高工人的安全性以及減少意外事故，需要對安全管理進行科學有效的人體入侵檢測。
2、但是，在已有的建筑工程安全監測方法中，存在著原始的建筑工地圖像中存在光照變化大、數據噪聲干擾多的技術問題；在已有的建筑工程安全監測方法中，存在著傳統的圖像分類方法不能滿足建筑工地危險區域和人體接觸的精確判斷，需要進行人體整體的方形邊界框分類進而進行后續的入侵檢測，而標準的目標檢測模型在相對中小型的移動人體目標檢測的性能較低的技術問題；在已有的建筑工程安全監測方法中，存在著缺少一種基于自動計算的人體框圖進而進行危險區域人體入侵檢測的基本規則和判斷范式的技術問題；在已有的建筑工程安全監測方法中，存在著缺少一種多分類的危險區域入侵檢測規則范式的技術問題。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本專利技術提供了一種基于人工智能的建筑工程安全監測方法及系統，針對在已有的建筑工程安全監測方法中，存在著原始的建筑工地圖像中存在光照變化大、數據噪聲干擾多的技術問題，本方案創造性地采用伽馬校正結合特征提取的方法進行數據預處理，提高了數據的基本質量；針對在已有的建筑工程安全
2、本專利技術采取的技術方案如下：本專利技術提供的一種基于人工智能的建筑工程安全監測方法，該方法包括以下步驟：
3、步驟s1：數據采集；
4、步驟s2：數據預處理；
5、步驟s3：移動目標檢測；
6、步驟s4：人體入侵檢測；
7、步驟s5：入侵規則范式構建；
8、步驟s6：建筑工地危險區域人體入侵檢測。
9、進一步地，在步驟s1中，所述數據采集，用于采集建筑工地危險區域人體入侵檢測所需的原始數據，具體為采用固定攝像機從建筑工地現場捕獲采集工人和現場圖像，得到人體入侵檢測原始數據。
10、進一步地，在步驟s2中，所述數據預處理，用于對原始數據進行優化處理并初步提取原始圖像數據的特征，具體為對所述人體入侵檢測原始數據進行伽馬矯正操作和圖像特征提取操作，得到人體入侵檢測特征數據，包括以下步驟：
11、步驟s21：伽馬校正，用于對原始圖像進行歸一化和噪聲過濾，具體為計算原始圖像在水平方向和垂直方向上的梯度，并計算每個像素點對應的梯度方向和大小，進行伽馬校正，得到歸一化數據；
12、步驟s22：特征提取，用于提取歸一化數據中的圖像特征，具體為通過適用預訓練的resnet網絡對所述歸一化數據進行特征提取，得到圖像特征信息；
13、步驟s23：數據預處理，具體為通過所述伽馬校正和所述特征提取，得到人體入侵檢測特征數據。
14、進一步地，在步驟s3中，所述移動目標檢測，用于依據圖像特征提取人體框圖，具體為依據所述人體入侵檢測特征數據，采用結合注意力機制的yolov5模型，進行移動目標檢測，得到人體檢測框圖數據；
15、所述結合注意力機制的yolov5模型，包括輸入子塊、骨干子塊、頸子塊、預測子塊和注意力子塊；
16、所述輸入子塊，用于讀取數據并自適應計算最佳錨框值；
17、所述骨干子塊，用于進一步獲取圖像特征，具體包括聚焦單元、跨階段局部網絡單元和空間金字塔池化單元；
18、所述頸子塊，用于進行圖像特征聚合；
19、所述預測子塊，用于依據聚合特征預測輸出人體邊界框和預測類別；
20、所述注意力子塊，用于進行特征編碼并進行特征增強；
21、所述采用結合注意力機制的yolov5模型，進行移動目標檢測，得到人體檢測框圖數據的步驟，包括：
22、步驟s31：構建輸入子塊，具體為將所述人體入侵檢測特征數據作為輸入樣本，將所述輸入樣本的圖像尺寸設為640×640像素，并嵌入自適應錨框計算代碼，構建所述輸入子塊，所述自適應錨框計算代碼用于自適應計算最佳錨框值；
23、步驟s32：構建骨干子塊，包括以下步驟：
24、步驟s321：構建聚焦單元，具體為在所述骨干子塊的頂部構建所述聚焦單元，所述聚焦單元，用于對所述輸入樣本進行切片處理，得到切片數據樣本；
25、步驟s322：構建跨階段局部網絡單元，具體為在所述聚焦單元后構建所述跨階段局部網絡單元，所述跨階段局部網絡單元，具體包括第一跨階段局部網絡單元和第二跨階段局部網絡單元，用于整合特征圖并進一步優化梯度信息，得到第一跨階段特征數據和第二跨階段特征數據，所述第一跨階段特征數據的尺寸為80×80像素，第二跨階段特征數據的尺寸為40×40像素；
26、步驟s323：構建空間金字塔池化單元，具體為通過在所述跨階段局部網絡單元后構建空間金字塔池化單元，所述空間金字塔池化單元，用于采用最大池化操作進行多尺度特征融合，得到池化特征數據，所述池化特征數據的尺寸為20×20像素；
27、步驟s324：骨干子塊特征獲取，具體為通過所述構建聚焦單元、所述構建跨階段局部網絡單元和所述構建空間金字塔池化單元，構建所述骨干子塊，并通過所述骨干子塊獲取輸入樣本的圖像特征，得到輸入樣本特征數據，所述輸入樣本特征數據，包括第一跨階段特征數據、第二跨階段特征數據和池化特征數據；
28、步驟s33：構建頸子塊，具體為采用路徑聚合子網，并通過上采樣操作將所述輸入樣本特征數據轉換為相同尺寸，并將所述輸入樣本特征數據拼接，得到增強樣本特征數據，構建所述頸子塊；...
【技術保護點】
1.一種基于人工智能的建筑工程安全監測方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟S3中，所述采用結合注意力機制的YOLOv5模型，進行移動目標檢測，得到人體檢測框圖數據的步驟，包括：
3.根據權利要求2所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟S31中，所述構建輸入子塊，具體為將所述人體入侵檢測特征數據作為輸入樣本，將所述輸入樣本的圖像尺寸設為640×640像素，并嵌入自適應錨框計算代碼，構建所述輸入子塊，所述自適應錨框計算代碼用于自適應計算最佳錨框值；
4.根據權利要求3所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟S36中，所述構建模型損失函數，用于優化訓練，包括以下步驟：
5.根據權利要求4所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟S4中，所述構建入侵檢測基本規則和入侵檢測輔助模塊進行人體入侵檢測，得到入侵檢測預測數據的步驟，包括：
6.根據權利要求5所述的一種基于人工智能的
7.根據權利要求6所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟S21中，所述伽馬校正，用于對原始圖像進行歸一化和噪聲過濾，具體為計算原始圖像在水平方向和垂直方向上的梯度，并計算每個像素點對應的梯度方向和大小，進行伽馬校正，得到歸一化數據；
8.一種基于人工智能的建筑工程安全監測系統，用于實現如權利要求1-7中任一項所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：包括數據采集模塊、數據預處理模塊、移動目標檢測模塊、人體入侵檢測模塊、入侵規則范式構建模塊和建筑工地危險區域人體入侵檢測模塊。
9.根據權利要求8所述的一種基于人工智能的建筑工程安全監測系統，其特征在于：所述數據采集模塊，用于數據采集，通過數據采集，得到人體入侵檢測原始數據，并將所述人體入侵檢測原始數據發送至數據預處理模塊；
...【技術特征摘要】
1.一種基于人工智能的建筑工程安全監測方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟s3中，所述采用結合注意力機制的yolov5模型，進行移動目標檢測，得到人體檢測框圖數據的步驟，包括：
3.根據權利要求2所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟s31中，所述構建輸入子塊，具體為將所述人體入侵檢測特征數據作為輸入樣本，將所述輸入樣本的圖像尺寸設為640×640像素，并嵌入自適應錨框計算代碼，構建所述輸入子塊，所述自適應錨框計算代碼用于自適應計算最佳錨框值；
4.根據權利要求3所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟s36中，所述構建模型損失函數，用于優化訓練，包括以下步驟：
5.根據權利要求4所述的一種基于人工智能的建筑工程安全監測方法，其特征在于：在步驟s4中，所述構建入侵檢測基本規則和入侵檢測輔助模塊進行人體入侵檢測，得到入侵檢測預測數據的步驟，包括：
6.根據權利要求5所述的一...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。