一种基坑环境内的潜在危险识别方法及系统

技术领域

本发明涉及图像识别技术领域，更具体的说是涉及一种基坑环境内的潜在危险识别方法及系统。

背景技术

危险行为识别通常由视频作为识别媒介，通过对视频中人物及使用物体的位置关系、动作、姿态等确定视频中正在发生的行为，提前发现和预测可能导致事故或危险情况的行为，以便采取预防或干预措施，从而减少事故风险和提高工作场所的安全性

目前，潜在危险行为识别关注的重点主要是人和机器的交互或环境或基坑环境的安全状态。然而，两种危险识别模型的应用并不足以充分的识别潜在风险，不同的行为动作在基坑环境内的不同区域具有不同的危险性，现有的两种模型难以对此危险进行有效识别。

因此，如何识别人员、机器和环境三者交互影响下的危险行为是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于基坑环境内的潜在危险识别方法及系统，将基坑内的图像和传感器数据进行融合后进行危险识别，能够识别人员、机器和环境三者交互影响下的危险行为。

为了实现上述目的，本发明采用如下技术方案：

一种基坑环境内的潜在危险识别方法，包括以下步骤：获取基坑内的图像数据和传感器数据；所述传感器数据包括基坑结构数据和基坑内设备运行数据；将图像数据和传感器数据输入至训练好的神经网络模型，进行数据融合，并根据融合后的数据进行特征识别，输出危险类别。

优选的，所述基坑结构数据包括：地下水位、支撑轴力和深层水平位移中的一种或多种；所述设备运行数据包括：设备温度、设备重量和旋转器具转速中的一种或多种。

优选的，所述数据融合的步骤包括：根据传感器数据的类型和采集时间构建数据矩阵；通过维度处理将图像数据的维度与所述数据矩阵的维度统一，并拼接得到融合后数据。

优选的，根据传感器数据的类型和采集时间构建数据矩阵，具体包括：

以数据产生单元为类别，将同种类型的数据按时间顺序进行排列，生成数据向量；将多个数据产生单元对应的数据向量按行拼接，得到数据矩阵。

优选的，所述分类模型的训练步骤包括：构建训练数据，所述训练数据具有类别标签；将所述训练数据输入至分类器，并根据相应的类别标签进行参数优化。

优选的，所述类别标签包括：人员越界、错误方法使用器械、错误区域使用器械、器械使用不当、无人照看区域、产生危险区域中的一种或多种。

优选的，所述神经网络模型包括卷积神经网络和长短记忆网络；所述卷积神经网络用于对图像数据进行维度处理；

经维度处理的图像数据与传感器数据进行拼接后，输入至所述长短记忆网络进行分类。

优选的，所述图像数据包括动作行为和小型机械设备。

一种基坑环境内的潜在危险识别系统，包括数据获取模块和数据分析模块；所述数据获取模块用于获取基坑内的图像数据和传感器数据；所述数据分析模块用于将所述图像数据和传感器数据进行融合后，根据融合后的数据进行特征识别，输出危险类别。

优选的，所述数据分析模块包括维度处理单元和分类单元；所述维度处理单元用于将图像数据进行维度处理后与所述传感器数据进行拼接，得到拼接矩阵；所述分类单元用于根据拼接矩阵进行特征识别，得到危险类别。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基坑环境内的潜在危险识别方法及系统，分别获取用于表征人员动机及人机交互行为的图像数据和表征基坑环境及设备运行的传感器数据，将两种数据机械进行融合后进行分类，利用训练好的神经网络模型能够充分的获取人员动作、机器和环境三者交互下的潜在特征，实现危险识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种基坑环境内的潜在危险识别方法示意图。

图2为本发明实施例提供的一种基坑环境内的潜在危险识别系统结构示意图。

具体实施方式

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，都属于本发明保护的范围。

实施例1

如图1，本发明实施例公开了一种基坑环境内的潜在危险识别方法，包括以下步骤：

S1：获取基坑内的图像数据和传感器数据。

为了进一步实施上述技术方案，传感器数据包括基坑结构数据和基坑内设备运行数据。图像数据包括动作行为和小型机械设备。

具体的，在基坑建造过程中，依据国家标准及行业规范在基坑中布置基坑结构监测传感器网络并布置摄像头，摄像头需无死角覆盖工作区域，并且能够清晰记录工作人员动作行为和人员所使用的小型机械设备。

通过基坑结构监测传感器网络采集基坑结构数据，并利用传感器的数据回传功能将采集的数据传至处理器进行数据处理；.基坑结构监测传感器网络所涉及到的传感器包括但不限于地下水位传感器、支撑轴力传感器、深层水平位移传感器等，部署的位置应涵盖主要承重柱体及墙体等能够反映建筑整体安全水平的位置。在人员使用的大型机器设备上部署运行信息收集设备，收集机器重要运行参数。大型机器设备采集的数据为能够对人员及基坑环境带来较大影响的设备运行参数，如旋转器具的转速、机器设备的温度及重量等。

S2：将图像数据和传感器数据输入至训练好的神经网络模型，进行数据融合，并根据融合后的数据进行特征识别，输出危险类别。

为了进一步实施上述技术方案，进行数据融合前，根据传感器数据的类型和采集时间，通过预处理将传感器数据转换为数据矩阵的形式，以便于和图像数据进行融合。对于每个数据产生单元(一台机器设备、一组同位置基坑结构数据等)，使用一个时间序列排序的矩阵来存放数据，矩阵的每一列存放一种类型的数据，同时按照时间顺序按行依次排列。对于不同数据单元产生的数据，依据时间将数据按行对齐，拼接为一个涉及范围更广的数据矩阵。例如有一台切割设备、基坑支撑轴力传感器、基坑地下水位传感器，切割设备有转速、温度两组数据，支撑轴力和地下水位均为一维数据，数据量均为同一周内的2000组，首先将这些数据按时间顺序排列，则能够得到切割设备数据矩阵尺寸为2000行2列，支撑轴力数据矩阵尺寸为2000行1列，地下水位数据为2000行1列，将这些数据矩阵按行进行拼接，得到一个2000行4列的数据矩阵，即为本步骤最终得到的传感器数据矩阵，实际矩阵构建依据实际场景中传感器数量和采集的时间调整。

在另一实施例中，还可将矩阵的每一行用来表示时间序列，用一行或多行表示某一类型的数据在某一段时间内的变化，构成数据矩阵。

进一步的，神经网络模型由卷积神经网络和长短记忆网络构成，卷积神经网络用于对摄像头采集的图像数据进行维度处理，通过维度处理将图像数据与传感器数据对应的数据矩阵维度统一，以便于数据拼接。拼接后的矩阵输入至长短记忆网络中通过特征提取和分类，输出危险行为类别。

为了进一步实施上述技术方案，神经网络模型的训练步骤包括：

构建带有标签的训练数据，在数据标注时，需要依据实际潜在危险情况进行，例如由于使用错误方法使用器械，导致基坑结构数据产生异常，并且器械数据产生异常，则将此类基坑结构数据和器械数据标注为错误方法使用器械的情况；当摄像头图像数据拍摄到人员操作器械出现在错误的区域时，将此类图像数据标注为错误区域使用器械。值得注意的是图像数据和传感器数据按时间序列组合，视为一个整体，当在错误区域使用器械时图像数据包含此类情况的特征而传感器数据可能不受影响，此时依然将这一时间段的图像数据和传感器数据均标注为“错误区域使用器械”。模型依据此类标签信息进行训练，从而获得根据数据情况分类的能力。

将训练数据输入至神经网络模型，神经网络通过学习矩阵序列中的依赖关系和模式，从而捕捉到设备数据、基坑结构数据与图像数据的特征，并与标签信息比对实现分类的目的，最后根据相应的类别标签进行参数优化。模型训练的内容具体还包括：首先通过前向传播将图像数据、机器设备数据及基坑结构数据传递到网络中，然后通过反向传播计算损失函数的梯度，并使用随机梯度下降法对网络参数进行更新，以最小化损失函数。在每个训练迭代后，验证模型的损失和准确率等指标。根据验证集的表现，可以进行模型调整、超参数调优或其他改进措施。

实施例2

如图2，基于与实施例1相同的发明构思，本发明实施例提供一种基坑环境内的潜在危险识别系统，包括：

数据获取模块，用于获取基坑内的图像数据和传感器数据；

数据分析模块，用于将图像数据和传感器数据进行融合后，根据融合后的数据进行特征识别，输出危险类别。

为了进一步实施上述技术方案，数据分析模块包括维度处理单元和分类单元；维度处理单元用于将图像数据进行维度处理后与传感器数据进行拼接，得到拼接矩阵；分类单元用于根据拼接矩阵进行特征识别，得到危险类别。

本发明实施例所提供的系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容，在此不再赘述。

本发明在基坑环境潜在危险行为识别无人化、智能化的基础上，利用基于深度学习方法的基坑环境潜在危险行为识别算法实现了对基坑环境中危险行为的实时监测与安全预警，相比传统的人工监测方法，减少了人力资源的消耗，提升了基坑安全监测的实时性与稳定性，所述的基坑环境潜在危险行为识别算法，通过对多类型传感器数据的分析，提高了潜在危险行为识别的全面性和准确性，降低了基坑施工作业过程中的安全风险。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。