CN111582209A - 一种基建现场施工人员异常行为监管方法 - Google Patents

一种基建现场施工人员异常行为监管方法 Download PDF

Info

Publication number
CN111582209A
CN111582209A CN202010407503.6A CN202010407503A CN111582209A CN 111582209 A CN111582209 A CN 111582209A CN 202010407503 A CN202010407503 A CN 202010407503A CN 111582209 A CN111582209 A CN 111582209A
Authority
CN
China
Prior art keywords
gradient
image
constructor
safety helmet
safety
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
Application number
CN202010407503.6A
Other languages
English (en)
Inventor
吕林源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010407503.6A priority Critical patent/CN111582209A/zh
Publication of CN111582209A publication Critical patent/CN111582209A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1091—Recording time for administrative or management purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于人工智能技术应用领域，特别涉及一种基建现场施工人员异常行为监管方法，包括建立施工现场人员人脸数据库，将施工人员近期照片存入人脸数据库；构建施工现场人员的考勤模块，根据监控器或者人脸数据采集器采集的施工人员人脸信息进行考勤打卡；构建安全帽检测模块，根据现场监控器采集的图像信息判断施工人员安全帽佩戴行为；根据施工人员工作时间在施工区域的安全帽佩戴情况对每个施工人员的安全意识进行评分；本发明通过人脸识别技术实现对基建现场施工人员的考勤评估，同时通过安全帽佩戴行为检测实现安全帽佩戴行为检测，方便管理人员对施工人员进行行为管理。

Description

一种基建现场施工人员异常行为监管方法
技术领域
本发明属于人工智能技术应用领域，特别涉及一种基建现场施工人员异常行为监管方法。
背景技术
安全帽是基建现场施工人员的安全保障关键因素，也是基建工作人员进入基建现场的必要条件之一，但很多施工人员会因各种原因，不按照基建项目管理规定佩戴安全帽，导致安全风险增大。而且由于基建现场施工人员众多，监管人员有限且不能实时对着监控视频进行监督，这就导致***问题落实不到位等问题。所以利用人工智能计算机视觉技术，对施工现场实时监控视频进行分析与处理，实现对施工人员安全帽佩戴行为的智能监控，并实时预警，提高监管人员安全管理效率，降低现场安全事件发生几率，保障基建项目有序开展。
针对安全帽佩戴检测，研究人员已经开展了大量的研究，目前主要有：
(1)基于安全帽边缘特征的识别方法，识别头部区域内的物体边缘用于识别安全帽。
(2)基于肤色和Hu矩的安全帽检测算法，开始利用肤色分割的方法找出人脸区域，找到人脸区域之后，把人脸以上的区域截取出来。随后提取该区域图像的Hu矩作为特征，随后利用SVM算法对提取的Hu矩特征进行训练，得到能够区分安全帽和非安全帽的分类器，使用该分类器来判断安全帽的佩戴与否。
然而，上述方法都需要工人在工作过程中监控摄像头需采集正脸区域，才能采集到面部特征与安全帽颜色信息。而在基建施工过程中，其施工工人存在不同姿态，不能时刻保证正脸朝向监控摄像头，因此在实际应用中识别率较低，应用效果较差。
发明内容
为了提高攻击检测的效率，本发明提出一种基于深度残差哈希网络的入侵检测方法，包括：
S1、建立施工现场人员人脸数据库，将施工人员近期照片存入人脸数据库；
S2、构建施工现场人员的考勤模块，根据监控器或者人脸数据采集器采集的施工人员人脸信息进行考勤打卡；
S3、构建安全帽检测模块，根据现场监控器采集的图像信息判断施工人员安全帽佩戴行为；
S4、根据施工人员工作时间在施工区域的安全帽佩戴情况对每个施工人员的安全意识进行评分。
进一步的，构建安全帽检测模块包括：
S31、采集历史数据，将历史数据分为正样本和负样本；
S32、提取正样本和负样本图像的HOG特征输入SVM分类器进行分类训练；
S33、提取监控器采集的图像并提取监控器图像的HOG特征，将该特征输入训练好的SVM分类器，得出检测结果。
进一步的，所述正样本为佩戴安全帽的图片，所述负样本为未佩戴安全帽的图片。
进一步的，提取监控器采集的图像并提取监控器图像的HOG特征包括：
对采集的图像进行伽马归一化；
计算伽马归一化之后图像梯度；
将图像划分成细胞单元，并计算每个细胞单元的梯度直方图；将几个相邻细胞单元组成一个块，并计算每个块的梯度直方图；
将所有块串联起来，构成一个图像的HOG特征。
进一步的，对采集的图像进行伽马归一化包括：
H(x,y)＝H(x,y)γ；
其中，H(x，y)表示图像像素点(x，y)的像素值，γ为像素值的伽马校正系数。
进一步的，计算伽马归一化之后图像梯度包括：
Figure BDA0002491918250000031
其中，
Figure BDA0002491918250000033
为图像在像素点(x,y)处的梯度，Gx(x,y)为输入图像像素点在(x，y)处的水平方向梯度，Gy(x,y)为输入图像像素点在(x，y)处的垂直方向梯度。
进一步的，计算每个细胞单元的梯度直方图包括：
将图像按照8×8像素划分为一个细胞单元；
每个细胞单元的梯度方向在0～180°上分成9个方向块，即用9个区间的直方图来统计这8×8个像素的梯度信息；
将一个细胞单元内的每个像素的图像梯度投影到9个区间上，并将投影后梯度幅值累加；
将累加后的梯度幅值投影到直方图上，得到该细胞单元的九维特征向量。
进一步的，细胞单元的梯度直方图表示为：
Figure BDA0002491918250000032
其中，Vk(x,y)为梯度方向映射到第k个区间中的所有像素的梯度幅值累加值；bink表示第k个区间，k∈[1,p]；Gi(x,y)为第i个像素值的梯度幅值，
Figure BDA0002491918250000034
为第i个像素的梯度方向。
进一步的，计算每个块的梯度直方图包括：
将相邻的2×2的细胞组成一个块；
将一个块中的特征进行归一化并串联起来，得到每个块的梯度直方图。
进一步的，根据施工人员工作时间在施工区域的安全帽佩戴情况对每个施工人员的安全意识进行评分包括：采集一天内施工人员安全帽的佩戴情况，若施工人员的工作时间为[T1,T2]，施工人员的安全意识指数表示为：
Figure BDA0002491918250000041
其中，Sa为施工人员的安全意识指数，该值越高，施工人员安全意识越高；
Figure BDA0002491918250000042
表示工人上班时间佩戴安全帽的累计时间，T1为该工人上班开始时间，T2为该工人下班时间；s1表示工作人员的熟练度；s2表示工人安全学习情况；α+β+δ＝1，α是安全帽佩戴情况的权重，β是熟练程度的权重，δ为安全学习情况的权重。
本发明通过人脸识别技术实现对基建现场施工人员的考勤评估，同时通过安全帽佩戴行为检测实现安全帽佩戴行为检测，方便管理人员对施工人员进行行为管理，提升管理人员管理效率；同时通过施工人员的安全帽佩戴行为检测以及施工人员施工安全学习情况、工人作业技能熟练程度，实现施工人员安全意识评估算法研究，为基建管理人员提供施工人安全培训、安全意识提升提供参考。
附图说明
图1为本发明中一种基建现场施工人员异常行为监管方法流程图；
图2为本发明中梯度划分示意图；
图3为本发明中梯度直方图示例图；
图4为本发明中cell和block的关系示意图。
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。
本发明提供一种基建现场施工人员异常行为监管方法，如图1，包括以下方法：
S1、建立施工现场人员人脸数据库，将施工人员近期照片存入人脸数据库；
S2、构建施工现场人员的考勤模块，根据监控器或者人脸数据采集器采集的施工人员人脸信息进行考勤打卡；
S3、构建安全帽检测模块，根据现场监控器采集的图像信息判断施工人员安全帽佩戴行为；
S4、根据施工人员工作时间在施工区域的安全帽佩戴情况对每个施工人员的安全意识进行评分。
在本实施例中，建立施工现场人员人脸数据库时，将施工人员近期照片存入人脸数据库。
本实施例中的考勤模块也是检测施工现场的异常情况的重要一环，可以根据打卡的时间判断工人是否有迟到早退现象。例如，工地的开工时间为早上9点，工作8小时，下午5点下班，若工人打卡时间早于9点，可以认为是正常考勤；若在9点以后中午11点之前，该工人考勤记录为迟到；若11点之后打卡，则认为该工人旷工半天。
在本发明中最重要的对基建现场工作人员的安全帽佩戴情况的检测。首先需要构建检测的机制，本实施例从网络中爬取图片，并将爬取的图片分为正样本和负样本，正样本为正常佩戴安全帽的员工图片，包括正面照、侧面照以及正在施工时的照片，负样本为未佩戴安全帽以及未正确佩戴安全帽的照片，也包括正面照。侧面照以及正在被施工的照片；
提取获取的样本的HOG特征，并将该特征输入SVM分类器进行训练，获取训练好的SVM分类器；。
在进行检测之前，需要在基建现场，特别是高危作业区域，安装监控摄像头，采集施工人员工作时的图片；
将提取采集的图像的HOG特征，并将提取的特征输入训练好的SVM分类器，得出该图片中工人安全帽佩戴是否规范。
针对提取图像HOG特征的过程，包括以下步骤：
(一)、对采集的图像进行伽马归一化
为了减少光照因素造成的图像局部阴影等影响，首先需要采用Gamma校正法对输入图像的颜色空间进行标准化。标准化过程表示为：
H(x,y)＝H(x,y)γ；
其中，H(x，y)表示图像像素点(x，y)的像素值，γ为像素值的伽马校正系数，优选的γ的取值为0.5。
(二)、计算伽马归一化之后图像梯度
灰度、颜色、纹理突变等图像局部特征形成图像对象的边缘，所以图像中相邻像素点变化较少，区域变化不明显，梯度幅值较小，而边缘部分相邻像素点变化较大，梯度幅值就会比较大。梯度在图像中的表示就是图像函数的一阶导数，但是利用一维离散微分模板能够将图像的梯度信息更简单、快速且有效地计算出来，水平方向和垂直方向梯度计算公式如下：
Gx(x,y)＝H(x+1,y)-H(x-1,y)；
Gy(x,y)＝H(x,y+1)-H(x,y-1)；
其中，Gx(x,y)为输入图像像素点在(x，y)处的水平方向梯度，Gy(x,y)为输入图像像素点在(x，y)处的垂直方向梯度。像素点在(x，y)的梯度幅值计算公式如下：
Figure BDA0002491918250000061
像素点在(x，y)的梯度方向计算公式为：
Figure BDA0002491918250000062
其中，
Figure BDA0002491918250000063
为图像在像素点(x,y)处的梯度。
(三)、构建细胞单元的梯度直方图
将图像划分成小的细胞单元cell，每个cell包括8×8个像素，计算每个细胞单元的梯度直方图。如图2，将每个cell的梯度方向在0～180°上分成9个方向块，即用9个区间(bin)的直方图来统计这8×8个像素的梯度信息，那么每个cell对应9维特征向量。
对cell中的每一个像素，计算出该像素(x，y)的梯度方向，如图2，将此像素的梯度方向在梯度方向划分图Z1～Z9这9个bin中进行投影，然后对映射到每个bin的像素的梯度幅值进行累加，最后将每个bin的梯度幅值累加值映射到直方图上，就可以得到这个cell的梯度方向直方图了，这9个bin的梯度幅值累加值就形成了该cell的9维特征向量。例如，一个cell中的某一个像素计算出来的梯度方向是20～40°，则把此像素映射到第2个bin中，再把此像素的梯度幅值累加进去，再映射到第2个bin对应的直方图上就行了。
细胞单元的梯度直方图如图3，其中第k个区间的幅度值表示为：
Figure BDA0002491918250000071
其中，Vk(x,y)为梯度方向映射到第k个区间中的所有像素的梯度幅值累加值，Vk(x,y)在直方图中的映射就是该细胞单元的梯度直方图；bink表示第k个区间，k∈[1,p]；Gi(x,y)为第i个像素值的梯度幅值，
Figure BDA0002491918250000072
为第i个像素的梯度方向。
(四)、构建每个块的梯度直方图
将几个相邻的细胞单元组成一个块(block)，通常将相邻的2×2个细胞单元组成一个block，cell和block的示意图如图4所示。将一个块内的四个细胞单元(cell)的特征向量串联起来就构成了该块的梯度方向直方图，按照一个细胞单元是9维的Hog特征，则一个块的Hog特征为4×9＝36维。
在完成块的直方图构建以后，需要对梯度做局部对比度归一化，减少由于局部光照、前景背景对比度变化等因素导致的梯度强度的变化范围过大等问题。
具体如下：
假设一个cell的特征向量为：x＝{x1,x2,...,x9}，则此向量的归一化公式如下：
Figure BDA0002491918250000081
即首先获取向量各元素平方和，在对平方和进行开方；然后用向量的每一个元素除以此开方后的数据，完成归一化；其中，
Figure BDA0002491918250000082
表示第i个cell的特征表示。
那么对一个由2×2组成的block，只需要把每个cell特征向量串联起来，一个block的特征表示为：
Figure BDA0002491918250000083
(五)、HOG特征提取
将图像中所有的block的特征描述子串联起来即得到了该图像的HOG特征。
在通过以上检测模块之后，根据施工人员工作时间在施工区域的安全帽佩戴情况对每个施工人员的安全意识进行评分包括：采集一天内施工人员安全帽的佩戴情况，若施工人员的工作时间为[T1,T2]，施工人员的安全意识指数表示为：
Figure BDA0002491918250000084
其中，Sa为施工人员的安全意识指数，该值越高，施工人员安全意识越高；
Figure BDA0002491918250000085
表示工人上班时间佩戴安全帽的累计时间，T1为该工人上班开始时间，T2为该工人下班时间；s1表示工作人员的熟练度；s2表示工人安全学习情况；α+β+δ＝1，α是安全帽佩戴情况的权重，β是熟练程度的权重，δ为安全学习情况的权重。
作为一种可选实施例，可以选择将工人意识指数和考勤结合，作为基建现场异常情况的指标。在具体实施过程中工作人员的熟练度可以与工人的相关技能执照挂钩，或者根据该工人的工龄、从业年限划分一级熟练工、二级熟练工等，高级熟练工比低级熟练工的s1值更高；针对工人安全学习情况，本实施例主要是以安全学习和/或安全考试两个参数，安全学习为工人每月参加安全学习次数次数所占该月总举办次数的比例，安全考试将当前季度的安全考试成绩作为下一季度安全意识指数的计算参数。
考虑主要将施工人员在基建现场安全帽的佩戴行为作为考量的主要参数，因此权重α的取值一般大于等于0.5；工人的熟练度与现场发生事故的概率也有关系，据不完全统计，越熟练的故人发生事故的概率越小，因此权重β一般取小于等于0.3～0.4；安全学习情况有一定的预防作用，其权重δ取值一般为0.2～0.1。
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基建现场施工人员异常行为监管方法，其特征在于，包括以下步骤：
S1、建立施工现场人员人脸数据库，将施工人员近期照片存入人脸数据库；
S2、构建施工现场人员的考勤模块，根据监控器或者人脸数据采集器采集的施工人员人脸信息进行考勤打卡；
S3、构建安全帽检测模块，根据现场监控器采集的图像信息判断施工人员安全帽佩戴行为；
S4、根据施工人员工作时间在施工区域的安全帽佩戴情况对每个施工人员的安全意识进行评分。
2.根据权利要求1所述的一种基建现场施工人员异常行为监管方法，其特征在于，构建安全帽检测模块包括：
S31、采集历史数据，将历史数据分为正样本和负样本；
S32、提取正样本和负样本图像的HOG特征输入SVM分类器进行分类训练；
S33、提取监控器采集的图像并提取监控器图像的HOG特征，将该特征输入训练好的SVM分类器，得出检测结果。
3.根据权利要求2所述的一种基建现场施工人员异常行为监管方法，其特征在于，所述正样本为佩戴安全帽的图片，所述负样本为未佩戴安全帽的图片。
4.根据权利要求2所述的一种基建现场施工人员异常行为监管方法，其特征在于，提取监控器采集的图像并提取监控器图像的HOG特征包括：
对采集的图像进行伽马归一化；
计算伽马归一化之后图像梯度；
将图像划分成细胞单元，并计算每个细胞单元的梯度直方图；
将几个相邻细胞单元组成一个块，并计算每个块的梯度直方图；
将所有块串联起来，构成一个图像的HOG特征。
5.根据权利要求4所述的一种基建现场施工人员异常行为监管方法，其特征在于，对采集的图像进行伽马归一化包括：
H(x,y)＝H(x,y)γ；
其中，H(x，y)表示图像像素点(x，y)的像素值，γ为像素值的伽马校正系数。
6.根据权利要求4所述的一种基建现场施工人员异常行为监管方法，其特征在于，计算伽马归一化之后图像梯度包括：
Figure FDA0002491918240000021
其中，
Figure FDA0002491918240000022
为图像在像素点(x,y)处的梯度，Gx(x,y)为输入图像像素点在(x，y)处的水平方向梯度，Gy(x,y)为输入图像像素点在(x，y)处的垂直方向梯度。
7.根据权利要求4所述的一种基建现场施工人员异常行为监管方法，其特征在于，计算每个细胞单元的梯度直方图包括：
将图像按照8×8像素划分为一个细胞单元；
每个细胞单元的梯度方向在0～180°上分成9个方向块，即用9个区间的直方图来统计这8×8个像素的梯度信息；
将一个细胞单元内的每个像素的图像梯度投影到9个区间上，并将投影后梯度幅值累加；
将累加后的梯度幅值投影到直方图上，得到该细胞单元的九维特征向量。
8.根据权利要求7所述的一种基建现场施工人员异常行为监管方法，其特征在于，细胞单元的梯度直方图表示为：
Figure FDA0002491918240000023
其中，Vk(x,y)为梯度方向映射到第k个区间中的所有像素的梯度幅值累加值；bink表示第k个区间，k∈[1,p]；Gi(x,y)为第i个像素值的梯度幅值，
Figure FDA0002491918240000024
为第i个像素的梯度方向。
9.根据权利要求4所述的一种基建现场施工人员异常行为监管方法，其特征在于，计算每个块的梯度直方图包括：
将相邻的2×2的细胞组成一个块；
将一个块中的特征进行归一化并串联起来，得到每个块的梯度直方图。
10.根据权利要求1所述的一种基建现场施工人员异常行为监管方法，其特征在于，根据施工人员工作时间在施工区域的安全帽佩戴情况对每个施工人员的安全意识进行评分包括：采集一天内施工人员安全帽的佩戴情况，若施工人员的工作时间为[T1,T2]，施工人员的安全意识指数表示为：
Figure FDA0002491918240000031
其中，Sa为施工人员的安全意识指数，该值越高，施工人员安全意识越高；
Figure FDA0002491918240000032
表示工人上班时间佩戴安全帽的累计时间，T1为该工人上班开始时间，T2为该工人下班时间；s1表示工作人员的熟练度；s2表示工人安全学习情况；α+β+δ＝1，α是安全帽佩戴情况的权重，β是熟练程度的权重，δ为安全学习情况的权重。
CN202010407503.6A 2020-05-14 2020-05-14 一种基建现场施工人员异常行为监管方法 Pending CN111582209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407503.6A CN111582209A (zh) 2020-05-14 2020-05-14 一种基建现场施工人员异常行为监管方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407503.6A CN111582209A (zh) 2020-05-14 2020-05-14 一种基建现场施工人员异常行为监管方法

Publications (1)

Publication Number Publication Date
CN111582209A true CN111582209A (zh) 2020-08-25

Family

ID=72117397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407503.6A Pending CN111582209A (zh) 2020-05-14 2020-05-14 一种基建现场施工人员异常行为监管方法

Country Status (1)

Country Link
CN (1) CN111582209A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037406A (zh) * 2020-08-27 2020-12-04 江门明浩电力工程监理有限公司 一种智慧工地门禁方法、***及设备
CN113128876A (zh) * 2021-04-22 2021-07-16 北京房江湖科技有限公司 基于图像的对象管理方法、装置及计算机可读存储介质
CN113903068A (zh) * 2021-10-19 2022-01-07 深圳市中博科创信息技术有限公司 基于人脸特征的陌生人监控方法、装置、设备及存储介质
CN114386939A (zh) * 2021-12-27 2022-04-22 浙江新导向标识有限公司 一种施工监管方法、***、存储介质及智能终端
CN114445925A (zh) * 2022-04-11 2022-05-06 深圳市润璟元信息科技有限公司 一种能够自动载入和删除的面部识别智能考勤***
CN116934091A (zh) * 2023-07-25 2023-10-24 广东至衡工程管理有限公司 一种施工现场监控方法、装置、计算机设备及存储介质
CN117333929A (zh) * 2023-12-01 2024-01-02 贵州省公路建设养护集团有限公司 基于深度学习实现道路施工下的异常人员识别方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745226A (zh) * 2013-12-31 2014-04-23 国家电网公司 一种电力设施作业现场人员着装安全检测方法
CN104063722A (zh) * 2014-07-15 2014-09-24 国家电网公司 一种融合hog人体目标检测和svm分类器的安全帽识别方法
US20160191995A1 (en) * 2011-09-30 2016-06-30 Affectiva, Inc. Image analysis for attendance query evaluation
CN106778609A (zh) * 2016-12-15 2017-05-31 国网浙江省电力公司杭州供电公司 一种电力施工现场人员制服穿着识别方法
CN108268887A (zh) * 2017-12-15 2018-07-10 西安电子科技大学 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法
CN108597050A (zh) * 2018-04-20 2018-09-28 重庆睿豪科技发展有限公司 基于物联网的建筑工地管理***
CN108765610A (zh) * 2018-05-14 2018-11-06 北京洛斯达数字遥感技术有限公司 用于输电线路工程现场的考勤管理方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160191995A1 (en) * 2011-09-30 2016-06-30 Affectiva, Inc. Image analysis for attendance query evaluation
CN103745226A (zh) * 2013-12-31 2014-04-23 国家电网公司 一种电力设施作业现场人员着装安全检测方法
CN104063722A (zh) * 2014-07-15 2014-09-24 国家电网公司 一种融合hog人体目标检测和svm分类器的安全帽识别方法
CN106778609A (zh) * 2016-12-15 2017-05-31 国网浙江省电力公司杭州供电公司 一种电力施工现场人员制服穿着识别方法
CN108268887A (zh) * 2017-12-15 2018-07-10 西安电子科技大学 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法
CN108597050A (zh) * 2018-04-20 2018-09-28 重庆睿豪科技发展有限公司 基于物联网的建筑工地管理***
CN108765610A (zh) * 2018-05-14 2018-11-06 北京洛斯达数字遥感技术有限公司 用于输电线路工程现场的考勤管理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIE LI等: "Safety helmet wearing detection based on image processing and machine learning", 《2017 NINTH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE (ICACI)》 *
张宏等: "结合智能安全帽的建筑工人施工安全行为绩效考核及激励机制", 《中国安全生产科学技术》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037406A (zh) * 2020-08-27 2020-12-04 江门明浩电力工程监理有限公司 一种智慧工地门禁方法、***及设备
CN113128876A (zh) * 2021-04-22 2021-07-16 北京房江湖科技有限公司 基于图像的对象管理方法、装置及计算机可读存储介质
CN113903068A (zh) * 2021-10-19 2022-01-07 深圳市中博科创信息技术有限公司 基于人脸特征的陌生人监控方法、装置、设备及存储介质
CN114386939A (zh) * 2021-12-27 2022-04-22 浙江新导向标识有限公司 一种施工监管方法、***、存储介质及智能终端
CN114386939B (zh) * 2021-12-27 2022-11-25 浙江新导向标识有限公司 一种施工监管方法、***、存储介质及智能终端
CN114445925A (zh) * 2022-04-11 2022-05-06 深圳市润璟元信息科技有限公司 一种能够自动载入和删除的面部识别智能考勤***
CN114445925B (zh) * 2022-04-11 2022-07-22 深圳市润璟元信息科技有限公司 一种能够自动载入和删除的面部识别智能考勤***
CN116934091A (zh) * 2023-07-25 2023-10-24 广东至衡工程管理有限公司 一种施工现场监控方法、装置、计算机设备及存储介质
CN117333929A (zh) * 2023-12-01 2024-01-02 贵州省公路建设养护集团有限公司 基于深度学习实现道路施工下的异常人员识别方法及***
CN117333929B (zh) * 2023-12-01 2024-02-09 贵州省公路建设养护集团有限公司 基于深度学习实现道路施工下的异常人员识别方法及***

Similar Documents

Publication Publication Date Title
CN111582209A (zh) 一种基建现场施工人员异常行为监管方法
CN110826538B (zh) 一种用于电力营业厅的异常离岗识别***
CN111598040B (zh) 一种建筑工人身份识别及安全帽佩戴检测方法及***
CN111967393B (zh) 一种基于改进YOLOv4的安全帽佩戴检测方法
CN105160297B (zh) 基于肤色特征的蒙面人事件自动检测方法
CN110348312A (zh) 一种区域视频人体动作行为实时识别方法
CN105469105A (zh) 一种基于视频监控的香烟烟雾检测方法
CN113516076A (zh) 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法
CN110189447B (zh) 一种基于人脸身份识别的智慧社区闸机控制***
CN113411542A (zh) 一种智能化的工作状况监测设备
CN106056079A (zh) 一种图像采集设备及人脸五官的遮挡检测方法
WO2022262257A1 (zh) 一种检察领域值班人员睡觉行为识别方法
CN111126219A (zh) 一种基于人工智能的变电站人员的身份识别***和方法
CN112183438B (zh) 基于小样本学习神经网络的违规行为的图像识别方法
CN112163572A (zh) 识别对象的方法和装置
CN111667655A (zh) 基于红外图像的高速铁路安全区入侵警报装置及方法
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
CN114049589A (zh) 一种基于人工智能的变电站监测***
CN111476083A (zh) 一种电力员工安全帽佩戴自动识别方法
CN109001210B (zh) 一种人防门密封胶条老化龟裂检测***及方法
CN112613449A (zh) 一种基于视频人脸图像的安全帽佩戴检测识别方法及***
CN113298077A (zh) 一种基于深度学习的变电站异物识别定位方法及装置
CN106372566A (zh) 一种基于数字标牌紧急疏散***及方法
CN110543809A (zh) 一种电力作业现场风险监管入侵视频识别方法
CN114037873A (zh) 基于人工智能的变电站二次回路保护压板检测***及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200825

RJ01 Rejection of invention patent application after publication