CN115392407B - 基于无监督学习的危险源预警方法、装置、设备及介质 - Google Patents
基于无监督学习的危险源预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115392407B CN115392407B CN202211332360.2A CN202211332360A CN115392407B CN 115392407 B CN115392407 B CN 115392407B CN 202211332360 A CN202211332360 A CN 202211332360A CN 115392407 B CN115392407 B CN 115392407B
- Authority
- CN
- China
- Prior art keywords
- track
- data set
- point
- radius
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010276 construction Methods 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001134453 Lista Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无监督学习的危险源预警方法、装置、设备及介质,其中方法包括:获取施工区域内施工人员的历史轨迹信息;提取并构建无安全隐患轨迹点的特征向量,形成可信数据集;对可信数据集采用DBSCAN算法进行聚类,确定聚类参数;实时采集施工区域内施工人员的各轨迹点的实时特征向量;将实时特征向量与可信数据集进行合并,基于聚类参数采用DBSCAN算法对合并后的数据集进行聚类;判断有无离群点,若无离群点,则说明无异常轨迹;若有离群点,则说明存在异常轨迹,基于离群点进行预警。本发明通过对施工区域进行自主学习,可以依据轨迹中的离群点,发现区域中存在的与其他类似区域不同的点位进行预警。
Description
技术领域
本发明涉及建筑工程施工领域,尤其涉及一种基于无监督学习的危险源预警方法、装置、设备及介质。
背景技术
无监督学习是一种不依靠或极少依靠人工类别标注的机器学习方案,它根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题。
DBSCAN算法是比较有代表性的基于密度的无监督学习聚类算法,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。在该算法中,簇的核心是依靠样本密度确定,且簇的划分依靠密度可达方法,在实际划分中表现不佳。
在建筑施工中,由于施工场地情况复杂,存在诸多安全隐患。对此,在以往的研究中,有基于BIM与定位技术的施工事故预警机制研究,但该研究需要自行确定不安全区域,对于未预想到的危险情况无法做出正确的预警。
发明内容
针对上述现有技术存在的问题,本发明的目的在于提供一种基于无监督学习的危险源预警方法、装置、设备及介质,通过对施工区域、施工人员的行动轨迹进行分析,识别出可能的危险源进行预警,辅助进行施工安全管理。
为了实现上述目的,本发明采用如下技术方案。
第一方面,提供了一种基于无监督学习的危险源预警方法,包括:
S1:获取施工区域内施工人员的历史轨迹信息;
S2:基于历史轨迹信息提取并构建无安全隐患轨迹点的特征向量,形成可信数据集;
S3:对可信数据集中各轨迹点的特征向量采用DBSCAN算法进行聚类,确定聚类参数:半径RC、最小点位数MinPts及核心点列表ListC;
S4:实时采集施工区域内施工人员的轨迹信息并构建各轨迹点的实时特征向量;
S5:将各轨迹点的实时特征向量与可信数据集进行合并,基于半径RC、最小点位数MinPts及核心点列表ListC,采用DBSCAN算法对合并后的数据集进行聚类;
S6:判断有无离群点,若无离群点,则说明无异常轨迹;若有离群点,则说明存在异常轨迹,基于离群点进行预警。
进一步地,所述步骤S1之前还包括:
S0:获取施工区域基础信息。
进一步地,轨迹信息包括施工人员在各轨迹点的状态信息和位置信息;
其中状态信息St表示为:St=[x,y,z,vx,vy,vz,ax,ay,az],其中,x、y、z分别为当前轨迹点位置在x、y、z方向上坐标,vx、vy、vz分别为当前轨迹点处施工人员的速度在x、y、z方向上的分量,ax、ay、az分别为当前轨迹点处施工人员的加速度在x、y、z方向上的分量;
其中位置信息Xt表示为:Xt=[x,y,z,l1,l2,l3,…,ln],其中,l1、l2、l3、…、ln分别表示当前轨迹点与施工区域基础信息中相关构件的最小距离,施工区域基础信息中相关构件总数为n。
进一步地,特征向量At表示为At=[vx,vy,vz,ax,ay,az,l1,l2,l3,…,ln],其中,vx、vy、vz分别为当前轨迹点处施工人员的速度在x、y、z方向上的分量,ax、ay、az分别为当前轨迹点处施工人员的加速度在x、y、z方向上的分量,l1、l2、l3、…、ln分别表示当前轨迹点与施工区域基础信息中相关构件的最小距离,施工区域基础信息中相关构件总数为n;
可信数据集ListAt表示为:ListAt=[At1, At2, At3,…, AtN],其中AtN表示第N个特征向量,N为特征向量总数。
进一步地,步骤S3具体包括:
S31:初始化半径R;
S32:采用DBSCAN算法,以R为半径,对可信数据集进行聚类计算,并统计离群点数量;
S33:当无离群点时,减小半径R;当有离群点时,增大半径R;
S34:重复步骤S32- S33,直至半径R的变化量小于设定阈值,且无离群点为止,将此时的半径R作为最终的半径RC;
S35:对于此时形成的簇,遍历各簇内的点,寻找以RC为半径范围内有最多点的点,基于这些点构成核心点列表ListC,将当前核心点列表ListC中以RC为半径范围内点的数量的最小值作为最小点位数MinPts。
进一步地,还包括:
S7:对于非离群的实时特征向量,将其标记为可信数据;对于离群的实时特征向量,查明是否真实存在安全隐患,若不存在安全隐患,将对应数据标记为可信数据。
进一步地,还包括:
S8:每运行预设时长,将新的可信数据添加至可信数据集中,并同时从可信数据集中剔除相同数量的最早采集的历史数据;并重新计算半径RC、最小点位数MinPts及核心点列表ListC,应用于下一阶段危险源预警。
第二方面,提供了一种基于无监督学习的危险源预警装置,包括:
历史数据获取模块,用于获取施工区域内施工人员的历史轨迹信息;
可信数据集生成模块,用于基于历史轨迹信息提取并构建无安全隐患轨迹点的特征向量,形成可信数据集;
聚类参数获取模块,用于对可信数据集中各轨迹点的特征向量采用DBSCAN算法进行聚类,确定聚类参数:半径RC、最小点位数MinPts及核心点列表ListC;
实时数据获取模块,用于实时采集施工区域内施工人员的轨迹信息并构建各轨迹点的实时特征向量;
实时聚类模块,用于将各轨迹点的实时特征向量与可信数据集进行合并,基于半径RC、最小点位数MinPts及核心点列表ListC,采用DBSCAN算法对合并后的数据集进行聚类;
预警模块,用于判断有无离群点,若无离群点,则说明无异常轨迹;若有离群点,则说明存在异常轨迹,基于离群点进行预警。
第三方面,提供了一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于加载并执行所述计算机程序时,实现如上所述的基于无监督学习的危险源预警方法的步骤。
第四方面,提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于无监督学习的危险源预警方法的步骤。
本发明提出了一种基于无监督学习的危险源预警方法、装置、设备及介质,区别于现有技术中对人的行为进行区分以实现危险源的检测方式不同,本发明基于施工人员的历史轨迹进行聚类,将人的行为转换到施工现场区域中来,每个类对应于施工现场的一个区域,如果施工人员处于划分的聚类对应的区域中,则说明是安全的,若不在划分的聚类对应的区域中,则说明施工人员处于一个存在安全隐患的区域。本发明是利用分类出的不安全行为,进行施工场地中不安全区域的检测。其具备如下优点:
1、应用了无监督学习的优势,仅需要人员轨迹信息即可进行自主学习训练,极大的降低了对人工经验的依赖;
2、通过改进DBSCAN算法,克服了传统算法中的诸多不便同时保留了密度可达这一核心特点,将DBSCAN算法成功应用于施工危险源检测这一技术领域;
3、通过对施工区域进行自主学习,可以依据轨迹中的离群点,发现区域中存在的与其他类似区域不同的点位,进行预警以提示安全人员进行安全检查。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于无监督学习的危险源预警方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
实施例1
如图1所示,本实施例提供了一种基于无监督学习的危险源预警方法,包括:
S0:获取基础信息。
基础信息包括施工区域基础信息和建筑物基础信息,其中施工区域基础信息包括目前已施工的部分、有施工作业的区域、施工缝、后浇带、临时用水、临时用电等施工期间的临时施工措施、临边防护及脚手架等施工期间的临时安全措施,根据实际现场施工情况,施工区域基础信息包括上述信息的一种或多种。建筑物基础信息包括建筑物形状、面积、建筑结构、洞口位置、边缘位置等建筑设计方案中所体现的信息。
实施时,上述基础信息可通过BIM技术或其他建筑数字化技术构建的模型中进行收集。
S1:获取施工区域内施工人员的历史轨迹信息。
实施时,可通过定位***收集施工区域内施工人员的历史轨迹信息,并进行数据清洗。
其中,定位***可以是可随身携带的GPS设备、蓝牙定位设备或RFID定位设备等基于无线信号的定位设备及***,也可以是基于视觉、图像处理后推算的定位***,若为基于视觉、图像处理后推算的定位***,则需在施工现场布设多个摄像头,标定每个摄像头的位置以及内参矩阵和外参矩阵,进而根据标定的摄像头的位置以及内参矩阵和外参矩阵,将图像中施工人员的坐标转换到世界坐标系下,实现施工人员的定位。
当然,上述列举的定位***中,由于部分***只能提供定位坐标,则需要根据各轨迹点的位置信息及时间信息计算得到各轨迹点处的速度信息和加速度信息。
由于施工现场的复杂性,信号可能存在丢失、失真的情况,需要对信号时间间隔、计算出的速度及加速度设定阈值范围,低于或高于阈值范围均应作为失真数据丢弃,实现数据清洗。
本实施例中,完成数据清洗后,最后得到的轨迹信息包括施工人员在各轨迹点的状态信息和位置信息;
其中状态信息St表示为:St=[x,y,z,vx,vy,vz,ax,ay,az],其中,x、y、z分别为当前轨迹点位置在x、y、z方向上坐标,vx、vy、vz分别为当前轨迹点处施工人员的速度在x、y、z方向上的分量,ax、ay、az分别为当前轨迹点处施工人员的加速度在x、y、z方向上的分量;
其中位置信息Xt表示为:Xt=[x,y,z,l1,l2,l3,…,ln],其中,l1、l2、l3、…、ln分别表示当前轨迹点与施工区域基础信息中相关构件的最小距离,施工区域基础信息中相关构件总数为n。
S2:基于历史轨迹信息提取并构建无安全隐患轨迹点的特征向量,形成可信数据集。
收集一定时间内的全部轨迹信息(可以为数天,或其他类似项目的已有数据),将其中无安全隐患的轨迹点的数据作为可信数据,将各轨迹点的轨迹信息转化为特征向量,具体为,将各轨迹点的状态信息St和位置信息Xt进行整合得到轨迹点的特征向量At。
特征向量At表示为At=[vx,vy,vz,ax,ay,az,l1,l2,l3,…,ln],其中,vx、vy、vz分别为当前轨迹点处施工人员的速度在x、y、z方向上的分量,ax、ay、az分别为当前轨迹点处施工人员的加速度在x、y、z方向上的分量,l1、l2、l3、…、ln分别表示当前轨迹点与施工区域基础信息中相关构件的最小距离,施工区域基础信息中相关构件总数为n;
可信数据集ListAt表示为:ListAt=[At1, At2, At3,…, AtN],其中AtN表示第N个特征向量,N为特征向量总数。
S3:对可信数据集中各轨迹点的特征向量采用DBSCAN算法进行聚类,确定聚类参数:半径RC、最小点位数MinPts及核心点列表ListC。
传统的DBSCAN算法依靠核心点,通过密度可达的方式进行聚类,该算法可以在不知道簇形状和数量的情况下,进行聚类并发现离群点。但该算法存在如下问题:
核心点的确定方式是依靠半径R和最小点位数MinPts确定的,算法从核心点出发,依据密度可达划分簇。而在实际工程中,核心点半径和最小点位数往往无法正确预估。
基于上述问题,改进了DBSCAN算法,通过加入可信数据与预计算,寻找适当的核心点、半径和最小点位数。具体包括:
S31:初始化半径R;
S32:采用DBSCAN算法,以R为半径,对可信数据集进行聚类计算,并统计离群点数量;
S33:当无离群点时,减小半径R;当有离群点时,增大半径R;
S34:重复步骤S32- S33,直至半径R的变化量小于设定阈值,且无离群点为止,将此时的半径R作为最终的半径RC;
S35:对于此时形成的簇,遍历各簇内的点,寻找以RC为半径范围内有最多点的点,基于这些点构成核心点列表ListC,将当前核心点列表ListC中以RC为半径范围内点的数量的最小值作为最小点位数MinPts。
S4:实时采集施工区域内施工人员的轨迹信息并构建各轨迹点的实时特征向量。
S5:将各轨迹点的实时特征向量与可信数据集进行合并,基于半径RC、最小点位数MinPts及核心点列表ListC,采用DBSCAN算法对合并后的数据集进行聚类。
各轨迹点的实时特征向量可以表示为:ListAs=[ At1’, At2’, At3’……];将其与可信数据集合并后,得到的数据集可以表示为:List=[At1, At2, At3……, At1’,At2’, At3’ ……]。然后基于核心点列表ListC、半径RC、最小点位数MinPts利用DBSCAN算法进行聚类。
S6:判断有无离群点,若无离群点,则说明无异常轨迹;若有离群点,则说明存在异常轨迹,基于离群点进行预警。
S7:对于非离群的实时特征向量,将其标记为可信数据;对于离群的实时特征向量,对安全人员进行提醒,对该区域进行复核,查明是否真实存在安全隐患,若不存在安全隐患,将对应数据标记为可信数据。
S8:每运行预设时长,将新的可信数据添加至可信数据集中,并同时从可信数据集中剔除相同数量的最早采集的历史数据;并重新计算半径RC、最小点位数MinPts及核心点列表ListC,应用于下一阶段危险源预警。
由于施工现场的状态最深时间的推移是变化的,那么对应的危险源也是变化的,如常规轨迹都可以距离外边线0.5 m,而某处的一批轨迹就得距离外边线2m,说明这一批所在位置的边缘防护没做好,随着工程推进,边缘防护做好后,那么距离外边线的安全距离就会变成0.5m,危险源的判断结果就会发生变化,所以需要不断根据数据,以不断适应施工进度。
现有的检测方法中,区分对象是人的行为。而本发明中,区分的是场地,利用分类出的不安全行为,进行施工场地中不安全区域的检测;将坐标更抽象到了与特殊物件之间的距离,通过寻找不寻常的距离来寻找不安全位置。简单来说,就是为什么常规轨迹都可以距离外边线0.5,而这一批轨迹就得距离外边线2m,是不是这一批所在位置的边缘防护没做好。
实施例2
本实施例提供了一种基于无监督学习的危险源预警装置,包括:
历史数据获取模块,用于获取施工区域内施工人员的历史轨迹信息;
可信数据集生成模块,用于基于历史轨迹信息提取并构建无安全隐患轨迹点的特征向量,形成可信数据集;
聚类参数获取模块,用于对可信数据集中各轨迹点的特征向量采用DBSCAN算法进行聚类,确定聚类参数:半径RC、最小点位数MinPts及核心点列表ListC;
实时数据获取模块,用于实时采集施工区域内施工人员的轨迹信息并构建各轨迹点的实时特征向量;
实时聚类模块,用于将各轨迹点的实时特征向量与可信数据集进行合并,基于半径RC、最小点位数MinPts及核心点列表ListC,采用DBSCAN算法对合并后的数据集进行聚类;
预警模块,用于判断有无离群点,若无离群点,则说明无异常轨迹;若有离群点,则说明存在异常轨迹,基于离群点进行预警。
应当理解,本发明各个实施例中的功能单元模块可以集中在一个处理单元中,也可以是各个单元模块单独物理存在,也可以是两个或两个以上的单元模块集成在一个单元模块中,可以采用硬件或软件的形式来实现。
实施例3
本实施例提供了一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于加载并执行所述计算机程序时,实现如上所述的基于无监督学习的危险源预警方法的步骤。
该电子设备还包括:通信接口,用于与外界设备进行通信,进行数据交互传输。
其中,存储器可能包含高速RAM存储器,也可能还包括非易失性除颤器,例如至少一个磁盘存储器。
如果存储器、处理器和通信接口独立实现,则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线,外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
可选的,在具体实现上,如果存储器、处理器和通信接口集成在一块芯片上,则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
实施例4
本实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于无监督学习的危险源预警方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
本发明提出了一种基于无监督学习的危险源预警方法、装置、设备及介质,区别于现有技术中对人的行为进行区分以实现危险源的检测方式不同,本发明基于施工人员的历史轨迹进行聚类,将人的行为转换到施工现场区域中来,每个类对应于施工现场的一个区域,如果施工人员处于划分的聚类对应的区域中,则说明是安全的,若不在划分的聚类对应的区域中,则说明施工人员处于一个存在安全隐患的区域。本发明是利用分类出的不安全行为,进行施工场地中不安全区域的检测。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于无监督学习的危险源预警方法,其特征在于,包括:
S1:获取施工区域内施工人员的历史轨迹信息;
S2:基于历史轨迹信息提取并构建无安全隐患轨迹点的特征向量,形成可信数据集;
S3:对可信数据集中各轨迹点的特征向量采用DBSCAN算法进行聚类,确定聚类参数:半径RC、最小点位数MinPts及核心点列表ListC;
S4:实时采集施工区域内施工人员的轨迹信息并构建各轨迹点的实时特征向量;
S5:将各轨迹点的实时特征向量与可信数据集进行合并,基于半径RC、最小点位数MinPts及核心点列表ListC,采用DBSCAN算法对合并后的数据集进行聚类;
S6:判断有无离群点,若无离群点,则说明无异常轨迹;若有离群点,则说明存在异常轨迹,基于离群点进行预警;
特征向量At表示为At=[vx,vy,vz,ax,ay,az,l1,l2,l3,…,ln],其中,vx、vy、vz分别为当前轨迹点处施工人员的速度在x、y、z方向上的分量,ax、ay、az分别为当前轨迹点处施工人员的加速度在x、y、z方向上的分量,l1、l2、l3、…、ln分别表示当前轨迹点与施工区域基础信息中相关构件的最小距离,施工区域基础信息中相关构件总数为n;
可信数据集ListAt表示为:ListAt=[At1, At2, At3,…, AtN],其中AtN表示第N个特征向量,N为特征向量总数。
2.根据权利要求1所述的基于无监督学习的危险源预警方法,其特征在于,所述步骤S1之前还包括:
S0:获取施工区域基础信息。
3.根据权利要求1所述的基于无监督学习的危险源预警方法,其特征在于,轨迹信息包括施工人员在各轨迹点的状态信息和位置信息;
其中状态信息St表示为:St=[x,y,z,vx,vy,vz,ax,ay,az],其中,x、y、z分别为当前轨迹点位置在x、y、z方向上坐标,vx、vy、vz分别为当前轨迹点处施工人员的速度在x、y、z方向上的分量,ax、ay、az分别为当前轨迹点处施工人员的加速度在x、y、z方向上的分量;
其中位置信息Xt表示为:Xt=[x,y,z,l1,l2,l3,…,ln],其中,l1、l2、l3、…、ln分别表示当前轨迹点与施工区域基础信息中相关构件的最小距离,施工区域基础信息中相关构件总数为n。
4.根据权利要求1所述的基于无监督学习的危险源预警方法,其特征在于,步骤S3具体包括:
S31:初始化半径R;
S32:采用DBSCAN算法,以R为半径,对可信数据集进行聚类计算,并统计离群点数量;
S33:当无离群点时,减小半径R;当有离群点时,增大半径R;
S34:重复步骤S32- S33,直至半径R的变化量小于设定阈值,且无离群点为止,将此时的半径R作为最终的半径RC;
S35:对于此时形成的簇,遍历各簇内的点,寻找以RC为半径范围内点的数量最大的点,基于这些点构成核心点列表ListC,将当前核心点列表ListC中以RC为半径范围内点的数量的最小值作为最小点位数MinPts。
5.根据权利要求1至4任一项所述的基于无监督学习的危险源预警方法,其特征在于,还包括:
S7:对于非离群的实时特征向量,将其标记为可信数据;对于离群的实时特征向量,查明是否真实存在安全隐患,若不存在安全隐患,将对应数据标记为可信数据。
6.根据权利要求5所述的基于无监督学习的危险源预警方法,其特征在于,还包括:
S8:每运行预设时长,将新的可信数据添加至可信数据集中,并同时从可信数据集中剔除相同数量的最早采集的历史数据;并重新计算半径RC、最小点位数MinPts及核心点列表ListC,应用于下一阶段危险源预警。
7.一种基于无监督学习的危险源预警装置,其特征在于,包括:
历史数据获取模块,用于获取施工区域内施工人员的历史轨迹信息;
可信数据集生成模块,用于基于历史轨迹信息提取并构建无安全隐患轨迹点的特征向量,形成可信数据集;
聚类参数获取模块,用于对可信数据集中各轨迹点的特征向量采用DBSCAN算法进行聚类,确定聚类参数:半径RC、最小点位数MinPts及核心点列表ListC;
实时数据获取模块,用于实时采集施工区域内施工人员的轨迹信息并构建各轨迹点的实时特征向量;
实时聚类模块,用于将各轨迹点的实时特征向量与可信数据集进行合并,基于半径RC、最小点位数MinPts及核心点列表ListC,采用DBSCAN算法对合并后的数据集进行聚类;
预警模块,用于判断有无离群点,若无离群点,则说明无异常轨迹;若有离群点,则说明存在异常轨迹,基于离群点进行预警;
特征向量At表示为At=[vx,vy,vz,ax,ay,az,l1,l2,l3,…,ln],其中,vx、vy、vz分别为当前轨迹点处施工人员的速度在x、y、z方向上的分量,ax、ay、az分别为当前轨迹点处施工人员的加速度在x、y、z方向上的分量,l1、l2、l3、…、ln分别表示当前轨迹点与施工区域基础信息中相关构件的最小距离,施工区域基础信息中相关构件总数为n;
可信数据集ListAt表示为:ListAt=[At1, At2, At3,…, AtN],其中AtN表示第N个特征向量,N为特征向量总数。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于加载并执行所述计算机程序时,实现如权利要求1至6任一项所述的基于无监督学习的危险源预警方法的步骤。
9.一种计算机可读存储介质,其存储有计算机程序,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1至6任一项所述的基于无监督学习的危险源预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211332360.2A CN115392407B (zh) | 2022-10-28 | 2022-10-28 | 基于无监督学习的危险源预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211332360.2A CN115392407B (zh) | 2022-10-28 | 2022-10-28 | 基于无监督学习的危险源预警方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115392407A CN115392407A (zh) | 2022-11-25 |
CN115392407B true CN115392407B (zh) | 2023-03-24 |
Family
ID=84115257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211332360.2A Active CN115392407B (zh) | 2022-10-28 | 2022-10-28 | 基于无监督学习的危险源预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392407B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116634367B (zh) * | 2023-07-21 | 2023-10-03 | 三峡高科信息技术有限责任公司 | 一种基于物联网的智能施工监控管理*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428604A (zh) * | 2019-07-30 | 2019-11-08 | 山东交通学院 | 一种基于gps轨迹数据和地图数据的出租车违规停车监测与预警方法 |
CN113034397A (zh) * | 2021-03-30 | 2021-06-25 | 北京睿芯高通量科技有限公司 | 一种实时多环境自适应轨迹自动溯源的高空抛物检测方法 |
CN115049028A (zh) * | 2022-08-17 | 2022-09-13 | 中建五局第三建设有限公司 | 基于无监督学习的施工区域分区方法、***、终端及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5047990A (en) * | 1990-06-01 | 1991-09-10 | The United States Of America As Represented By The Secretary Of The Navy | Underwater acoustic data acquisition system |
US9716843B2 (en) * | 2009-06-03 | 2017-07-25 | Flir Systems, Inc. | Measurement device for electrical installations and related methods |
CN107610464B (zh) * | 2017-08-11 | 2019-02-12 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN110717154A (zh) * | 2018-07-11 | 2020-01-21 | ***股份有限公司 | 运动轨迹的特征处理方法、设备以及计算机存储介质 |
CN112347916B (zh) * | 2020-11-05 | 2023-11-17 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
CN114118243B (zh) * | 2021-11-18 | 2023-07-07 | 中交疏浚技术装备国家工程研究中心有限公司 | 一种基于航迹数据的耙吸挖泥船施工轨迹识别方法 |
CN114727063B (zh) * | 2022-04-02 | 2022-11-25 | 清华大学 | 施工现场的路径安全监测***、方法及装置 |
CN114722312A (zh) * | 2022-04-25 | 2022-07-08 | 浙江大学 | 一种基于轨迹聚类技术的定制公交线路生成方法 |
-
2022
- 2022-10-28 CN CN202211332360.2A patent/CN115392407B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428604A (zh) * | 2019-07-30 | 2019-11-08 | 山东交通学院 | 一种基于gps轨迹数据和地图数据的出租车违规停车监测与预警方法 |
CN113034397A (zh) * | 2021-03-30 | 2021-06-25 | 北京睿芯高通量科技有限公司 | 一种实时多环境自适应轨迹自动溯源的高空抛物检测方法 |
CN115049028A (zh) * | 2022-08-17 | 2022-09-13 | 中建五局第三建设有限公司 | 基于无监督学习的施工区域分区方法、***、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115392407A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111009153B (zh) | 一种轨迹预测模型的训练方法、装置和设备 | |
CN106023595B (zh) | 一种异常停车的判断方法、装置及球型摄像机 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN112347916B (zh) | 基于视频图像分析的电力现场作业安全监控方法及装置 | |
CN109285348A (zh) | 一种基于双向长短时记忆网络的车辆行为识别方法及*** | |
CN115392407B (zh) | 基于无监督学习的危险源预警方法、装置、设备及介质 | |
CN107992036A (zh) | 一种智能停车库中存取车路径规划方法、装置及存储介质 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN108090486A (zh) | 一种台球比赛中的图像处理方法及装置 | |
CN116168350B (zh) | 基于物联网实现施工人员违规行为的智能监测方法及装置 | |
CN111914656A (zh) | 一种人员行为检测方法、装置、电子设备及存储介质 | |
CN116563776A (zh) | 基于人工智能的违章行为告警方法、***、介质及设备 | |
CN114973425A (zh) | 一种交警手势识别方法及装置 | |
CN112001453B (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN111539401B (zh) | 基于人工智能的车道线检测方法、装置、终端及存储介质 | |
CN102005056A (zh) | 基于鲁棒pca子空间的目标跟踪方法 | |
CN114120266A (zh) | 车辆变道检测方法、装置、电子设备及存储介质 | |
CN117392611A (zh) | 工地安全监测方法、***、设备及存储介质 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN111860084B (zh) | 图像特征的匹配、定位方法及装置、定位*** | |
CN115249407B (zh) | 指示灯状态识别方法、装置、电子设备、存储介质及产品 | |
CN115456060A (zh) | 一种预测轨迹的处理方法和装置 | |
CN115620082A (zh) | 模型训练方法、头部姿态估计方法、电子设备及存储介质 | |
CN114155504A (zh) | 用于自动驾驶的视觉识别车辆方法、装置、出行装置及介质 | |
CN113793250A (zh) | 位姿评价方法、位姿确定方法、对应装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |