發(fā)布時間：2024-06-30 19:47

　　目前電網基建項目中的一系列安全問題的檢查監(jiān)督主要依靠人工巡檢、抽檢,存在工作量大、易疏忽、實時性差、效率低等諸多缺點,無法做到對整個施工現(xiàn)場的安全情況實時監(jiān)控、全局管控。近年來隨著人工智能技術的發(fā)展,基于視覺分析的基建現(xiàn)場安全狀態(tài)智能評估已成為可能。提出了一種基于深度學習的電力基建現(xiàn)場安全管控系統(tǒng),該系統(tǒng)基于施工基建現(xiàn)場安全管控中視覺目標檢測的實時性和準確性要求,以YOLO-V3目標檢測算法為核心,根據(jù)檢測對象的特征對網絡結構和參數(shù)加以優(yōu)化,開展目標檢測與識別技術研究,搭建施工基建現(xiàn)場管控系統(tǒng),提升處理效率,進一步完善基建現(xiàn)場的安全監(jiān)控手段,可為不安全行為和不安全物態(tài)場景的智能識別提供新的思路和方法。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1電力基建現(xiàn)場安全管控系統(tǒng)

基于深度學習的施工基建現(xiàn)場管控系統(tǒng)由基建現(xiàn)場的各種監(jiān)視設備（車載攝像頭、固定攝像頭、無人機航拍）、現(xiàn)場終端系統(tǒng)、專用數(shù)據(jù)傳輸網絡、視頻存儲服務器、視頻處理平臺、操作員工作站等組成。整個工作過程如下：通過建筑工程施工現(xiàn)場的視頻監(jiān)控采集大量圖片數(shù)據(jù)，圖片數(shù)據(jù)匯總至現(xiàn)場終端系統(tǒng)，圖片數(shù)....

圖2目標檢測模型基本架構

該系統(tǒng)的核心是一種基于深度學習算法的實時目標檢測模型，如圖2所示。通過建筑工程施工現(xiàn)場的視頻監(jiān)控采集大量圖片數(shù)據(jù)，人工智能算法主要針對工地現(xiàn)場待檢目標進行特征提取、數(shù)據(jù)挖掘、數(shù)據(jù)分析，利用深度網絡進行訓練，并利用訓練所得模型從海量視頻流圖片中實現(xiàn)目標檢測、文字識別、動作行為識別功....

圖3目標檢測與識別流程

該算法模型需要實現(xiàn)人工智能動作識別、目標檢測與識別、文字標識牌檢測等人工智能技術的融合運用。深度學習技術又稱深度神經網絡，是模擬人腦工作的一種機器學習技術，對圖像、語音、文字等，能夠自主提取對象特征，深度認知對象。工作過程：施工基建現(xiàn)場管控系統(tǒng)的視頻接入服務器接收施工現(xiàn)場各種監(jiān)視....

圖4YOLO-V3及其基本組成模塊

建筑工地通過視頻監(jiān)控設備實時獲得工地施工人員作業(yè)視頻，并采用視頻流實時處理的方式實現(xiàn)建筑工地施工現(xiàn)場的目標定位和檢測。視頻監(jiān)控設備通常架設在施工場地邊緣的高處位置，架設高度約有10m左右，因此監(jiān)控視頻在工作狀態(tài)下具有15°～30°的俯視角，其獲得的施工人員施工畫面就是非正面成像....

本文編號：3998989