基于YOLOv5 算法的施工現(xiàn)場(chǎng)不安全狀態(tài)智能檢測(cè)

李自強(qiáng) 任磊 劉莉 苗作華,3

(1.上海工程技術(shù)大學(xué)化學(xué)化工學(xué)院，上海 201620；2.武漢科技大學(xué)資源與環(huán)境工程學(xué)院，武漢 430081；3.冶金礦產(chǎn)資源高效利用與造塊湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430081)

引言

本文通過研究近些年來(lái)相關(guān)企業(yè)、事故發(fā)生數(shù)和事故發(fā)生率之間的數(shù)量變化關(guān)系，發(fā)現(xiàn)隨著科學(xué)技術(shù)的發(fā)展與進(jìn)步安全管理水平并未得到提高，事故年發(fā)生率穩(wěn)定在7‰左右，提高相應(yīng)的安全管理技術(shù)和降低事故發(fā)生率是當(dāng)前亟待解決的問題。

關(guān)于施工現(xiàn)場(chǎng)工人的管控和風(fēng)險(xiǎn)的管理，國(guó)內(nèi)外許多學(xué)者做過類似的研究。姜玥麒等[1]為了控制工人的不安全行為，對(duì)建筑工人不安全行為傳播性強(qiáng)弱進(jìn)行了研究。閆高峰[2]利用VR 技術(shù)，建立了集動(dòng)態(tài)模擬、監(jiān)督反饋、安全教育為一體的安全管理體系，為建筑工程安全管理提供新的研究視角。劉文平[3]提出了集成BIM 技術(shù)、定位技術(shù)和通信技術(shù)等對(duì)施工安全事故進(jìn)行預(yù)防和預(yù)警，借助GPS 和UWB 定位技術(shù)對(duì)施工現(xiàn)場(chǎng)設(shè)定目標(biāo)進(jìn)行定位，并提出了適用于施工現(xiàn)場(chǎng)的綜合定位方法。郭紅領(lǐng)等[4]利用BIM 和RFID 技術(shù)構(gòu)建了定位與安全預(yù)警系統(tǒng)模型，用于監(jiān)測(cè)施工現(xiàn)場(chǎng)工人的安全狀態(tài)，實(shí)現(xiàn)了施工現(xiàn)場(chǎng)人員的高效管控。趙一秾、李若熙等[5]改進(jìn)雙流卷積網(wǎng)絡(luò)行為識(shí)別算法，將雙流深度卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)相結(jié)合，與傳統(tǒng)算法相比實(shí)現(xiàn)了較高速度的工人異常行為識(shí)別，提高了人工監(jiān)測(cè)的效率。趙挺生等[6]以ALARP原則為基礎(chǔ)，構(gòu)建了危險(xiǎn)區(qū)域等級(jí)結(jié)構(gòu)，優(yōu)化了物聯(lián)網(wǎng)定位技術(shù)，更好地實(shí)現(xiàn)了安全管理中安全分級(jí)預(yù)警。Dong 等[7]將硅膠單點(diǎn)傳感器和壓力傳感器配設(shè)到安全帽中，根據(jù)傳感器之間的信息交互，可判斷工人是否佩戴安全帽。Khairullah 等[8]將藍(lán)牙技術(shù)與傳感器網(wǎng)絡(luò)相結(jié)合對(duì)建筑工人進(jìn)行識(shí)別與定位，實(shí)現(xiàn)了施工現(xiàn)場(chǎng)的工人位置分析。Kelm 等[9]將RFID 標(biāo)簽和RFID 讀寫器分別置于個(gè)人防護(hù)用品和施工現(xiàn)場(chǎng)進(jìn)出口，用來(lái)獲取工人出入施工現(xiàn)場(chǎng)信息和監(jiān)察工人佩戴個(gè)人防護(hù)用品等情況，提高了工人佩戴個(gè)人防護(hù)用品的安全意識(shí)。胡松勁等[10]在專利中提出將RFID 電子標(biāo)簽置于安全帽設(shè)計(jì)，用于識(shí)別進(jìn)入危險(xiǎn)區(qū)域的預(yù)警。Barro-Torres 等[11]提出了一種由Zigbee 和RFID 技術(shù)開發(fā)的新型網(wǎng)絡(luò)物理系統(tǒng)，以實(shí)時(shí)監(jiān)測(cè)工人們使用個(gè)人防護(hù)設(shè)備的情況。

以上研究大都是利用跟蹤和定位技術(shù)來(lái)獲取工人以及機(jī)械的相對(duì)位置信息，比較局限于成對(duì)出現(xiàn)的實(shí)體之間的位置關(guān)系，很難全面的對(duì)風(fēng)險(xiǎn)進(jìn)行管理和控制，而且跟蹤與定位只能理論上解決或降低施工風(fēng)險(xiǎn)問題，因?yàn)楣ぷ鬟^程中工人很難做到完全按照安全規(guī)范做事佩戴相關(guān)的傳感器?；诖?，許多學(xué)者開始將計(jì)算機(jī)視覺引入土木工程領(lǐng)域。張明媛等[12]基于Tensorflow 框架，利用Faster RCNN 目標(biāo)識(shí)別算法，提出了一種具有高精度、實(shí)時(shí)性的安全帽檢測(cè)方法。高寒等[13]利用雙模單高斯模型，對(duì)危險(xiǎn)區(qū)域的運(yùn)動(dòng)目標(biāo)進(jìn)行識(shí)別，用來(lái)檢測(cè)危險(xiǎn)區(qū)域的工人。Han 等[14]通過對(duì)人體骨骼的提取來(lái)識(shí)別人體攀爬過程中的不安全動(dòng)作。Kolar 等[15]為了提高安全檢查效率，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)安全護(hù)欄進(jìn)行識(shí)別與訓(xùn)練構(gòu)建了安全護(hù)欄檢測(cè)模型。Fang 等[16]同樣使用Faster R-CNN 算法來(lái)識(shí)別安全帽，實(shí)現(xiàn)了不同施工環(huán)境下的安全檢查，提高了管理效率。王偉等[17]將BIM 技術(shù)和機(jī)器視覺技術(shù)進(jìn)行結(jié)合，利用LEC 評(píng)價(jià)法構(gòu)建了安全監(jiān)管預(yù)警模型，并針對(duì)工程實(shí)例對(duì)該預(yù)警模型進(jìn)行了具體應(yīng)用。王毅恒等[18]利用卷積神經(jīng)網(wǎng)絡(luò)的方法，對(duì)固定目標(biāo)進(jìn)行特征的提取，然后由機(jī)器自動(dòng)識(shí)別，解決了人工識(shí)別速度慢，易出錯(cuò)等問題。劉曉慧等[19]根據(jù)工人的面部及膚色的綜合特征信息判定人臉位置信息，再根據(jù)頭發(fā)與安全帽的顏色差異判斷工人是否佩戴安全帽。Rubaiyat 等[20]將HOG 與Circle Hough Transform(CHT)進(jìn)行結(jié)合獲得了一種工人及安全帽識(shí)別的新方法。

本文利用計(jì)算機(jī)視覺結(jié)合傾斜攝影技術(shù)，實(shí)現(xiàn)了視覺定位，突破了傳感器定位的局限性。

1 整體框架描述

1.1 模型描述

基于計(jì)算機(jī)視覺實(shí)現(xiàn)危險(xiǎn)區(qū)域監(jiān)控和風(fēng)險(xiǎn)評(píng)估模型的構(gòu)建，需要對(duì)施工環(huán)境中相關(guān)目標(biāo)進(jìn)行數(shù)據(jù)采集，利用目標(biāo)識(shí)別算法對(duì)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)的訓(xùn)練，從而實(shí)現(xiàn)對(duì)施工區(qū)域的實(shí)時(shí)監(jiān)測(cè)。圖1 是計(jì)算機(jī)視覺實(shí)現(xiàn)危險(xiǎn)區(qū)域監(jiān)控的整體框架。

圖1 計(jì)算機(jī)視覺實(shí)現(xiàn)危險(xiǎn)區(qū)域監(jiān)控

本小節(jié)將從危險(xiǎn)區(qū)域定義與劃分、目標(biāo)檢測(cè)算法的選擇、數(shù)據(jù)收集與處理等方面詳細(xì)介紹運(yùn)用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)施工現(xiàn)場(chǎng)的人員監(jiān)管及數(shù)據(jù)輸出與實(shí)現(xiàn)。

1.2 目標(biāo)檢測(cè)模型構(gòu)建過程

為了獲得更加符合實(shí)際情況的數(shù)據(jù)信息，本人求助了多位已經(jīng)參加工作的同學(xué)，為其尋求工程現(xiàn)場(chǎng)圖像數(shù)據(jù)，用來(lái)制作本實(shí)驗(yàn)的數(shù)據(jù)集，所以和網(wǎng)上一些通用數(shù)據(jù)集相比較本實(shí)驗(yàn)的數(shù)據(jù)集更具有實(shí)際參考價(jià)值，前期訓(xùn)練集的制作也是工作量比較大的一部分內(nèi)容，需要手動(dòng)對(duì)每張圖片的每個(gè)目標(biāo)進(jìn)行逐個(gè)標(biāo)記。

模型的整個(gè)訓(xùn)練過程包括了前期的數(shù)據(jù)采集及預(yù)處理中期的數(shù)據(jù)存儲(chǔ)及訓(xùn)練和最后的模型訓(xùn)練結(jié)果的展示，圖2 為目標(biāo)識(shí)別具體實(shí)現(xiàn)過程。

圖2 目標(biāo)識(shí)別實(shí)現(xiàn)過程

1.3 危險(xiǎn)區(qū)域定義與劃分

施工現(xiàn)場(chǎng)危險(xiǎn)區(qū)域是事故發(fā)生的環(huán)境因素，控制工人在危險(xiǎn)區(qū)域的停留時(shí)間能夠預(yù)防事故的發(fā)生，本文的目標(biāo)識(shí)別模型能夠準(zhǔn)確識(shí)別出施工現(xiàn)場(chǎng)存在的工人、安全帽和施工機(jī)械，結(jié)合傾斜攝影所提供的場(chǎng)景空間位置信息可以確定工人和危險(xiǎn)區(qū)域的相對(duì)位置信息以及工人和施工機(jī)械的相對(duì)位置信息，對(duì)工人是否出現(xiàn)在危險(xiǎn)區(qū)域做出及時(shí)的判斷。表1 是對(duì)危險(xiǎn)區(qū)域的具體劃分[21]。

表1 危險(xiǎn)區(qū)域劃分與類型

2 目標(biāo)識(shí)別算法實(shí)驗(yàn)探究

2.1 目標(biāo)檢測(cè)算法的選擇

CNN、Faster R-CNN、YOLO 和SSD 是目前深度學(xué)習(xí)領(lǐng)域中應(yīng)用最廣泛的四種目標(biāo)檢測(cè)算法，前兩種屬于兩階段算法，其中，F(xiàn)aster R-CNN 的局限性在于速度較慢，并且它使用單個(gè)深層特征圖進(jìn)行最終預(yù)測(cè)，難以檢測(cè)不同比例的物體，特別是很難檢測(cè)到小物體。這兩個(gè)特點(diǎn)使得該算法的速度較慢且容易遺漏。YOLO和SSD 均屬于一階段算法，相對(duì)比兩階段算法具有較快的速度。

在以上算法中均能實(shí)現(xiàn)動(dòng)態(tài)監(jiān)測(cè)，但由于算法性能的不同，造成了在圖像處理速度上存在較大差異。根據(jù)施工現(xiàn)場(chǎng)的安全管理的特點(diǎn)，處理和解決問題的及時(shí)性是安全問題最重要的一部分，更好地解決時(shí)間問題才能更好地做到事故的預(yù)防和隱患的及時(shí)消除。在以往的研究中可以發(fā)現(xiàn)，一階段檢測(cè)算法在該方面具有較好的表現(xiàn)能力。本文所研究的區(qū)域范圍大小不一，檢測(cè)對(duì)象不僅有工人機(jī)械還有目標(biāo)較小的安全帽，YOLO 算法無(wú)論在檢測(cè)速度還是小目標(biāo)的捕捉方面都具有較好的檢測(cè)效果，更容易實(shí)現(xiàn)本文的研究目標(biāo)，這也是本文最終選擇YOLO 算法的主要原因，YOLOv5 是YOLO 系列最新的單階段目標(biāo)檢測(cè)算法，所以選擇YOLOv5 進(jìn)行實(shí)驗(yàn)探究。

2.2 YOLO 算法網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5是目前YOLO系列最新的目標(biāo)檢測(cè)算法，和YOLOv4 具有相同的網(wǎng)絡(luò)骨架，從精度和性能上考慮，在YOLOv4 的基礎(chǔ)上加入了幾點(diǎn)改進(jìn)思路。具體改進(jìn)思路包括以下幾個(gè)方面：

（1）輸入端：通過數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算和圖片放縮，從算法的初始階段提升模型的穩(wěn)定性；

（2）基準(zhǔn)網(wǎng)絡(luò)：根據(jù)目標(biāo)檢測(cè)算法的基準(zhǔn)網(wǎng)絡(luò)特點(diǎn)融合了CSP 結(jié)構(gòu)與Focus 結(jié)構(gòu)；

（3）Neck 網(wǎng)絡(luò)：YOLOv5 在其網(wǎng)絡(luò)結(jié)構(gòu)的初始層和輸出層之間添加了FPN+PAN 結(jié)構(gòu)，用于輔助目標(biāo)的檢測(cè)；

（4）Head 輸出層：改進(jìn)訓(xùn)練時(shí)的損失函數(shù)GIOU_Loss 和預(yù)測(cè)框篩選的DIOU_nms，使相同的輸出層錨框機(jī)制達(dá)到更好地識(shí)別效果。YOLOv5 整體網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

圖3 YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)

2.3 實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)環(huán)境配置是實(shí)現(xiàn)深度學(xué)習(xí)的前提，本文在Windows10 系統(tǒng)上配置了深度學(xué)習(xí)運(yùn)行環(huán)境，實(shí)驗(yàn)環(huán)境的配置參數(shù)如表2 所示。

表2 實(shí)驗(yàn)環(huán)境的配置參數(shù)

2.4 YOLOv5 算法實(shí)驗(yàn)探究

針對(duì)YOLO 系列最新的YOLOv5 的幾個(gè)版本進(jìn)行在精度和識(shí)別效果等方面進(jìn)行對(duì)比，探究目前哪一個(gè)版本最適用于施工環(huán)境下的工人識(shí)別，以便在實(shí)際應(yīng)用中選擇最合適的目標(biāo)檢測(cè)模型，實(shí)現(xiàn)現(xiàn)場(chǎng)安全監(jiān)管高效有序的進(jìn)行。

為了衡量模型訓(xùn)練效果的好壞，通常用P（精確率）、R（召回率）、ACC（準(zhǔn)確率）mAP（均值平均精度）作為評(píng)價(jià)指標(biāo)，評(píng)價(jià)指標(biāo)的計(jì)算方法如下式：

上式中TP、FP、TN、FN 分別表示分類器能否正確識(shí)別出目標(biāo)的四種情況，為了更清晰地描述這四種情況，假設(shè)分類目標(biāo)只有兩類，計(jì)為正例（positive）和負(fù)例（negative），表3 直觀地表達(dá)了四種識(shí)別情況。

表3 預(yù)測(cè)的四種類別

圖4是YOLOv5 的五個(gè)版本針對(duì)施工環(huán)境下同一數(shù)據(jù)集工人識(shí)別精度對(duì)比，從圖中可以看到Y(jié)OLOv5的五種型號(hào)中YOLOv5n 的精度達(dá)到了96.9%，在施工環(huán)境中對(duì)于目標(biāo)的識(shí)別精度遠(yuǎn)遠(yuǎn)超過了其他型號(hào)。

圖4 五種型號(hào)精度對(duì)比

YOLOv5n 在精度上高與其他幾個(gè)版本，從識(shí)別效果上看，是因?yàn)閅OLOv5n 具有較低的漏檢率和誤檢率，也就是上面提到的FN 被錯(cuò)誤劃分為負(fù)例的個(gè)數(shù)和FP被錯(cuò)誤劃分為正例的個(gè)數(shù)，從公式（1）（2）（3）可知，F(xiàn)N和FP數(shù)值過高將嚴(yán)重影響精確率、召回率和準(zhǔn)確率，現(xiàn)針對(duì)同一影像展示各個(gè)模型的識(shí)別結(jié)果如表4 所示。

表4 各個(gè)模型結(jié)果

2.5 基于YOLOv5n 的多目標(biāo)識(shí)別

通過以上的對(duì)比分析，無(wú)論是從精度、訓(xùn)練效果還是識(shí)別效果YOLOv5n 在施工環(huán)境中都具有較好的表現(xiàn)能力，所以選擇YOLOv5n 對(duì)施工場(chǎng)地進(jìn)行多目標(biāo)識(shí)別，由于施工環(huán)境中機(jī)械傷害也是比較常見的工傷事故類型，個(gè)人防護(hù)用品的佩戴是事故發(fā)生時(shí)可以減小事故后果的有效手段，所以本文通過對(duì)施工環(huán)境中工人、安全帽和施工機(jī)械的識(shí)別與管控從而從技術(shù)上提高施工現(xiàn)場(chǎng)安全管理水平。

圖5是三種識(shí)別對(duì)象的PR 曲線圖，曲線與坐標(biāo)軸所圍成的面積表示該類別的精度，其中工人的識(shí)別精度達(dá)到了96.8%，安全帽的識(shí)別精度達(dá)到了90.2%，施工機(jī)器的識(shí)別精度達(dá)到了87.8%，所有類別均值平均精度達(dá)到了91.6%。由于工人的特征比較明顯所以在三個(gè)類別當(dāng)中精度最高，安全帽的特征雖然也比較明顯但是目標(biāo)較小所以識(shí)別精度低于工人，由于施工環(huán)境中存在較多不同種類的機(jī)械，機(jī)械之間特征變化較大所以在三個(gè)類別當(dāng)中精度最低，實(shí)驗(yàn)結(jié)果比較符合理論猜想，且三種目標(biāo)的識(shí)別精度均達(dá)到了較高水平，識(shí)別效果如圖6 所示。

圖5 P-R 曲線

圖6 多目標(biāo)識(shí)別效果圖

3 無(wú)人機(jī)傾斜攝影

傾斜攝影三維模型可以真實(shí)地反應(yīng)具體場(chǎng)景的外觀以及各個(gè)點(diǎn)的位置、高度等信息，借助無(wú)人機(jī)可以快速獲取具體場(chǎng)景的影像數(shù)據(jù)，利用相關(guān)三維建模軟件實(shí)現(xiàn)傾斜攝影三維模型的構(gòu)建，同時(shí)有效提升了模型的生產(chǎn)效率，大大降低了三維模型數(shù)據(jù)采集的經(jīng)濟(jì)代價(jià)和時(shí)間代價(jià)。

3.1 實(shí)驗(yàn)條件

本節(jié)主要通過無(wú)人機(jī)傾斜攝影技術(shù)實(shí)現(xiàn)對(duì)目標(biāo)的定位，通過對(duì)施工場(chǎng)景進(jìn)行三維建模獲得其準(zhǔn)確的位置信息，判斷目標(biāo)物體所處的空間位置，從而判定是否處于不安全狀態(tài)，以便及時(shí)發(fā)出預(yù)警信息。

為了確定這種視覺定位的準(zhǔn)確性，必須要對(duì)傾斜攝影的準(zhǔn)確性進(jìn)行探究，以保證定位誤差在可接受范圍內(nèi)。由于條件有限和考慮到無(wú)人機(jī)在人口密集處飛行具有非常大的安全隱患，并未獲取實(shí)際施工環(huán)境下的傾斜攝影數(shù)據(jù)，而是通過現(xiàn)場(chǎng)考察和無(wú)人機(jī)的實(shí)地飛行獲得了武漢市江夏區(qū)烏龍泉礦采礦環(huán)境下的傾斜攝影數(shù)據(jù)來(lái)進(jìn)行傾斜攝影準(zhǔn)確性的探究。兩者都是對(duì)實(shí)際場(chǎng)景的三維建模，所以在誤差方面本質(zhì)上完全相同。

3.2 傾斜攝影三維建模

無(wú)人機(jī)傾斜攝影三維建模，主要包括利用無(wú)人機(jī)進(jìn)行傾斜攝影數(shù)據(jù)的采集、各建模軟件優(yōu)缺點(diǎn)對(duì)比選擇建模軟件和具體操作軟件進(jìn)行三維模型的構(gòu)建，筆者已在參考文獻(xiàn)[22]中對(duì)該內(nèi)容進(jìn)行了詳細(xì)介紹。三維建模生產(chǎn)路線如圖7[22]所示。

圖7 三維建模生產(chǎn)路線

本文在獲得烏龍泉礦傾斜攝影數(shù)據(jù)之后對(duì)礦山表面進(jìn)行了三維建模，建模效果如圖8 所示[22]。

圖8 模型展示

3.3 傾斜攝影準(zhǔn)確性的驗(yàn)證

在目標(biāo)識(shí)別的基礎(chǔ)上需要進(jìn)一步借助傾斜攝影三維模型確定目標(biāo)的相對(duì)位置關(guān)系，所以這種視覺定位的準(zhǔn)確性由三維模型的準(zhǔn)確性所決定，因此本實(shí)驗(yàn)通過驗(yàn)證傾斜攝影三維模型距離測(cè)量的準(zhǔn)確性以保證這種視覺定位誤差在可接受范圍內(nèi)。本實(shí)驗(yàn)選取了多組不同大小的模型測(cè)量值和實(shí)際測(cè)量值進(jìn)行對(duì)比和分析，從相對(duì)誤差和絕對(duì)誤差兩個(gè)角度去分析這種視覺定位的準(zhǔn)確性，圖9 是12 組數(shù)據(jù)的誤差變化曲線[22]。

圖9 誤差變化曲線

從理論上講，測(cè)量都會(huì)有誤差的存在，隨著測(cè)量范圍的變大絕對(duì)誤差也會(huì)變大，而相對(duì)誤差會(huì)逐漸變小，當(dāng)測(cè)量范圍足夠大時(shí)，相對(duì)誤差會(huì)趨近于零，這主要是由于測(cè)量時(shí)模型中點(diǎn)未能與實(shí)際中的點(diǎn)完全吻合所引起的，本實(shí)驗(yàn)的誤差變化曲線完全符合這種趨勢(shì)，證明了本實(shí)驗(yàn)數(shù)據(jù)具有較高真實(shí)性，也證明了實(shí)際誤差要小于本數(shù)據(jù)所表現(xiàn)出的誤差，從本次實(shí)驗(yàn)結(jié)果來(lái)看誤差大小也僅有1.5%左右，滿足本研究對(duì)誤差的要求。

傾斜攝影獲得的三維場(chǎng)景中每個(gè)點(diǎn)都有具體的位置信息，從而可以確定目標(biāo)識(shí)別算法所識(shí)別出物體的具體位置，當(dāng)人員出現(xiàn)在所劃分的危險(xiǎn)區(qū)域或工作機(jī)械所造成的危險(xiǎn)區(qū)域時(shí)系統(tǒng)會(huì)向現(xiàn)場(chǎng)安全管理人員發(fā)出預(yù)警信息以便管理人員及時(shí)地做到有目標(biāo)的安全巡檢，并且傾斜攝影技術(shù)所獲得的工人高度也可以向管理者提供是否存在高處作業(yè)信息使安全管理人員及時(shí)地做好現(xiàn)場(chǎng)監(jiān)督。

3.4 不安全狀態(tài)整體識(shí)別流程

利用計(jì)算機(jī)視覺可對(duì)施工環(huán)境中多個(gè)目標(biāo)多個(gè)危險(xiǎn)區(qū)域進(jìn)行一體化監(jiān)管，管理者可以實(shí)時(shí)查看施工現(xiàn)狀，當(dāng)有危險(xiǎn)行為及不規(guī)范操作和需要實(shí)時(shí)監(jiān)督的作業(yè)時(shí)，系統(tǒng)可主動(dòng)向管理者提供相關(guān)位置信息，現(xiàn)場(chǎng)安全管理人員可以及時(shí)到達(dá)指定管理區(qū)域，使安全管理工作更加有序的進(jìn)行，避免了現(xiàn)場(chǎng)安全管理的盲目性。在以上目標(biāo)識(shí)別算法達(dá)到較好的實(shí)驗(yàn)效果和無(wú)人機(jī)傾斜攝影三維建模具有較高準(zhǔn)確性的基礎(chǔ)上繪制了對(duì)不安全狀態(tài)進(jìn)行識(shí)別的簡(jiǎn)易流程圖如圖10 所示。

圖10 安全監(jiān)管實(shí)現(xiàn)流程

圖10為一個(gè)實(shí)現(xiàn)智能檢測(cè)與安全監(jiān)管的整體流程，監(jiān)控?cái)?shù)據(jù)輸入到智能檢測(cè)模型中，實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別和位置關(guān)系的確定，從而判斷不安全狀態(tài)類型及存在位置。

4 結(jié)論

多目標(biāo)識(shí)別算法的實(shí)際實(shí)驗(yàn)結(jié)果符合理論猜想，傾斜攝影模型誤差具有較高的精確度,三維視頻融合已擁有較為成熟的技術(shù)，基于此本文有如下實(shí)驗(yàn)成果和結(jié)論：

（1）結(jié)合事故發(fā)生的主要因素的特點(diǎn)引入計(jì)算機(jī)視覺用于對(duì)施工現(xiàn)場(chǎng)風(fēng)險(xiǎn)的識(shí)別與定位，運(yùn)用目標(biāo)識(shí)別算法構(gòu)建了多目標(biāo)識(shí)別模型；

（2）通過對(duì)多種目標(biāo)識(shí)別算法的實(shí)驗(yàn)對(duì)比分析，確定了在施工環(huán)境中無(wú)論是在精度還是識(shí)別效果上均最優(yōu)的目標(biāo)識(shí)別算法，為以后該場(chǎng)景的實(shí)際應(yīng)用提供了理論依據(jù)；

（3）通過實(shí)驗(yàn)驗(yàn)證了無(wú)人機(jī)傾斜攝影所構(gòu)建的三維模型的測(cè)量誤差在1.5%左右，范圍長(zhǎng)度大于35m 測(cè)量誤差將小于1%，從而說(shuō)明了目標(biāo)識(shí)別模型所識(shí)別出物體的距離具有較高的準(zhǔn)確性；

（4）利用計(jì)算機(jī)視覺的目標(biāo)識(shí)別和傾斜攝影的位置定位功能對(duì)施工場(chǎng)景的風(fēng)險(xiǎn)進(jìn)行識(shí)別和定位，實(shí)時(shí)監(jiān)測(cè)是否有不安全行為和不安全狀態(tài)的出現(xiàn)，實(shí)現(xiàn)了多目標(biāo)多區(qū)域一體化安全監(jiān)管，避免了單純?nèi)斯けO(jiān)管的盲目性，在一定程度上提高了安全監(jiān)管的效率。