施工空間沖突事故險(xiǎn)兆特征智能檢測方法*

李文濤,韓 豫,2,楊 林,李 康

(1.江蘇大學(xué) 土木工程與力學(xué)學(xué)院,江蘇 鎮(zhèn)江 212013;2.江蘇大學(xué) 應(yīng)急管理學(xué)院,江蘇 鎮(zhèn)江 212013)

0 引言

隨著我國建筑業(yè)規(guī)模不斷擴(kuò)大,施工現(xiàn)場所涉及的人員及機(jī)械種類日益繁多。同時(shí),由于建筑施工特有的“空間交叉性”,同一空間內(nèi)可能存在多任務(wù)并行推進(jìn)的情況。致使現(xiàn)場施工要素排布混亂影響效率進(jìn)度,甚至于誘發(fā)諸如機(jī)械摩擦、人機(jī)碰撞等空間沖突事故[1],造成經(jīng)濟(jì)損失的同時(shí)對(duì)人員安全也帶來巨大隱患[2]。

目前,針對(duì)空間沖突事故的常規(guī)監(jiān)管手段大多依靠人工,受監(jiān)管人員主觀性干擾及視線盲區(qū)等因素影響,無法對(duì)場景內(nèi)各空間危險(xiǎn)源及影響對(duì)象實(shí)現(xiàn)全面有效的管理。為填補(bǔ)上述短板,相關(guān)研究從不同技術(shù)路徑進(jìn)行了探索。例如,通過4D仿真技術(shù)量化空間資源指標(biāo),對(duì)施工現(xiàn)場空間沖突科學(xué)分析,并優(yōu)化場地資源配置方案[3-5]。射頻識(shí)別(RFID)、全球定位系統(tǒng)(GPS)和超寬帶(UWB)等傳感技術(shù)也被用于實(shí)現(xiàn)工程場景目標(biāo)空間信息感知,從而降低空間安全事故比例[6-8]。但受限于技術(shù)使用成本及工況隨機(jī)性等,空間安全問題依舊無法徹底解決。

與此同時(shí),人工智能及計(jì)算機(jī)視覺相關(guān)技術(shù)的迭代升級(jí),為我們提供1種從視覺層面提取并分析空間尺度信息,從而解決施工空間安全問題的可能性。例如,結(jié)合圖像雙目視差及目標(biāo)檢測結(jié)果,獲取圖像三維坐標(biāo)信息,以實(shí)現(xiàn)目標(biāo)的雙目定位與監(jiān)測[9];1種基于Faster R-CNN框架的空間監(jiān)控方法被用來對(duì)電網(wǎng)設(shè)施周邊工程車輛進(jìn)行識(shí)別定位,以降低設(shè)施損傷概率[10]。另有學(xué)者結(jié)合目標(biāo)檢測及坐標(biāo)變換,對(duì)人員進(jìn)入吊車危險(xiǎn)區(qū)域行為進(jìn)行監(jiān)測并及時(shí)做出預(yù)警,以降低有關(guān)事故發(fā)生概率[11]。

研究發(fā)現(xiàn):“人-物-環(huán)-管”多因素共同構(gòu)成險(xiǎn)兆事件致因鏈條[12]。而現(xiàn)有方法卻將施工空間沖突問題局限于單一的“距離”指標(biāo),對(duì)上述幾類險(xiǎn)兆要素在空間類事故中的影響缺乏深入理解。針對(duì)現(xiàn)有施工空間安全評(píng)估手段的短板及實(shí)際使用場景需求,本文以土方作業(yè)場景為例,對(duì)施工空間沖突險(xiǎn)兆特征展開研究?？紤]事故險(xiǎn)兆要素的特性,提出1種綜合性檢測方法,對(duì)不同狀態(tài)下的人員、設(shè)備進(jìn)行差異區(qū)分,并通過圖像矯正及變換手段獲得圖像目標(biāo)在現(xiàn)實(shí)場景中的空間信息。最終依托多類空間險(xiǎn)兆特征信息實(shí)現(xiàn)更為科學(xué)的空間監(jiān)管,進(jìn)一步提升建筑業(yè)生產(chǎn)效率及施工安全系數(shù)。

1 方案設(shè)計(jì)

以土方作業(yè)場景為例,對(duì)空間沖突相關(guān)事故案例分析,發(fā)現(xiàn)事故主要原因分為2點(diǎn):1)安全裝備缺失的人員侵入處于工作中的工程機(jī)械作業(yè)范圍;2)機(jī)械設(shè)備作業(yè)空間重疊。結(jié)合險(xiǎn)兆致因鏈對(duì)該場景空間沖突事故險(xiǎn)兆特征展開討論,其特征體現(xiàn)為工人安全裝備缺失、機(jī)械設(shè)備活動(dòng)作業(yè)、各施工對(duì)象間過近的空間距離。基于此,本文將人員裝備特征、設(shè)備運(yùn)動(dòng)狀態(tài)、空間距離同步納入空間安全評(píng)價(jià)指標(biāo)中,實(shí)現(xiàn)更全面的空間安全監(jiān)管,方案整體設(shè)計(jì)如圖1所示。

圖1 方案整體設(shè)計(jì)流程Fig.1 Overall design process of scheme

1.1 目標(biāo)檢測算法設(shè)計(jì)

目標(biāo)檢測作為整個(gè)險(xiǎn)兆特征識(shí)別任務(wù)的基礎(chǔ),其目的在于及時(shí)發(fā)現(xiàn)空間沖突事故的潛在危險(xiǎn)對(duì)象。根據(jù)任務(wù)需求,對(duì)相關(guān)檢測算法進(jìn)行比選優(yōu)化。

1)基礎(chǔ)算法選擇

由于施工現(xiàn)場情況復(fù)雜多變,各施工要素流動(dòng)性大,空間排布相對(duì)局促。檢測設(shè)備與支撐算法需綜合考慮目標(biāo)動(dòng)態(tài)差異特征及檢測空間視角等問題。經(jīng)比選,以YOLOv7作為目標(biāo)檢測基礎(chǔ)算法。

YOLOv7算法由主干特征提取網(wǎng)絡(luò)(BackBone)、特征融合網(wǎng)絡(luò)(FPN)以及預(yù)測端部(Yolo Head)組成。相較于早期YOLO版本創(chuàng)新性地在特征提取部分融入多分支堆疊模塊,其內(nèi)部殘差塊使用條約連接緩解增加神經(jīng)網(wǎng)絡(luò)帶來的梯度消失問題;同時(shí)引入過渡模塊Transition_Block,使用Maxpooling和步長為2×2的特征并行進(jìn)行下采樣[13]。

2)算法優(yōu)化改進(jìn)

算法優(yōu)化的核心思想是保證網(wǎng)絡(luò)檢測準(zhǔn)確率的前提下實(shí)現(xiàn)模型輕量化,并降低輕量化對(duì)小目標(biāo)特征信息感知能力帶來的影響。將主干特征提取網(wǎng)絡(luò)替換為MobileOne[14],在深度可分離卷積及重參數(shù)化over-parameterization分支體系下減少參數(shù)量的同時(shí)優(yōu)化模型縮放策略,實(shí)現(xiàn)模型輕量化。同時(shí),在特征融合網(wǎng)絡(luò)中加入SPD-Conv卷積構(gòu)建塊,其中SPD層在保留通道維度信息的情況下對(duì)特征映射進(jìn)行下采樣,避免信息丟失;并在層后添加無步長卷積,以配置可學(xué)習(xí)參數(shù)以降低通道數(shù),減少細(xì)粒度信息丟失以及學(xué)習(xí)特征不足造成的細(xì)小目標(biāo)漏檢。比例因子為2時(shí)SPD-Conv示意圖如圖2所示。最后在檢測頭嵌入SimAM無參數(shù)注意力機(jī)制,抑制檢測圖像中復(fù)雜環(huán)境背景對(duì)人員安全裝備目標(biāo)的次要干擾因素,在不增加額外參數(shù)的前提下保證算法檢測精度。改進(jìn)后的YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

1.2 目標(biāo)運(yùn)動(dòng)屬性識(shí)別設(shè)計(jì)

施工場景空間沖突事故大多發(fā)生于各施工要素并行作業(yè)階段,其中靜止?fàn)顟B(tài)下的施工要素?zé)o法構(gòu)成事故致因鏈中的有效一環(huán)。鑒于此,將機(jī)械設(shè)備運(yùn)動(dòng)狀態(tài)定義為空間險(xiǎn)兆特征并進(jìn)行識(shí)別。

運(yùn)動(dòng)目標(biāo)檢測主要通過圖像分割手段,在連續(xù)圖像序列中提取運(yùn)動(dòng)目標(biāo)特征,尋找序列差異。常規(guī)方法如連續(xù)幀間差分法、光流法等,對(duì)圖像中目標(biāo)前景與背景像素灰度、相機(jī)位置變化有一定要求,且處理過程相對(duì)復(fù)雜,不適用于本文任務(wù)。

而在檢測過程中,目標(biāo)經(jīng)過錨框與人工標(biāo)注真實(shí)框的誤差計(jì)量與補(bǔ)償,將最終輸出目標(biāo)預(yù)測框(predication box)[15],并以文本形式輸出像素坐標(biāo)結(jié)果?；诖?本文提出1種能夠有效利用視覺檢測信息,實(shí)現(xiàn)目標(biāo)運(yùn)動(dòng)狀態(tài)快速、有效識(shí)別的方法。方法主要依托對(duì)視頻流檢測過程中輸出的預(yù)測框角點(diǎn)坐標(biāo)數(shù)組,進(jìn)行誤差優(yōu)化得到目標(biāo)權(quán)重點(diǎn)幀間差值實(shí)現(xiàn)判別。具體判別方法如圖4所示。

圖4 預(yù)測框運(yùn)動(dòng)屬性判別方法示意Fig.4 Schematic diagram for identification method of prediction frame motion attribute

檢測過程獲取目標(biāo)預(yù)測框角點(diǎn)坐標(biāo)數(shù)組(XLα,YLα)、(XRα,YRα),得到其預(yù)測框中心點(diǎn)Hα,如式(1)所示:

(1)

式中:α為平均間隔時(shí)間,s,α=1～n。

為降低由圖像延遲或掉幀等引起預(yù)測框誤差,對(duì)所得中心點(diǎn)再次聚類取值,獲得修正后的加權(quán)中心點(diǎn)Mβ,如式(2)所示:

(2)

式中:Mβ為Hα與Hα+1的加權(quán)中心點(diǎn),β=1～n-1。

設(shè)定相鄰加權(quán)中心點(diǎn)差異閾值Δd,如公式(3)所示,以此對(duì)機(jī)械運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別。

(3)

式中:Δd為相鄰加權(quán)中心點(diǎn)差異閾值,dpi(像素單位);靜止?fàn)顟B(tài)0≦Δd≦10;運(yùn)動(dòng)狀態(tài)Δd>10。

1.3 空間定位方法設(shè)計(jì)

平面圖像由于視角差可能發(fā)生畸變失真,無法準(zhǔn)確獲取深度空間信息。本文提出1種方法,通過靶標(biāo)對(duì)圖像進(jìn)行矯正,將真實(shí)世界空間信息降維,依托二維平面圖像比例關(guān)系實(shí)現(xiàn)對(duì)檢測對(duì)象空間距離的測算。不同于常規(guī)視覺測距方法強(qiáng)調(diào)對(duì)圖像第三維度深度信息進(jìn)行仿真與還原,該方法直接通過現(xiàn)實(shí)空間信息已知的目標(biāo),建立圖像與現(xiàn)實(shí)空間的單應(yīng)性轉(zhuǎn)換關(guān)系,從而直接獲取施工場景內(nèi)各施工要素平面空間距離信息,更加適用于本研究任務(wù)。

1.3.1 圖像矯正(透視變換)原理

透視變換的本質(zhì)即將原圖像通過投影的手段,將其映射至新的承影平面上,遵循透視中心、像點(diǎn)、目標(biāo)點(diǎn)三點(diǎn)共線原則,經(jīng)變換后,原圖像與承影仍能維持“直線性”[16],通用變換公式如式(4)所示。

(4)

1.3.2 目標(biāo)空間定位方法描述

圖像采集過程中,于場景內(nèi)挖掘機(jī)車頂設(shè)置二維碼靶標(biāo),借助其角點(diǎn)進(jìn)行圖像校準(zhǔn),擺脫二維圖像測距對(duì)深度信息的依賴。以此,通過視覺手段實(shí)現(xiàn)挖掘機(jī)環(huán)境距離險(xiǎn)兆特征的提取。步驟如下:

1)對(duì)輸入的圖像進(jìn)行邊緣提取。圖像噪聲可能導(dǎo)致相鄰像素間發(fā)生離散,使用高斯濾波器對(duì)圖像進(jìn)行卷積獲得像素梯度,并通過矩陣保持像素間相似性并去除噪聲。采取非極大抑制排除低特征邊緣點(diǎn),在滯后閾值再次篩選下提取二值邊緣圖像。

2)利用所得邊緣圖像,通過RANSAC算法[17]對(duì)直線擬合確定二維靶標(biāo)外緣輪廓線。從圖像提取一組隨機(jī)樣本點(diǎn),擬合出兩點(diǎn)連線對(duì)應(yīng)方程,并對(duì)該直線外緣兩側(cè)設(shè)定門限記錄門限正負(fù)區(qū)間內(nèi)的內(nèi)點(diǎn)容積量,迭代4×102循環(huán)得出4組門限內(nèi)點(diǎn)最多的方程,各方程間的同解即為圖像轉(zhuǎn)換靶標(biāo)角點(diǎn)。

3)通過標(biāo)靶四角點(diǎn)像素坐標(biāo),將靶標(biāo)尺寸及像素信息映射在預(yù)設(shè)二維平面坐標(biāo)體系下,該平面空間信息對(duì)應(yīng)現(xiàn)實(shí)空間;由二維碼靶標(biāo)在原始輪廓圖像中的角點(diǎn)像素坐標(biāo)(U1-4,V1-4)以及矯正二維平面坐標(biāo)體系中的角點(diǎn)坐標(biāo)(X1-4,Y1-4)構(gòu)建坐標(biāo)變換單應(yīng)性矩陣,實(shí)現(xiàn)原始圖像矯正,變換公式如式(5)所示:

(5)

聯(lián)立式(4),可推導(dǎo)如式(6)所示:

(6)

4)對(duì)矯正后的二維圖像進(jìn)行現(xiàn)實(shí)距離比例換算,比例系數(shù)K,如式(7)所示:

(7)

式中:QRdistance為二維碼靶標(biāo)邊長實(shí)際尺寸,mm;real(Row[2]-Row[1])為二維碼靶標(biāo)邊長像素尺寸,dpi(像素單位)。

5)由目標(biāo)檢測部分輸出目標(biāo)識(shí)別框中心點(diǎn)之間的像素距離L0,乘以比例系數(shù)K,得到目標(biāo)間的真實(shí)空間距離D,如式(8)所示:

(8)

式中:(Xp,Yp)為人員及卡車檢測框中心坐標(biāo);(XT,YT)為施工機(jī)械檢測框中心坐標(biāo)。

2 模型訓(xùn)練

2.1 圖像數(shù)據(jù)集構(gòu)建

1)檢測類別劃分

首先明確場景內(nèi)施工要素,包括人員、挖掘機(jī)、渣土裝載卡車。將挖掘機(jī)外部整體以及核心主體這兩類互為包含關(guān)系的目標(biāo)拆分,分別應(yīng)用于運(yùn)動(dòng)狀態(tài)屬性判別及空間定位方法。其次考慮現(xiàn)場工種繁雜及安全施工評(píng)價(jià)的必要性,對(duì)人員安全裝備特征進(jìn)行更細(xì)致地分類,施工要素檢測類別如表1所示。

表1 施工要素檢測類別Table 1 Detection categories of construction elements

2)圖像采集與標(biāo)注

本文采用無人機(jī)實(shí)地采集、仿真機(jī)械模型拍攝以及網(wǎng)絡(luò)檢索3類渠道獲取符合檢測需求的7 587張樣本圖像。使用labelimg標(biāo)注工具對(duì)圖像目標(biāo)進(jìn)行標(biāo)注,生成XML標(biāo)注文件以構(gòu)建PASCAL VOC數(shù)據(jù)集。訓(xùn)練前,對(duì)輸入圖像使用Mosaic數(shù)據(jù)增強(qiáng)的方式,進(jìn)一步提升魯棒性。

2.2 算法訓(xùn)練與結(jié)果訓(xùn)練

1)訓(xùn)練結(jié)果驗(yàn)證

模型訓(xùn)練過程考慮訓(xùn)練平臺(tái)性能設(shè)置批訓(xùn)練大小為4,迭代世代(epoch)為150,input圖像尺寸為[640,640],初始學(xué)習(xí)率為0.001,權(quán)重衰減參數(shù)為0.000 5,并按9∶1比例劃分訓(xùn)練集與驗(yàn)證集。同時(shí)采用早停法監(jiān)測訓(xùn)練集損失值以防止訓(xùn)練結(jié)果過擬合。使用合并分支重參數(shù)化預(yù)訓(xùn)練權(quán)重進(jìn)行遷移學(xué)習(xí),訓(xùn)練過程平均精度及損失曲線如圖5所示。

圖5 平均精度及損失值變化曲線Fig.5 Curves of average accuracy and loss change

2)評(píng)價(jià)指標(biāo)

本文選用每秒識(shí)別圖像數(shù)量(FPS)、精確率(Precision)、召回率(Recall)以及平均精度mAP(正負(fù)樣本閾值取0.5),對(duì)識(shí)別速率及精度進(jìn)行評(píng)估。計(jì)算公式如式(9)～(10)所示:

(9)

(10)

(11)

式中:TP表示將正類預(yù)測為正類數(shù),即準(zhǔn)確預(yù)測;FP表示將負(fù)類預(yù)測為正類,即錯(cuò)誤預(yù)測;FN表示將正類預(yù)測為負(fù)類,即錯(cuò)誤預(yù)測。

算法性能對(duì)比如表2所示,可知相較于原始YOLOv7網(wǎng)絡(luò)的“多分支堆疊+Transition_Block過渡”的主干結(jié)構(gòu),使用MobileOne替換后的算法在處理速度上有顯著提高,精確度小幅波動(dòng)而召回率受影響較大發(fā)生不同程度地降低,可見主干輕量化提高了誤檢率。在融入SPD-Conv卷積及SimAM無參注意力機(jī)制后,相較于Yolov7雖然在mAP精度小幅下降2.79個(gè)百分點(diǎn),但檢測速度大幅提升50%,有效保證檢測視頻的流暢度,降低運(yùn)動(dòng)狀態(tài)判別的誤差概率。其次,強(qiáng)化了網(wǎng)絡(luò)全局處理效率,確保復(fù)雜施工場景中對(duì)多個(gè)空間安全險(xiǎn)兆目標(biāo)的同步識(shí)別。最后,對(duì)各險(xiǎn)兆目標(biāo)更快速地識(shí)別為及時(shí)阻斷空間安全風(fēng)險(xiǎn)提供寶貴的窗口期,從而實(shí)現(xiàn)施工空間安全的有效監(jiān)管。

表2 算法性能比對(duì)Table 2 Comparison of algorithm performance

3 測試方法應(yīng)用

為評(píng)估該方法在實(shí)際工程場景的有效性,選擇某土方作業(yè)施工現(xiàn)場作為實(shí)地測試場景,于目標(biāo)挖掘機(jī)駕駛艙頂部固定1 m×1 m二維標(biāo)定碼,以無人機(jī)升至規(guī)定高度進(jìn)行大角度俯拍對(duì)目標(biāo)進(jìn)行視頻采集。將獲得視頻信息以每30幀截取1張圖像數(shù)據(jù),并進(jìn)一步對(duì)圖像進(jìn)行篩選同時(shí)劃分不同要素測試集。目標(biāo)檢測測試結(jié)果通過各標(biāo)簽類別AP值以及預(yù)測框運(yùn)動(dòng)狀態(tài)判別準(zhǔn)確率判斷,目標(biāo)測距測試結(jié)果通過實(shí)際距離與測算誤差百分比作為評(píng)價(jià)指標(biāo)。

3.1 目標(biāo)檢測與屬性判斷結(jié)果

測試按照施工要素繁簡程度劃分為單一少目標(biāo)場景與復(fù)雜多目標(biāo)場景,并在每類場景下選取多個(gè)施工場地分別進(jìn)行驗(yàn)證。其中,單一少目標(biāo)場景一包含1部挖掘機(jī)和1位工人,場景內(nèi)挖掘機(jī)處于相對(duì)靜止?fàn)顟B(tài);場景二包含1部挖掘機(jī)及1輛渣土裝載卡車,挖掘機(jī)處于正常運(yùn)作中(包含運(yùn)動(dòng)、靜止?fàn)顟B(tài))。復(fù)雜多目標(biāo)場景三與場景四涵蓋土方作業(yè)完整要素。按上述步驟從4個(gè)分場景各選取連續(xù)300張圖像輸入模型進(jìn)行檢測并人工復(fù)核各類AP值。通過預(yù)測框加權(quán)差值識(shí)別法判別機(jī)械目標(biāo)運(yùn)動(dòng)屬性,連續(xù)的3張圖像組成判別對(duì)照組,各分場景共獲得400組。經(jīng)復(fù)核,反饋數(shù)據(jù)信息如表3～4所示。圖6為單一場景目標(biāo)檢測示意,圖7為復(fù)雜場景目標(biāo)檢測示意。

表3 單一目標(biāo)檢測精度及屬性判別準(zhǔn)確率Table 3 Single target detection accuracy and attribute discrimination accuracy

表4 復(fù)雜目標(biāo)檢測精度及屬性判別準(zhǔn)確率Table 4 Complex target detection accuracy and attribute discrimination accuracy

圖6 單一場景目標(biāo)檢測示意Fig.6 Example diagram of single scene target detection

圖7 復(fù)雜場景目標(biāo)檢測示意Fig.7 Example diagram of complex scene target detection

3.2 目標(biāo)測距結(jié)果

針對(duì)測距精度的關(guān)鍵評(píng)價(jià)指標(biāo)即測算距離與實(shí)際空間距離之間的誤差評(píng)估。依托trackit藍(lán)牙定位軟件,將藍(lán)牙信標(biāo)布置于檢測對(duì)象,以此作為實(shí)際距離對(duì)照的替代方案,精度符合測試需求。為充分驗(yàn)證測距方法在本文研究中的準(zhǔn)確性,在4個(gè)場景中共選取21個(gè)目標(biāo)樣本展開測距驗(yàn)證,結(jié)果及誤差對(duì)比如表5所示。測距效果示意圖如圖8所示。

表5 目標(biāo)測距結(jié)果及誤差對(duì)比Table 5 Target distance measurement results and error comparison

3.3 測試結(jié)果討論

基于以上結(jié)果,挖掘機(jī)、卡車、人員這3類目標(biāo)達(dá)到較高識(shí)別精度,而場景中安全裝備特征的識(shí)別表現(xiàn)并未達(dá)到預(yù)期。經(jīng)分析,原因主要為此類樣本尺寸過小,通過加入SPD-Conv卷積塊雖相對(duì)緩解了輕量化結(jié)構(gòu)對(duì)檢測精度的負(fù)面影響,但圖像感知能力仍有缺陷。同時(shí),在復(fù)雜目標(biāo)場景中,由于物體遮擋及目標(biāo)重疊等原因,易出現(xiàn)“漏檢”現(xiàn)象?；谝陨蠁栴},在后續(xù)方法的優(yōu)化過程中,首先可在改進(jìn)算法基礎(chǔ)上進(jìn)一步對(duì)主干網(wǎng)絡(luò)額外加入小目標(biāo)檢測層,作為提升細(xì)小特征檢測精度的嘗試;其次進(jìn)一步擴(kuò)充數(shù)據(jù)樣本,以提高檢測方法魯棒性。

4 結(jié)論

1)本文以目標(biāo)檢測算法及圖像透視變換技術(shù)為基礎(chǔ)支撐,實(shí)現(xiàn)施工場景內(nèi)的危險(xiǎn)目標(biāo)檢測、運(yùn)動(dòng)屬性判別及空間距離3類險(xiǎn)兆特征識(shí)別。并以土方作業(yè)為例,通過訓(xùn)練及評(píng)估,驗(yàn)證方法的有效性。

2)本文提出的目標(biāo)檢測算法對(duì)事故險(xiǎn)兆目標(biāo)識(shí)別精度達(dá)到95.0%,檢測速度提升至46.3 FPS,達(dá)到同級(jí)別較優(yōu)水平。同時(shí)對(duì)目標(biāo)運(yùn)動(dòng)屬性的判別精度達(dá)91%以上,滿足實(shí)際應(yīng)用需求。對(duì)“距離”這一事故早期征兆,其精度保持在了92%～96%區(qū)間,相較于傳統(tǒng)人工目視估計(jì),更為精準(zhǔn)有效;而對(duì)比其他距離估計(jì)算法又更為便捷,有助于實(shí)際部署。

3)在后續(xù)研究中,可依據(jù)相關(guān)安全規(guī)范制定空間安全管控規(guī)則,將識(shí)別結(jié)果映射于規(guī)則中并細(xì)化危險(xiǎn)評(píng)級(jí),有助于對(duì)潛在空間沖突危險(xiǎn)進(jìn)行識(shí)別預(yù)警與前攝干預(yù)。未來,通過對(duì)目標(biāo)類別進(jìn)一步增容及相關(guān)場景的優(yōu)化訓(xùn)練,此套方法可由土方施工場景遷移至多行業(yè)領(lǐng)域,提高方法應(yīng)用多樣性。