基于計算機圖像識別的工程監理新模式探索

李奇巖

(上海建科工程咨詢有限公司，上海 200010)

0 引言

施工現場環境多變且復雜，工程施工人員交叉作業、高空作業多，施工作業人員安全意識薄弱，因此是一個具有一定安全隱患的復雜環境。目前，施工現場的工程監理仍然采用的是人工監察，人工監管具有效率低，排查慢，預防性差等特點，與此同時也常常出現監督人員不足，管理工作量大，違規行為操作無法有效杜絕，事故發生處理不及時，取證難度大等問題。隨著科技的進步，視頻監控系統、無人機與計算機圖像識別技術的結合為上述問題提供了新思路，也為工程監理行業開辟了一個新的發展方向，同時也符合建筑智能化、信息化的發展趨勢。

1 基于圖像識別的工程監理發展現狀

圖像識別技術是一種能夠在視頻和圖片中檢測出樣本物體的算法，常見的圖像識別技術包括人臉識別、行人檢測、車輛檢測、物品檢測等。近年來，國內的專家學者對圖像傳輸和處理也有了較大的進展，并不斷將圖像識別技術應用到工程領域各個方面，如利用無人機技術結合數字圖像識別技術檢查施工現場鋼筋數量、間距、尺寸是否符合要求[3]，將圖像識別應用于橋梁裂縫檢測[6]，或者利用圖像識別技術打造一套鐵塔施工現場的智能監控系統[5]等等。

2 應用于工程監理的計算機圖像識別系統平臺搭建

目前圖像識別技術應用于施工領域較多，與傳統工程監理業務相結合的應用相對較少，因此本文建立了一套與傳統監理業務相結合的計算機圖像識別系統，系統建立流程如圖1所示，并以識別現場施工人員施工作業時安全帽佩戴情況為例論述該系統在工程監理領域的應用，進而打造一種現代科技與傳統監理業務相結合的工程監理新模式。

2.1 采集施工現場圖像數據

本系統開發過程中對于現場施工圖像數據的獲取主要采取兩種方式，一種是安裝在活動板房的半固定攝像頭(如圖2所示)，另一種方式是無人機搭載高清攝像機。半固定攝像頭安裝有軌道，可在一定范圍內進行移動和旋轉，通過調節攝像頭位置及角度本系統平臺在搭建過程中選定了299個特定場景，可以覆蓋整個施工現場，通過Python語言編程可以實現攝像頭對299個特定場景進行自動巡航，從而實現實時的、全過程的、不間斷地獲取整個施工現場圖像數據。無人機搭載高清攝像機的獲取圖像數據的方式為人為操作無人機對建筑物細部或者環繞施工場地進行拍攝，在系統平臺搭建過程中建立了用于接收無人機圖像數據的rtmp服務器，通過圖傳技術可以將獲取的圖像數據實時上傳至系統平臺，更快捷地排查施工現場局部安全隱患。

2.2 圖像預處理

圖像數據的獲取是圖像識別系統的關鍵步驟，然而由于施工現場環境較為復雜，攝像頭或無人機采集回來的圖像數據往往清晰度不高，且光線對圖像也造成一定的影響，為弱化圖像數據中由于拍攝原因造成的不良干擾,以便提高圖像識別的準確度,需要對圖像進行預處理，將圖像標準化。本系統搭建過程中首先對獲取的圖像數據采用H.264編解碼技術對每一幀進行解碼將其轉換為RGB圖像數據，然后對其采用“高斯濾波”“圖像歸一化”及“圖像特定尺寸縮放”等方式進行處理，從而提高圖像質量,增強細節顯示,強調圖像特征，具體處理過程如圖3所示。

2.3 圖像特征提取

圖像處理結束后需要對圖像特征進行提取，圖像特征骨干網絡提取的好壞直接關系到整個檢測識別的準確度。在本系統平臺搭建過程中，提取圖像特征骨干網絡采用深度殘差卷積神經網絡(英文簡稱DenseNet)，通過基于模型權重的遷移學習方法，在已有的DenseNet預訓練模型上，結合所采集的工程圖像數據對其實現微調，得到一個適用于工程圖像數據領域的深度學習訓練模型，具體處理過程如圖4所示。

2.4 目標檢測與識別

攝像頭、無人機獲取的圖像數據經過圖像預處理、特征提取后可以得到一個深度學習訓練模型，在獲取大量圖像的前提下可以構建一個深度學習訓練模型集合，對該集合進行標記目標對象(如：未戴安全帽的操作工人)可以得到一個初步的檢測識別模型，利用深度學習技術對初步檢測識別模型進行前期訓練和后期優化兩個階段后可以實現構建最終的檢測識別模型。

在檢測識別模型的構建過程中，前期模型訓練首先采用人工標記，人工標記通過矩形框的形式對深度學習訓練模型集合進行標注從而得到一個初步的檢測識別模型，將該模型數據與基“Anchor”機制的目標檢測位置實現回歸、擬合訓練，通過批量的數據訓練，得到一個經過訓練后的檢測識別模型，驗證訓練后的檢測識別模型，若正確率達到90%以上則視為訓練完成，進入后期優化階段，若正確率未達到則進行重新訓練(如圖5所示)。

對于已訓練完成的工程圖像數據檢測識別模型后期優化采用人工異常矯正，模型自我強化學習的方式。在此階段，對獲取的經圖像預處理后實時圖像數據用訓練好的檢測識別模型進行目標對象的檢測與識別，識別有誤時進行人工矯正，使檢測識別模型根據矯正信息實現重新學習自我更新，從而使模型優化，當準確率達到項目實際需求時(如準確率95%)即可投入使用，完成圖像識別系統平臺搭建工作，未達到則繼續進行優化(如圖6所示)。應用于工程監理的圖像識別系統如圖7所示。

3 結合圖像識別系統處理現場安全隱患

以識別某項目施工現場施工作業人員安全帽佩戴情況為例，對基于圖像識別系統的工程監理新模式下安全隱患處理過程進行簡述。在視頻監控設備安裝完成后，將上述系統平臺安裝在項目監理部電腦上，將系統平臺賬號與項目主管安全的監理工程師手機號綁定，當系統檢測到施工現場有施工人員未佩戴安全帽時，系統將以短信的形式將報警信息發送給主管安全的監理工程師，監理工程師可根據短信報警時間在系統查找該時間段視頻資料，下載保存后可作為后期對施工單位開出整改通知的依據(見圖8)。

4 結語

通過現場安全佩戴情況識別的例子可以證明圖像識別技術與傳統監理業務相結合的可行性和實用性，目前系統在搭建過程中成功以安全帽佩戴和防護欄設置兩種安全隱患作為有效目標進行識別，該技術還可進一步用于高空作業安全帶佩戴、安全網缺失等其他施工安全隱患，能夠有效完成工程監理中安全監督的任務。除此之外，基于圖像識別系統下的工程監理模式在管理方面不僅減少了安全監理工程師工作量，同時還最大限度的提高了工程監理的安全監管力度，另一方面，對于施工人員，在視頻監控24 h不間斷的安全監管下，施工人員個人的操作也會得到一定的約束，使得他們在施工過程中更加規范自己的行為，從而更有效的做到自主管理。