基于DeepFlux 算法的建筑施工腳手架間距檢測

林鴻強， 陳文鏗， 黃宏安， 陳國棟， 黃明煒， 俞文龍， 林進潯， 熊海寧

（1 福州大學物理與信息工程學院， 福州 350108； 2 福建數(shù)博訊信息科技有限公司， 福州 350002；3 中鐵十七局集團第六工程有限公司， 福州 361009）

0 引 言

近幾年，國內(nèi)建筑安全事故已成為關(guān)注熱點。研究可知，在施工現(xiàn)場的各種危險源中，高空作業(yè)是一個高危環(huán)節(jié)，腳手架的安裝操作如果并不規(guī)范就可能導致高空墜落等傷亡事故，因此施工安全管理必須高度重視這一風險的控制。 根據(jù)腳手架搭設(shè)作業(yè)安全要求［1］，單排腳手架立桿間距、步距應在1.5～1.8 m 之間、不應大于2 m，立桿橫距應在1.2 ～1.4 m之間；雙排腳手架立桿間距、步距應在1.5 ～1.8 m之間、且不應大于2 m，立桿橫距應在1.05 ～1.5 m之間。 傳統(tǒng)的腳手架檢測方法是通過人工測量來進行的，即需要人工攀爬腳手架，利用杖尺、皮尺和卡尺等工具來完成測量。 這種傳統(tǒng)落后的測量方式不僅低效，而且在測量過程中也在很大程度上增加了測量人員的安全隱患，因此采用計算機視覺來實現(xiàn)腳手架的安全規(guī)范檢測就具有非常重要的現(xiàn)實意義。

由于傳統(tǒng)的骨架提取算法不能直接從自然圖像中計算出物體的骨架信息，而且計算出來的骨架也不能滿足單像素寬度和連通性的要求。 針對上述問題，Wang 等學者［2］提出了一種新穎的上下文flux 來表示對象骨架，明確地表明了圖像像素與其最接近的骨骼點之間的關(guān)系。 還開發(fā)了DeepFlux 算法，該算法可以準確有效地檢測圖像中對象的骨架信息。實驗證明，該算法應用于腳手架的骨架提取可以達到非常好的效果，在此基礎(chǔ)上繼續(xù)對圖像進行處理，最終能精確計算出腳手架杠間間距，在腳手架的安全檢查中具有很高的使用價值。

1 骨架提取算法

1.1 DeepFlux 結(jié)構(gòu)

DeepFlux 算法的網(wǎng)絡遵循文獻［3］的全卷積結(jié)構(gòu)，如圖1 所示。 由圖1 可知，該結(jié)構(gòu)主要由3 個模塊組成，分別是： 一個用于提取三維特征圖的主干網(wǎng)絡；一個空洞空間卷積金字塔池化（ASPP）模塊［4］，用于擴大感受野，同時避免過度下采樣；以及一個多階段特征融合模塊。

圖1 網(wǎng)絡架構(gòu)Fig. 1 Network architecture

DeepFlux 算法采用VGG16 作為骨干網(wǎng)絡，使用空洞模塊的原因是需要一個寬廣的感受野：在提取骨架時，必須保證網(wǎng)絡的感受野比輸入圖像中物體部分的最大內(nèi)側(cè)半徑寬。 VGG16 骨干網(wǎng)絡的感受野是196，對于大型對象來說不夠?qū)挕?因此，采用ASPP 來捕捉多尺度信息。 具體來說，通過在骨干層的最后一層加入4 個具有3×3 核、但具有不同空洞率（2、4、8、16）的平行空洞卷積層，而后沿通道維度進行連接。通過這種方式，獲得了理論感受野大小為708 的特征圖，這對實驗的圖像來說是足夠大的。

為了構(gòu)建輸入圖像的多尺度表示，通過融合了1×1 的核進行卷積后的來自Conv3、Conv4、Conv5 和ASPP 層的側(cè)輸出流的特征圖。 由于不同層次的特征圖具有不同的空間分辨率，在對其進行連接前將相應的大小調(diào)整為Conv3 的尺寸，然后在融合后的特征圖上進行預測，再上采樣到輸入圖像的維度。對于上采樣，使用雙線性插值的方法。 網(wǎng)絡的最終輸出為一個雙通道響應圖，其中包含對圖像中每個像素p的圖像上下文flux 的和坐標的預測。

1.2 算法改進

骨架提取算法初始的骨干網(wǎng)絡是采用VGG16作為特征提取網(wǎng)絡，試驗結(jié)果不理想，不能對腳手架圖像進行精確的骨架提取，而后續(xù)的計算誤差很大程度依賴于腳手架骨架提取的效果。 因此在原有特征提取網(wǎng)絡的基礎(chǔ)上對算法結(jié)構(gòu)進行優(yōu)化，使用InceptionV3、ResNet-50、Res2Net 等特征提取網(wǎng)絡作為骨架提取算法的骨干網(wǎng)絡進行訓練。

2 訓練策略

2.1 數(shù)據(jù)集與數(shù)據(jù)增強

數(shù)據(jù)增強［5］是提升算法檢測精度最有效的手段之一，隨機性擾動或者抖動已獲取的數(shù)據(jù)來獲取更多的訓練樣本，這種數(shù)據(jù)增強方式簡單且具有強大的功能。 對增強后的數(shù)據(jù)進行標記，腳手架提取模型訓練中的訓練集和測試集的數(shù)量見表1。

表1 腳手架骨架提取數(shù)據(jù)集Tab. 1 Scaffold skeleton data set

2.2 環(huán)境配置

本次實驗在Linux 的操作系統(tǒng)下完成，采用的IDE 為Pycharm，框架為pytorch。 硬件配置中，CPU為Inter Core I7-9700，GPU 為NVIDIA GeForce GTX 2080TI 11 GB，內(nèi)存大小為16 GB。

2.3 環(huán)境配置

為了更加客觀地評價不同骨干網(wǎng)絡提取結(jié)果的準確性，將在設(shè)置相同的網(wǎng)絡參數(shù)、同一個數(shù)據(jù)集的前提下對不同骨干網(wǎng)絡進行訓練、測試，實驗比對結(jié)果如圖2 所示。 根據(jù)結(jié)果表明，將原算法的VGG16網(wǎng)絡替換為InceptionV3 網(wǎng)絡能提高腳手架圖像骨架識別的精確度。

圖2 不同網(wǎng)絡訓練結(jié)果Fig. 2 Results of different network training

3 實驗與分析

3.1 骨架提取結(jié)果分析

經(jīng)過實驗比對，由圖2 可知，InceptionV3 特征網(wǎng)絡在腳手架的骨架提取上相比起原算法中的VGG16 等網(wǎng)絡，具有更高的精度，因此，將采用改進后的網(wǎng)絡對腳手架圖片進行骨架提取。

對測試集腳手架的圖像進行骨架識別，實驗結(jié)果如圖3 所示，基本上還原了腳手架的骨架結(jié)構(gòu)。但是識別的骨架并不都呈一條直線，有些部位會出現(xiàn)些許線段移位。 因此，要對骨架提取的結(jié)果做進一步處理。

圖3 骨架提取效果Fig. 3 Skeleton extraction effect

3.2 間距計算

在3.1 節(jié)中根據(jù)改進后的骨架提取算法得到了腳手架骨架提取圖，本小節(jié)針對腳手架骨架提取圖像的特征提出了一種交點檢測算法，采用計算交點間距的方式來得到腳手架間距像素值，而后再使用像素標定的方法得到腳手架的真實間距值。

3.2.1 交點計算

為了得到腳手架交點信息，首先要對圖像進行二值化處理，防止誤識過多交點。 其次，對圖像進行膨脹腐蝕處理，接著計算每個像素的4 鄰域之和，將鄰域之和大于2 的像素點坐標保留。 最后，刪除重合點坐標，計算相鄰交點的歐式距離，就得到了腳手架的像素間距值d。 流程圖如圖4 所示。

3.2.2 像素標定

計算出像素間距d后，接著采用標靶法將像素間距d轉(zhuǎn)換為實際間距D。 像素間距d與實際間距D是正比關(guān)系，比例系數(shù)為k，單位為cm/pix。 假定圖像拍攝過程中圖像平面和參考的目標物之間盡量平行，經(jīng)過多張圖片實驗，本次實驗結(jié)果中k的取值為50 cm/pix，最終實驗結(jié)果如圖5 所示，可以看出腳手架桿間間距相差不多，采用交點檢測方法也很好地避免了些許線段移位的影響。

3.2.3 效果與評價指標

為驗證檢測結(jié)果的準確性，將500 張計算機預測的結(jié)果圖片與對應的實際腳手架的長度進行誤差分析，結(jié)果見表2，計算出來的橫桿、立桿與實際長度的誤差在5%左右。

表2 計算誤差分析Tab. 2 Calculation error analysis

4 結(jié)束語

通過將DeepFlux 骨架提取算法中的特征提取網(wǎng)絡替換為InceptionV3，接著對腳手架骨架提取結(jié)果進行一系列圖像處理，實現(xiàn)了通過腳手架圖片來檢測腳手架的安裝規(guī)范。 實驗表明，采用骨架提取算法和進一步的圖形處理來代替?zhèn)鹘y(tǒng)的腳手架人工檢測方法是可行的，并且誤差僅為5%左右，完全能夠做到代替人工測量，實現(xiàn)腳手架的安全規(guī)范檢測。雖然該實驗已經(jīng)基本完成了研究目標，但該實驗圖像是建立在拍攝圖像與水平垂直的基礎(chǔ)上，如果拍攝的圖像較為傾斜，則腳手架的檢測效果可能就會與實際不符。 因此，為了對傾斜拍攝的腳手架圖片進行后續(xù)安全規(guī)范檢測，可以在圖像預處理階段對傾斜的圖片進行傾斜校正處理［6］。