基于卷積神經網絡算法的城市軌道交通施工人員不安全行為智能識別技術*

郭 飛 孔 恒 喬國剛

(北京市政建設集團有限責任公司, 100048, 北京)

1 城市軌道交通施工人員不安全行為產生機理

不安全行為產生的本質上是人的行為選擇,主要來源于人的錯誤推測、意外的動作、錯誤判斷和不安全思想。通常采用人的一般行為機制模式,即刺激-個體生理心理-反應模型來描述此特征。認知理論中將人的認知分為發現信息、理解信息、思考應對、執行應對等4個環節;行為約束理論中認為人處在社會大環境中,人的行為產生受到社會大環境的約束[1-2]。依據行為機制模式、認知理論及行為約束理論,結合城市軌道交通的施工特點,構建城市軌道交通施工人員不安全行為產生機理(見圖1)。

圖1 城市軌道交通施工人員不安全行為產生機理

結合城市軌道交通施工的實際工作環境,施工人員不安全行為產生機理闡述為[3]:第1個環節為施工人員通過耳、鼻、眼等感知器官接收到危險信息信號。第2個環節為施工人員在接收到危險信息信號后,對信息信號的辨識理解。前兩個環節主要表現為施工人員受到自身心理、生理、安全知識等內部自身素質,以及現場環境、人際環境等外部環境的刺激。第3個環節為施工人員對危險信息進行思考并在大腦中檢索應對方案,此過程受到自身安全意識、態度、能力等的內部約束,以及安全監督、檢查、懲罰情況等的外部約束。第4個環節為施工人員按照思考出的應對方案選擇執行,選擇執行與否受到自身安全價值觀的內部激勵和安全行為激勵的外部激勵影響。若每個環節輸出均有效,將會促使施工人員做出安全行為;反之,若有1個環節輸出為無效,將會促使施工人員做出不安全行為。

2 施工人員不安全行為識別方法

2.1 高精度定位技術

采用UWB(超寬帶無線通信)高精度定位系統,對施工人員的不安全行為進行識別。該系統具有人員精確實時定位、電子圍欄、關鍵位置點攝像機聯動、現場安全作業標準化、現場聲光報警和廣播通知、防碰撞及違規接觸設備預警及運動軌跡回放等功能。該系統通過計算出移動標簽與定位基站之間的距離,再通過特有算法定位標簽位置,以判斷定位卡位置的人員范圍,同時利用動態圖形對其進行顯示[4]。UWB高精度定位系統結構示意圖見圖2。

注:POE為以太網供電。

因此,城市軌道交通施工人員不安全行為精確定位技術通過人員定位卡、攝像頭、UWB通信、定位基站多終端結合模式,自動識別施工人員對于城市軌道交通施工過程中可能出現的位置隱患,通過定位技術來解決由于位置隱患帶來的不安全因素。

2.2 攝像機自標定技術

若要實現危險源的智能識別,需首先進行攝像機標定,目的在于獲得攝像機的內外參數及畸變參數,進而矯正畸變并重構三維圖像。

假定空間一點的世界坐標為Pw(Xw,Yw,Zw),攝像機坐標為Pc(Xc,Yc,Zc),圖像坐標為Pu(Xu,Yu),則從攝像機坐標系到圖像坐標系的轉換表示為:

(1)

式中:

Xd、Yd——轉換系數。

采用的畸變模型為:

(2)

式中:

k1、k2、k3——徑向畸變系數;

p1、p2——切向畸變系數。

從世界坐標到像素坐標之間轉換的實現,需經歷攝像機坐標與圖像坐標,得到式(3):

(3)

式中:

s——適應齊次坐標的比例因子;

c——不垂直因子,一般情況下感光元件為矩形,故設為0;

fg、fh——攝像機在圖像像素坐標系中以像素為單位的焦距;

g、h——攝像機的坐標;

g0、h0——圖像像素的坐標;

R、［Objective］——旋轉矩陣和平移矩陣。

最后,求出攝像機參數,即:內參數fg、fh、g0、h0、k1、k2、k3、p1、p2,外參數R、［Objective］。

為了使提取的圖像具有高清晰度,需對其進行預處理。本研究采用裝置內嵌的機器視覺庫來進行處理。圖像處理流程如圖3。

圖3 圖像處理流程

2.3 基于卷積神經網絡算法的智能識別技術

結合卷積神經網絡算法,對人不安全行為進行識別?；诰矸e神經網絡算法的智能識別框架[5-7]見圖4。

圖4 基于卷積神經網絡算法的智能識別框架圖

本研究首先采集城市軌道交通施工監控視頻數據,包括安全帽、安全帶、工服及香煙等物品的正樣本,以及數量遠大于正樣本數量的負樣本(即出現在城市軌道交通施工中但無危險性的物品)。在將城市軌道交通施工圖像案例預處理后,提取對應圖像的融合特征,包括邊緣特征、顏色特征和紋理特征;將圖像的融合特征轉化為像素點并以卷積核(即權重)的形式表示,從而得到卷積層的輸出結果;對卷積層輸出結果進行匹配,從而基于圖像的融合特征實現智能識別。計算模型為[8]:

(4)

(5)

式中:

ηn(ai)——第n特征階層;

U——灰度級數目;

ai——處理后目標圖像灰度隨機變量,0≤i≤U-1;

x(ai)——對應的灰度直方圖。

通過量綱一化處理,可得到城市軌道交通施工過程中的圖像融合特征η3(a):

(6)

基于卷積神經網絡算法,進一步從城市軌道交通施工作業現場或重點區域采集的視頻畫面中提取關鍵信息,識別出視頻畫面中的目標特征,以及視頻畫面中的違章行為,例如,施工人員未進行身份驗證、未佩戴安全帽和安全帶、未穿戴工服,以及施工現場出現明火煙霧等,并實時預警處理。具體的識別流程為:識別出施工人員行為或著裝是否符合安全標準,如果滿足則忽略該信息;如果不滿足安全需求,系統將會將此情況傳輸至調度中心并發出報警信號,提示相關人員立即更正錯誤行為。城市軌道交通施工人員不安全行為的智能識別流程見圖5。

3 案例分析

以安全帽識別為例,首先構建安全帽識別拓撲圖(見圖6)。

圖6 未佩戴安全帽識別系統拓撲圖

施工現場安全帽識別流程為:以施工現場的工人為識別對象,以網絡攝像機為載體,通過識別主機進行信息篩選并進行網絡傳輸,將信息分別輸送到管理儲存器、客戶端主機等,并對相應的違規行為通過音響進行制止。

對基于卷積神經網絡的施工人員不安全行為識別的算法進行準確性測試:基于現場施工圖庫選取圖片作為識別對象,要求圖片中同時存在戴安全帽與未戴安全帽的目標對象;基于卷積神經網絡算法對圖片中的目標對象進行特征提取,并將兩個人的狀態進行區分。測試表明:本研究的算法可實現對未佩戴安全帽人員的識別,即驗證了該算法智能識別的準確性。

因此,在施工現場當攝像機獲取的圖像中出現未戴安全帽的人員時,軟件自動從攝像機視頻流中抓拍圖像和報警。識別過程中對于安全帽的顏色未限制,并且需滿足以下要求:遠距離時,人體高度需大于整體圖像的 1/10,即人眼可分辨;近距離時,人體至少露出上半身。

進一步進行施工現場安全帽識別試驗,如圖7所示。通過對城市軌道交通施工人員視頻采集終端采集的視頻畫面分析發現該員工未戴安全帽,將該識別信息上傳至調度中心,證明了本研究中識別施工人員不安全行為的準確性。同時施工現場通過語音播報對該行為進行預警,最終實現施工區域未佩戴安全帽行為的智能管理。

圖7 施工現場安全帽識別試驗

4 結語

針對城市軌道交通施工過程中由于施工人員的不安全行為,以及傳統管理模式滯后造成的安全隱患,分析了城市軌道交通施工過程中施工人員不安全行為的產生機理,并對其進行細化分類。基于此綜合采用UWB高精度定位技術、攝像機自標定技術及卷積神經網絡算法,實現對施工人員的定位,以及對施工人員行為動作的高精度捕捉與智能識別,最終構建集定位、感知、識別、預警和音視頻通信功能的一體化綜合管理平臺,并驗證施工人員不安全行為識別的有效性,對保障施工人員的安全和推進城市軌道交通建設的發展有重要意義。