文摘

施工安全问题在土木工程管理具有重要意义。摘要入口点的识别是工人在施工过程中戴头盔,和识别性能提高结合深度学习和传统分类器来实现智能识别施工安全服装。在具体过程中,深残余网络(ResNet)和稀疏表示分类(SRC)作为基本分类器分类与未知类别样本。的结果两个决策融合和融合决策的可靠性。后来,可靠的测试样本添加到原始训练样本更新分类器,以便获得更可靠的识别结果。该方法与实际测量数据进行测试和验证。实验结果表明了该方法的有效性和鲁棒性。

1。介绍

安全生产在土木工程管理是一个永恒的主题。传统的施工程序和管理有一系列的问题,如安全管理水平低,管理范围小,大型主观干扰,可怜的时间表。此外,它主要依赖于主观监控安全经理和无法监控整个过程,因此,事故经常发生1- - - - - -3]。与此同时,在过去的项目管理过程,安全官员主要应用经验分析,以减少事故的发生,但它是不可能完全准确地防止各种安全隐患项目的整个生命周期,在设计和规划阶段4- - - - - -6]。因此,一个自动化的安全检测方法对工人戴头盔有助于提高施工现场的安全管理水平。近年来,在建筑工地和相机的普及有效深度学习在语音识别中的应用,图像识别,自然语言处理提供了一个新的视角对建筑工地的安全管理。用聪明的方法来代替传统的手工监测有利于实时现场监控,这不仅节省了劳动力成本,也提高了现场安全(7- - - - - -10]。

针对施工安全的问题,本文提出了一种方法,基于深度学习算法确定工人戴头盔。本文方法的核心是使用测试样本的类别可以可靠地分类和确认原始分类器分类过程优化,以获得更强的分类性能。具体来说,初始残余网络(ResNet) (11- - - - - -14)是第一个设计为主导的头盔目标识别分类器。此外,本文选择了稀疏表示分类(SRC)作为辅助分类器的分类和确认样品和ResNet一起被认可。原始训练样本用于火车ResNet,同时,他们是用来构建一个全球SRC的字典。被识别为一个特定的测试样本,它是由ResNet分类和SRC分别获得相应的决策向量,然后最后的决策变量是通过加权融合。设计标准确定类别当前测试样本的可信度。测试样本添加到原始训练样本条件得到满足。因此,增强训练集可以优化ResNet和SRC全球词典的规模扩张15- - - - - -18]。与测试样本的不断增加与确认类别,ResNet和SRC的分类性能可以不断加强,和融合的识别结果更可靠。本文方法的主要创新如下:(1)介绍了一个更新机制的决策融合框架下ResNet和SRC分类器。分类器决策融合是一种常见的方法来提高决策准确性。在传统的方法中,分类测试样品不充分利用,和在线更新分类器的缺乏。在头盔的图像目标识别的问题,有限的训练样本的数量是非常有限的。本文证实了测试样本更新分类器,可以有效地提高分类器的分类能力。(2)标准决策可靠性提出了测试样本的筛选和使用。尽管融合决策的结果的准确性提高,仍有错误分类的概率。测试样品的引入错误的决定会导致减少更新分类器的性能。 Based on the fusion of probabilistic decision variables, this paper defines decision reliability indicators to select test samples whose decision reliability is higher than the preset threshold to update the classifier, so as to ensure the effectiveness of the update of the classifier [19- - - - - -25]。实验是进行测量数据集;结果表明,该方法具有比单个分类器的性能优势和传统分类器决策融合方法。

2。分类器原理

2.1。ResNet

深卷积神经网络(CNN)带来了一系列突破计算机视觉。然而,随着模型的深度增加,模型的性能也会降低。他等人研究退化模型和提出ResNet深处,这解决了CNN的条件下性能下降的问题深度增加,促进了计算机视觉任务的性能,尤其是图像识别性能。

剩余的概念学习是假设模型的深层是一个身份映射,和模型需要解决的问题是学习身份映射函数。然而, 更难以直接适应恒等函数和 和更容易适应剩余函数。因此,他等人提出了一个剩余单位,它使用一个跨层连接方法来取代原来的映射和转换成一个有学问的剩余函数。让 和 ;一个标识映射 是构成。基本的结构残余单元如图1。网络不产生额外的参数,也不增加计算复杂度。

输入和输出剩余的单元可以有不同的维度。尺寸都是一样的,方程(1)可以直接执行。当尺寸是不同的,方程(2)可以执行匹配与 ,在哪里 剩余函数是拟合:

根据现有文献报道,ResNet有很强的图像识别问题的处理能力。出于这个原因,本文采用ResNet作为基本分类器识别建筑工人的头盔佩戴的问题。

2.2。SRC

SRC使用稀疏表示的模式识别问题,通过训练样本特征未知输入已知的类型,然后确定测试样本的类型根据不同类型的重建误差(13- - - - - -16]。假设 是一个全球性的字典,在哪里 代表了训练样本类。对于测试样本 ,稀疏表示的过程如下:

的方程,代表着稀疏的系数向量。在这个阶段,算法通常用于解决包括稀疏表示问题规范优化和正交匹配追踪算法(OMP) (13- - - - - -16]。根据方程(解决方案的结果3),也就是说, ,重建误差计算测试样本的类别,和目标标签测试样本的最终决定如下: 在哪里相对应的系数向量类;是相应的重建误差。

与ResNet相比,SRC的分类机制相对较少依赖测试样品的数量。同时,现有的研究结果表明,SRC具有一定适应性噪声干扰和遮挡等复杂的情况。因此,ResNet和SRC在分类决策有一定程度的互补性。所以,决策的融合两个分类器的结果有利于获得更可靠的识别结果。

3所示。分类器更新和识别方法

3.1。决策标准和分类器更新

ResNet和SRC分类结果,本文采用加权融合方法得到最终的决策变量。决策变量的输出由ResNet后验概率向量 。为SRC,输出结果是重建误差向量 。首先,SRC决策变量转换为概率向量根据以下方程:

在此基础上,经典的加权(同等重量)算法(24,25)用于引信的后验概率向量ResNet SRC和转换后的后验概率向量,如下所示:

根据最终的决策变量 ,本文定义了决策可靠性如下: 在哪里是最大概率值, 。

相应地,值越大 ,分类结果越可靠。阈值可以设置一个合适的决定。决定可靠性高于阈值时,当前的决定被认为是可靠的,和相应的测试样本添加到原始训练样本更新ResNet和SRC分类器。否则,训练集不更新。

3.2。识别过程

摘要动态更新训练集通过分析决策的可靠性获得更可靠的SRC和ResNet分类器。具体实现的关键步骤总结如下:步骤1:原始训练样本用于训练ResNet和构建SRC全球同时字典;步骤2:为测试未知类别的样本,ResNet和SRC用于分类,分别。他们的类别确定和融合决策的可靠性计算;步骤3:如果当前的决策可靠性测试样本高于预定阈值,将其添加到原始训练样本动态更新ResNet和SRC全球词典;第四步:重复步骤2、3、4为所有测试样品,直到所有样本进行分类。

与越来越多的测试样本进行类别确认,更新ResNet和SRC分类能力也不断增强。

4所示。实验和分析

4.1。实验数据和条件

本文使用监控录像数据从矿产企业在一段时间内,将视频转换成5000照片。这些图像预处理适当增加数量的数据和模型的泛化能力。收集到的图像分为3类。第一类是我的背景(表示为“背景”)共有1200照片。第二类是煤矿工人戴着安全帽(表示为“安全”)共有2500照片。第三类是一个共有1300名煤矿工人的照片(表示“不安全”)不穿安全头盔。在具体实验中,600“背景”的照片,1300年“安全”图片,和700年的“不安全”图片作为训练样本,剩下的样品用于测试。

后续实验将三种类型的条件下进行。第一类被称为基本测试,主要测试和验证该方法在原始训练集和测试集。这个条件是相对简单的,基本性能的方法主要是调查。第二类是噪声干扰。通过添加不同程度噪声样本集构造高斯白噪声仿真原始测试样品来测试该方法的适应性噪音干扰。第三种类型是部分阻塞。由于阻塞和视角等问题,一些收集到的图像可能部分缺失。本文模拟部分遮挡的情况通过图像处理和构造在不同阻塞测试集的水平,然后实验测试该方法的适应性闭塞条件。

实验还设置对比方法,主要包括“SRC”,“ResNet”和“并行融合。“前两个比较方法主要使用单个分类器的识别。第三种方法也使用ResNet和SRC为基本分类器,但只有简单的并行执行融合融合阶段,缺乏分类器更新的过程。

4.2。实验结果和讨论

4.2.1。准备基本的测试

本文中的方法用于分类的原始样本三种类型的图片,和表中所示的统计结果1得到了。识别的“背景”,“安全”和“不安全”图像是97.67%,96.83%,和98.33%,分别计算,平均识别率为97.42%。这个结果显示了这种方法的有效性头盔佩戴的图像识别。三种类型的比较方法是测试在同样的条件下,平均识别率的方法如表所示2。比较表明,该方法的识别性能的基本测试比下的比较方法,验证其更强的效果。和单独的方法,使用SRC或ResNet相比,本文证实了补充测试样本和训练集和有机地结合了分类结果的两个显著改善最终的分类精度。与传统的简单的并行融合方法相比,本文方法动态地更新两个分类器融合ResNet和SRC,和增强在最后的识别性能也非常明显。

4.2.2。噪声干扰

为了测试该方法在噪声干扰条件下的性能,基于原始训练集和测试集,不同程度的噪音被添加到原始的测试样本构造测试集与不同的信噪比(信噪比)。各种方法在不同信噪比测试,结果如图所示2。可以看出,本文方法保持最高识别率在每个噪声水平,显示其更好的噪声鲁棒性。自训练样本ResNet都来自高信噪比、噪声干扰的分类精度,尤其是在低信噪比的测试样品,明显减少了。与ResNet相比,SRC方法更适应低信噪比的样品,主要是由于稀疏表示噪声干扰的鲁棒性。该方法保持SRC的固有噪声鲁棒性的结合ResNet和SRC,也提高了对噪声干扰的情况下通过动态更新训练样本。所以,最后融合的决定是更有针对性的噪声样本。

4.2.3。部分遮挡

企业在实际施工过程中,视频监控可能的视野不足,或周围的阻塞可能会导致部分闭塞收集到的图像。因此,在部分遮挡条件下识别方法的性能也很重要。基于最初的测试样品,实验模拟了部分闭塞的测试样本通过消除图像的一部分。闭塞水平评估缺失比例的图像。之后,这个实验构造四个测试样本集具有不同闭塞率为10%,20%,30%,40%,测试各种方法。结果如表所示3。可以看出,本文方法维护各种闭塞条件下识别性能最高,显示其鲁棒性。类似于噪声干扰的情况下,本文中的方法使用两个分类器的有机融合,发挥互补作用,这有利于提高整体识别性能。

5。结论

土木工程施工安全问题的管理,本文提出了一种目标识别方法基于更新的头盔佩戴的图像分类器。可用的训练样本被确认测试样品的类型不断更新,从而提高分类性能。使用ResNet和SRC为基本分类器,独立分类性能提高的基础上更新训练样本。与此同时,这两个分类器融合决策层面获得更可靠的识别结果。实验测量数据集的基础上,和该方法的分类性能测试基本条件下,噪声干扰,和部分遮挡的场景,与其他方法相比。实验结果表明,本文方法的识别性能优于比较法在所有情况下,验证其有效性和鲁棒性。在后续的研究中,本文将进一步有机结合深度学习探测算法和识别方法,形成了一个端到端闭环安全探测和识别方法,以进一步提高公司的安全管理能力。

数据可用性

数据集可以在访问请求。

的利益冲突

作者宣称没有利益冲突。