本發(fā)明涉及作業(yè)安全和預警，尤其涉及一種有限空間作業(yè)的安全隱患發(fā)現及預警方法。

背景技術：

1、近幾年有限空間作業(yè)(人孔井)的安全事故頻繁發(fā)生，包含中毒和窒息、行人墜落、觸電等，雖然每年都有相關安全培訓與安全宣導，但依然發(fā)生數量不少的各類中毒和窒息、行人墜落、觸電等安全事故，事故主要原因是施工過程沒有按照規(guī)范施工，施工現場沒有很好的監(jiān)管手段，缺少對施工過程安全隱患的識別、分析和預警能力。

2、如何及時地、自動地檢測發(fā)現施工過程的安全隱患事件，從而向監(jiān)管人員主動上報事件示警而非被動發(fā)現異常，減少有限空間作業(yè)過程人身傷害事故的發(fā)生，其重要性非常突出。

3、因此，需要一種有限空間作業(yè)(人孔井)安全隱患發(fā)現及預警方法，用來解決施工現場缺少對施工過程安全隱患的識別、分析和預警能力的問題。

技術實現思路

1、本發(fā)明的目的在于提供一種有限空間作業(yè)(人孔井)安全隱患發(fā)現及預警方法，以解決上述背景技術中提出的缺少對施工過程安全隱患的識別、分析和預警能力的問題，減少施工過程人身傷害事故的發(fā)生。其通過在施工現場設置攝像頭，負責采集視頻畫面并傳送至ai算法盒子進行ai視頻分析，產生異常告警通過路由器發(fā)送至數據庫服務器；數據庫服務器從基礎資源模塊接收到的告警進行存儲。并部署有應用服務器，具有包括且不限于數據處理模塊和告警模塊，負責對ai邊緣算法盒子傳來的告警信息識別、數據清理、數據分析和定位安全隱患因素和行為，生成告警并與短信形式通知相關人員。

2、本發(fā)明具體采用以下技術方案：

3、一種有限空間作業(yè)的安全隱患發(fā)現及預警方法：通過在施工現場設置攝像頭采集視頻畫面，再通過檢測模型利用卷積神經網絡進行特征點提取，獲得施工圍擋內作業(yè)信息，并識別施工有效區(qū)域；在此基礎上對井蓋的開啟情況、毒氣體監(jiān)測設備的檢測結果以及下井作業(yè)的安全特征進行識別；對檢測識別的異常信息產生告警信號。

4、進一步地，所述檢測模型的預處理包括：將視頻幀從標準的rgb顏色空間轉換到ycbcr顏色空間，以突出圍擋區(qū)域并對轉換后的圖像進行標準化處理；然后使用高斯混合模型建立背景模型。

5、進一步地，所述檢測模型包括自適應卷積神經網絡，在預處理之后采用的處理過程包括：

6、多尺度卷積特征提取，使用不同尺寸的卷積核提取多尺度的圖像特征，以識別不同尺度的圍擋區(qū)域；

7、采用自適應權重調整，以提高模型在不同場景下的適應性；

8、然后進行激活函數優(yōu)化，通過自適應激活函數，根據輸入數據的統計特性動態(tài)選擇激活函數；

9、最后特征選擇與降維，使用主成分分析對提取的高維特征進行降維，以保留最重要的特征，并減少噪聲的影響。

10、進一步地，所述檢測模型在經過自適應卷積神經網絡處理后，進行時空特征融合，采用三維卷積神經網絡進行時空特征提取，使用三維卷積神經網絡提取視頻中的時空特征，結合時間序列和空間維度的信息，以檢測圍擋區(qū)域內的安全隱患，采用時空特征圖像分割，通過基于圖割的分割算法，將時空特征圖分割成圍擋區(qū)域和背景。

11、進一步地，所述檢測模型在經過時空特征融合后進行動態(tài)幾何分析與異常檢測，包括：首先進行圍擋區(qū)域的幾何特征擬合，使用霍夫變換檢測圍擋的邊緣特征，并通過擬合直線模型描述圍擋的幾何形狀：然后對檢測到的邊緣進行最小二乘法擬合，以消除噪聲并增強幾何描述的精確度；再進行施工隱患的局部特征分析，在圍擋區(qū)域內，使用基于梯度的特征描述子檢測潛在的施工隱患；計算局部特征與圍擋幾何形狀之間的差異；最后完成異常檢測與時序分析：使用長短期記憶網絡分析施工現場的視頻序列，以檢測時序上的異常行為。

12、進一步地，在現場設置深度攝像頭、聲音傳感器和振動傳感器的基礎上，所述檢測模型采用多模態(tài)數據融合機制，包括：深度與顏色特征融合，在檢測過程中，將來自深度攝像頭的深度信息與顏色特征融合，以增強圍擋區(qū)域的檢測精度；聲音與振動數據的多模態(tài)融合，使用施工現場的聲音傳感器和振動傳感器的數據進行多模態(tài)融合；將聲音信號和振動信號通過傅里葉變換提取頻域特征；最終將這些頻域特征與視覺特征結合，實現多模態(tài)數據的綜合分析。

13、進一步地，所述檢測模型采用動態(tài)反饋機制，通過對檢測結果的反饋，動態(tài)調整模型參數以適應不同的施工場景和環(huán)境變化。

14、一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現如上所述方法的步驟。

15、一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現如上所述方法的步驟。

16、相比于現有技術，本發(fā)明及其優(yōu)選方案通過攝像頭實時監(jiān)控現場施工的過程，結合創(chuàng)新性設計的機器學習模型，建立現場施工安全隱患的預警機制，能夠快速、準確發(fā)現現場施工安全隱患，提高現場施工規(guī)范，同時降低不規(guī)范施工導致的人員傷亡。因此，本發(fā)明在有限空間作業(yè)(人孔井)施工安全領域，具有很強的實用性和廣闊的應用前景。

技術特征：

1.一種有限空間作業(yè)的安全隱患發(fā)現及預警方法，其特征在于：通過在施工現場設置攝像頭采集視頻畫面，再通過檢測模型利用卷積神經網絡進行特征點提取，獲得施工圍擋內作業(yè)信息，并識別施工有效區(qū)域；在此基礎上對井蓋的開啟情況、毒氣體監(jiān)測設備的檢測結果以及下井作業(yè)的安全特征進行識別；對檢測識別的異常信息產生告警信號。

2.根據權利要求1所述的一種有限空間作業(yè)的安全隱患發(fā)現及預警方法，其特征在于：所述檢測模型的預處理包括：將視頻幀從標準的?rgb?顏色空間轉換到?ycbcr?顏色空間，以突出圍擋區(qū)域并對轉換后的圖像進行標準化處理；然后使用高斯混合模型建立背景模型。

3.根據權利要求2所述的一種有限空間作業(yè)的安全隱患發(fā)現及預警方法，其特征在于：

4.根據權利要求3所述的一種有限空間作業(yè)的安全隱患發(fā)現及預警方法，其特征在于：所述檢測模型在經過自適應卷積神經網絡處理后，進行時空特征融合，采用三維卷積神經網絡進行時空特征提取，使用三維卷積神經網絡提取視頻中的時空特征，結合時間序列和空間維度的信息，以檢測圍擋區(qū)域內的安全隱患，采用時空特征圖像分割，通過基于圖割的分割算法，將時空特征圖分割成圍擋區(qū)域和背景。

5.根據權利要求4所述的一種有限空間作業(yè)的安全隱患發(fā)現及預警方法，其特征在于：所述檢測模型在經過時空特征融合后進行動態(tài)幾何分析與異常檢測，包括：首先進行圍擋區(qū)域的幾何特征擬合，使用霍夫變換檢測圍擋的邊緣特征，并通過擬合直線模型描述圍擋的幾何形狀：然后對檢測到的邊緣進行最小二乘法擬合，以消除噪聲并增強幾何描述的精確度；再進行施工隱患的局部特征分析，在圍擋區(qū)域內，使用基于梯度的特征描述子檢測潛在的施工隱患；計算局部特征與圍擋幾何形狀之間的差異；最后完成異常檢測與時序分析：使用長短期記憶網絡分析施工現場的視頻序列，以檢測時序上的異常行為。

6.根據權利要求1所述的一種有限空間作業(yè)的安全隱患發(fā)現及預警方法，其特征在于：在現場設置深度攝像頭、聲音傳感器和振動傳感器的基礎上，所述檢測模型采用多模態(tài)數據融合機制，包括：深度與顏色特征融合，在檢測過程中，將來自深度攝像頭的深度信息與顏色特征融合，以增強圍擋區(qū)域的檢測精度；聲音與振動數據的多模態(tài)融合，使用施工現場的聲音傳感器和振動傳感器的數據進行多模態(tài)融合；將聲音信號和振動信號通過傅里葉變換提取頻域特征；最終將這些頻域特征與視覺特征結合，實現多模態(tài)數據的綜合分析。

7.根據權利要求1所述的一種有限空間作業(yè)的安全隱患發(fā)現及預警方法，其特征在于：所述檢測模型采用動態(tài)反饋機制，通過對檢測結果的反饋，動態(tài)調整模型參數以適應不同的施工場景和環(huán)境變化。

8.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現如權利要求1-7任一項所述的一種有限空間作業(yè)的安全隱患發(fā)現及預警方法的步驟。

9.一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現如權利要求1-7任一項所述的一種有限空間作業(yè)的安全隱患發(fā)現及預警方法的步驟。

技術總結
本發(fā)明提出一種有限空間作業(yè)的安全隱患發(fā)現及預警方法，通過在施工現場設置攝像頭采集視頻畫面，再通過檢測模型利用卷積神經網絡進行特征點提取，獲得施工圍擋內作業(yè)信息，并識別施工有效區(qū)域；在此基礎上對井蓋的開啟情況、毒氣體監(jiān)測設備的檢測結果以及下井作業(yè)的安全特征進行識別；對檢測識別的異常信息產生告警信號。

技術研發(fā)人員：鄒嵐,陳書熙,吳芳,張建強,吳先利,鮑捷杰,陳帆
受保護的技術使用者：中郵科通信技術股份有限公司
技術研發(fā)日：
技術公布日：2025/3/20