[发明专利]建筑工地安全监测系统及其监测方法、装置有效
申请号: | 201911078294.9 | 申请日: | 2019-11-06 |
公开(公告)号: | CN110794462B | 公开(公告)日: | 2021-08-03 |
发明(设计)人: | 舒远;卫瑾 | 申请(专利权)人: | 广东博智林机器人有限公司 |
主分类号: | G01V3/12 | 分类号: | G01V3/12 |
代理公司: | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人: | 刘梦晴 |
地址: | 528311 广东省佛山市顺德区北滘镇顺江*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 建筑工地 安全 监测 系统 及其 方法 装置 | ||
1.一种建筑工地安全监测系统,其特征在于,包括电磁波信号发射装置、电磁波信号接收装置和监测平台;所述电磁波信号接收装置连接所述监测平台;
所述电磁波信号发射装置与电磁波信号接收装置分布设置在建筑工地指定位置;其中,每个电磁波信号发射装置与至少一个电磁波信号接收装置构成电磁波传感器阵列;
所述电磁波信号发射装置向监测区域内发射电磁波信号,所述电磁波信号接收装置接收该电磁波信号,并传输至监测平台;
所述监测平台提取所述电磁波信号的波形特征,在所述波形特征相对于恒定状态出现改变时,判定出现非法入侵,输出变化的特征波形,并将所述变化的特征波形输入预先训练的安全监测神经网络模型进行识别,获取入侵物体的位置信息及结构特征;
所述安全监测神经网络模型包括安全监测静态神经网络和安全监测动态神经网络;
所述安全监测动态神经网络通过如下步骤训练得到:
提取所述安全监测静态神经网络模型中的中间层参数阵列和静态函数,将所述中间层参数阵列作为动态训练的初始参数,将所述静态函数作为动态训练的基准对照函数;
获取时序波形训练集;
基于所述初始参数和所述基准对照函数,将所述时序波形训练集中的时序波形输入到静态神经网络进行训练,得到时序动态函数;
将所述安全监测静态神经网络模型叠加所述时序动态函数,生成安全监测动态神经网络模型。
2.根据权利要求1所述的建筑工地安全监测系统,其特征在于,将所述监测区域依据平面区域划分为四个象限;其中,单一象限内至少设置有一个电磁波信号发射装置以及三个电磁波信号接收装置。
3.根据权利要求2所述的建筑工地安全监测系统,其特征在于,所述监测平台对所述电磁波信号进行信号调制输出波形特征,在对应象限内没有入侵物体时,输出恒定的特征波形,存在入侵物体,输出变化的特征波形。
4.一种建筑工地安全监测方法,其特征在于,应用于权利要求1至3任一项所述的监测系统,包括以下步骤:
获取电磁波传感器阵列发送的目标电磁波信号;
提取所述目标电磁波信号的当前特征波形;
将所述当前特征波形输入预先训练好的安全监测神经网络模型中进行识别,确定入侵物体的位置信息和/或结构特征;
所述安全监测神经网络模型包括安全监测静态神经网络和安全监测动态神经网络;
所述安全监测动态神经网络通过如下步骤训练得到:
提取所述安全监测静态神经网络模型中的中间层参数阵列和静态函数,将所述中间层参数阵列作为动态训练的初始参数,将所述静态函数作为动态训练的基准对照函数;
获取时序波形训练集;
基于所述初始参数和所述基准对照函数,将所述时序波形训练集中的时序波形输入到静态神经网络进行训练,得到时序动态函数;
将所述安全监测静态神经网络模型叠加时序动态函数,生成安全监测动态神经网络模型。
5.根据权利要求4所述的建筑工地安全监测方法,其特征在于,所述安全监测静态神经网络通过如下步骤训练得到:
获取特征波形训练集,所述特征波形训练集包括训练物体在电磁波传感器阵列的监测区域的不同位置处静止时电磁波传感器阵列输出的训练特征波形阵列;
将所述训练特征波形阵列输入到静态神经网络进行训练,得到安全监测静态神经网络模型。
6.根据权利要求4所述的建筑工地安全监测方法,其特征在于,所述当前特征波形为波形峰值;
将所述当前特征波形输入预先训练好的安全监测神经网络模型中进行识别,确定入侵物体的位置信息和/或结构特征的步骤包括:
将所述波形峰值输入到预先训练好的安全监测静态神经网络模型中进行识别,确定入侵物体的位置点坐标和/或结构特征。
7.根据权利要求5所述的建筑工地安全监测方法,其特征在于,所述当前特征波形为时序波形;
将所述时序波形输入到预先训练好的安全监测动态神经网络模型中进行识别,确定入侵物体的时序轨迹坐标和/或结构特征。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广东博智林机器人有限公司,未经广东博智林机器人有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911078294.9/1.html,转载请声明来源钻瓜专利网。