[发明专利]一种吊装过程人员安全监测方法及系统

权利要求书

1.一种吊装过程人员安全监测方法，其特征在于，包括：

S1、采集吊装场地图像，识别吊装场地中的障碍物，构建标识有障碍物的吊装场地模型；

S2、训练生成Faster R-CNN工人、吊装物体检测网络；

S3、利用所述检测网络对吊装场地拍摄视频中的帧图像不断进行正确佩戴安全帽的工人、未正确佩戴安全帽的工人及吊装物体的检测，直到检测出正确佩戴安全帽的工人和/或未正确佩戴安全帽的工人；

S4、当检测到工人但吊装场地不允许人进入时，和/或检测到未正确佩戴安全帽的工人时，触发报警；否则执行步骤S5；

S5、基于工人与吊装物体在前后两帧图像间的距离差值，判断工人与吊装物体间是否存在相对运动；若是，执行步骤S6；

S6、基于检测到的工人历史路径，训练生成长短期记忆网络LSTM工人路径预测模型，结合所述标识有障碍物的吊装场地模型、利用滑动窗口的方法预测工人路径；

S7、基于检测到的吊装物体历史路径及所述标识有障碍物的吊装场地模型，利用蚁群算法预测吊装物体路径；

S8、判断工人及吊装物体预测路径中，是否存在某一时刻工人及吊装物体的距离小于预设距离，若是，触发报警；

所述步骤S1包括：

针对采集的每幅吊装场地图像，通过横向与纵向等分的方式划分为二维图像栅格，结合多个二维图像栅格，整合生成三维栅格模型；通过卷积神经网络识别障碍物，确定障碍物在所述三维栅格模型中的位置，并在三维栅格模型中进行标识，生成标识有障碍物的吊装场地模型；

所述步骤S5包括：

判断(loc₁₁-loc₂₁)-(loc₁₂-loc₂₂)≥α是否成立，若是，则工人与吊装物体间存在相对运动，否则不存在相对运动；其中，loc₁₁、loc₁₂分别为工人在前后两帧图像中的位置坐标，loc₂₁、loc₂₂分别为吊装物体在前后两帧图像中的位置坐标，α为预设的距离阈值；

所述步骤S6包括：

将工人历史路径数据进行分组，每组包括连续的M+1个位置数据，将前M个位置数据作为LSTM网络的输入，对第M+1个数据进行预测，计算LSTM工人路径预测模型的损失函数对LSTM工人路径预测模型进行迭代、优化、更新，训练生成LSTM工人路径预测模型；采用第N-M至N的位置数据对第N+1时刻的位置进行预测，判断预测出的位置是否属于障碍物位置集合，若是，则排除该位置重新进行位置的预测，当预测出工人第N+1时刻的位置后，将其替换第N-M时刻的位置数据，采用第N-M+1至第N+1时刻的数据对第N+2时刻的位置进行预测；

所述步骤S7包括：

确定吊装场地所有障碍物的位置、吊装物体的起点和目标点的位置，进行参数初始化，参数包括最大迭代次数、信息启发因子、期望启发因子、蚂蚁个数，障碍物处的启发因子为0；在吊装物体的起点位置上等时间间隔生成预设蚂蚁个数的蚂蚁，各蚂蚁根据状态转移概率选择下一个位置节点，并将已经走过的节点加入禁忌表中；根据蚂蚁的位置转移过程更新路径信息素，更新状态转移概率；不断执行上述操作进行下一位置节点的选择，直到蚂蚁到达目标位置，更新信息素浓度及迭代次数，当迭代次数达到预设的最大迭代次数，输出最优的路径。

2.一种吊装过程人员安全监测系统，其特征在于，包括：

吊装场地模型构建模块，用于采集吊装场地图像，识别吊装场地中的障碍物，构建标识有障碍物的吊装场地模型；

检测网络生成模块，用于训练生成Faster R-CNN工人、吊装物体检测网络；

检测模块，用于利用所述检测网络对吊装场地拍摄视频中的帧图像不断进行正确佩戴安全帽的工人、未正确佩戴安全帽的工人及吊装物体的检测，直到检测出正确佩戴安全帽的工人和/或未正确佩戴安全帽的工人；

第一报警模块，用于当检测到工人但吊装场地不允许人进入时，和/或检测到未正确佩戴安全帽的工人时，触发报警；否则调用相对运动检测模块；

相对运动检测模块，用于基于工人与吊装物体在前后两帧图像间的距离差值，判断工人与吊装物体间是否存在相对运动；若是，调用第一路径预测模块；

第一路径预测模块，用于基于检测到的工人历史路径，训练生成长短期记忆网络LSTM工人路径预测模型，结合所述标识有障碍物的吊装场地模型、利用滑动窗口的方法预测工人路径；

第二路径预测模块，用于基于检测到的吊装物体历史路径及所述标识有障碍物的吊装场地模型，利用蚁群算法预测吊装物体路径；

第二报警模块，用于判断工人及吊装物体预测路径中，是否存在某一时刻工人及吊装物体的距离小于预设距离，若是，触发报警；

所述吊装场地模型构建模块包括：

针对采集的每幅吊装场地图像，通过横向与纵向等分的方式划分为二维图像栅格，结合多个二维图像栅格，整合生成三维栅格模型；通过卷积神经网络识别障碍物，确定障碍物在所述三维栅格模型中的位置，并在三维栅格模型中进行标识，生成标识有障碍物的吊装场地模型；

所述相对运动检测模块包括：

判断(loc₁₁-loc₂₁)-(loc₁₂-loc₂₂)≥α是否成立，若是，则工人与吊装物体间存在相对运动，否则不存在相对运动；其中，loc₁₁、loc₁₂分别为工人在前后两帧图像中的位置坐标，loc₂₁、loc₂₂分别为吊装物体在前后两帧图像中的位置坐标，α为预设的距离阈值；

所述第一路径预测模块包括：

将工人历史路径数据进行分组，每组包括连续的M+1个位置数据，将前M个位置数据作为LSTM网络的输入，对第M+1个数据进行预测，计算LSTM工人路径预测模型的损失函数对LSTM工人路径预测模型进行迭代、优化、更新，训练生成LSTM工人路径预测模型；采用第N-M至N的位置数据对第N+1时刻的位置进行预测，判断预测出的位置是否属于障碍物位置集合，若是，则排除该位置重新进行位置的预测，当预测出工人第N+1时刻的位置后，将其替换第N-M时刻的位置数据，采用第N-M+1至第N+1时刻的数据对第N+2时刻的位置进行预测；

所述第二路径预测模块包括：

确定吊装场地所有障碍物的位置、吊装物体的起点和目标点的位置，进行参数初始化，参数包括最大迭代次数、信息启发因子、期望启发因子、蚂蚁个数，障碍物处的启发因子为0；在吊装物体的起点位置上等时间间隔生成预设蚂蚁个数的蚂蚁，各蚂蚁根据状态转移概率选择下一个位置节点，并将已经走过的节点加入禁忌表中；根据蚂蚁的位置转移过程更新路径信息素，更新状态转移概率；不断执行上述操作进行下一位置节点的选择，直到蚂蚁到达目标位置，更新信息素浓度及迭代次数，当迭代次数达到预设的最大迭代次数，输出最优的路径。