[发明专利]一种基于人工智能的工人施工状态监测方法

说明书

本发明属于人工智能领域，涉及一种基于人工智能的工人施工状态监测方法。本发明运用深度学习姿态估计框架Openpose来获取工人的骨架关节点坐标，将坐标进行向量化处理，将向量化处理后的坐标运用LSTM网络进行训练，以此模型输出建筑工人的行为。同时运用目标检测框架Yolov3检测出工人所在画面中的标志物，将之前检测出的工人行为与工地上的标志物作为新特征，将其对应的工人施工状态作为标签，训练xgboost网络模型，最后实现实时施工状态实时监测。本发明可以基于人工智能理论准确的监测施工现场工人的施工状态，减少了施工时对于人力的需求。

技术领域

本发明属于人工智能领域，涉及一种基于人工智能的工人施工状态监测方法。

背景技术

随着人工智能的飞速发展，其在各个工程领域中应用越来越广泛。在建筑工程中也有人工智能算法应用于其中，例如计算机视觉、深度学习、机器学习等等。

工人的施工状态识别对于建筑工程中有重要的意义，通过对于工人施工状态的识别，可以了解工人的工作进度，工人是否具有安全风险以及操作是否规范。

在现有的施工管理技术中，对于工人施工状态的监控都是由施工现场管理人员来完成，但是管理人员的数量和精力有限，很难做到对于工人施工状态的实时监控。若使用以往的行为监测技术只针对于人物本身进行监测，这样当工人有相似动作时很难分辨工人具体的施工状态。

发明内容

为解决上述问题，本发明提出了一种基于人工智能的施工状态监测方法，运用深度学习姿态估计框架Openpose来获取工人的骨架关节点坐标，将坐标进行向量化处理，将向量化处理后的坐标运用LSTM网络进行训练，以此模型输出建筑工人的行为。同时运用目标检测框架Yolov3检测出工人所在画面中的标志物，将之前检测出的工人行为与工地上的标志物作为新特征，将其对应的工人施工状态作为标签，训练xgboost网络模型，最后实现实时施工状态实时监测。

本发明的技术方案：

一种基于人工智能的工人施工状态监测方法，具体步骤如下：

步骤一、采集数据集

采集建筑工程中工人施工时的状态的视频作为数据集，每一个工人施工状态采集至少一百段视频；将视频做上三个类别标签，标签包含工人的行为、视频画面中工人附近的标志物和工人施工状态；其中，工人的行为包括蹲着、站立、俯身和抬手，视频画面中工人附近的标志物包括钢筋、墙、砖、梁、板和柱，工人施工状态包括砌砖、支模板和绑扎钢筋；将视频采用k折交叉法分为k个子数据集，然后将其中一个子数据集作为测试集进行模型评估，剩余k-1个作为训练集。

步骤二、提取特征

运用深度学习姿态估计框架Openpose对步骤一中的视频进行识别，使其输出视频中工人18个关节点坐标，关节点包括鼻子、左肘、左膝盖、颈部、左腕、左踝、右肩、右臀、右眼、右肘、右膝、左眼、右腕、右踝、右耳、左肩、左臀部和左耳朵，若部分身体关节点被遮挡，则无需识别。

步骤三、向量化处理

将步骤二产生的工人关节点坐标进行向量化处理，每个向量为相邻两个关节点坐标之差，代表一节骨架，被遮挡的骨架用零向量代替，一共产生17个2维向量。

步骤四、训练LSTM网络模型

搭建LSTM网络模型，输入层设置17个神经元对应17个二维向量，设置隐藏层以及与最后一层连接的Softmax分类器，并设定损失函数和优化器，用步骤三生成的向量及其所属标签训练搭建好的LSTM模型，使其输出工人行为。

步骤五、训练Yolov3网络模型

搭建Yolov3网络模型，将步骤一中的数据集以及所属标签用对其进行训练，使其识别出视频画面中的标志物。

步骤六、制作施工状态数据集