[发明专利]一种基于图像识别的工地事故预测方法及装置

权利要求书

1.一种基于图像识别的工地事故预测方法，其特征在于，包括：

获取工地的视频流数据；

利用预设的卷积神经网络实时对所述视频流数据进行安全装备识别，以获得安全识别结果；

卷积神经网络在训练的过程中所采用的损失函数采用以下公式(1)和(2)表示：

L＝L₁+L₂-L₃-L₄-L₅(1)

其中，L1表示中心坐标误差，其中λ_coord为常数，表示第i个网格的第j个先验框是否负责预测obj物体，是则为1，否则为0，x_i、y_i表示预测物体的中心坐标值，表示物体的真实中心坐标；L2表示宽高坐标误差w_i、h_i表示预测物体的高宽，表示物体的真实高宽；L3与L4表示置信度误差，表示预测网格是否有物体的概率，表示网格是否真实有物体，损失函数分为两部分：有物体，没有物体，其中没有物体损失部分增加了λ_noord权重系数；L5表示分类误差，P_i^j(c)表示分类为c类别的概率，表示真实类别；

实时对所述视频流数据进行人脸识别与分析，以获得人脸分析结果，包括：

通过MT-CNN模型对所述视频流数据进行多任务人脸检测，以获得人脸位置定位信息；其中，所述MT-CNN模型包括三层级联架构的卷积神经网络和全连接层；所述人脸位置定位信息包括是否人脸的二分类信息、人脸框的回归以及人脸关键点定位信息；

通过Facenet模型对所述人脸位置定位信息进行身份认证，以获得人脸分析结果，包括：

将所述人脸位置定位信息输入Facenet模型，以使所述人脸位置定位信息通过所述Facenet模型的CNN子模型，再经过归一化处理，以获得用于表示人脸区域信息的超球面向量；

获取所述超球面向量与预设超球面向量之间的欧式距离；所述预设超球面向量为人脸数据库中的人脸数据经过所述Facenet模型而得到；

若所述欧式距离达到指定距离阈值，判定所述超球面向量对应的人脸为外来人员并进行记录，以获得外来人员记录信息；

若所述欧式距离未达到所述指定距离阈值，判定所述超球面向量对应的人脸为本地人员，并对所述本地人员进行工作计时，以获得所述本地人员的当前实际工作时长；

根据所述本地人员的当前实际工作时长，判断所述本地人员是否工作超时，若是，对所述本地人员进行记录，以获得工作超时人员数据；

将所述外来人员记录信息、所述本地人员的当前实际工作时长以及所述工作超时人员数据作为人脸分析结果；

将所述安全识别结果、所述人脸分析结果以及所述工地的气候地理信息输入多元回归方程，以获得所述工地的事故发生预测数值；以及识别出所述多元回归方程中权重较大的特征变量作为事故发生原因；其中，所述多元回归方程是根据最新一段历史时间段内的历史事故发生数值和历史事故发生预测数值而确定的。

2.根据权利要求1所述的一种基于图像识别的工地事故预测方法，其特征在于，所述安全识别结果包括工人无正确佩戴安全装备的记录信息；所述人脸分析结果包括外来人员记录信息、本地人员的当前实际工作时长以及工作超时人员数据。

3.根据权利要求1所述的一种基于图像识别的工地事故预测方法，其特征在于，所述对所述本地人员进行工作计时，以获得所述本地人员的当前实际工作时长，包括：

判断所述本地人员是否首次被检测到；

若所述本地人员首次被检测到，初始化启动本地人员的计时器，将所述计时器的计时时长作为所述本地人员的当前实际工作时长；

若所述本地人员非首次被检测到，获取所述本地人员上次被检测到的历史累计工作时长和历史实际工作时长；以及，判断所述历史累计工作时长与所述本地人员的当前累计工作时长的差值是否小于预设时间阈值；若小于，将所述历史累计工作时长与所述当前累计工作时长的差值和所述历史实际工作时长的和值作为所述本地人员的当前实际工作时长；若不小于，将所述历史实际工作时长作为所述本地人员的当前实际工作时长。