基于TDC的施工人员非健康工作姿态评估研究

为预防施工人员因长期非健康工作姿态导致肌肉骨骼类疾病(WMSDs),利用3D人体姿态识别模型识别施工人员的非健康工作姿态,并提出施工人员非健康工作姿态评估机制.基于时间膨胀卷积网络(TDC)训练Human 3.6M数据集得到3D人体姿态识别模型;利用模型确定施工人员作业时躯干的倾斜角度α,根据《人机工程学-静态工作姿态的评估》的躯干姿势与持续时长的关系,判定施工人员工作姿态健康情况;验证不同环境下模型的适用性,再以货物搬运和钢筋绑扎为例验证施工人员非健康工作姿态评估机制的实用性.结果表明:基于TDC的3D人体姿态识别模型识别精度较好,能够用于工地现场环境.施工人员非健康工作姿态评估机制能够识别施工人员的非健康作业姿态并提供健康报告,有助于提升施工人员的职业健康水平.

基于MCN的起重吊装指挥手势信号自动识别

为了消除起重吊装因指挥手势信号不规范、交流视野被遮挡、人员注意力不集中等产生的安全隐患,利用基于计算机视觉的混合卷积神经网络(MCN)方法,建立人-机交互高风险场景下起重吊装指挥手势信号识别模型,并提出指挥手势信号识别-确认机制。根据国家标准指挥手势信号的运动特点,选择MCN在起重吊装指挥手势信号数据集上进行训练,得到起重吊装指挥手势信号识别模型。起重机驾驶员对比模型识别结果与直接观察结果,判断是否进行相应的操作。选取五种指挥手势信号为例验证。结果表明:模型在多角度多距离下,平均识别准确率为97.13%,模型泛化能力较强。识别速度为36.9 ms,实际应用中平均帧数可达到27.1 fps,满足实时识别的需求。模型具有一定的实用性。

施工现场火焰检测和预警机器人设计及应用

为预防施工现场火灾事故,提高火焰检测性能,设计基于单点多盒检测器(SSD)和MobileNet模型相结合的火焰检测和预警机器人。首先,处理采集的火焰视频图像数据集,并将其划分为真实火焰图片与疑似火焰图片2类;其次,结合迁移学习思想,微调SSD_MobileNet模型中的网络参数值;最后,将获得的检测模型集成到机器人视频监控平台,进行火焰检测与预警,并在某工地上测试其应用效果。结果表明:在检测模型50%的置信度阈值下,机器人能够准确检测出工地场景中的火焰,多帧视频准确率达到90%以上,并可实现实时预警。