基于CNN的3D姿势估计在建筑工人行为分析中的应用

为实现建筑工人现场行为的自动化分析,采用卷积神经网络(CNN)检测3D人体姿势并根据现场条件对连续图像进行姿态估计;考虑到动态和杂乱的施工现场环境(部分遮挡等)及多变的工人行为,开发建筑工人姿势图像数据集,从定性和定量2方面综合测试算法性能;将所提出的方法用于施工作业姿势风险评估,利用视频中工人的3D姿势驱动人体生物力学模型,快速、定量计算工人作业时易损伤的部位。结果表明:该人体姿势估计方法具有较好的鲁棒性和较高的准确性,结合生物力学模型可实现更精细的工人行为分析与评估。

基于DNN的作业姿势评估方法及应用

为有效预防工人肌肉骨骼疾病,提出基于深度神经网络（DNN）的作业姿势评估方法。利用人体关节点估计DNN模型,检测现场视频中工人的身体姿势;通过提取的骨骼关节点的空间位置,计算不同身体部位的姿势角度,并依据快速全身评估法（REBA）中的身体姿势角度与危害程度的关系,自动评估工人作业姿势的风险水平;以建筑工人典型施工作业姿势为例,验证该方法的有效性和实用性。结果表明：该方法能够克服身体遮挡、设备分辨率、光照条件等影响,准确检测关节点的位置;可自动连续评估工人的作业姿势,评估效率较高。

融合人体关节点的安全帽佩戴检测

针对已有安全帽佩戴检测模型需求样本数据量大、易产生误检的问题,提出一种结合人体关节点检测和Faster R-CNN的安全帽佩戴检测模型;通过OpenPose从图像中定位人体头颈部位置并自动截取其周围小范围的子图像,然后利用Faster R-CNN检测子图像中的安全帽,最后分析安全帽中心点和头颈部节点之间的空间关系,进而判别是否正确佩戴安全帽。结果表明:相比传统目标检测方法,提出的增强检测方法有效降低了误检率,提高了环境适应性,同时,该方法在训练样本量较小时,召回率提高超过20%,准确率提高约10%,很大程度上减少了对训练样本的需求。

变电站GIM模型净空距离合规性自动审核方法

目前的电网设计评审主要依靠人工进行,过程枯燥,耗费时间,容易产生错误和遗漏,设计模型的合规性自动评审是解决上述问题的一条重要途径。针对GIM模型净空距离规范,提出基于自然语言处理的自动化评审方法,设计专门用于描述设计规范的受限自然语言GIM-CNL,用以提高目前的自然语言处理工具提取规范条文信息的准确率,经NLP技术处理生成相应的语法树,进一步依据领域本体模型转化为以DSL语言表述的规则,计算机自动依据DSL规则对GIM模型进行查询和计算判断设计的准确性。最后,以变电站GIM工程设计实例对提出的理论方法进行了可行性和适用性的验证。