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。

起重吊装风险协同感知智能装备研发与应用

为解决起重吊装指挥-操作交互的高风险场景下,单一类型装备(如传感器、智能摄像头等)难以实时智能地识别吊装风险的问题,研发集成计算机视觉技术和传感器设备的起重吊装风险协同感知智能装备(简称智能装备)。首先分析起重吊装过程中指挥人员和起重机的运动特征;然后针对起重机驾驶员的误操作行为风险,结合人-机不同的运动特征和工作需求,提出智能装备的风险协同感知方案;最后在实验室模拟场景下检验智能装备的风险感知精度和延迟时间。结果表明:智能装备能够协同感知起重吊装指挥-操作交互过程中的安全风险,发现起重机驾驶员的误操作行为并实时报警。智能装备在该过程中的风险感知精度为95.17%,延迟时间约为0.25 s。