一种输水隧洞挖掘机作业状态的识别方法及系统技术方案

本发明专利技术公开了一种输水隧洞挖掘机作业状态的识别方法及系统，其方法包括：对挖掘机在t时刻下的实际关节点位置数据l

【技术实现步骤摘要】
一种输水隧洞挖掘机作业状态的识别方法及系统


[0001]本专利技术涉及机械动作识别
，尤其涉及一种输水隧洞挖掘机作业状态的识别方法及系统。

技术介绍

[0002]挖掘机的自身作业状态是造成输水隧洞施工现场存在安全隐患的主要原因之一，传统情况下是由现场安全管理人员在室外时刻关注挖掘机与人员的位置变化轨迹来判断现场安全风险情况。近年来，主要是通过在施工现场安装监控摄像头以及在挖掘机上装设传感器，以帮助现场安全管理人员在室内完成安全检查，但此方案面临以下两类问题：其一，当挖掘机在执行现场施工作业时，经常是底部行走装置固定不动，而中部转动装置与顶部挖掘装置发生位置与姿态的变化，此方法无法满足于对挖掘机整体的动态监视；其二，主要依赖于现场安全管理人员的主观判断和专业知识水平，且长时间地查看监控视频十分消耗时间和精力，容易因疲劳导致人工评估结果出现错误，从而引发安全事故。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种输水隧洞挖掘机作业状态的识别方法及系统，结合GRU循环神经网络模型可实现对挖掘机整体作业状态的在线识别，有效提升对输水隧洞施工现场的安全管理。
[0004]为了解决上述问题，本专利技术提出了一种输水隧洞挖掘机作业状态的识别方法，所述方法包括：
[0005]对挖掘机在t时刻下的实际关节点位置数据l
t
进行采集；
[0006]基于GRU循环神经网络模型对所述实际关节点位置数据l
t
进行估计运算，输出所述挖掘机在t+1时刻下的预测关节点位置数据
[0007]结合所述实际关节点位置数据l
t
与所述预测关节点位置数据之间的变化关系，识别所述挖掘机在t时刻下的作业状态。
[0008]可选的实施方式，所述对挖掘机在t时刻下的实际关节点位置数据l
t
进行采集包括：
[0009]基于输水隧洞内部面向所述挖掘机的作业区域架设有摄像头，采集所述挖掘机在t时刻下的图像数据；
[0010]在所述图像数据中标注出所述挖掘机的五个关节点位置，统计所述挖掘机在t时刻下的实际关节点位置数据l
t
。
[0011]可选的实施方式，所述在所述图像数据中标注出所述挖掘机的五个关节点位置包括：
[0012]在所述图像数据中标注出所述挖掘机的机体重心位置为关节点0、所述挖掘机的机体尾部位置为关节点1、所述挖掘机的斗杆起始位置为关节点2、所述挖掘机的斗杆尾部
位置为关节点3以及所述挖掘机的铲斗尾部位置为关节点4。
[0013]可选的实施方式，所述基于GRU循环神经网络模型对所述实际关节点位置数据l
t
进行估计运算，输出所述挖掘机在t+1时刻下的预测关节点位置数据包括：
[0014]获取基于所述GRU循环神经网络模型所预测得到的所述挖掘机在t时刻下的预测关节点位置数据h
t
‑1；
[0015]将所述预测关节点位置数据h
t
‑1和所述实际关节点位置数据l
t
导入所述GRU循环神经网络模型的重置门单元进行矩阵运算，得到应遗忘信息量；
[0016]将所述预测关节点位置数据h
t
‑1、所述实际关节点位置数据l
t
和所述应遗忘信息量导入所述GRU循环神经网络模型的隐藏层进行训练，得到记忆更新内容；
[0017]将所述预测关节点位置数据h
t
‑1和所述实际关节点位置数据l
t
导入所述GRU循环神经网络模型的更新门单元进行矩阵运算，得到被保留信息量；
[0018]对所述预测关节点位置数据h
t
‑1、所述被保留信息量和所述记忆更新内容进行融合运算，得到所述挖掘机在t+1时刻下的预测关节点位置数据
[0019]可选的实施方式，在获取基于所述GRU循环神经网络模型所预测得到的所述挖掘机在t时刻下的预测关节点位置数据h
t
‑1之前，还包括：
[0020]基于所述挖掘机在历史时刻下的若干组预测关节点位置数据和若干组实际关节点位置数据，确定所述GRU循环神经网络模型使用到的损失函数。
[0021]可选的实施方式，所述结合所述实际关节点位置数据l
t
与所述预测关节点位置数据之间的变化关系，识别所述挖掘机在t时刻下的作业状态包括：
[0022]从所述实际关节点位置数据l
t
中分别提取出关节点i(i＝0，1，2，3，4)所对应的实际关节点位置信息P
t，i
以及关节点j(j≠i且j＝0，1，2，3，4)所对应的实际关节点位置信息P
t，j
，并计算出所述实际关节点位置信息P
t,i
到所述实际关节点位置信息P
t，j
之间的欧式距离ED
ij
(t)；
[0023]从所述预测关节点位置数据中分别提取出关节点i所对应的预测关节点位置信息以及关节点j所对应的预测关节点位置信息并计算出所述预测关节点位置信息到所述预测关节点位置信息之间的欧式距离ED
ij
(t+1)；
[0024]将所述欧式距离ED
ij
(t+1)与所述欧式距离ED
ij
(t)进行差运算，获取t时刻下关节点i到关节点j之间的一阶差分值DF
ij
(t)，进一步获取所述挖掘机在t时刻下的所有关节点间的一阶差分集合DF；
[0025]基于所述一阶差分集合DF中所包含的所有一阶差分值，识别出所述挖掘机在t时刻下的作业状态。
[0026]可选的实施方式，所述基于所述一阶差分集合DF中所包含的所有一阶差分值，识别出所述挖掘机在t时刻下的作业状态包括：
[0027]基于所述一阶差分集合DF中所包含的所有一阶差分值均为零值，识别所述挖掘机在t时刻下处于空闲未作业状态；
[0028]基于所述一阶差分集合DF中所包含的一阶差分值DF
10
(t)为非零值，识别所述挖掘
机在t时刻下处于转动作业状态；
[0029]基于所述一阶差分集合DF中所包含的一阶差分值DF
10
(t)为零值，且一阶差分值DF
20
(t)、一阶差分值DF
30
(t)与一阶差分值DF
40
(t)均为非零值，识别所述挖掘机在t时刻下处于挖掘作业状态。
[0030]另外，本专利技术实施例还提供了一种输水隧洞挖掘机作业状态的识别系统，所述系统包括：
[0031]采集模块，用于对挖掘机在t时刻下的实际关节点位置数据l
t
进行采集；
[0032]预测模块，用于基于GRU循环神经网络模型对所述实际关节点位置数据l
t
进行估计运算，输出所述挖掘机在t+1时刻下的预测关节点位置数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输水隧洞挖掘机作业状态的识别方法，其特征在于，所述方法包括：对挖掘机在t时刻下的实际关节点位置数据l
t
进行采集；基于GRU循环神经网络模型对所述实际关节点位置数据l
t
进行估计运算，输出所述挖掘机在t+1时刻下的预测关节点位置数据结合所述实际关节点位置数据l
t
与所述预测关节点位置数据之间的变化关系，识别所述挖掘机在t时刻下的作业状态。2.根据权利要求1所述的输水隧洞挖掘机作业状态的识别方法，其特征在于，所述对挖掘机在t时刻下的实际关节点位置数据l
t
进行采集包括：基于输水隧洞内部面向所述挖掘机的作业区域架设有摄像头，采集所述挖掘机在t时刻下的图像数据；在所述图像数据中标注出所述挖掘机的五个关节点位置，统计所述挖掘机在t时刻下的实际关节点位置数据l
t
。3.根据权利要求2所述的输水隧洞挖掘机作业状态的识别方法，其特征在于，所述在所述图像数据中标注出所述挖掘机的五个关节点位置包括：在所述图像数据中标注出所述挖掘机的机体重心位置为关节点0、所述挖掘机的机体尾部位置为关节点1、所述挖掘机的斗杆起始位置为关节点2、所述挖掘机的斗杆尾部位置为关节点3以及所述挖掘机的铲斗尾部位置为关节点4。4.根据权利要求1所述的输水隧洞挖掘机作业状态的识别方法，其特征在于，所述基于GRU循环神经网络模型对所述实际关节点位置数据l
t
进行估计运算，输出所述挖掘机在t+1时刻下的预测关节点位置数据包括：获取基于所述GRU循环神经网络模型所预测得到的所述挖掘机在t时刻下的预测关节点位置数据h
t
‑1；将所述预测关节点位置数据h
t
‑1和所述实际关节点位置数据l
t
导入所述GRU循环神经网络模型的重置门单元进行矩阵运算，得到应遗忘信息量；将所述预测关节点位置数据h
t
‑1、所述实际关节点位置数据l
t
和所述应遗忘信息量导入所述GRU循环神经网络模型的隐藏层进行训练，得到记忆更新内容；将所述预测关节点位置数据h
t
‑1和所述实际关节点位置数据l
t
导入所述GRU循环神经网络模型的更新门单元进行矩阵运算，得到被保留信息量；对所述预测关节点位置数据h
t
‑1、所述被保留信息量和所述记忆更新内容进行融合运算，得到所述挖掘机在t+1时刻下的预测关节点位置数据5.根据权利要求4所述的输水隧洞挖掘机作业状态的识别方法，其特征在于，在获取基于所述GRU循环神经网络模型所预测得到的所述挖掘机在t时刻下的预测关节点位置数据h
t
‑1之前，还包括：基于所述挖掘机在历史时刻下的若干组预测关节点位置数据和若干组实际关节点位置数据，确定所述...

【专利技术属性】
技术研发人员：吕虎波，包国刚，李佳，张斌，李玉志，卫魏，
申请(专利权)人：浙江省隧道工程集团有限公司，
类型：发明
国别省市：