【技术实现步骤摘要】
本专利技术涉及建筑工地安全，更具体地说，本专利技术涉及一种基于gan的建筑工地人员不安全行为检测方法及系统。
技术介绍
1、建筑工地安全管理一直是业内关注的难点，在施工安全背景下，建筑工地上发生的80％以上事故是工人的不安全行为的结果。导致人的不安全行为主要取决于两个因素：一个因素是工人对施工风险的安全意识和态度，这主要依赖于对施工人员的安全教育和干预，而安全教育大多数情况是难以全面覆盖且充分的；一个是安全监督，第一时间发现施工人员的不安全行为并及时采取措施将大大降低伤亡事故，而传统企业和监管部门仍依靠专人对施工人员安全行为进行监管，监管效率低、时效性差。
2、然而，传统的安全监管方式效率低下，无法对复杂动态的施工环境进行有效监控。过去的十年，深度学习技术发展迅速，其在提高施工现场的安全性方面得到了广泛的应用，深度学习和计算机视觉技术被广泛应用于建筑工地人员不安全行为检测和预警。相关研究主要围绕个人防护装备检测等方面展开。这些方法大多基于有监督或半监督学习，需要大量专业标注的图像样本进行模型训练。而建筑工地人员不安全行为的先验知识通常非常有限，相关行为类数据集的获取也存在困难。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种基于gan的建筑工地人员不安全行为检测方法及系统，具有操作更加精准的优点。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于gan的建筑工地人员不安全行为检测方法，包括如下步骤：
3、步骤一、进行文献分
4、步骤二、采集和构建包含正常和不安全行为的建筑工地人员行为视频数据集；
5、步骤三、设计无监督学习的生成对抗网络模型框架；
6、步骤四、在自建数据集上训练提出的模型，评估模型性能并与基线模型进行比较；
7、步骤五、通过消融实验消除各伪异常生成模块，评估其对模型性能的贡献。
8、作为本专利技术的一种优选技术方案，所述步骤一中，文献分析总结的过程为总结国内外研究现状进行事故统计分析、案例分析、文献分析。
9、作为本专利技术的一种优选技术方案，所述步骤二中，所述数据集为weteam22数据集，对建筑工地塔吊临边施工人员正常行为和不安全行为的姿势和朝向进行采集，其中正常行为包括行走和站立，不安全行为包括抛物、翻越安全护栏、坐姿依靠安全护栏、站姿依靠安全护栏。
10、作为本专利技术的一种优选技术方案，所述步骤二的具体过程为：
11、确定以建筑工地塔吊临边场景为背景，构建包含正常行为和不安全行为的图像数据集；
12、并制定数据采集、处理和选择方案，确保数据集质量；
13、进行数据采集、清洗、处理和为模型实验选择数据子集，构建出既包含单人又包含多人行为的weteam22数据集。
14、作为本专利技术的一种优选技术方案，所述步骤三中，所述无监督学习的生成对抗网络模型框架由一个生成器、一个判别器和五种伪异常生成模块组成；其中，所述生成器用编码器-解码器架构，包含编码器网络与解码器网络；所述判别器使用resnet-18，后加入一层全连接层以及sigmoid激活函数；五种伪异常生成模块分别为时间伪异常生成模块a和b、ognet伪异常生成模块c、融合通道伪异常生成模块d、m ix帧融合伪异常生成模块e。
15、作为本专利技术的一种优选技术方案，所述编码器网络由四层三维卷积层序贯连接构成，每层卷积核大小为3×3×3，并在时空域采用步长为2的下采样操作，以分阶段减少时空分辨率和通道数，最终获得潜在空间表示；所述解码器网络采用对称的四层三维反卷积层上采样结构，每层反卷积核大小为3×3×3，通过调整步长和输出填充参数逐步恢复输入序列的时空分辨率与通道数；最后一层反卷积层输出通道数设为1，并接tanh激活函数以输出范围在[-1,1]的重建结果；所述判别器建立在resnet-18模型之上，修改了resnet-18全连接层的输出数量，将其改为1；在fc层之后添加了一个si gmoi d激活层，将输出值映射到0-1之间，表示输入图像为重建质量好及质量差的概率。
16、作为本专利技术的一种优选技术方案，所述步骤四中，模型的训练分为两个阶段；其中第一阶段是生成器的预训练，第二阶段是对抗训练；
17、在第一阶段中，训练生成器的自动编码器，提高生成器对正常序列的重建能力；保存第一阶段早期版本的生成器，用于生成质量较低的重建结果；
18、在第二阶段，利用第一阶段训练好的早期版本的生成器来更新判别器；输入到判别器的高质量实例来自真实正常视频帧及其经生成器生成的重建结果，低质量实例则来自五种伪异常生成模块。
19、作为本专利技术的一种优选技术方案，所述步骤四中，所述模型性能评估采用帧级曲线下面积作为评价指标，所述基线模型分别来自于ognet基线方法和steal net基线方法。
20、作为本专利技术的一种优选技术方案，所述步骤五中，消融实验通过比较不同组合伪异常生成模块下的auc值，评估不同伪异常生成模块对模型性能的作用；通过固定其中一种伪异常生成模块，变化其他模块的组合来分析不同模块对性能提升的相对贡献，评估不同伪异常生成模块对提高模型性能的影响。
21、作为本专利技术的一种优选技术方案，本专利技术还提供了一种基于gan的建筑工地人员不安全行为检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述一种基于gan的建筑工地人员不安全行为检测方法的步骤。
22、与现有技术相比，本专利技术的有益效果如下：本专利技术使用正常行为数据训练即可实现对工人不安全行为的智能检测，通过使用信息化技术进行安全管理，提高了安全生产水平，提升了建筑施工人员对于不安全行为的管理能力，为预防安全生产事故提供了新的思路和方法。
本文档来自技高网...【技术保护点】
1.一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于：所述步骤一中，文献分析总结的过程为总结国内外研究现状进行事故统计分析、案例分析、文献分析。
3.根据权利要求1所述的一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于：所述步骤二中，所述数据集为WeTeam22数据集，对建筑工地塔吊临边施工人员正常行为和不安全行为的姿势和朝向进行采集，其中正常行为包括行走和站立，不安全行为包括抛物、翻越安全护栏、坐姿依靠安全护栏、站姿依靠安全护栏。
4.根据权利要求1所述的一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于：所述步骤二的具体过程为：
5.根据权利要求1所述的一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于：所述步骤三中，所述无监督学习的生成对抗网络模型框架由一个生成器、一个判别器和五种伪异常生成模块组成；其中，所述生成器用编码器-解码器架构，包含编码器网络与解码器网络；所述判别器使用ResNet-
6.根据权利要求5所述的一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于：所述编码器网络由四层三维卷积层序贯连接构成，每层卷积核大小为3×3×3，并在时空域采用步长为2的下采样操作，以分阶段减少时空分辨率和通道数，最终获得潜在空间表示；所述解码器网络采用对称的四层三维反卷积层上采样结构，每层反卷积核大小为3×3×3，通过调整步长和输出填充参数逐步恢复输入序列的时空分辨率与通道数；最后一层反卷积层输出通道数设为1，并接tanh激活函数以输出范围在[-1,1]的重建结果；所述判别器建立在ResNet-18模型之上，修改了ResNet-18全连接层的输出数量，将其改为1；在FC层之后添加了一个Sigmoid激活层，将输出值映射到0-1之间，表示输入图像为重建质量好及质量差的概率。
7.根据权利要求1所述的一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于：所述步骤四中，模型的训练分为两个阶段；其中第一阶段是生成器的预训练，第二阶段是对抗训练；
8.根据权利要求1所述的一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于：所述步骤四中，所述模型性能评估采用帧级曲线下面积作为评价指标，所述基线模型分别来自于OGNet基线方法和STEAL Net基线方法。
9.根据权利要求1所述的一种基于GAN的建筑工地人员不安全行为检测方法，其特征在于：所述步骤五中，消融实验通过比较不同组合伪异常生成模块下的AUC值，评估不同伪异常生成模块对模型性能的作用；通过固定其中一种伪异常生成模块，变化其他模块的组合来分析不同模块对性能提升的相对贡献，评估不同伪异常生成模块对提高模型性能的影响。
10.一种基于GAN的建筑工地人员不安全行为检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种基于GAN的建筑工地人员不安全行为检测方法的步骤。
...【技术特征摘要】
1.一种基于gan的建筑工地人员不安全行为检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于gan的建筑工地人员不安全行为检测方法，其特征在于：所述步骤一中，文献分析总结的过程为总结国内外研究现状进行事故统计分析、案例分析、文献分析。
3.根据权利要求1所述的一种基于gan的建筑工地人员不安全行为检测方法，其特征在于：所述步骤二中，所述数据集为weteam22数据集，对建筑工地塔吊临边施工人员正常行为和不安全行为的姿势和朝向进行采集，其中正常行为包括行走和站立，不安全行为包括抛物、翻越安全护栏、坐姿依靠安全护栏、站姿依靠安全护栏。
4.根据权利要求1所述的一种基于gan的建筑工地人员不安全行为检测方法，其特征在于：所述步骤二的具体过程为：
5.根据权利要求1所述的一种基于gan的建筑工地人员不安全行为检测方法，其特征在于：所述步骤三中，所述无监督学习的生成对抗网络模型框架由一个生成器、一个判别器和五种伪异常生成模块组成；其中，所述生成器用编码器-解码器架构，包含编码器网络与解码器网络；所述判别器使用resnet-18，后加入一层全连接层以及sigmoid激活函数；五种伪异常生成模块分别为时间伪异常生成模块a和b、ognet伪异常生成模块c、融合通道伪异常生成模块d、mix帧融合伪异常生成模块e。
6.根据权利要求5所述的一种基于gan的建筑工地人员不安全行为检测方法，其特征在于：所述编码器网络由四层三维卷积层序贯连接构成，每层卷积核大小为3×3×3，并在时空域采用步长为2的下采样操作，以分阶段减少时空分辨率和通道数，最终获得潜在空间表示；所述解码器网络...
【专利技术属性】
技术研发人员：丁超，刘祺龙，丁玉贤，王琨，王振华，张宸，
申请(专利权)人：内蒙古科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。