許開瑜
攀鋼集團攀枝花鋼釩有限公司 攀枝花 617000

　　摘 要：隨著科學技術的不斷發(fā)展以及計算機計算能力的加強，深度學習在人們社會生活中發(fā)揮著越來越重要的作用。而隨著城市的發(fā)展，土地資源越來越緊張，迫切需要高層和超高層的建筑。在高層和超高層建筑的建造時，起重機發(fā)揮著不可替代的作用，如何確保起重機周圍環(huán)境的安全成了人們密切關注的問題。結合深度學習，對起重機周圍環(huán)境安全進行監(jiān)測，保證人員與起重機和建筑與起重機之間的安全，可有效地避免事故的產生。

　　關鍵詞：起重機；深度學習；安全監(jiān)測；事故

　　中圖分類號：TH21 文獻標識碼：A 文章編號：1001-0785（2020）07-0084-03

　　0 引言
起重機械在高層和超高層建筑的建造中發(fā)揮著不可替代的作用，極大地減輕了施工人員的負擔，加快了施工的進度。但由于施工的周期長，起重機需要長時間使用，如何確保起重機周圍環(huán)境的安全不僅是確保施工能夠順利按時完成的關鍵，也是保障施工人員及周圍建筑安全的重要方面。隨著時代的發(fā)展，深度學習在不斷地影響著人們的學習和生活。本文結合深度學習，對起重機周圍環(huán)境進行了建模，通過使用卷積神經(jīng)網(wǎng)絡構建的模型，能夠有效地避免不安全事件的發(fā)生，包括起重機吊鉤與建筑之間的碰撞和起重機吊鉤與工程人員之間的碰撞。

　　1 采集數(shù)據(jù)
由于使用深度學習技術需要數(shù)據(jù)集進行訓練和測試，故要在起重機施工現(xiàn)場進行數(shù)據(jù)采集。利用施工現(xiàn)場的監(jiān)控系統(tǒng)，將起重機周圍環(huán)境中的視頻進行保存。為了方便處理，可將保存下來的一段段連續(xù)的視頻拆分成一幀一幀的圖像，獲得起重機周圍環(huán)境的信息。同時，由于對采集到的圖像不能直接放入網(wǎng)絡進行訓練，需要對其進行標注。標注的信息由兩大部分構成，一部分是類別信息，包括人、建筑物和起重機吊鉤，另一部分是位置信息，包括人的定位、建筑的定位和起重機吊鉤的定位。其中類別信息用于判別起重機環(huán)境中的對象，定位信息用于確認環(huán)境中對象所處的位置。有了對象的類別信息和位置信息，就可以計算出起重機和其他對象之間的距離。

　　2 網(wǎng)絡建模思路
如圖1 所示，通過網(wǎng)絡建模起重機與其它對象之間的距離主要步驟有：首先獲取標注的數(shù)據(jù)集，然后將數(shù)據(jù)集放入到目標檢測網(wǎng)絡中進行訓練，利用訓練好的模型獲取視頻圖像中的對象在視頻中的二維坐標，最后將二維坐標映射到具體物理世界中的三維坐標，計算出起重機吊鉤和工程人員、建筑物之間的距離，當距離少于某一閾值時進行報警提示。

　　圖 1 建模思路示意圖

　　3 建模中的難點
1）由于起重機一般比較龐大，當起重機吊鉤的位置和工程人員以及建筑的距離較遠時，此時在視頻圖像中，工程人員和建筑物的尺寸就相對較小，尤其是工程人員，如何正確的識別出工程人員以及準確地對其位置進行定位，需要一個對小目標檢測效果較好的深度學習模型。
2）在得到了目標對象在視頻圖像中的二維坐標之后，如何確定其在物理世界的三維坐標，從而計算出起重機吊鉤對象和工程人員及建筑物之間的距離，同樣決定了最后報警的準確率。

　　4 網(wǎng)絡建模中的關鍵點
1）對視頻圖像幀進行標注時，需要準確標注對象在圖像中的位置，包括對象左上角、左下角、右上角和右下角的坐標，避免由于標注錯誤影響網(wǎng)絡的訓練。
2）利用一個對小目標魯棒的目標檢測網(wǎng)絡，準確定位出起重機吊鉤、工程人員和建筑物。
3）得到的視頻圖像中對象的二維位置坐標轉換為三維位置坐標，確定對象之間的位置關系，進而利用三維坐標計算起重機吊鉤對象和工程人員、建筑物之間的距離。當距離少于一定閾值時進行報警提醒。

　　5 利用目標檢測網(wǎng)絡進行建模
圖2 所示的是基于faster-rcnn 的目標檢測方法。首先視頻進行分幀處理，得到標注后的圖像輸入到網(wǎng)絡中。然后將生成的候選框與特征圖進行匹配，最后有兩個支路，一條支路用于區(qū)分不同的對象，另一條支路用于進行定位。由于faster-rcnn 有生成候選框的過程，即在圖像上隨機生成許多個由四個坐標值（左上角、左下角、右上角、右下角）構成的矩形，所以能夠有效地識別出小物體并對其進行定位。

　　圖 2 faster-rcnn 檢測示意圖

　　5.1 評價指標
訓練的模型需要相應的評價指標來進行衡量。在目標檢測中，通常使用mAP 的高低來衡量一個模型。mAP 的值越高，說明模型的分類和檢測的能力越好，mAP 的值越低，說明模型的分類和檢測的能力一般。由于檢測的對象只有三類，所以模型mAP 可以達到較高值，當mAP 大于97% 時，就認為該模型達標，能夠進行下一步處理。

　　5.2 分類和檢測結果
圖3 顯示了部分圖像的分類和檢測結果。結果顯示，目標檢測模型能夠有效地識別出圖像中的起重機吊鉤、工程人員以及建筑物。而起重機吊鉤、工程人員以及建筑物的定位信息則用位置坐標將其囊括起來。雖然目標檢測網(wǎng)絡能夠將攝像頭鏡頭前的對象檢測出來，但對于較遠的對象檢測有一定難度。

　　圖3 分類和檢測結果

　　5.3 進行距離轉換
在有了目標檢測模型得到的類別信息和位置信息后，需要將其轉換成三維坐標位置。具體計算規(guī)則如圖4 所示，以地面為參考系，對于起重機吊鉤和起重機吊鉤、起重機吊鉤和工程人員之間計算距離，可以將吊鉤以及工程人員視為一個點。以起重機和工程人員為例：視頻圖像中對象所屬的類別和定位信息已知，因此可以明確不同的對象位于圖像中的何處、對于起重機吊鉤以及工程人員，以其中心點的位置表示該對象，通過攝像頭計算攝像頭到工程人員的距離，記為h1，通過攝像頭計算攝像頭到起重機吊鉤的距離記h2，再計算兩邊之間的夾角記為α，那么最終起重機吊鉤和工程人員之間的距離為

　　同理，可以計算起重機吊鉤到建筑物之間的距離，但需要進行轉換。由于建筑物不能視為一個質點，因此需要將建筑物視為一個矩形，即由矩形左上角、左下角、右上角和右下角包圍而成。首先將起重機吊鉤和攝像頭都映射到同一個參考平面，以地面為例，然后再計算這兩個點之間的距離記為h1，接著計算攝像頭的映射點到建筑矩形的垂直距離, 記為h2，再計算h1 和h2 之間的夾角，最后就可以根據(jù)式（1）計算出起重機吊鉤到建筑物的垂直距離。

　　獲得了不同起重機吊鉤與吊鉤之間的距離、吊鉤與工程人員之間的距離和吊鉤與建筑物之間的垂直距離之后，可以設定一個閾值，當距離小于一定值時，如1 m，即進行報警并進行提醒。

　　圖 4 對象之間的距離計算

　　6 結論
隨著時代和社會的不斷進步，科技正逐漸地改變世界。深度學習的出現(xiàn)使得計算機視覺領域的許多任務都得到了進一步解決。本文結合深度學習中的目標檢測，對起重機周圍環(huán)境安全進行了檢測，有效地避免了起重機與其它對象之間的碰撞。來源: 起重運輸機械