利用深度学习的施工人员安全隐患行为诊断控制方法

来源：计算机测量与控制杂志2022年第2期北京时间：

作者：王生云,赵吉龙,虎晓敏,马少军,拓媛媛,胡军,包超

单位：宁夏大学

摘要：为了对建筑施工现场存在安全隐患的行为进行诊断控制,提出通过深度学习的方式对建筑施工现场工人的不安全行为进行识别。第一,要对人体骨骼运动模型进行提取,将提取得到的信息作为人体姿态以及运动发生变化的新模态信息,并针对以人体姿态为依据实现骨架信息提取这一过程进行简单介绍,再进一步提出CNN-LSTM模型,该模型能够对空间特征提取性能进行优化。通过利用BN-Inception作为CNN-LSTM行为识别模型所需要的空间特征提取器,对所有视频帧中包含的空间结构信息进行提取过程的训练。再通过借助长短时记忆网络(LSTM)针对完整视频中的所有帧进行时序信息的建模,最终通过模型所得出的结果即为LSTM在最终时刻的预测输出。通过相关研究能够证明,利用CNN-LSTM模型获取的信息准确率能够达到88.67%,能够对单模态行为识别模型在识别过程中的准确率进行优化。

关键词：隐患行为控制;安全隐患;深度学习;骨架测量;动作捕捉;行为诊断;建筑施工

基金资助：国家自然科学(No. 51608283, No. 51778276)；宁夏回族自治区重点研发计划项目(引才专项)( No. 2018BEB04006)；宁夏青年科技人才托举工程(No. TJGC2019007)；宁夏回族自治区重点研发计划项目(No. 2018BEG03009)