(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210684041.1 (22)申请日 2022.06.16 (71)申请人 黄冈强源电力设计有限公司 地址 438000 湖北省黄冈市黄州区东门路 36号 申请人 国网湖北省电力有限公司黄冈供电 公司 (72)发明人 陶亮　汪斌　吴宣华　张明念　 庞伟　汪磊　张乐　李大海　 刘修锋　杜文略　 (74)专利代理 机构 武汉中知诚业专利代理事务 所(普通合伙) 42271 专利代理师 孙黄莹 (51)Int.Cl. G06Q 10/06(2012.01)G06Q 10/10(2012.01) G06Q 50/16(2012.01) G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种水泥纤维板的施工过程中风险识别方 法及系统 (57)摘要 本发明提供一种水泥纤维板的施工过程中 风险识别方法及系统， 系统包括人脸识别模块， 图像采集模块,人员定位模块、 防护装备风险识 别模块和人员位置风险识别模块； 该水泥纤维板 的施工过程中风险识别方法及系统设计合理， 通 过防护装备风险识别模块， 对图像采集模块上传 的水泥纤维板施工现场的图像信息进行网络模 型的识别， 并判断作业人员的人员信息和所穿戴 的施工防护设备的类型， 若有异常的风险会及时 提示， 减少了安全管理的人力投入， 提高了风险 行为的识别率， 使得现场作业更加的安全。 权利要求书3页 说明书12页 附图4页 CN 114936799 A 2022.08.23 CN 114936799 A 1.一种水泥纤维板的施工过程中风险识别方法， 其特 征在于， 包括以下步骤： 步骤一： 图像采集； 采用人脸识别， 只有持有工作 许可的人员才能识别通过进行以下的 风险识别操作， 通过水泥纤维板施工现场设置的摄像头对作业现场进行图像采集， 再将图 像信息上传至系统， 对图像进行 预处理； 步骤二： 人员定位； 在施工现场的不同工作区域设置电子标签， 人员进入现场后 其佩戴 的读写装置与电子标签感应， 得到人员工作区域信息， 将其无线传回系统， 在现场设置定位 基站， 与施工人员佩戴的定位器交互得到响应信息， 将其无线传回系统， 经算法处理得到人 员位置信息和行动轨 迹； 步骤三： 防护装备风险预警； 利用目标检测模型对现场图像进行分析处理， 检测施工人 员是否穿戴规定种类的施工防护装备， 若未全部穿戴则发出警报； 步骤四： 人员位置风险预警； 对人员定位得到的定位数据进行处理， 若靠近危险区域或 者长时间处于错 误的工作区域则发出警报。 2.根据权利要求1所述的一种水泥 纤维板的施工过程中风险识别方法， 其特征在于： 所 述人脸识别采用基于CNN(卷积神经网络)的人脸识别， 利用卷积神经网络对工作人员的人 脸进行深度特征提取， 利用设备采集到现场作业人员的图像信息后， 根据数据库中人脸信 息进行比对， 确认身份后再进行风险识别的图像信息采集， 然后作业人员将各种施工防护 设备上传至服务器中， 系统可以自定义将获取到施工防护 设备图像大小进行自适应缩放， 满足深度学习网络中所要求的图像大小， 利用自适应灰度填充的方法将获得到的图像信息 进行填充将图像的较长边设定为基准， 计算图像的宽高比， 依据输入图像与要求图像大小 的比例计算缩放比例， 将图像进行等比例缩放， 再对短边进行 灰度填充。 3.根据权利要求1所述的一种水泥 纤维板的施工过程中风险识别方法， 其特征在于： 所 述步骤三中， 在获取到施工防护装备 的图像信息后， 利用目标检测模型对图像进行处理分 析， 实现对施工防护装置类别的识别并检测施工人员佩戴防护设备的安全性。 4.根据权利要求3所述的一种水泥 纤维板的施工过程中风险识别方法， 其特征在于： 所 述用于目标检测的目标检测模型的作用是对输入模型的图像进行特征提取以及特征增强， 最后预测出目标的类别以及目标 的边界框， 整个目标检测模型分为主干网络部分、 特征增 强部分、 预测部 分三个部 分， 主干网络部 分负责对输入模型的图像进 行深度特征提取， 得到 图像中施工防护设备各个位置的特征(物体颜色、 物体边缘特点、 物体纹理)， 最后在主干网 络的不同位置输出不同尺度的特征图； 特征增强部 分主要任务是将主干网络部 分的输出的 不同尺度的特征融合在一起， 即将图像的深层信息和浅层信息通过融合模块进行融合， 并 输出一个融合后的特征图； 预测部份负责对特征增强部分输出的特征图进行分析处理， 预 测出图像中的目标类别以及目标的边界框 。 5.根据权利要求5所述的一种水泥 纤维板的施工过程中风险识别方法， 其特征在于： 目 标检测模型的主干网络部分包括： 首先将一种水泥纤维板的施工过程中风险识别系统的图 像采集模块输出的图像统一转换为224*224*3的图像矩阵， 输入目标检测模型的主干网络 部分， 其中切片模块的作用是将图像进 行平面切割， 再进行深度的堆叠的大小， 主干网络的 输入图像经过切片模块后， 大小变为原 来的四分之一， 图像深度变为原 来的四倍， 而不造成 任何图像信息丢失； 图像经过切片模块处理后进入卷积模块1， 通过卷积、 正则化(BN)、 Leaky Relu函数激活， 调整自身尺 寸， 作为特征提取做 准备； 利用注意力机制能够着 重关注权　利　要　求　书 1/3 页 2 CN 114936799 A 2目标信息的特点,在模型中引入注意力机制， 图像经过卷积模块处理后先后进入通道注意 力模块和空间注意力模块， 对图像特征图的权重进 行再分配， 提升目标检测的精度， 其中通 道注意力模块通过对图像进行全局平均池化压缩图像的二维特征， 再为图像的每个通道分 配权重值， 其中包含目标 的通道的权重值更大， 使用全连接层保证输出权重数量与输入的 通道数量一致， 空间注意力模块先将图像做平均池化、 最大池化处理， 再将 两种池化结果融 合， 依次通过卷积、 sigmoid函数激活， 作用是基于空间上的图像特征分布， 为图像通道中包 含目标空间的部分分配更大 的空间权重， 使模型重点关注任务相关的图像区域； 之后将特 征图依次通过四组(F1、 F2、 F3、 F4)深度特征提取， 其中每个组包含的特征提取模块数量按 照先后顺序分别为3、 4、 12、 3， 在特征提取模块中， 特征图被分为若干组使用包含不同卷积 核的卷积层对不同的组进行特征提取， 将输出 的各组特征图进行空间上 的堆叠， 经过两个 卷积模块1继续提取特征， 输出后与特征提取模块的输入进行结合， 最后使用Leaky  Relu函 数激活。 目标检测模型的特 征增强部分包括： ①将主干网络结构F4输出的特 征图进行一次进行 卷积后， 做两种处 理： 1)将特征图上采样； 2)经过三次卷积， 每经 过一次卷积输成一个特 征图， 最终得到特 征图N4、 N5、 N6； ②将F3输出的特征图进行一次进行卷积后， 与F4进行卷积、 上采样后的特征图融合， 得 到新的特 征图， 对新特 征图进行两种处 理： 1)经过一次卷积得到特 征图N3； 2)进行上采样； ③将F2输出的特征图进行一次卷积后， 融合来自F3输出处理中得到的上采样后的新特 征图， 最后经 过一次卷积得到特 征图N2； 特征增强部分通过在主干网络部分后构建特征融合结构用以融合不同层次、 多尺度的 特征， 使得特征图同时拥有高度抽象的特 征和细粒度特 征， 提升系统检测质量。 6.根据权利要求1所述的一种水泥 纤维板的施工过程中风险识别方法， 其特征在于： 所 述步骤四中， 在获取到读写装置的感应数据后， 利用射频识别技术确定施工人员当前处于 几号区域， 获取到微基站的定位数据后， 利用定位测 量算法得到施工人员的精确 位置和轨 迹信息， 从而实现对施工人员的工作区域、 实时位置的掌握并检测施工人员所处于位置的 安全性， 具体如下： 系统通过无源RFID标签的反向散射信号来分析人员与危险区域之间的 距离， 提醒用户避开危险区域， 该系统的关键是标签与天线之 间的距离不同， 信号的衰减程 度不同， 系统根据标记点的发射功率和接 收点的发射功率， 对信号距离之间的衰减进行计 算， 就可以得出标记点与接收点之间的距离， 即可以通过RSSI信号表示人员与危险区域的 距离。 7.根据权利要求6所述的一种水泥 纤维板的施工过程中风险识别方法， 其特征在于： 所 述定位测量算法是基于定位基站和标签之 间的精确测距完成的， 系统通过对工作区域进 行 模拟绘图， 绘制出操作间隔和空白区域， 在后台系统划定工作区域 1～N的相对坐标(0,0)～ (n‑1,n‑1)范围， 作业现场由一个个操作隔间组成， 每个操作隔间都会划定工作区域， 现场 作业人员分配工作时会明确在哪几个间隔操作， 将工作人员的工作区域储存到系统数据库 中， 按照工作区域设定工作围栏， 以保证作业范围在围栏之内， 对作业现场工作区域进行划权　利　要　求　书 2/3 页 3 CN 114936799 A 3