基于圖像異類特征融合的基建工地現場安全智能預警系統

章 巍，嚴鴻平，錢和平，邵越風

(1.浙江省能源集團有限公司，浙江 杭州 310007；2.浙江浙能紹興濱海熱電有限責任公司，浙江 紹興312073)

0 引言

我國經濟社會不斷發展，各種建筑行業的施工設備也不斷發展更新，尤其是在互聯網和大數據普及的大環境下，智能識別技術發展迅速，現已在多個行業領域得到廣泛應用[1-2]。我國目前建筑施工現場安全事故發生的頻率依然較高，因此，將智能識別技術應用到建筑工作安全管理系統的研究已成為我國目前施工安全領域研究的重點[3]。

本文設計了一種基于圖像異類特征融合的基建工地現場安全智能預警系統，該系統運用了圖像異類特征融合技術。對于獲取圖像特征模糊，數據存在差異、遺漏等狀況，通過圖像異類特征融合技術進行修正。

1 基建工地現場安全智能預警系統硬件設計

基于圖像異類特征融合的基建工地現場安全智能預警系統的硬件組成主要包括施工現場監控設備、通信網絡裝置、傳感器、預警器和后臺總控制器?，F場監控設備負責對施工場地各個部分進行實時監測，收集視頻圖像信息，本文引入了圖像異類特征融合技術，使監控裝置采集到的圖像和視頻資源更為準確清晰；通信網絡一般采用當前最為普遍使用的無線網和網絡寬帶，監控設備采集到的視頻圖像信息能通過網絡傳輸到后臺控制中心對數據信息進行智能分析和處理，通過檢測圖像視頻數據代碼分析施工現場各部分安全系數和異常狀況，對檢測到的異常狀況及時報警，將產生問題的具體位置、危險系數等信息上報給工作人員，以及時解決安全問題[4-5]。

1.1 預警器設計

預警器內部裝置主要包括視頻監控裝置、圖像傳感器和通信線路。圖像視頻監控設備主要由圖像接收傳感器和信號數據處理器構成，負責實時采集施工現場的各方位視頻與圖像信息；通信傳輸電路、串口通信線路、無線網接收服務器、有線網絡接口以及電源充電設備主要是信息傳輸線路和電源充電部分的硬件設備組成部分[4,6]。

基于圖像異類特征融合的基建工地現場安全智能預警系統前端預警器硬件主要由裝置主體、監控攝像頭、開關按鈕、設備控制器、滾輪轉輪、設備支撐架、報警裝置、圖像傳感器、音頻傳感器、降噪裝置、遮光器、頂部防護板和顯示器組成。其操作過程主要由監控攝像頭進行實時監測，圖像傳感器和音頻傳感器負責接收信息，由于建筑施工現場往往環境嘈雜，因此需要安裝降噪裝置，減少其余噪聲對信息獲取的影響；遮光器和頂部防護板主要對監控攝像裝置進行保護，并減少光源對攝像頭視頻圖像采集造成的光影影響[7]。安全智能預警系統硬件預警裝置的組成結構如圖1所示。

圖1 預警裝置硬件組成結構示意

預警器的監控裝置采集到的視頻圖像信息通過信號處理器，將信息資源分解處理轉化為數字代碼，通過通信線路傳輸到圖像處理運算程序，利用處理器以及圖像特異類特征融合技術將圖像數據信息完成處理、分類、傳輸儲存等操作過程，再經由通信網絡傳輸給后臺系統控制中心；經控制中心處理后的信息會通過無線網或局域網傳輸到相應工作單位和工作人員的終端服務器上，工作過程如圖2所示。

圖2 預警器信息通信示意

1.2 控制器設計

后臺控制器裝置主要由通信接收器、視頻圖像顯示器、中心總控制器和智能數據分析器構成。智能數據分析系統對視頻圖像按照相應標準進行分析處理，分析后的數據會在專用的圖像顯示器上呈現，工作人員能夠根據所顯示的數據信息判斷出施工現場的具體情況和故障問題的相關信息[8-9]。具體后臺控制裝置硬件組成如圖3所示。

圖3 后臺控制裝置硬件組成示意

由圖3可知，通信接收器先接收到預警器傳輸的視頻圖像分析的數據信息，再將其傳輸到控制中心的視頻圖像處理服務器。

2 基建工地現場安全智能預警系統軟件設計

在傳統安全智能預警系統的研究基礎上，本文引用了圖像異類特征融合技術，設計出圖像視頻分析處理準確率更高的安全智能預警系統軟件。

圖像異類特征融合技術在圖像視頻識別過程中，著重關注圖像存在差異的部分，分析圖像的色彩紋路、光影分布和清晰度等多個參數，通過對比運算對存在問題的圖像部分進行修正，能夠相對完整地滿足信息修補，提升圖像的清晰度和準確度。對于施工現場的噪聲干擾，除了降噪裝置以外，圖像異類融合技術也能夠通過圖像紋理、結構等特征對圖像進行修正復原，該技術的應用大大減少了噪聲和光影對圖像采集造成的干擾，而且識別能力較強，能夠更為精準地對不同圖像位置、顏色、范圍等信息進行分析[10-11]。圖像異類特征融合處理程序的運行流程如圖4所示。

由圖4可見，視頻和圖像經過讀取后會進行顏色、紋理、形態特征分析，提取顏色參數的3個分量經過運算得出均值、方差和斜度的特征參數。顏色提取的公式為

圖4 圖像異類特征融合處理程序的運行流程

(1)

N為圖像中的像素個數；P為圖像色彩含有灰度的比率；H、S、V分別表示圖像提取均值、方差和斜度分量[12-13]。

圖像的形態特征需要用圖像灰度化、邊緣模糊檢驗、閾值分割等程序操作，得出幾何特征參數；紋理參數要通過能量矩陣、熵矩陣等灰度化共生矩陣運算程序，得出均值、標準差的特征參數；最后將所得參數結果進行SVM識別操作，識別算法為

(2)

圖5 預警系統的軟件運行流程

由圖5可知，接收到基建工地現場的圖像信息的后臺控制中心圖像信息處理系統對圖像進行分析處理、安全判定、儲存和傳輸。處理后有用的信息，能夠反映給相關人員，在智能安全管理系統的智能自動化操作下，設定好各檢測對象相關的參數指標，圖像處理系統即可對工作人員、施工設備、工作環境等多方面進行分析檢測。如某項參數出現異常，經過判定為安全問題，預警系統會根據安全問題的風險級別發出相應的報警信號。

對于不同風險等級的預警信號，控制中心系統采用相應級別的安全應急程序。首先啟動安全事故警報，對施工現場風險地區進行緊急預警，同時，后臺調整畫面對施工場進行監控，智能數據處理系統跟進風險部分的參數動態變化，以便及時調整解決方案和措施的實施[14]。如果安全威脅進一步惡化，脫離了可控范圍，安全控制系統中心會及時啟動應急救援方案，防止安全問題的進一步擴大。

3 實驗研究

將本文設計的圖像異類特征融合智能安全預警系統和傳統的安全預警系統進行對比，在同一基建施工場地模擬安全事故發生狀態，用3種安全預警系統同時進行現場監測和信息處理，記錄每種安全預警系統的各方面數據信息，并繪制對比折線圖。

本文選取了基于多特征融合技術的安全預警系統和基于圖像輪廓提取技術的安全預警系統與本文設計的基于圖像異類特征融合技術的安全智能預警系統進行對比參照。3種預警系統對建筑施工現場圖像采集的像素清晰度方面差異較大，采集到的圖像信息清晰度對比情況如圖6所示。

圖6 3種系統圖像清晰度對比

由圖6可以明顯看出，本文設計的安全預警系統，比傳統的安全預警系統圖像采集清晰度更高，數據更準確，隨著測量范圍的增大，采集圖像的清晰度和準確度變化不大，可見實驗中設定的觀測范圍對其圖像采集能力影響較小。而傳統的安全預警系統，隨著監測范圍的增大，圖像或多或少出現了清晰度下降等情況，一般表現為圖像模糊、錯漏等現象，從而導致對于關鍵部分的聚焦能力弱，對存在安全隱患的部分無法及時捕捉，不利于安全預警系統性能的提高，從而降低安全系統預警能力。對于安全預警系統來說，圖像資源像素越高，整個系統各方面操作的準確度也更高，因此，本文設計的基于圖像異類特征融合技術的基建工地安全智能預警系統更適合目前甚至將來建筑安全管理領域的智能化發展。

本文同樣對后臺控制中心系統圖像檢測分析過程進行了記錄，從圖像接收速度、代碼分解、信息處理與安全預警和緊急處理反應靈敏度等方面進行了較為全面的測量對比，總體的安全預警系統智能化程度如圖7所示。

圖7 綜合性能實驗結果

由圖7可知，多特征融合技術的安全預警系統后臺控制處理器的綜合性能數據，隨著處理圖像的數量增加，性能有所下降，實驗中表現為處理速度變緩慢，偶爾出現卡頓問題，控制系統對安全事故應急處理的反應速度遲緩，導致安全預警信號延遲等狀況?；趫D像輪廓提取技術的安全預警系統，在圖像采集的清晰度上能力比較弱，因此在后續圖像分析處理與安全預警等環節均無法達到理想標準。與傳統的安全預警系統相比，本文設計的安全智能預警系統綜合性能更強，智能化水平更高，對基建工地現場的安全問題預警能力更強，綜合實力更優越。圖7中數據是對安全預警系統內部處理程序性能的一個綜合數據體現。隨著程序不斷運行的時間加長，采集到的圖像數量增加，控制系統的綜合性能沒有太大變化，表明處理系統對圖片分析處理的速度沒有下降，處理所得的數據也都較為準確，沒有出現因數據過多而導致系統程序運行卡頓或數據錯漏等現象。

對于大型基建施工現場突發的安全事故，傳統的安全預警系統無法及時捕捉到安全問題的存在位置，導致安全預警不能及時進行警報通知，可能會造成安全事故的發生，對施工現場造成不同程度的損失。因此，本文設計的智能安全預警系統更適用于當前的基建施工現場的情況監測預警。

4 結束語

本文介紹了基于圖像異類特征融合的基建工地現場安全智能預警系統的硬件和軟件設計，并通過對比實驗證明了本文設計的智能安全預警系統比傳統的安全預警系統性能更高，更智能化。隨著當今社會大數據和物聯網技術的日益發展，建筑施工安全管理領域更需要智能化的安全預警系統來提高安全保障水平，同時，智能化的安全系統也更容易與日后建筑行業的更新發展相適應，兩者相輔相成，推動智能安全技術與基建行業的進一步發展。