基于图像异类特征融合的基建工地现场安全智能预警系统

章 巍，严鸿平，钱和平，邵越风

(1.浙江省能源集团有限公司，浙江 杭州 310007；2.浙江浙能绍兴滨海热电有限责任公司，浙江 绍兴312073)

0 引言

我国经济社会不断发展，各种建筑行业的施工设备也不断发展更新，尤其是在互联网和大数据普及的大环境下，智能识别技术发展迅速，现已在多个行业领域得到广泛应用[1-2]。我国目前建筑施工现场安全事故发生的频率依然较高，因此，将智能识别技术应用到建筑工作安全管理系统的研究已成为我国目前施工安全领域研究的重点[3]。

本文设计了一种基于图像异类特征融合的基建工地现场安全智能预警系统，该系统运用了图像异类特征融合技术。对于获取图像特征模糊，数据存在差异、遗漏等状况，通过图像异类特征融合技术进行修正。

1 基建工地现场安全智能预警系统硬件设计

基于图像异类特征融合的基建工地现场安全智能预警系统的硬件组成主要包括施工现场监控设备、通信网络装置、传感器、预警器和后台总控制器。现场监控设备负责对施工场地各个部分进行实时监测，收集视频图像信息，本文引入了图像异类特征融合技术，使监控装置采集到的图像和视频资源更为准确清晰；通信网络一般采用当前最为普遍使用的无线网和网络宽带，监控设备采集到的视频图像信息能通过网络传输到后台控制中心对数据信息进行智能分析和处理，通过检测图像视频数据代码分析施工现场各部分安全系数和异常状况，对检测到的异常状况及时报警，将产生问题的具体位置、危险系数等信息上报给工作人员，以及时解决安全问题[4-5]。

1.1 预警器设计

预警器内部装置主要包括视频监控装置、图像传感器和通信线路。图像视频监控设备主要由图像接收传感器和信号数据处理器构成，负责实时采集施工现场的各方位视频与图像信息；通信传输电路、串口通信线路、无线网接收服务器、有线网络接口以及电源充电设备主要是信息传输线路和电源充电部分的硬件设备组成部分[4,6]。

基于图像异类特征融合的基建工地现场安全智能预警系统前端预警器硬件主要由装置主体、监控摄像头、开关按钮、设备控制器、滚轮转轮、设备支撑架、报警装置、图像传感器、音频传感器、降噪装置、遮光器、顶部防护板和显示器组成。其操作过程主要由监控摄像头进行实时监测，图像传感器和音频传感器负责接收信息，由于建筑施工现场往往环境嘈杂，因此需要安装降噪装置，减少其余噪声对信息获取的影响；遮光器和顶部防护板主要对监控摄像装置进行保护，并减少光源对摄像头视频图像采集造成的光影影响[7]。安全智能预警系统硬件预警装置的组成结构如图1所示。

图1 预警装置硬件组成结构示意

预警器的监控装置采集到的视频图像信息通过信号处理器，将信息资源分解处理转化为数字代码，通过通信线路传输到图像处理运算程序，利用处理器以及图像特异类特征融合技术将图像数据信息完成处理、分类、传输储存等操作过程，再经由通信网络传输给后台系统控制中心；经控制中心处理后的信息会通过无线网或局域网传输到相应工作单位和工作人员的终端服务器上，工作过程如图2所示。

图2 预警器信息通信示意

1.2 控制器设计

后台控制器装置主要由通信接收器、视频图像显示器、中心总控制器和智能数据分析器构成。智能数据分析系统对视频图像按照相应标准进行分析处理，分析后的数据会在专用的图像显示器上呈现，工作人员能够根据所显示的数据信息判断出施工现场的具体情况和故障问题的相关信息[8-9]。具体后台控制装置硬件组成如图3所示。

图3 后台控制装置硬件组成示意

由图3可知，通信接收器先接收到预警器传输的视频图像分析的数据信息，再将其传输到控制中心的视频图像处理服务器。

2 基建工地现场安全智能预警系统软件设计

在传统安全智能预警系统的研究基础上，本文引用了图像异类特征融合技术，设计出图像视频分析处理准确率更高的安全智能预警系统软件。

图像异类特征融合技术在图像视频识别过程中，着重关注图像存在差异的部分，分析图像的色彩纹路、光影分布和清晰度等多个参数，通过对比运算对存在问题的图像部分进行修正，能够相对完整地满足信息修补，提升图像的清晰度和准确度。对于施工现场的噪声干扰，除了降噪装置以外，图像异类融合技术也能够通过图像纹理、结构等特征对图像进行修正复原，该技术的应用大大减少了噪声和光影对图像采集造成的干扰，而且识别能力较强，能够更为精准地对不同图像位置、颜色、范围等信息进行分析[10-11]。图像异类特征融合处理程序的运行流程如图4所示。

由图4可见，视频和图像经过读取后会进行颜色、纹理、形态特征分析，提取颜色参数的3个分量经过运算得出均值、方差和斜度的特征参数。颜色提取的公式为

图4 图像异类特征融合处理程序的运行流程

(1)

N为图像中的像素个数；P为图像色彩含有灰度的比率；H、S、V分别表示图像提取均值、方差和斜度分量[12-13]。

图像的形态特征需要用图像灰度化、边缘模糊检验、阈值分割等程序操作，得出几何特征参数；纹理参数要通过能量矩阵、熵矩阵等灰度化共生矩阵运算程序，得出均值、标准差的特征参数；最后将所得参数结果进行SVM识别操作，识别算法为

(2)

图5 预警系统的软件运行流程

由图5可知，接收到基建工地现场的图像信息的后台控制中心图像信息处理系统对图像进行分析处理、安全判定、储存和传输。处理后有用的信息，能够反映给相关人员，在智能安全管理系统的智能自动化操作下，设定好各检测对象相关的参数指标，图像处理系统即可对工作人员、施工设备、工作环境等多方面进行分析检测。如某项参数出现异常，经过判定为安全问题，预警系统会根据安全问题的风险级别发出相应的报警信号。

对于不同风险等级的预警信号，控制中心系统采用相应级别的安全应急程序。首先启动安全事故警报，对施工现场风险地区进行紧急预警，同时，后台调整画面对施工场进行监控，智能数据处理系统跟进风险部分的参数动态变化，以便及时调整解决方案和措施的实施[14]。如果安全威胁进一步恶化，脱离了可控范围，安全控制系统中心会及时启动应急救援方案，防止安全问题的进一步扩大。

3 实验研究

将本文设计的图像异类特征融合智能安全预警系统和传统的安全预警系统进行对比，在同一基建施工场地模拟安全事故发生状态，用3种安全预警系统同时进行现场监测和信息处理，记录每种安全预警系统的各方面数据信息，并绘制对比折线图。

本文选取了基于多特征融合技术的安全预警系统和基于图像轮廓提取技术的安全预警系统与本文设计的基于图像异类特征融合技术的安全智能预警系统进行对比参照。3种预警系统对建筑施工现场图像采集的像素清晰度方面差异较大，采集到的图像信息清晰度对比情况如图6所示。

图6 3种系统图像清晰度对比

由图6可以明显看出，本文设计的安全预警系统，比传统的安全预警系统图像采集清晰度更高，数据更准确，随着测量范围的增大，采集图像的清晰度和准确度变化不大，可见实验中设定的观测范围对其图像采集能力影响较小。而传统的安全预警系统，随着监测范围的增大，图像或多或少出现了清晰度下降等情况，一般表现为图像模糊、错漏等现象，从而导致对于关键部分的聚焦能力弱，对存在安全隐患的部分无法及时捕捉，不利于安全预警系统性能的提高，从而降低安全系统预警能力。对于安全预警系统来说，图像资源像素越高，整个系统各方面操作的准确度也更高，因此，本文设计的基于图像异类特征融合技术的基建工地安全智能预警系统更适合目前甚至将来建筑安全管理领域的智能化发展。

本文同样对后台控制中心系统图像检测分析过程进行了记录，从图像接收速度、代码分解、信息处理与安全预警和紧急处理反应灵敏度等方面进行了较为全面的测量对比，总体的安全预警系统智能化程度如图7所示。

图7 综合性能实验结果

由图7可知，多特征融合技术的安全预警系统后台控制处理器的综合性能数据，随着处理图像的数量增加，性能有所下降，实验中表现为处理速度变缓慢，偶尔出现卡顿问题，控制系统对安全事故应急处理的反应速度迟缓，导致安全预警信号延迟等状况。基于图像轮廓提取技术的安全预警系统，在图像采集的清晰度上能力比较弱，因此在后续图像分析处理与安全预警等环节均无法达到理想标准。与传统的安全预警系统相比，本文设计的安全智能预警系统综合性能更强，智能化水平更高，对基建工地现场的安全问题预警能力更强，综合实力更优越。图7中数据是对安全预警系统内部处理程序性能的一个综合数据体现。随着程序不断运行的时间加长，采集到的图像数量增加，控制系统的综合性能没有太大变化，表明处理系统对图片分析处理的速度没有下降，处理所得的数据也都较为准确，没有出现因数据过多而导致系统程序运行卡顿或数据错漏等现象。

对于大型基建施工现场突发的安全事故，传统的安全预警系统无法及时捕捉到安全问题的存在位置，导致安全预警不能及时进行警报通知，可能会造成安全事故的发生，对施工现场造成不同程度的损失。因此，本文设计的智能安全预警系统更适用于当前的基建施工现场的情况监测预警。

4 结束语

本文介绍了基于图像异类特征融合的基建工地现场安全智能预警系统的硬件和软件设计，并通过对比实验证明了本文设计的智能安全预警系统比传统的安全预警系统性能更高，更智能化。随着当今社会大数据和物联网技术的日益发展，建筑施工安全管理领域更需要智能化的安全预警系统来提高安全保障水平，同时，智能化的安全系统也更容易与日后建筑行业的更新发展相适应，两者相辅相成，推动智能安全技术与基建行业的进一步发展。