基于深度学习的视频识别及动态监测技术应用

doi:10.13474/j.cnki.11-2246.2022.0258

测绘通报 ›› 2022, Vol. 0 ›› Issue (9): 23-28.doi: 10.13474/j.cnki.11-2246.2022.0258

• 交通建设工程测绘技术应用研究 • 上一篇下一篇

基于深度学习的视频识别及动态监测技术应用

吴真真¹, 唐超², 杨晓飞²

1. 中国安全生产科学研究院, 北京 100012;
2. 北京城建勘测设计研究院有限责任公司, 北京 100101

收稿日期:2022-07-06 发布日期:2022-09-30
作者简介:吴真真(1988—),女,工程师,研究方向为城市安全与应急管理。E-mail:594002507@qq.com
基金资助:
北京市科技专项(Z201100008520038);北京市科协金桥工程种子资金 A 类项目(ZZ20002)

Application of video recognition and dynamic monitoring technology based on deep learning: taking the rail transit construction project as an example

WU Zhenzhen¹, TANG Chao², YANG Xiaofei²

1. China Academy of Safety Science and Technology, Beijing 100012, China;
2. Beijing Urban Construction Exploration & Surveying Design Research Institute Co., Ltd., Beijing 100101, China

Received:2022-07-06 Published:2022-09-30

摘要/Abstract

摘要： 基于国内外城市轨道交通建设工程安全管理及信息化建设现状,本文分析了当前轨道交通建设过程中安全管理面临的难点问题,论述基于Faster R-CNN的施工现场视频识别方法,并引入图像空间特征,提高了施工现场人员不安全行为的识别率;采用基于Apriori关联分析算法构建施工环境、设备动态监测与隐患数据间的潜在强关联关系的分析处理流程,提高了施工现场隐患的发现与处置效率。在此基础上提出轨道交通建设安全管理平台总体架构,重点介绍了安全风险隐患管理、视频监测目标识别等在内的安全管理核心模块的应用实践。应用成果表明,本文算法与平台可有效提高施工现场安全信息处理效率,降低安全事故总体发生率,为城市轨道交通建设安全管理提供有效技术支撑。

关键词: 安全管理, 深度学习, 关联分析, 轨道交通建设, 信息化平台

Abstract: Based on the current situation of safety management and informatization construction of urban rail transit construction projects at home and abroad,this paper analyzes the difficulties faced by safety management in the current rail transit construction process and discusses the video recognition method based on Faster R-CNN,which introduces image space features to improve the recognition rate of unsafe behavior. Also,this paper builds the potential strong correlation relationship between the construction environment,equipment dynamic monitoring and hazard data based on the Apriori,so as to improve the efficiency of hazard discovery and disposal.On this basis,the author proposes the architecture of the safety management platform for rail transit construction,and introduces the application practice of the core modules of safety management,including safety risk management and video monitoring.The results show that the algorithm and platform described in this paper can effectively improve the safety information processing efficiency,reduce the overall incidence rate of safety accidents,and provide effective technical support for the safety management of urban rail transit construction.

Key words: safety management, deep learning, correlation analysis, rail transit construction, information platform

中图分类号:

P208
P258

吴真真, 唐超, 杨晓飞. 基于深度学习的视频识别及动态监测技术应用[J]. 测绘通报, 2022, 0(9): 23-28.

WU Zhenzhen, TANG Chao, YANG Xiaofei. Application of video recognition and dynamic monitoring technology based on deep learning: taking the rail transit construction project as an example[J]. Bulletin of Surveying and Mapping, 2022, 0(9): 23-28.

参考文献

[1] 中国城市轨道交通协会.城市轨道交通2021年度统计和分析报告[EB/OL].[2022-02-25].https://www.camet.org.cn/tjxx/9944,2022.04.22.
[2] 张溯渊.我国城市轨道交通建设项目的安全管理绩效研究[D].苏州:苏州科技大学,2020.
[3] BURLAND J B,WROTH C P.Settlements on building and associated damage[C]//Proceedings of 1974 Conference on Settlement of Structures.Cambridge:BTS, 1974.
[4] EINSTEIN H H.Risk and risk analysis in rock engineering[J].Tunnelling and Underground Space Technology,1996,11(2):141-155.
[5] REILLY J J.The management process for complex underground and tunneling projects[J].Tunnelling and Underground Space Technology, 2000,15(1):31-44.
[6] ESKESEN S D,TENGBORG P,KAMPMANN J,et al.Guidelines for tunnelling risk management:international tunnelling association,working group No.2[J].Tunnelling and Underground Space Technology,2004,19(3):217-237.
[7] 钱七虎,戎晓力.中国地下工程安全风险管理的现状、问题及相关建议[J].岩石力学与工程学报,2008,27(4):649-655.
[8] 冯国冠.城市轨道交通工程质量安全管理信息化建设的方案设计[J].中国安全生产科学技术,2012,8(12):74-79.
[9] 姚春桥,丁烈云."互联网+"地铁工程质量安全管理平台及应用[J].都市快轨交通,2019,32(4):30-36.
[10] 裴欢,赵伟.南京地铁"安全管理一体化"信息系统建设探讨[J].中国安全生产科学技术,2019,15(S1):26-33.
[11] LIU Tianzheng,SUN Changjun,WANG Guanghui,et al.Innovation and prospect of safety risk classification management and control in Beijing urban rail transit project construction[J].Tunnel Construction,2021,41(11):1871-1876.
[12] 王振华,李静,张鑫月,等.面向视频数据的深度学习目标识别算法综述[J].计算机工程,2022,48(4):1-15.
[13] 王迪聪,白晨帅,邬开俊.基于深度学习的视频目标检测综述[J].计算机科学与探索,2021,15(9):1563-1577.
[14] KRIZHEVSKY A,SUTSKEVER I,HINTON G.ImageNet classification with deep convolutional neural networks[C]//Proceedings of the 25th Annual Conference on Neural Information Processing Systems,Lake Tahoe,Dec 3-6,2012.Red Hook:Curran Associates,2012:1106-1114.
[15] LECUN Y,BENGIO Y,HINTON G.Deep learning[J].Nature,2015,521(7553):436-444.
[16] 赵永强,饶元,董世鹏,等.深度学习目标检测方法综述[J].中国图象图形学报,2020,25(4):629-654.
[17] 刘悦,张雷,辛山,等.融入时空注意力机制的深度学习网络视频动作分类[J].中国科技论文,2022,17(3):281-287.
[18] 赵中浩.基于AHP-Apriori算法的事故成因研究[D].长春:吉林大学,2015.
[19] 王兵,黄丹,李文璟.基于支持度矩阵Apriori算法的钻井隐患关联挖掘[J].西南石油大学学报(自然科学版),2022,44(2):113-122.
[20] YUAN Xiuli.An improved Apriori algorithm for mining association rules[J].AIP Conference Proceedings,2017,1820(1):080005.
[21] 沈艳,张琦智,刘垠,等.矩阵压缩Apriori算法分析[J].计算机应用,2017,37(S2):207-209.
[22] 曹莹,苗志刚.基于向量矩阵优化频繁项的改进Apriori算法[J].吉林大学学报(理学版),2016,54(2):349-353.
[23] 曹宋阳,刘磊,王亚刚.基于事务权重与布尔矩阵的Apriori改进算法[J].软件导刊,2018,17(12):65-68.
[24] 丁烈云,周诚.复杂环境下地铁施工安全风险自动识别与预警研究[J].中国工程科学,2012,14(12):85-93.

基于深度学习的视频识别及动态监测技术应用

Application of video recognition and dynamic monitoring technology based on deep learning: taking the rail transit construction project as an example

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	田有良, 樊廷立, 唐超. 面向地铁隧道表面渗漏水的快速检测技术[J]. 测绘通报, 2022, 0(9): 29-33.
[2]	钱建国, 张宇琦, 汤圣君, 王伟玺, 李晓明. 最小割与深度学习联合优化的室内粘连点云分割方法[J]. 测绘通报, 2022, 0(9): 45-51.
[3]	冯炜明, 张新长, 孙颖, 姜明, 甘巧, 侯幸幸. 融合Transformer结构的高分辨率遥感影像变化检测网络[J]. 测绘通报, 2022, 0(8): 36-40,92.
[4]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[5]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[6]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[7]	张晋赫, 秦育罗, 张在岩, 宋伟东, 朱洪波. 复杂场景下农村道路裂缝分割方法[J]. 测绘通报, 2022, 0(5): 74-78,88.
[8]	师芸, 石龙龙, 牛敏杰, 赵侃. 基于单阶段实例分割网络的黄土滑坡多任务自动识别[J]. 测绘通报, 2022, 0(4): 26-31.
[9]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[10]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[11]	孙琴琴, 蔡国印, 杨柳忠, 张宁, 杜明义. 城市尺度典型地表要素综合提取方法研究[J]. 测绘通报, 2022, 0(2): 62-66.
[12]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[13]	车子杰, 高飞, 吴兆福, 李振轩. 基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析[J]. 测绘通报, 2022, 0(1): 26-32.
[14]	程瑞, 高建, 邢强, 孙中昶. 一种优化的Faster R-CNN小目标检测方法[J]. 测绘通报, 2021, 0(9): 21-27.
[15]	淳锦, 张新长, 郭海京, 张建国, 金诗程. 基于多源信息与深度学习特征提取的人口空间抽样方法[J]. 测绘通报, 2021, 0(8): 42-47.