CN114937237A - 一种基于ai智能识别的工地安全监测方法及系统 - Google Patents

Abstract

本申请涉及一种基于AI智能识别的工地安全监测方法及系统，其包括获取施工工地内各施工位置的施工图像信息，根据所述施工图像信息，识别施工图像中是否出现隐患情形；若是，则获取隐患情形中的具体隐患种类信息和预设定的隐患等级序列表信息，从所述隐患等级序列表中获取到所述具体隐患种类对应的实际隐患等级；获取预设定的告知方式序列表，从所述告知方式序列表中获取到所述实际隐患等级对应的实际告知类型；获取所述具体隐患种类对应的施工人员联系信息，根据所述施工人员联系信息和实际告知类型，触发警示启动指令。本申请具有提高将存在的安全隐患行为更加高效地通知施工人员的效果。

Description

一种基于AI智能识别的工地安全监测方法及系统

技术领域

本发明涉及建筑施工安全管理的技术领域，尤其是涉及一种基于AI智能识别的工地安全监测方法及系统。

背景技术

目前，随着社会的不断发展，建筑施工工地不断增加，其中施工人员对施工工地中安全性监测是施工过程中的重要组成部分，用于检测施工人员是否存在安全威胁的行为，给予施工人员对应的提醒，为施工人员的施工安全性提供保障。

现有的，施工人员在进入施工工地时，会通过对施工人员进行拍摄，监测人员判断出施工人员存在的安全隐患行为，再通过喇叭提醒施工人员，使得监测人员进行对应改正，提高施工人员在施工工地中的安全性。

针对上述中的相关技术，发明人认为存在有施工工地中的施工人员数量较多，对施工人员进行提醒的方式效率低的缺陷。

发明内容

为了提高将存在的安全隐患行为更加高效地通知施工人员，本申请提供一种基于AI智能识别的工地安全监测方法及系统。

本申请的上述发明目的一是通过以下技术方案得以实现的：

一种基于AI智能识别的工地安全监测方法，所述工地安全监测方法包括：

获取施工工地内各施工位置的施工图像信息，根据所述施工图像信息，识别所述施工图像中是否出现隐患情形；

若是，则获取所述隐患情形中的具体隐患种类信息和预设定的隐患等级序列表信息，从所述隐患等级序列表中获取到所述具体隐患种类对应的实际隐患等级；

获取预设定的告知方式序列表，从所述告知方式序列表中获取到所述实际隐患等级对应的实际告知类型；

获取所述具体隐患种类对应的施工人员联系信息，根据所述施工人员联系信息和实际告知类型，触发警示启动指令。

通过采用上述技术方案，从施工工地内的各个施工位置获取施工图像，再从施工图像中识别出各个施工位置是否出现隐患，由于施工工地内均会设置有对各施工位置进行监控的监控设备，因此获取各施工图像效率高，且获取成本低；由于施工人员在施工工地中施工过程中所出现的隐患种类众多，而每个隐患种类需要提醒施工人员的及时程度和采用的提醒方式不同，因此当识别出施工图像中存在出现隐患情形时，则先从隐患等级序列表中对比分析出具体隐患种类对应的实际隐患等级，即可得到该具体隐患种类的严重程度，然后再通过严重程度从预设定的告知方式序列表中确定实际告知类型；接着从施工图像中所识别出的具体隐患种类所对应的施工人员联系信息，再根据施工人员联系信息且通过所确定的实际告知类型触发警示启动指令，给予对应的施工人员提醒；即可提高将存在的安全隐患行为更加高效地通知施工人员。

本申请在一较佳示例中可以进一步配置为：所述隐患情形包括自身隐患和场景隐患，所述识别施工图像中是否出现隐患情形的方法包括：

从所述施工图像信息中识别出施工人员位置，根据所述施工人员位置，从所述施工图像信息中获取施工人员关键部位位置信息，再从所述施工人员关键部位位置信息中识别得出隐患特征，将所述隐患特征作为自身隐患；

从所述施工图像中识别出隐患位置，计算出施工人员位置和隐患位置之间的距离，判断所述距离是否小于预定阈值；

若是，则将所述施工人员靠近隐患位置的行为作为场景隐患。

通过采用上述技术方案，从施工图像中识别出施工人员位置，再从施工图像中的施工人员位置处获取到施工人员关键部位位置，再从施工人员关键部位位置信息中识别得出隐患特征，该隐患特征为自身隐患，从而达到有针对性地识别，并且提高识别隐患的准确性；另外，再从施工图像中识别出施工工地环境中存在隐患的位置，然后再从施工图像中的施工人员位置和隐患位置之间的距离，从而可确定施工人员所处位置是否会受到施工环境中的隐患影响，从而该施工人员靠近隐患位置的行为作为场景隐患；上述识别隐患情形是同时对施工人员自身和施工人员所处环境中的隐患进行识别，大大提高了对施工人员在施工过程中安全隐患排查准确性，进而提高施工人员的安全性。

本申请在一较佳示例中可以进一步配置为：从所述施工人员关键部位位置信息中识别得出隐患特征是通过判定模型识别得到的，训练所述判定模型的方法包括：

根据历史数据中的施工人员正确状态数据，训练得到异常检测模型，所述异常检测模型用于判断施工人员各个器官位置是否存在异常；

获取工地隐患种类信息，从每个所述工地隐患种类中获取关联的施工人员器官位置信息，根据所述工地隐患种类信息和施工人员器官位置信息训练得到用于检测具体每个隐患特征的隐患模型，并将异常检测模型和隐患模型作为判定模型。

通过采用上述技术方案，根据历史数据中的施工人员正确状态数据，经过多次训练得到异常检测模型，以初步判断施工人员各个器官位置处是否存在异常，从而先对施工人员的多个器官进行筛选出存在异常的器官，降低后续对具体的隐患种类检测的复杂程度；接着获取工地隐患种类信息，针对每个工地隐患种类获取到关联的施工人员器官位置信息，训练得到用于检测具体每个隐患特征的隐患模型，从而得到施工人员出现异常的器官位置所对应的隐患特征，检测准确性高。

本申请在一较佳示例中可以进一步配置为：通过所述判定模型识别得出隐患特征的方法包括：

将所述施工图像输入至异常检测模型中进行异常模糊判断，获取异常位置信息；

根据所述异常位置信息，拉取隐患模型进行异常精确判断，得到所述隐患特征。

通过采用上述技术方案，先将所拍摄到的施工图像输入至异常检测模型中进行异常模糊判断，即先获取到施工人员人体中出现异常的器官位置；然后再根据异常的器官位置，拉出出隐患模型进行精确判断，即可得到隐患特征，不仅可提高获取隐患特征的效率，还能提高获取到隐患特征的准确度。

本申请在一较佳示例中可以进一步配置为：所述获取所述具体隐患种类对应的施工人员联系信息的方法包括：

将所述具体隐患种类对应的施工人员定为异常人员，从所述施工图像中识别出异常人员的头部特征；

将所述头部特征在预设定的施工人员集中匹配查询，得到匹配查询结果；

若查询成功，则将查询到的施工人员对应的联系信息作为所述异常人员联系信息。

通过采用上述技术方案，由于判断一个施工人员的身份最直观的方式是通过其头部特征进行识别，因此从施工图像信息中将出现具体隐患种类的施工人员对应的头部特征进行识别，然后将头部特征与预设定的施工人员集中进行匹配查询，得到匹配查询结果，若匹配查询结果为查询成功，则将查询到的施工人员对应的联系信息作为所述异常人员联系信息；该查询方式直接，效率高。

本申请在一较佳示例中可以进一步配置为：在所述将所述头部特征在预设定的施工人员集中匹配查询，得到匹配查询结果之后，所述方法包括：

若查询失败，则获取所述施工图像中所有施工人员的初筛联系信息；

从所述匹配查询结果中获取相似度信息，将所述相似度信息进行排序，根据预设定的施工人员集，获取所述相似度位于预定范围阈值的施工人员的初步联系信息；

将所述初筛联系信息和初步联系信息对比，将同时出现在初筛联系信息和初步联系信息中的联系信息作为异常人员联系信息。

通过采用上述技术方案，若无法从预设定的施工人员集中匹配查询到异常人员的身份时，由于一张施工图像所拍摄的工地范围中大多数是有多个施工人员，则先从施工图像中将所有施工人员的联系信息进行获取，得到初筛联系信息，然后再从匹配查询结果中获取相似度信息，并将各相似度进行排序，再获取相似度位于预定范围阈值的对应施工人员的初步联系信息；最后将初筛联系信息和初步联系信息对比，将同时出现在初筛联系信息和初步联系信息中的联系信息作为异常人员联系信息；该判定方式缩小了预设定的施工人员集中的搜索范围，进行有针对性地查询，提高效率。

本申请在一较佳示例中可以进一步配置为：所述获取所述施工图像中所有人员的初筛联系信息的方法包括：

获取所述施工图像的拍摄范围位置信息，根据所述拍摄范围位置信息，通过三角定位技术获取所述拍摄范围位置内的手机信号信息；

根据所述手机信号信息和预设定的施工人员集，筛选出初筛联系信息。

通过采用上述技术方案，由于施工工地中的每台拍摄设备的拍摄范围是确定的，因此先获取到施工图像在施工工地上的拍摄范围位置信息；然后通过三角定位技术，以施工工地周围所设置的三个基站，获取到该拍摄范围位置内的收集信号信息，因为现如今大多数人身上都会携带有手机，所以通过获取到的手机信号信息从数据库中获取到该手机信号所对应的施工人员注册该手机号的信息，最后再将该手机信号信息在预设定的施工人员集中搜索，即可筛选出初筛联系信息；该获取初筛联系信息的方式直接，针对性强，并且获取到的准确度高。

本申请的上述发明目的二是通过以下技术方案得以实现的：

一种基于AI智能识别的工地安全监测系统，所述工地安全监测系统包括：

隐患识别模块，用于获取施工工地内各施工位置的施工图像信息，根据所述施工图像信息，识别施工图像中是否出现隐患情形；

隐患等级确定模块，用于若是，则获取隐患情形中的具体隐患种类信息和预设定的隐患等级序列表信息，从所述隐患等级序列表中获取到所述具体隐患种类对应的实际隐患等级；

告知类型确定模块，用于获取预设定的告知方式序列表，从所述告知方式序列表中获取到所述实际隐患等级对应的实际告知类型；

警示启动触发模块，用于获取所述具体隐患种类对应的施工人员联系信息，根据所述施工人员联系信息和实际告知类型，触发警示启动指令。

通过采用上述技术方案，从施工工地内的各个施工位置获取施工图像，再从施工图像中识别出各个施工位置是否出现隐患，由于施工工地内均会设置有对各施工位置进行监控的监控设备，因此获取各施工图像效率高，且获取成本低；由于施工人员在施工工地中施工过程中所出现的隐患种类众多，而每个隐患种类需要提醒施工人员的及时程度和采用的提醒方式不同，因此当识别出施工图像中存在出现隐患情形时，则先从隐患等级序列表中对比分析出具体隐患种类对应的实际隐患等级，即可得到该具体隐患种类的严重程度，然后再通过严重程度从预设定的告知方式序列表中确定实际告知类型；接着从施工图像中所识别出的具体隐患种类所对应的施工人员联系信息，再根据施工人员联系信息且通过所确定的实际告知类型触发警示启动指令，给予对应的施工人员提醒；即可提高将存在的安全隐患行为更加高效地通知施工人员。

综上所述，本申请包括以下至少一种有益技术效果：

1、从施工工地内的各个施工位置获取施工图像，再从施工图像中识别出各个施工位置是否出现隐患，由于施工工地内均会设置有对各施工位置进行监控的监控设备，因此获取各施工图像效率高，且获取成本低；由于施工人员在施工工地中施工过程中所出现的隐患种类众多，而每个隐患种类需要提醒施工人员的及时程度和采用的提醒方式不同，因此当识别出施工图像中存在出现隐患情形时，则先从隐患等级序列表中对比分析出具体隐患种类对应的实际隐患等级，即可得到该具体隐患种类的严重程度，然后再通过严重程度从预设定的告知方式序列表中确定实际告知类型；接着从施工图像中所识别出的具体隐患种类所对应的施工人员联系信息，再根据施工人员联系信息且通过所确定的实际告知类型触发警示启动指令，给予对应的施工人员提醒；即可提高将存在的安全隐患行为更加高效地通知施工人员；

2、先将所拍摄到的施工图像输入至异常检测模型中进行异常模糊判断，即先获取到施工人员人体中出现异常的器官位置；然后再根据异常的器官位置，拉出出与该器官对应的隐患模型进行精确判断，即可得到隐患特征，不仅可提高获取隐患特征的效率，还能提高获取到隐患特征的准确度；

3、由于施工工地中的每台拍摄设备的拍摄范围是确定的，因此先获取到施工图像在施工工地上的拍摄范围位置信息；然后通过三角定位技术，以施工工地周围所设置的三个基站，获取到该拍摄范围位置内的收集信号信息，因为现如今大多数人身上都会携带有手机，所以通过获取到的手机信号信息从数据库中获取到该手机信号所对应的施工人员注册该手机号的信息，最后再将该手机信号信息在预设定的施工人员集中搜索，即可筛选出初筛联系信息；该获取初筛联系信息的方式直接，针对性强，并且获取到的准确度高。

附图说明

图1是本申请一实施例中基于AI智能识别的工地安全监测方法的一流程图。

图2是本申请一实施例中基于AI智能识别的工地安全监测方法中识别施工图像中是否出现隐患情形的实现流程图。

图3是本申请一实施例中基于AI智能识别的工地安全监测方法中训练判定模型的方法流程图。

图4是本申请一实施例中基于AI智能识别的工地安全监测方法中判定模型识别得出隐患特征的方法的实现流程图。

图5是本申请一实施例中基于AI智能识别的工地安全监测方法中步骤S40的实现流程图。

图6是本申请一实施例中基于AI智能识别的工地安全监测方法中获取施工图像中所有施工人员的初筛联系信息的实现流程图。

图7是本申请一实施例中基于AI智能识别的工地安全监测系统的一原理框图。

具体实施方式

以下结合附图对本申请作进一步详细说明。

在一实施例中，如图1所示，本申请公开了一种基于AI智能识别的工地安全监测方法，具体包括如下步骤：

S10：获取施工工地内各施工位置的施工图像信息，根据施工图像信息，识别施工图像中是否出现隐患情形。

在本实施例中，隐患情形是指在施工工地中不利于施工人员施工安全的情形。

具体的，通过分布与施工工地各个施工位置处的监控摄像头，实时对施工工地内各施工位置的施工情况进行拍摄，从而获取到施工图像信息；然后识别出施工图像中是否出现隐患情形，例如：施工人员未戴安全帽、施工人员未穿施工服、施工人员靠近基坑、施工人员靠近塔吊工作区域等情形。

S20：若是，则获取隐患情形中的具体隐患种类信息和预设定的隐患等级序列表信息，从隐患等级序列表中获取到具体隐患种类对应的实际隐患等级。

在本实施例中，具体隐患种类是指所出现的隐患情形所对应的隐患类型；隐患等级是指用于标识每一个具体隐患种类在当前的施工项目中造成的危险程度；预设定的隐患等级序列表是指每一个隐患种类与所对应的隐患等级进行整理形成的一一对应的序列表。

具体的，若识别出施工图像中出现隐患情形，则获取到隐患情形中的具体隐患种类信息，例如：若隐患情形为施工人员未戴安全帽，则具体隐患种类为安全帽；若隐患情形为施工人员施工时抽烟，则具体隐患种类为抽烟；施工人员在施工工地施工的过程中，由于影响施工人员安全的各种隐患重要程度不同，解决该隐患的时机也不同，因此获取到该施工工地所对应的预设定的隐患等级序列表信息，将具体隐患种类输入到预设定的隐患等级序列表中进行搜索，获取到对应的实际隐患等级，例如：若具体隐患种类为安全帽，则实际隐患等级为高级；若具体隐患种类为抽烟，则实际隐患等级为中级；若具体隐患种类为施工服，则实际隐患等级为低级，从而可了解到该隐患情形的重要程度和通知及时性，以提高后续告知到对应施工人员的效率。

更具体的，本实施例中的预设定的隐患等级序列表可根据不同的施工工地的场景，对不同的具体隐患种类所对应的隐患等级进行调整，例如：若施工人员在施工工地抽烟这个行为对应该施工工地有中间重大影响，则可在预设定的隐患等级序列表中将抽烟这一具体隐患种类对应的隐患等级调整为高级。

S30：获取预设定的告知方式序列表，从告知方式序列表中获取到实际隐患等级对应的实际告知类型。

在本实施例中，预设定的告知方式序列表是指每种隐患等级所对应的告知方式。

具体的，获取到预设定的告知方式序列表，将隐患等级输入到预设定的告知方式序列表中进行搜索，获取到实际告知类型，例如：若隐患等级为高级，则实际告知类型为采用喇叭喊话方式针对性提醒该施工人员；若隐患等级为中级，则实际告知类型为通过电话联系该施工人员和相应部门管理者；若隐患等级为低级，则实际告知类型为通过短信告知提醒该施工人员和相应部门管理者；不仅可减少出现施工工地由于时常出现喇叭声音而影响施工人员的工作，也更加地人性化。

更具体的，本实施例中的预设定的告知方式序列表可根据不同的施工工地的场景，对不同的隐患等级所对应的实际告知类型进行调整，例如：若施工工地可能存在比高级更严重的情况时，可增加严重这一隐患等级，其实际告知类型可以改为采用整个施工工地的所有喇叭同时喊话的方式，提醒施工人员撤离施工工地等。

S40：获取具体隐患种类对应的施工人员联系信息，根据施工人员联系信息和实际告知类型，触发警示启动指令。

在本实施例中，施工人员联系信息是指在施工图像中产生具体隐患种类所对应的施工人员的联系信息；施工人员联系信息包括：个人头部图像、个人姓名、个人联系电话、部分管理者姓名和联系电话等。

具体的，通过施工图像中对产生具体隐患种类所对应的施工人员进行与该施工工地中的施工人员进行匹配，获取到该施工人员联系信息，然后根据实际告知类型，触发警示启动指令，以使得对应施工人员尽快改正所产生的隐患；例如：若实际告知类型为采用喇叭喊话方式针对性提醒该施工人员，则喇叭会喊出：“张三，请带好安全帽。”。

在一实施例中，隐患情形包括自身隐患和场景隐患，如图2所示，识别施工图像中是否出现隐患情形的方法包括：

S11：从施工图像信息中识别出施工人员位置信息，根据施工人员位置，从施工图像信息中获取施工人员关键部位位置信息，再从施工人员关键部位位置信息中识别得出隐患特征，将隐患特征作为自身隐患。

在本实施例中，关键部位位置信息是指施工人员需要进行安全防护的器官位置；自身隐患是指由于施工人员对自己身体上的防护不足而产生的隐患。

具体的，先从施工图像中通过AI图像识别功能，识别出施工人员位置，然后再从施工图像中对应施工人员位置出获取到施工人员关键部位位置；接着再从施工人员关键部位位置信息中通过判定模型识别得出隐患特征，将该隐患特征作为自身隐患，其中自身隐患包括：施工人员未戴安全帽、施工人员未穿施工服等；从而达到有针对性地识别，并且提高识别隐患的准确性。

S12：从施工图像中识别出隐患位置，计算出施工人员位置和隐患位置之间的距离，判断距离是否小于预定阈值。

在本实施例中，预定阈值是指施工人员位置和隐患位置之间需要保持的最小安全距离。

具体的，在进行施工工地施工时，实时更新施工图像所对应的拍摄范围中，施工环境存在安全隐患的位置标识；因此先通过施工图像中根据位置标识识别出隐患位置，对施工人员位置和隐患位置之间在水平方向上进行连线标识，然后计算该连线标识与施工图像在水平方向上的比例，根据施工图像在水平方向上所指代的实际高度和该比例，通过像素计算出连线标识的实际长度，即计算出施工人员位置和隐患位置之间的距离，例如：施工图像在水平方向上所指代的实际长度为20m，连线标识与施工图像在水平方向上的比例为3：10（例如施工图像在水平方向上总的像素点有900个，农作物在图像中的纵向上的最高位置的像素点和最低位置的像素点之间有270个像素点，因此，比例为3：10），最终计算出连线标识的长度为6m，即施工人员位置和隐患位置之间的距离为6m；最后将该距离与预定阈值进行对比，判断施工人员位置和隐患位置之间的距离是否低于最小安全距离。

S13：若是，则将施工人员靠近隐患位置的行为作为场景隐患。

在本实施例中，场景隐患是指施工人员所在施工工地的位置会由于施工环境造成安全隐患而产生的隐患。

具体的，若判定施工人员位置和隐患位置之间的距离低于最小安全距离，则将施工人员靠近隐患位置的行为作为场景隐患，例如施工人员靠近正进行塔吊范围位置的行为，从而即可检测出施工人员在施工过程中因施工环境而存在的安全隐患情形，提高检测范围。

在一实施例中，从施工人员关键部位位置信息中识别得出隐患特征是通过判定模型识别得到的，如图3所示，训练判定模型的方法包括：

S111：根据历史数据中的施工人员正确状态数据，训练得到异常检测模型，异常检测模型用于判断施工人员各个器官位置是否存在异常。

在本实施例中，历史数据是指不同施工部门在施工过程中，施工人员站立的不同角度的全身图像数据；施工人员正确状态数据是指针对施工图像对应的施工范围中的施工部门，施工人员的身体安全措施合格的状态下，施工人员站立的不同角度的全身图像数据。

具体的， 从历史图像数据中获取到施工人员的身体安全措施合格的状态下，施工人员的头顶、面部和胸前等位置处的特征信息，即对应施工人员正确佩戴头盔、无抽烟和正确穿施工服的状态，然后训练得到异常检测模型，从而该异常检测模型可用于判断施工人员的头顶是否存在异常现象、嘴部是否存在异常现象、胸前是否存在异常现象，即可用于初步判断。

S112：获取工地隐患种类信息，从每个工地隐患种类中获取关联的施工人员器官位置信息，根据工地隐患种类信息和施工人员器官位置信息训练得到用于检测具体每个隐患特征的隐患模型，并将异常检测模型和隐患模型作为判定模型。

在本实施例中，工地隐患种类信息是指在施工工地中施工人员会出现的隐患种类。

具体的，先获取到工地隐患种类信息，例如：未戴安全帽、抽烟、未穿施工服等，然后对每个工地隐患种类进行分析，获取每个工地隐患种类所关联的施工人员器官位置，例如：未戴安全帽对应头顶、抽烟对应嘴部、未穿施工服对应胸前，然后训练得到隐患模型，从而隐患模型可用于精确检测在头顶存在异常现象对应的隐患特征为未戴安全帽、嘴部存在异常现象对应的隐患特征为抽烟、胸前存在异常现象对应的隐患特征为未穿施工服。

在一实施例中，如图4所示，通过判定模型识别得出隐患特征的方法包括：

S113：将施工图像输入至异常检测模型中进行异常模糊判断，获取异常位置信息。

具体的，当获取到施工图像后，直接将施工图像输入到异常检测模型中，对施工图像中的施工人员位置处的各器官进行模糊判断出是否存在异常现象，进而获取异常位置信息；使得缩小识别得出隐患特征的范围，提高识别效率。

S114：根据异常位置信息，拉取隐患模型进行异常精确判断，得到隐患特征。

具体的，进行模糊判断获取到异常位置信息后，通过隐患模型判断出该异常位置所对应的隐患行为，即精确地判断得到隐患特征。

在一实施例中，如图5所示，获取具体隐患种类对应的施工人员联系信息的方法包括：

S41：将具体隐患种类对应的施工人员定为异常人员，从施工图像中识别出异常人员的头部特征。

具体的，将出现具体隐患种类所对应的施工人员定为存在隐患的异常人员，由于一个人的身份，通过头部特征可更加直接地判定，从而通过AI图像识别功能，从施工图像中识别得出异常人员的头部特征，以用于对异常人员的身份进行更加直接地判定。

S42：将头部特征在预设定的施工人员集中匹配查询，得到匹配查询结果。

在本实施例中，预设定的施工人员集是指在施工工地中的所有施工人员的联系信息。

具体的，当识别得到头部特征后，将头部特征输入到预设定的施工人员集中，使头部特征与预设定的施工人员集中各个人头部图像通过相似度对比进行对比匹配查询，进而得到匹配查询结果，该匹配查询结果包括查询成功和查询失败，即从预设定的施工人员集中查询到异常人员的头部特征或者从预设定的施工人员集中无法查询到异常人员的头部特征。

S43：若查询成功，则将查询到的施工人员对应的联系信息作为异常人员联系信息。

在本实施例中，当从预设定的施工人员集中查询到异常人员的头部特征时，则将查询到的施工人员对应的联系信息作为异常人员联系信息，进而即可立即通过其联系信息根据实际告知类型对该异常人员进行隐患提醒，达到更加高效地通知相应施工人员和负责人。

在一实施例中，如图5所示，在步骤S42之后，方法包括：

S44：若查询失败，则获取施工图像中所有施工人员的初筛联系信息。

具体的，当从预设定的施工人员集中无法查询到异常人员的头部特征时，则先获取到施工图像中所出现的所有施工人员的联系信息，即得到初筛联系信息，从而对施工工地中的所有施工人员进行初步筛选，缩小对异常人员联系信息的确定范围，提高效率。

S45：从匹配查询结果中获取相似度信息，将相似度信息进行排序，根据预设定的施工人员集，获取相似度位于预定范围阈值的施工人员的初步联系信息。

具体的，由于匹配查询是通过相似度对比方式得出，因此可直接从匹配查询结果中获取到各相似度，即异常人员的头部特征与预设定的施工人员集中各施工人员的个人头部图像进行后得出的相似度；然后再将各相似度自高到低排序，接着将各相似度与预定范围阈值进行对比，获取到达到预定范围阈值内的相似度，再从预设定的施工人员集中，得到该相似度所对应的施工人员的联系信息，即得到初步联系信息，从而也可对施工工地中的所有施工人员进行初步筛选，缩小对异常人员联系信息的确定范围，提高效率。

S46：将初筛联系信息和初步联系信息对比，将同时出现在初筛联系信息和初步联系信息中的联系信息作为异常人员联系信息。

具体的，针对同一张施工图像获取到初筛联系信息和初步联系信息后，将初筛联系信息和初步联系信息进行对比，将同时出现在初筛联系信息和初步联系信息中的联系信息的联系信息，并且在对比的过程中仅需要存在两个联系信息内容以上相同即可，无需所有联系信息内容均进行对比，提高效率，然后将同时出现在初筛联系信息和初步联系信息中的联系信息作为异常人员联系信息，从而提高判定异常人员联系信息的准确度。

在一实施例中，如图6所示，获取施工图像中所有施工人员的初筛联系信息的方法包括：

S441：获取施工图像的拍摄范围位置信息，根据拍摄范围位置信息，通过三角定位技术获取拍摄范围位置内的手机信号信息。

具体的，在安装各监控摄像头时，计算出每个监控摄像头拍摄施工工地的范围；由于现如今每个施工人员身上都会携带有手机，而每台手机均对应着唯一一个施工人员，因此当从预设定的施工人员集中无法查询到异常人员的头部特征时，则获取到施工图像对应的监控摄像头的拍摄范围位置；然后通过设置在施工工地附近的三个基站，通过三角定位技术准确获取到该拍摄范围位置内每个手机唯一标识对应的的手机信号后，进而可根据收集信号信息直接获取该手机信号所属的手机SIM卡的唯一标识，作为该手机的唯一标识，再通过SIM卡得到该手机的手机号码；因此，只需在预设定的施工人员集中添加施工人员的手机SIM卡对应的手机号码，即可通过手机信号从预设定的施工人员集中获取到对应的施工人员联系信息，该获取初筛联系信息的方式准确性高。

S442：根据手机信号信息和预设定的施工人员集，筛选出初筛联系信息。

具体的，当获取到施工图像中拍摄范围位置内的手机信号后，进而得到该手机信号所属的手机SIM卡信息，接着再从预设定的施工人员集中根据手机SIM卡得到手机号码，进而即可筛选出初筛联系信息，该方式准确性和效率高。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种基于AI智能识别的工地安全监测系统，该基于AI智能识别的工地安全监测系统与上述实施例中基于AI智能识别的工地安全监测方法一一对应。如图7所示，该基于AI智能识别的工地安全监测系统包括隐患识别模块、隐患等级确定模块、告知类型确定模块和警示启动触发模块。各功能模块详细说明如下：

隐患识别模块，用于获取施工工地内各施工位置的施工图像信息，根据施工图像信息，识别施工图像中是否出现隐患情形；

隐患等级确定模块，用于若是，则获取隐患情形中的具体隐患种类信息和预设定的隐患等级序列表信息，从隐患等级序列表中获取到具体隐患种类对应的实际隐患等级；

告知类型确定模块，用于获取预设定的告知方式序列表，从告知方式序列表中获取到实际隐患等级对应的实际告知类型；

警示启动触发模块，用于获取具体隐患种类对应的施工人员联系信息，根据施工人员联系信息和实际告知类型，触发警示启动指令。

可选的，隐患识别模块包括：

自身隐患确定子模块，用于从施工图像信息中识别出施工人员位置，根据施工人员位置，从施工图像信息中获取施工人员关键部位位置信息，再从施工人员关键部位位置信息中识别得出隐患特征，将隐患特征作为自身隐患；

隐患位置识别子模块，用于从施工图像中识别出隐患位置，计算出施工人员位置和隐患位置之间的距离，判断距离是否小于预定阈值；

场景隐患确定子模块，用于若是，则将施工人员靠近隐患位置的行为作为场景隐患。

可选的，基于AI智能识别的工地安全监测系统还包括：

异常检测模型训练模块，用于根据历史数据中的施工人员正确状态数据，训练得到异常检测模型，异常检测模型用于判断施工人员各个器官位置是否存在异常；

隐患模型训练模块，用于获取工地隐患种类信息，从每个工地隐患种类中获取关联的施工人员器官位置信息，根据工地隐患种类信息和施工人员器官位置信息训练得到用于检测具体每个隐患特征的隐患模型，并将异常检测模型和隐患模型作为判定模型。

可选的，基于AI智能识别的工地安全监测系统还包括：

模糊判断模块，用于将施工图像输入至异常检测模型中进行异常模糊判断，获取异常位置信息；

精确判断模块，用于根据异常位置信息，拉取隐患模型进行异常精确判断，得到隐患特征。

可选的，警示启动触发模块包括：

头部特征识别子模块，用于将具体隐患种类对应的施工人员定为异常人员，从施工图像中识别出异常人员的头部特征；

匹配查询子模块，用于将头部特征在预设定的施工人员集中匹配查询，得到匹配查询结果；

匹配查询判定子模块，用于若查询成功，则将查询到的施工人员对应的联系信息作为异常人员联系信息。

可选的，警示启动触发模块还包括：

初筛联系信息获取子模块，用于若查询失败，则获取施工图像中所有施工人员的初筛联系信息；

初步联系信息获取子模块，用于从匹配查询结果中获取相似度信息，将相似度信息进行排序，根据预设定的施工人员集，获取相似度位于预定范围阈值的施工人员的初步联系信息；

信息对比子模块，用于将初筛联系信息和初步联系信息对比，将同时出现在初筛联系信息和初步联系信息中的联系信息作为异常人员联系信息。

可选的，初筛联系信息获取子模块包括：

手机信号获取单元，用于获取施工图像的拍摄范围位置信息，根据拍摄范围位置信息，通过三角定位技术获取拍摄范围位置内的手机信号信息；

联系信息筛选单元，用于根据手机信号信息和预设定的施工人员集，筛选出初筛联系信息。

关于基于AI智能识别的工地安全监测系统的具体限定可以参见上文中对于基于AI智能识别的工地安全监测方法的限定，在此不再赘述。上述基于AI智能识别的工地安全监测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于AI智能识别的工地安全监测方法，其特征在于，所述工地安全监测方法包括：

获取施工工地内各施工位置的施工图像信息，根据所述施工图像信息，识别所述施工图像中是否出现隐患情形；

若是，则获取所述隐患情形中的具体隐患种类信息和预设定的隐患等级序列表信息，从所述隐患等级序列表中获取到所述具体隐患种类对应的实际隐患等级；

获取预设定的告知方式序列表，从所述告知方式序列表中获取到所述实际隐患等级对应的实际告知类型；

获取所述具体隐患种类对应的施工人员联系信息，根据所述施工人员联系信息和实际告知类型，触发警示启动指令。

2.根据权利要求1所述的基于AI智能识别的工地安全监测方法，其特征在于，所述隐患情形包括自身隐患和场景隐患，所述识别施工图像中是否出现隐患情形的方法包括：

从所述施工图像信息中识别出施工人员位置，根据所述施工人员位置，从所述施工图像信息中获取施工人员关键部位位置信息，再从所述施工人员关键部位位置信息中识别得出隐患特征，将所述隐患特征作为自身隐患；

从所述施工图像中识别出隐患位置，计算出施工人员位置和隐患位置之间的距离，判断所述距离是否小于预定阈值；

若是，则将所述施工人员靠近隐患位置的行为作为场景隐患。

3.根据权利要求2所述的基于AI智能识别的工地安全监测方法，其特征在于，从所述施工人员关键部位位置信息中识别得出隐患特征是通过判定模型识别得到的，训练所述判定模型的方法包括：

根据历史数据中的施工人员正确状态数据，训练得到异常检测模型，所述异常检测模型用于判断施工人员各个器官位置是否存在异常；

获取工地隐患种类信息，从每个所述工地隐患种类中获取关联的施工人员器官位置信息，根据所述工地隐患种类信息和施工人员器官位置信息训练得到用于检测具体每个隐患特征的隐患模型，并将异常检测模型和隐患模型作为判定模型。

4.根据权利要求3所述的基于AI智能识别的工地安全监测方法，其特征在于，通过所述判定模型识别得出隐患特征的方法包括：

将所述施工图像输入至异常检测模型中进行异常模糊判断，获取异常位置信息；

根据所述异常位置信息，拉取隐患模型进行异常精确判断，得到所述隐患特征。

5.根据权利要求1所述的基于AI智能识别的工地安全监测方法，其特征在于，所述获取所述具体隐患种类对应的施工人员联系信息的方法包括：

将所述具体隐患种类对应的施工人员定为异常人员，从所述施工图像中识别出异常人员的头部特征；

将所述头部特征在预设定的施工人员集中匹配查询，得到匹配查询结果；

若查询成功，则将查询到的施工人员对应的联系信息作为所述异常人员联系信息。

6.根据权利要求5所述的基于AI智能识别的工地安全监测方法，其特征在于，在所述将所述头部特征在预设定的施工人员集中匹配查询，得到匹配查询结果之后，所述方法包括：

若查询失败，则获取所述施工图像中所有施工人员的初筛联系信息；

从所述匹配查询结果中获取相似度信息，将所述相似度信息进行排序，根据预设定的施工人员集，获取所述相似度位于预定范围阈值的施工人员的初步联系信息；

将所述初筛联系信息和初步联系信息对比，将同时出现在初筛联系信息和初步联系信息中的联系信息作为异常人员联系信息。

7.根据权利要求6所述的基于AI智能识别的工地安全监测方法，其特征在于，所述获取所述施工图像中所有施工人员的初筛联系信息的方法包括：

获取所述施工图像的拍摄范围位置信息，根据所述拍摄范围位置信息，通过三角定位技术获取所述拍摄范围位置内的手机信号信息；

根据所述手机信号信息和预设定的施工人员集，筛选出初筛联系信息。

8.一种基于AI智能识别的工地安全监测系统，其特征在于，所述工地安全监测系统包括：

隐患识别模块，用于获取施工工地内各施工位置的施工图像信息，根据所述施工图像信息，识别施工图像中是否出现隐患情形；

隐患等级确定模块，用于若是，则获取隐患情形中的具体隐患种类信息和预设定的隐患等级序列表信息，从所述隐患等级序列表中获取到所述具体隐患种类对应的实际隐患等级；

告知类型确定模块，用于获取预设定的告知方式序列表，从所述告知方式序列表中获取到所述实际隐患等级对应的实际告知类型；

警示启动触发模块，用于获取所述具体隐患种类对应的施工人员联系信息，根据所述施工人员联系信息和实际告知类型，触发警示启动指令。

9.根据权利要求8所述的基于AI智能识别的工地安全监测系统，其特征在于，所述隐患识别模块包括：

自身隐患确定子模块，用于从所述施工图像信息中识别出施工人员位置，根据所述施工人员位置，从所述施工图像信息中获取施工人员关键部位位置信息，再从所述施工人员关键部位位置信息中识别得出隐患特征，将所述隐患特征作为自身隐患；

隐患位置识别子模块，用于从所述施工图像中识别出隐患位置，计算出施工人员位置和隐患位置之间的距离，判断所述距离是否小于预定阈值；

场景隐患确定子模块，用于若是，则将所述施工人员靠近隐患位置的行为作为场景隐患。

10.根据权利要求8所述的基于AI智能识别的工地安全监测系统，其特征在于，所述警示启动触发模块包括：

头部特征识别子模块，用于将所述具体隐患种类对应的施工人员定为异常人员，从所述施工图像中识别出异常人员的头部特征；

匹配查询子模块，用于将所述头部特征在预设定的施工人员集中匹配查询，得到匹配查询结果；

匹配查询判定子模块，用于若查询成功，则将查询到的施工人员对应的联系信息作为所述异常人员联系信息。

Images