实时施工安全监测使用基于无人机的深度混合注意力模型

科学领域:

• 建筑安全工程工程 建筑安全工程
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 危险建筑工地上的工人安全是一个关键问题,由于个人防护设备 (PPE) 的使用不足而加剧.
• 现有的监控系统往往缺乏适应性和准确性,以适应现实建筑环境.
• 高空作业中的事故经常与个人防护设备不合格有关.

研究的目的:

• 开发一个准确和强大的系统,用于在建筑工地实时检测PPE,特别是个人防摔系统 (PFAS).
• 通过创新的深度学习方法克服传统监控系统的局限性.
• 通过确保一致和正确的个人防护设备使用来提高工人安全.

主要方法:

• 开发了一种新的离散扩展共弦因果卷积Krawtchouk猩猩多Tchebichef头部自我注意网络 (2D-3CKO-MTHSAN).
• 该系统整合了离散扩展的等位数因果卷积与多头自我注意 (DCCMSA) 和离散的等位数-Krawtchouk-Tchebichef转换 (DCKTKT).
• 使用实时无人机监控,采用两阶段预处理管道 (过,t-Kendall相关) 和自适应因果决策转换器来提取特征.
• 模型参数使用猩猩优化算法 (OOA) 进行优化.

主要成果:

• 拟议的2D-3CKO-MTHSAN系统实现了99.9%的检测准确度,用于PPE组件,如头盔,带和生命线.
• 与传统的深度学习模型和固定CCTV系统相比,该系统表现出卓越的性能.
• 混合方法有效地集成了自适应优化和多尺度的注意力,以实现实时,准确的无人机检测.

结论:

• 开发的2D-3CKO-MTHSAN系统为建筑工地实时检测PPE提供了高度准确和强大的解决方案.
• 离散变换和猩猩优化算法 (OOA) 的集成为现场部署提供了一种新有效的方法.
• 这项技术有可能显著提高工人安全,减少危险建筑环境中的事故.