一种基于云边端平台的高处作业安全智能风险评估方法

本发明涉及安全，尤其涉及一种基于云边端平台的高处作业安全智能风险评估方法。

背景技术：

1、在许多领域，如化工安全生产车间、建筑和电力等，高处作业的攀爬是不可避免的。但是，这些活动具有较高的安全风险，如跌落、滑倒和错误使用设备。因此，在高处作业的攀爬中，就迫切需要采取适当的安全措施减少这些风险。

2、以往，提出了一种基于攀爬辅助系统来保护高处作业的攀爬人员，以防止有高空跌落的风险。

3、例如，公开号为cn104800988b的中国发明专利公开一种高处作业时的自动警示的安全带的及其使用方法来评价是否使用安全带。

4、而且，公开号为cn110998056a的中国发明专利公开了一种基于攀爬辅助和防坠落系统。该专利公开的攀爬辅助和防坠落系统，重点在于防坠落的装置上，没有对前一时刻的攀爬跌落风险进行判断。

5、然而，多数高处作业风险的发生是由于高处作业人员攀爬动作不规范和错误使用安全带造成的。因此，高精度地评估高处作业人员攀爬风险是必要的。

技术实现思路

1、本发明是为了解决高处作业人员攀爬动作不规范的问题，其目的在于提供一种高精度的评估高处作业人员攀爬安全风险的方法。

2、本发明涉及的基于云边端平台的攀爬安全智能风险评估方法，是对高处作业人员的攀爬动作进行风险评估，包括以下步骤：

3、获取高处作业人员的高处作业攀爬视频数据。

4、使用图像去噪对攀爬视频数据进行预处理，以减少噪声和提高视频质量的可识别性，从而提高算法的识别率和准确性。其中所述的去噪方法为中值滤波，用于消除视频中图像的椒盐噪声。中值滤波算法公式如下：

5、

6、其中， f( x, y)为原始图像， g( x, y)为滤波降噪后的图像， w为二维模板， m, l为 w中的元素。

7、建立人体姿态估计深度学习算法模型对预处理后的视频数据提取特征，进行人体姿态估计，检测高处作业人员的人体关键点。人体姿态估计深度学习算法模型可以采用卷积神经网络cnn、循环神经网络rnn，通过对模型训练和优化，实现人体关键点的准确检测。

8、所述的人体关键点包含头部关键点、面部中心点关键点、左肩关键点、左肘关键点、左手关键点、上身关键点、左髋关键点、左膝关键点、左脚关键点、右脚关键点、右膝关键点、右髋关键点、腰部关键点、右手关键点、右肘关键点、右肩关键点和颈部关键点。

9、使用滤波算法对人体关键点的时间序列进行降噪处理，滤波算法包括均值滤波、中值滤波、限幅滤波中的一种，以减少的时间序列噪声，从而提高算法的识别率和准确性。本发明采用的均值滤波算法公式如下所示：

10、

11、其中，为滤波处理前的关键点，为均值滤波处理后的关键点， n filter为均值滤波的窗口的大小。

12、根据降噪处理后的人体关键点数据，检测人体关键点中左手、右手、左脚、右脚、左肘和右肘在垂直方向发生的位移和高处作业人员的左肩、右肩、左髋和右髋的关键点坐标，计算得到人体上半身的几何中心点坐标；进而得到高处作业人员的左手、右手、左脚、右脚、左肘、右肘、几何中心点坐标以及安全带挂钩坐标在垂直方向位移的时间序列数据 x={ x jonnt(1),..., x joint( i),..., x joint( t)}， x joint( i)是由{ x hand( i) ,..,x foot( i),..., x head( i)}组成， i为关键点所对应时间帧数。

13、根据所述时间序列数据检测高处作业人员的左手、右手、左脚、右脚、左肘和右肘在垂直方向位移的时间序列数据的斜率 k，以及安全带挂钩坐标相对几何中心点坐标在垂直方向的位置，判断高处作业人员跌落风险；使用最小二乘法对其进行线性拟合获得时间序列的斜率 k，其公式如下所示：

14、

15、

16、

17、其中， x joint( i)为人体关键点的时间序列 x中的元素， t为人体关键点对应的时间， n dection为选取时间序列 x的窗口大小，为窗口内时间序列的平均值，为窗口的平均时间。

18、根据所述时间序列数据计算高处作业人员的左手关键点在垂直方向位移的时间序列的斜率 k lefthand、右手关键点在垂直方向位移的时间序列的斜率 k righthand、左脚关键点在垂直方向位移的时间序列的斜率 k leftfoot、右脚关键点在垂直方向位移的时间序列的斜率 k rightfoot、左肘关键点在垂直方向位移的时间序列的斜率 k leftelbow、右肘的关键点在垂直方向位移的时间序列的斜率 k rightelbow，和安全带挂钩坐标相对几何中心点坐标在垂直方向的位置，判断高处作业人员跌落风险。

19、进一步的，本发明跌落风险的判断方法是，利用所述时间序列数据检测高处作业人员的左手关键点在垂直方向位移的时间序列的斜率 k lefthand、右手关键点在垂直方向位移的时间序列的斜率 k righthand、左脚关键点在垂直方向位移的时间序列的斜率 k leftfoot、右脚关键点在垂直方向位移的时间序列的斜率 k rightfoot、左肘关键点在垂直方向位移的时间序列的斜率 k leftelbow、右肘的关键点在垂直方向位移的时间序列的斜率 k rightelbow超过所设定的斜率阈值 k th，和安全带挂钩坐标相对几何中心点坐标在垂直方向的位置，判断高处作业人员的跌落风险；包括以下步骤：

20、首先，攀爬跌落风险判断模块中的读取单元读取所设定的斜率阈值 k th；

21、其次，攀爬跌落风险判断模块计算高处作业人员的左手关键点在垂直方向位移的时间序列的斜率 k lefthand、右手关键点在垂直方向位移的时间序列的斜率 k righthand、左脚关键点在垂直方向位移的时间序列的斜率 k leftfoot、右脚关键点在垂直方向位移的时间序列的斜率 k rightfoot、左肘关键点在垂直方向位移的时间序列的斜率 k leftelbow、右肘的关键点在垂直方向位移的时间序列的斜率 k rightelbow，和安全带挂钩坐标相对几何中心点坐标在垂直方向的位置，作为攀爬参数；

22、再次，在判断攀爬参数大于斜率阈值 k th的情况下，攀爬跌落风险判断模块判断高处作业人员有攀爬跌落的风险；在判断为攀爬参数小于斜率阈值 k th的情况下，攀爬跌落风险判断模块判断高处作业人员无跌落风险。

23、本发明的另一方面涉及一种攀爬安全智能风险评估装置，是对高处作业人员的攀爬动作进行风险评估的装置，该装置包括视频采集（端）、人体关键点检测（边）模块、攀爬跌落风险判断模块（云）、评估结果报告模块（云）和记录存储模块。

24、视频采集模块，用于获取与高处作业人员攀爬相关的视频数据；

25、人体关键点检测模块，经部署的人体姿态估计深度学习算法检测人体关键点，并记录高处作业人员的左手关键点、右手关键点、左脚关键点、右脚关键点、左肘关键点和右肘关键点在垂直方向的位移的时间序列数据，和安全带挂钩坐标相对几何中心点坐标在垂直方向的时间序列数据；

26、攀爬跌落风险判断模块包括读取单元、检测单元和执行单元，所述读取单元，用于读取所设定的斜率阈值 k th和人体关键点坐标的位置；所述检测单元，根据时间序列数据计算高处作业人员的左手关键点在垂直方向位移的时间序列的斜率 k lefthand、右手关键点在垂直方向位移的时间序列的斜率 k righthand、左脚关键点在垂直方向位移的时间序列的斜率 k leftfoot、右脚关键点在垂直方向位移的时间序列的斜率 k rightfoot、左肘关键点在垂直方向位移的时间序列的斜率 k leftelbow、右肘关键点在垂直方向位移的时间序列的斜率 k rightelbow、安全带挂钩坐标相对几何中心点坐标在垂直方向的位置，作为攀爬判断参数；所述执行单元，根据攀爬判断参数与所设定的斜率阈值 k th进行比较，判断高处作业人员的跌落风险的大小；

27、评估结果报告模块用于将视频中的错误动作和错误动作对应的视频帧数均通过图形化展示，生成评估结果报告；

28、记录存储模块，是记录了高处作业安全智能风险评估程序的非暂时性的计算机可读取的记录介质。

29、本发明的优点在于：

30、根据该构成，正在攀爬的高处作业人员的左手、右手、左脚、右脚、左肘和右肘的关键点在垂直方向位移的时间序列的斜率 k，和安全带挂钩坐标与几何中心点坐标在垂直方向的位置被用作与高处作业人员的攀爬跌落风险评估相关的参数。有跌落风险的高处作业人员的攀爬动作和没有跌落风险的高处作业人员的攀爬动作存在不同的倾向。为此，因为利用与攀爬中的高处作业人员跌落风险相关的参数来判断高处作业人员有无跌落风险，所以，可以高精度地评估高处作业人员的跌落风险。

31、通过本发明提供的方案可以自动化完成对高处作业人员的攀爬动作的跌落风险评估。可以通过从对正在攀爬的实验对象进行拍摄而得到的视频数据中检测，所以，不需要大型的装置。基于工业互联网的云边端协同架构，为实现数据驱动的攀爬安全智能风险评估算法创造了条件，为此本发明可以简单的评估高处作业人员的跌落风险。