一种有限空间作业人员跌倒检测方法与流程

本发明属于有限空间作业，尤其涉及一种有限空间作业人员跌倒检测方法。背景技术：1、在电力建设施工中，往往需要工作人员进入封闭或者部分封闭，与外界相对隔离，出入口较为狭窄的有限空间进行施工作业。与其它作业场景相比，有限空间作业的危险性更高，作业环境存在光线不足、自然通风不良，造成有毒有害、易燃易爆物质积聚或者氧含量不足等问题。由于有限空间的环境特点，一旦作业人员在有限空间内发生意外摔倒等意外事故时，地面人员很难及时发现突发情况，从而增加了风险，造成人员生命财产损失。因此如何通过传感器技术准确快速无误的检测到有限空间作业人员跌倒等情况，具有重要的研究价值。2、大多数的跌倒检测是针对日常生活中老人的跌倒检测保护。目前常用的方法研究主要有三种：3、1)基于计算机视觉的跌倒检测方法：通过固定场景中的摄像机等视觉传感器采集视频或图像形式进行数据收集。之后使用机器学习或者深度学习算法进行人员跌倒的实时检测。常用的机器学习方法有帧差法、光流法，基于深度学习的算法有卷积神经网络、区域卷积神经网络，此类方法在特定场合检测准确率较高，具有一定的应用价值。但是该方法的视频监控设备仅能在一些光照良好的环境中使用，同时存在一定的监控死角，在有限空间中采用会因现场环境而达不到检测需求。除此之外，基于计算机视觉的跌倒方法也在一定程度上存在隐私泄露风险。4、2)基于外置信号的跌倒检测方法：常用的包括语音信号、超声波信号、红外感应、wifi、毫米波雷达信号等检测技术，通过人员跌倒冲击导致的震动频率进行跌倒分析，从而实现实时检测。但是此类方法检测范围只能在固定场所，同时也容易受到外界的干扰，如果环境复杂会导致检测精度降低。5、3)基于传感器的跌倒检测方法：通过可穿戴设备收集人体运动数据，对采集到的数据使用算法进行分析。此类方法成本较低，而且不受环境的影响，同时保护了用户隐私。但跌倒检测的准确度也容易受到算法的影响，常用的方法有基于阈值的检测方法，此类方法需要人员根据传感器佩戴位置设置不同阈值，需要根据不同用户的跌倒程度来进行个性化适配，另一种方法为基于机器学习的检测方法，此类方法较为依赖手工提取特征，对复杂场景识别效果欠佳。为此我们提出一种有限空间作业人员跌倒检测方法。技术实现思路1、本发明的目的在于提供一种有限空间作业人员跌倒检测方法，旨在解决上述背景技术中提出的问题。2、为实现上述目的，本发明提供如下技术方案：3、一种有限空间作业人员跌倒检测方法，所述检测方法基于可穿戴传感器，可穿戴传感器内置mpu6050陀螺仪模块，用于采集作业人员的x、y、z三轴角速度和x、y、z三轴加速度，以及横滚角、俯仰角和偏航角共9种数据；所述检测方法包括以下步骤：4、采用可穿戴传感器采集有限空间内作业人员姿态信息，将编-解码结构构件检测网络作为深度学习技术对姿态信息进行检测，将复杂可穿戴传感器的数据分析转化为二分类问题，从作业人员的活动数据中识别出跌倒和正常行为，实时判断作业人员是否跌倒。5、进一步的，所述编-解码结构构件检测网络的输入数据为作业人员的x、y、z三轴角速度和x、y、z三轴加速度，以及横滚角、俯仰角和偏航角，记为：[gx,gy,gz,ax,ay,az,rx,py,yz]t；截取5s内可穿戴传感器的数据长度作为实验数据长度，包括前4s和当前时刻的数据，表示如下：6、7、进一步的，所述编-解码结构构件检测网络包括：8、编码器结构，用于提取输入的特征图谱；所述编码器结构包括卷积神经网络编码结构、坐标注意力机制结构和卷积-长短期记忆结构；9、解码器结构，用于将经过编码器结构所得到的特征进行进一步的优化检测任务处理；所述解码器结构包括反卷积结构和sigmoid激活函数；10、在编码器结构部分，使用卷积神经网络对输入数据进行特征提取；将每个阶段卷积神经网络提取到的数据特征使用轻量化的坐标注意力机制进行感兴趣特征提取；卷积-长短期记忆结构将高维的感兴趣特征转化为一维特征后进行时空特征提取；11、在解码器结构部分，使用反卷积结构进行维度还原，最后使用sigmoid激活函数进行二分类检测结果输出。12、进一步的，所述卷积神经网络编码结构采用三个串行的非对称卷积组进行卷积特征提取；在非对称卷积内部，使用轻量化3×3深度可分离卷积进行特征提取，同时在输出部分引入残差学习结构进行特征的利用；卷积神经网络的第一层结构输入特征大小为9×5×1，经过第一层非对称卷积组输出特征大小为4×5×6，经过第二层非对称卷积组输出特征大小为4×2×12，经过第三层非对称卷积组输出特征大小为2×2×24；之后将输出特征使用坐标注意力机制结构进行注意力机制的重新分配。13、进一步的，所述坐标注意力机制结构包括坐标注意力嵌入和坐标注意力生成；首先使用不同方向的池化将特征生成为不同方向的一维特征编码，之后分别沿两个方向进行特征聚合，获得不同方向的特征依赖关系，同时另一空间方向保留位置信息，最后将不同方向的特征权重进行合并，得到包含感兴趣权重的输出特征。14、进一步的，所述解码器结构采用反卷积进行解码，通过三组反卷积块还原特征维度，同时使用元素特征求和的特征融合方式使得输出特征具有感兴趣权重特征和时序特征；最后输出特征大小为9×5×1，使用全连接进行维度变化，输出特征大小为45×1，使用sigmoid激活函数对输出特征进行检测，得到检测结果。15、与现有技术相比，本发明的有益效果是：16、本发明通过可穿戴传感器收集有限空间内作业人员姿态信息，将编-解码结构构件检测网络作为深度学习技术对姿态信息进行检测，进而将传感器数据分析人员跌倒问题转换为二分类问题，整个过程使用可学习的算法进行处理，不需要进行手工调参，算法具有一定的泛化性，检测的准确性更高。技术特征：1.一种有限空间作业人员跌倒检测方法，其特征在于，所述检测方法基于传感器，所述传感器内置mpu6050陀螺仪模块，用于采集作业人员的x、y、z三轴角速度和x、y、z三轴加速度，以及横滚角、俯仰角和偏航角共9种数据；所述检测方法包括以下步骤：2.根据权利要求1所述的有限空间作业人员跌倒检测方法，其特征在于，所述编-解码结构构件检测网络的输入数据为作业人员的x、y、z三轴角速度和x、y、z三轴加速度，以及横滚角、俯仰角和偏航角，记为：[gx,gy,gz,ax,ay,az,rx,py,yz]t；截取5s内传感器的数据长度作为实验数据长度，包括前4s和当前时刻的数据，表示如下：3.根据权利要求1所述的有限空间作业人员跌倒检测方法，其特征在于，所述编-解码结构构件检测网络包括：4.根据权利要求3所述的有限空间作业人员跌倒检测方法，其特征在于，所述卷积神经网络编码结构采用三个串行的非对称卷积组进行卷积特征提取；在非对称卷积内部，使用轻量化3×3深度可分离卷积进行特征提取，同时在输出部分引入残差学习结构进行特征的利用；卷积神经网络的第一层结构输入特征大小为9×5×1，经过第一层非对称卷积组输出特征大小为4×5×6，经过第二层非对称卷积组输出特征大小为4×2×12，经过第三层非对称卷积组输出特征大小为2×2×24；之后将输出特征使用坐标注意力机制结构进行注意力机制的重新分配。5.根据权利要求3所述的有限空间作业人员跌倒检测方法，其特征在于，所述坐标注意力机制结构包括坐标注意力嵌入和坐标注意力生成；首先使用不同方向的池化将特征生成为不同方向的一维特征编码，之后分别沿两个方向进行特征聚合，获得不同方向的特征依赖关系，同时另一空间方向保留位置信息，最后将不同方向的特征权重进行合并，得到包含感兴趣权重的输出特征。6.根据权利要求3所述的有限空间作业人员跌倒检测方法，其特征在于，所述解码器结构采用反卷积进行解码，通过三组反卷积块还原特征维度，同时使用元素特征求和的特征融合方式使得输出特征具有感兴趣权重特征和时序特征；最后输出特征大小为9×5×1，使用全连接进行维度变化，输出特征大小为45×1，使用sigmoid激活函数对输出特征进行检测，得到检测结果。技术总结本发明适用于有限空间作业技术领域，提供了一种有限空间作业人员跌倒检测方法，所述检测方法基于传感器，传感器内置MPU6050陀螺仪模块，用于采集作业人员的X、Y、Z三轴角速度和X、Y、Z三轴加速度，以及横滚角、俯仰角和偏航角共9种数据；检测方法包括以下步骤：采用传感器采集有限空间内作业人员姿态信息，将编‑解码结构构件检测网络作为深度学习技术对姿态信息进行检测，将复杂传感器的数据分析转化为二分类问题，从作业人员的活动数据中识别出跌倒和正常行为，实时判断作业人员是否跌倒。本发明整个检测过程使用可学习的算法进行处理，不需要进行手工调参，算法具有一定的泛化性，检测的准确性更高。技术研发人员：苗国立,吕小浩,景国明,文宗山,陈东升,常小亮,万文阁,胥凯强,邹书军,韩江鹏,杨发柱受保护的技术使用者：河南送变电建设有限公司技术研发日：技术公布日：2024/8/15