基于人工智能的起重机风险数据识别方法与流程

1.本技术涉及风险数据识别技术领域，具体涉及一种基于人工智能的起重机风险数据识别方法。


背景技术：

2.起重机在使用过程中存在较多的安全隐患，因此需要经常对其进行检查，但由于该设备一旦搭建完成，一般需要在高空环境中长期进行作业，因此很难实现人为检测。尤其是塔机的开口销这种细小部件，如果其未开口或者开口度不够的话会在使用过程中容易掉落，导致没有开口销的销轴在使用中自行脱落，最终会引起折臂的重大事故，所以通过人工智能对起重机风险数据识别显得十分有必要。


技术实现要素：

3.针对上述问题，本发明提出了一种基于人工智能的起重机风险数据识别方法 ，该方法包括以下步骤：步骤：利用无人机自动获取塔机开口销区域实时图像，并对开口销所在装置进行识别分割；步骤：根据分割图像继续对开口销和螺母槽进行分析识别，获取各部分图像特征；步骤：构建反映开口销风险的评估指标特征值，对当前吊机的开口销风险程度进行评估；步骤：检测获得的开口销风险程度评估值是否大于阈值判断是否进行预警操作，进而避免危险事故的发生。
4.有益效果：（1）本发明通过人工智能对起重机风险数据识别，实现了高空环境下，对塔式起重机开口销安全风险的自适应检测和智能评估，通过提前预警，可有效防止危险事故的发生。
5.（2）本发明基于人工智能，但无需使用神经网络，即可实现对开口销的工作状态的检测，降低工作量，从而提高了检测效率。
附图说明
6.图1是本发明提供的一种基于人工智能的起重机风险数据识别方法中使用无人机获取目标的图像示意图。
具体实施方式
7.为了让本领域技术人员更好的理解本发明，下面结合实施例和附图对本发明展开描述。
8.为了实现本发明所述内容，本发明设计了一种基于人工智能的起重机风险数据识
别方法 ，包括以下步骤：步骤：利用无人机自动获取塔机开口销区域实时图像，并对开口销所在装置进行识别分割。
9.由于塔式起重机的作业环境为高空，因此本发明中使用无人机使用rgb相机对目标图像进行采集。同时为了节约人力资源，本发明中使用无人机自适应获取目标图像。
10.首先根据先验数据获取待检测塔式起重机的三维模型，然后通过三维模型获取开口销区域的成像视角，并利用无人机的实时成像在三维模型中进行匹配。最终所获得的的目标图像如图1所示，其中匹配过程为对目标图像进行边缘检测，并根据获得的边缘轮廓与三维模型中已标定视角下的轮廓进行归一化相似性匹配。当塔式起重机上各轮廓与其最相似轮廓的相似程度均达到0.8以上则表明当前视角下能较好的拍摄到开口销区域的实时图像。
11.由于开口销所在装置的灰度值与塔式起重机其他区域存在明显不同，因此本发明中基于ostu阈值分割算法对开口销所在装置区域进行分割，ostu阈值分割算法是一种对图像进行二值化的高效算法，同时也是一种自适应的阈值确定的方法，又称大津阈值分割法，是最小二乘法意义下的最优分割，使用ostu算法的原因在于该算法可以自适应获得最佳的灰度分割阈值，无需人为设定。则在大于灰度分割阈值的像素中，连通域面积最大的区域即为开口销所在装置区域，反之则为背景区域。至此可实现对开口销所在装置区域的分割识别。
12.步骤：根据分割图像继续对开口销和螺母槽进行分析识别，获取各部分图像特征。
13.由于开口销所在装置区域不仅包含开口销，还包含螺母槽，而本发明中需要根据开口销与螺母槽的不同特征进行后续的分析判断，因此需继续对分割图像进行分析以有效识别出开口销部分和螺母槽部分。
14.对经阈值分割得到的开口销所在装置区域进行连通域分析从而获得该区域的外部轮廓信息。以此轮廓信息为分界线，统计该轮廓内属于背景图像的像素数量，考虑到噪声的影响，选取其中由背景图像像素构成的连通域最大区域，则该区域为开口销在位于螺母槽的上半部分所形成的封闭区域。
15.根据获得的封闭区域可进一步获得该区域与开口销所在装置区域中除此区域以外的其他区域所形成的边界线，任意选取边界线中的一个像素作为遍历起始点，在其余区域的轮廓边缘线中沿单一方向进行遍历查找，当遍历的像素点重新回到遍历起始点则结束遍历，在此过程中获得像素遍历数量最少的轮廓边缘轮廓路线，则该路线所确定的封闭区域即为螺母槽区域。
16.至此可获得开口销在位于螺母槽的上半部分所形成的封闭区域以及螺母槽区域，则在开口销所在装置区域中剩下的部分即为开口销伸出螺母槽的下半部分。
17.步骤：构建反映开口销风险的评估指标特征值，对当前吊机的开口销风险程度进行评估。
18.对开口销各部分特征通过构建反映开口销风险的评估指标特征值，来对当前吊机的开口销风险程度进行评估，本发明中评估指标特征值共由三部分组成。
19.由于固定带槽螺母时，开口销的打开角度原则上是，因此本发明中首先对当前待检测开口销的打开角度进行检测，从而获得反映开口销打开角度风险性的特征值，具体过程为：在开口销下半部分的图像中，在该部分与螺母槽区域的交界线的所有像素中取所有像素坐标的平均值得到初始中心像素点。
20.计算初始中心像素点与开口销下半部分图像中除与螺母槽区域交界线以外的所有像素点所形成的直线斜率。对得到的所有斜率值进行均值聚类，其中，由此获得开口销下半部分的各自分开部分。
21.对各部分的边缘像素点进行曲率梯度计算，并标记极值点位置处的像素点，在开口销下半部分的两个区域中，仅计算初始中心像素点与各区域第一个极值点所组成的直线斜率，并由此确定两条直线在初始中心像素点处所形成的的夹角，设标准夹角为，则由此可获得反映开口销打开角度风险性的特征值，数学表达式为：上式表明夹角相对于标准夹角越大则其风险性越低，反之则越高。
22.由于角度只能保证开口销安全性的一方面，而开口销的对称性也是需要保证的重要一点，因此本发明中据此建立反映开口销开口对称性的风险性特征值，具体过程为：计算开口销在位于螺母槽的上半部分的主成分方向，以及开口销位于螺母槽的下半部分的两个区域所对应的主成分方向。
23.分别计算主成分方向与主成分方向的夹角，其中本发明中规定位于主成分方向左侧的值为正值，右侧的则为负值。则对称情况下，由此可建立特征值的数学表达式为：上式表明开口销的开口部分越对称则风险性越小，反之则越大。
24.除此之外开口销下半部分的有效长度也是影响风险性的重要一点，因此本发明中同样建立反映螺母槽有效长度的风险性特征值，具体过程为：根据上述过程中得到的主成分方向计算其与主成分方向的法线方向所成夹角，然后计算开口销下半部分两个区域在此角度下的投影长度。
25.至此根据获得的投影长度可建立特征值的数学表达式为：上式表明当开口销下半部分的有效长度越长，则风险性越低，反之则越高。
26.值得说明的是，上述过程中所计算得到的投影长度均为正值，且当两个主成分方向均位于主成分方向同一侧时，仅取其中的较大值作为上述公式中的指数项，即
此时。
27.至此可根据上述过程中获得的特征值计算得到特征值，数学表达式为：步骤检测获得的开口销风险程度评估值是否大于阈值判断是否进行预警操作，进而避免危险事故的发生。
28.由于高空作业环境较为复杂，救援难度较大，并且事故发生后危害程度很大，因此本发明中设立开口销风险程度评估值的阈值，即当检测到评估指标特征值的值超过阈值时需立即进行预警，以及时通知工作人员进行后续处理，防止危害事故的发生。