一种基于人工智能的吊车施工风险评估方法及装置与流程

1.本发明涉及人工智能、起重设备技术领域，具体涉及一种基于人工智能的吊车施工风险评估方法及装置。


背景技术：

2.化工企业由于重型设备较多，因此在进行各种工程作业时经常需要专业的工程设备进行辅助工作。尤其是当化工企业需要进行建筑施工时，由于作业环境复杂，工种工序多，投入使用的机械设备也较多，因此在施工生产活动过程中危险和危害因素也相应的多而繁杂。
3.在施工过程中一般将危险源分为两类，一类是危险化学品以及压力容器，一类是人的不安全行为、机械工艺的不安全状态和不良的环境条件，而绝大多数的危险和有害因素都属于后者。
4.塔式起重机是一种可以实现重物全方位运送的起重机械，在工程作业场景中广泛出现。然而该器械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。
5.其中，吊钩作为塔式起重机在作业中最频繁被用到的部件，虽然其开口处设置有防脱卡扣，但是在塔式起重机施工过程中，还是会时常发生防脱卡扣不能完全与吊钩内部边缘完全闭合等防脱卡扣失灵现象，这就可能会导致钢丝绳脱钩进而引发严重事故。而由于吊钩通常位置极高且存在视线盲区，所以很难通过人眼对吊钩的施工风险状态进行可靠检测。因此，在塔式起重机在高空施工的过程中，需要在高空环境中对吊钩安全状态进行有效的检测。


技术实现要素：

6.本发明的目的在于提供一种基于人工智能的吊车施工风险评估方法及装置，用于解决现有通过现有技术无法对吊钩工作状态进行有效检测的问题。
7.为解决该技术问题，本发明所采用的技术方案具体如下：
8.本发明提供了一种基于人工智能的吊车施工风险评估方法，包括以下步骤：
9.获取吊钩装置图像，对所述吊钩装置图像进行预处理；
10.根据预处理后的吊钩装置图像，初步判断防脱卡扣是否失效；
11.若初步判断出防脱卡扣失效，则根据预处理后的吊钩装置图像，获取钩头本体图像、防脱卡扣本体图像和吊绳本体图像；
12.根据所述钩头本体图像、防脱卡扣本体图像以及吊绳本体图像，确定第一吊钩风险特征，所述第一吊钩风险特征用于表征吊绳能够从钩头开口脱落的危险程度；
13.根据所述钩头本体图像和防脱卡扣本体图像，确定第二吊钩风险特征，所述第二吊钩风险特征用于表征钩头开口方向偏离程度；
14.根据所述钩头本体图像和吊绳本体图像，确定第三吊钩风险特征，所述第三吊钩
风险特征用于表征吊绳在钩头处的分布对称程度；
15.根据所述第一吊钩风险特征、第二吊钩风险特征和第三吊钩风险特征，确定吊钩施工风险程度。
16.进一步的，所述确定第一吊钩风险特征的步骤包括：
17.根据所述钩头本体图像和防脱卡扣本体图像，确定防脱卡扣和钩头本体内部轮廓之间的最短距离；
18.根据所述吊绳本体图像，确定吊绳的直径；
19.根据所述防脱卡扣和钩头本体内部轮廓之间的最短距离以及吊绳的直径，计算第一吊钩风险特征。
20.进一步的，所述第一吊钩风险特征的计算公式为：
[0021][0022]
其中：，i1为第一吊钩风险特征，d为防脱卡扣和钩头本体内部轮廓之间的最短距离，d为吊绳的直径。
[0023]
进一步的，所述确定第二吊钩风险特征的步骤包括：
[0024]
根据钩头本体图像，利用主成分分析法确定钩头本体内部轮廓图像的主成分方向；
[0025]
根据防脱卡扣本体图像，利用主成分分析法确定防脱卡扣的主成分方向；
[0026]
计算钩头本体内部轮廓图像的主成分方向和防脱卡扣的主成分方向之间的夹角；
[0027]
根据计算出来的两个主成分方向的夹角以及吊钩平稳垂直时两个主成分方向的夹角，计算第二吊钩风险特征。
[0028]
进一步的，所述第二吊钩风险特征的计算公式为：
[0029]
i2＝1
‑
e
‑
δθ
[0030]
其中，i2为第二吊钩风险特征，δθ为偏离夹角，δθ＝|θ1‑
θ0|，θ1为计算出来的两个主成分方向的夹角，θ0为吊钩平稳垂直时两个主成分方向的夹角。
[0031]
进一步的，所述确定第三吊钩风险特征的步骤包括：
[0032]
根据所述钩头本体图像，利用主成分分析法确定整个钩头本体的主成分方向；
[0033]
根据吊绳本体图像以及整个钩头本体的主成分方向所在直线，确定位于所述主成分方向所在直线两侧的所有吊绳像素点；
[0034]
计算位于主成分方向所在直线第一侧的所有吊绳像素点的数目以及所有吊绳像素点到该位于主成分方向所在直线的距离的均值；
[0035]
计算位于主成分方向所在直线第二侧的所有吊绳像素点的数数目以及所有吊绳像素点到该位于主成分方向所在直线的距离的均值；
[0036]
根据计算出来的两个所有吊绳像素点的数目以及对应的两个距离的均值，计算第三吊钩风险特征。
[0037]
进一步的，所述第三吊钩风险特征的计算公式为：
[0038][0039]
其中，i3为第三吊钩风险特征，δd为两个距离的均值的差值的绝对值，δd＝|d1‑
d2|，d1为位于主成分方向所在直线第一侧的所有吊绳像素点到该位于主成分方向所在直线的距离的均值，d2为位于主成分方向所在直线第二侧的所有吊绳像素点到该位于主成分方向所在直线的距离的均值，δn为两个所有吊绳像素点的数目的差值的绝对值，δn＝|n1‑
n2|，n1为位于主成分方向所在直线第一侧的所有吊绳像素点的数目，n2为位于主成分方向所在直线第二侧的所有吊绳像素点的数目。
[0040]
进一步的，所述吊钩施工风险程度的计算公式为：
[0041]
z＝α1i1 α2i2 α3i3[0042]
其中，z为吊钩施工风险程度，i1、i2、i3分别为第一吊钩风险特征、第二吊钩风险特征、第三吊钩风险特征，α1、α2、α3分别为i1、i2、i3对应的权值。
[0043]
进一步的，根据预处理后的吊钩装置图像，获取钩头本体图像、防脱卡扣本体图像和吊绳本体图像的步骤包括：
[0044]
对预处理后的整个吊钩装置图像进行腐蚀操作，直至吊钩装置中的钩头与其上部的连接件首次分割开，从而得到腐蚀后的钩头区域图像，所述腐蚀后的钩头区域图像中包含钩头本体，但不包含防脱卡扣和吊绳；
[0045]
根据吊钩装置中的钩头与其上部的连接件首次分割开时的位置，对整个吊钩装置图像进行分割，得到原始钩头区域图像；
[0046]
对腐蚀后的钩头区域图像进行膨胀操作直至恢复到钩头本体原始尺寸，得到钩头本体图像；
[0047]
根据钩头本体图像中钩头本体的各个像素点位置，在原始钩头区域图像中确定钩头本体；
[0048]
对原始钩头区域图像中确定的钩头本体进行凸包分析，并计算该凸包的质心；
[0049]
判断所述凸包的质心所处的连通域是否为封闭的背景区域，若不为封闭的背景区域，则对原始钩头区域图像进行膨胀操作，直至膨胀后的钩头本体的凸包的质心所处的连通域为封闭的背景区域；
[0050]
在膨胀后的原始钩头区域图像中，根据围成封闭的背景区域的连通域和膨胀后的钩头本体，得到膨胀后的防脱卡扣本体图像；
[0051]
对膨胀后的防脱卡扣本体图像进行腐蚀操作，最终得到防脱卡扣本体图像；
[0052]
根据原始钩头区域图像、钩头本体图像和防脱卡扣本体图像，得到吊绳本体图像。
[0053]
本发明还提供了一种基于人工智能的吊车施工风险评估装置，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现上述的基于人工智能的吊车施工风险评估方法。
[0054]
本发明具有如下有益效果：通过获取高空作业过程中的吊钩装置的图像，并在初步判断出防脱卡扣失效的情况下，根据吊钩装置图像来获取钩头本体图像、防脱卡扣本体图像和吊绳本体图像，并分别从吊绳能够从钩头开口脱落的危险程度、钩头开口方向偏离程度以及吊绳在钩头处的分布对称程度三个方面对吊车的施工风险程度进行可靠评估，提高了对吊钩工作状态检测的有效性和准确性。
附图说明
[0055]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施
例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0056]
图1为本发明的基于人工智能的吊车施工风险评估方法的流程图；
[0057]
图2为本发明所采集的吊钩装置图像的示意图。
具体实施方式
[0058]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的吊车施工风险评估方法及装置，其具体实施方式、结构、特征及其功效，详细说明如下。
[0059]
方法实施例：
[0060]
本实施例提供了一种基于人工智能的吊车施工风险评估方法，该方法可以对处于高空作业过程中的塔机的吊钩装置进行安全风险评估，以便于工作人员实时掌握吊钩的工作情况，防止因脱钩造成的危害事故的发生。
[0061]
具体的，该基于人工智能的吊车施工风险评估方法对应的流程图如图1所示，包括以下步骤：
[0062]
(1)获取吊钩装置图像，对吊钩装置图像进行预处理。
[0063]
其中，由于需要对在高空中作业的塔机的吊钩装置的脱钩风险情况进行评估，因此本实施例是使用无人机携带相机对吊钩位置处的图像进行采集，来获得吊钩装置图像。这里的相机采用的是工业rgb相机，所采集的吊钩装置图像如图2所示。
[0064]
由于吊钩装置为金属制品，因此所成图像易受腐蚀斑点和光照影响，因此实施例中对采集到的吊钩装置图像使用高斯滤波来去除图像汇总噪声的干扰，使图像更加平滑，然后使用图像增强技术来增强图像的内部属性信息，降低并消除图像噪声、光照等因素的影响。
[0065]
在众多的图现增强算法中，retinex图像增强算法具有良好的图像增强效果，吊钩在外界太阳光的长期照射下，其金属表面入射光的入射系数(是指金属表面材质本身对入射光的影响)直接决定了吊钩装置图像的像素所能达到的动态范围，而retinex算法采用降低入射光系数的方法，可以降低并消除入射光对图像的影响，从而实现图像内在属性的增强。也就是说，通过采用retinex图像增强算法对所采集的吊钩装置图像进行处理，可以消除金属表面材质本身对光照进行影响进而导致的图像的失真情况，使得经过处理后的图像能够真实的反应吊钩装置。
[0066]
另外，由于高斯滤波和retinex图像增强算法的具体实现过程均属于现有技术，因此本实施例不再详细描述其具体过程。
[0067]
(2)根据预处理后的吊钩装置图像，初步判断防脱卡扣是否失效。
[0068]
其中，在吊钩装置图像中，防脱卡扣的第一端与钩头本体的第一端是固定连接的，而防脱卡扣的第二端与钩头本体的第二端是活动连接的。钩头本体的第二端作为钩头本体的开口处，在正常情况下，防脱卡扣(第二端)与该开口处是完全闭合的，而当防脱卡扣(第二端)与该开口处是不完全闭合的，则说明防脱卡扣失效。
[0069]
基于吊钩装置的这种结构基础，根据吊钩装置图像中防脱卡扣与钩头本体开口处
是否完全闭合，可以初步判断出防脱卡扣是否失效。当吊钩装置图像中防脱卡扣与钩头本体开口处完全闭合时，说明防脱卡扣没有失效，此时施工过程不存在风险；而当吊钩装置图像中防脱卡扣与钩头本体开口处不完全闭合时，即吊钩装置图像中防脱卡扣与钩头本体开口处存在一定的开口时，说明施工过程存在风险，需要对该风险进行评估，并在风险程度较高时进行报警，以及时通知工作人员进行后续处理，防止危害事故的发生。
[0070]
在本实施例中，判断吊钩装置图像中防脱卡扣与钩头本体开口处是否完全闭合，是通过判断吊钩装置图像中的防脱卡扣与钩头本体是否围成闭合的背景连通域来实现的，当围成闭合的背景连通域时，说明吊钩装置图像中防脱卡扣与钩头本体开口处是完全闭合的，否则说明吊钩装置图像中防脱卡扣与钩头本体开口处是不完全闭合的。
[0071]
(3)若初步判断出防脱卡扣失效，则根据预处理后的吊钩装置图像，获取钩头本体图像、防脱卡扣本体图像和吊绳本体图像。
[0072]
其中，在判断出防脱卡扣失效的情况下，需要对预处理后的吊钩装置图进行进一步分析，即需要根据预处理后的吊钩装置图像，获取钩头本体图像、防脱卡扣本体图像和吊绳本体图像，对施工风险严重程度进行准确评估，具体步骤如下：
[0073]
(3
‑
1)对预处理后的整个吊钩装置图像进行腐蚀操作，直至吊钩装置中的钩头与其上部的连接件首次分割开，从而得到腐蚀后的钩头区域图像，腐蚀后的钩头区域图像中包含钩头本体，但不包含防脱卡扣和吊绳。
[0074]
其中，由于钩头在整个吊钩装置的连接处较细，即像素较少，因此对预处理后的整个吊钩装置图像进行逐次的腐蚀操作，直至吊钩装置第一次本分割开，成为两个连通域，这样就可以确定钩头与其上部的连接件的像素连接处。
[0075]
然后利用主成分分析法获得整个吊钩装置的主成分方向，然后在吊钩装置第一次被分隔开的对应像素连接处做该主成分方向的法线，则对于腐蚀后的整个吊钩装置图像中位于法线以下的即为钩头区域图像。由于利用主成分分析算法的具体实现过程属于现有技术，因此本实施例不再详细描述其具体过程。
[0076]
另外，需要说明的是，在本实施例中，在原始的整个吊钩装置图像中，钩头本体的最大粗度最大，防脱卡扣次之，吊绳(直径)最小，并且钩头在整个吊钩装置的连接处的粗度大于防脱卡扣的最大粗度，因此，经过逐次腐蚀吊钩装置第一次本分割开后，所得到的腐蚀后的钩头区域图像中仅包含钩头本体，而不包含防脱卡扣和吊绳，这样后期再对腐蚀后的钩头区域图像进行膨胀操作，使其恢复到原始图像尺寸，即可获得仅包含钩头本体的像素点。
[0077]
(3
‑
2)根据吊钩装置中的钩头与其上部的连接件首次分割开时的位置，对整个吊钩装置图像进行分割，得到原始钩头区域图像。
[0078]
其中，根据步骤(3
‑
1)吊钩装置图像中钩头与其上部的连接件的像素连接处，在原始的吊钩装置中同样过该像素连接处做主成分方向的法线，则原始的吊钩装置中位于法线以下的即为原始钩头区域图像。为了后续便于处理，对获得的原始钩头区域图像进行背景分割提取，确定其中的背景区域，并将背景区域的像素灰度值设置为255，也就是将背景区域设置为白色，从而得到最终的原始钩头区域图像。由于对图像进行背景分割提取的具体实现过程属于现有技术，因此本实施例不再详细描述其具体过程。
[0079]
(3
‑
3)对腐蚀后的钩头区域图像进行膨胀操作直至恢复到钩头本体原始尺寸，得
到钩头本体图像。
[0080]
其中，由步骤(3
‑
1)中所得到的腐蚀后的钩头区域图像的特点可知，即钩头区域图像中包含钩头本体，而不包含防脱卡扣和吊绳，因此对腐蚀后的钩头区域图像再进行同样的膨胀操作，使其恢复到原始图像尺寸。对于恢复到原始图像尺寸的钩头区域图像，同样进行背景分割提取，确定其中的背景区域，并将背景区域置为白色，即可得到钩头本体图像。由于对图像进行膨胀操作使其恢复到原有尺寸的具体实现过程属于现有技术，因此本实施例不再详细描述其具体过程。
[0081]
(3
‑
4)根据钩头本体图像中钩头本体的各个像素点位置，在原始钩头区域图像中确定钩头本体。
[0082]
(3
‑
5)对原始钩头区域图像中确定的钩头本体进行凸包分析，并计算该凸包的质心。判断凸包的质心所处的连通域是否为封闭的背景区域，若不为封闭的背景区域，则对原始钩头区域图像进行逐次膨胀操作，直至膨胀后的钩头本体的凸包的质心所处的连通域为封闭的背景区域。
[0083]
其中，在原始钩头区域图像中，包含钩头本体、防脱卡扣和吊绳，目前在已知钩头本体位置的情况下，为了确定防脱卡扣的像素连通域，在原始钩头区域图像中对确定的钩头本体进行凸包分析，并计算该凸包的质心。由于凸包分析的具体实现过程属于现有技术，因此本实施例不再详细描述其具体过程。判断凸包的质心所处的连通域是否为封闭的背景区域，若首次判断出不为封闭的背景区域，则验证了前面判断出防脱卡扣失效是准确的，则对原始钩头区域图像进行膨胀操作，在一次膨胀操作结束后，再次对膨胀后的钩头本体进行凸包分析，并计算该凸包的质心，判断凸包的质心所处的连通域是否为封闭的背景区域，若不为封闭的背景区域，则在前面膨胀的基础上再次进行膨胀操作，直至膨胀后的钩头本体的凸包的质心所处的连通域为封闭的背景区域。
[0084]
(3
‑
6)在膨胀后的原始钩头区域图像中，根据围成封闭的背景区域的连通域和膨胀后的钩头本体，得到膨胀后的防脱卡扣本体图像。
[0085]
其中，在最终得到的膨胀后的原始钩头区域图像中，由于围成封闭的背景区域的连通域是由膨胀后的钩头本体和防脱卡扣构成的，那么在知道膨胀后的钩头本体的情况下，既可以确定膨胀后的防脱卡扣本体图像。
[0086]
(3
‑
7)对膨胀后的防脱卡扣本体图像进行腐蚀操作，最终得到防脱卡扣本体图像。
[0087]
其中，对获得的膨胀后的防脱卡扣本体图像进行对应的腐蚀操作，使其恢复到原始尺寸，则此时可获得防脱卡扣本体图像。
[0088]
(3
‑
8)根据原始钩头区域图像、钩头本体图像和防脱卡扣本体图像，得到吊绳本体图像。
[0089]
其中，由于在原始钩头区域图像中，包含钩头本体、防脱卡扣和吊绳，那么，在已知钩头本体图像和防脱卡扣本体图像的情况下，就可以获取吊绳本体图像。
[0090]
需要说明的是，上述步骤(3
‑
1)
‑
(3
‑
8)根据预处理后的吊钩装置图像，获取钩头本体图像、防脱卡扣本体图像和吊绳本体图像的具体过程，适用的是钩头在整个吊钩装置的连接处的粗度大于防脱卡扣和吊绳的情景，即步骤(3
‑
1)中腐蚀后的钩头区域图像中仅包含钩头本体，但不包含防脱卡扣和吊绳的情况。但是，在现有的吊钩装置中，为了提高吊绳的防脱可靠性，防脱卡扣有时会设置的比较粗，从而出现钩头在整个吊钩装置的连接处的
粗度大于吊绳且小于防脱卡扣的情况，即通过(3
‑
1)中腐蚀后的钩头区域图像中包含钩头本体和防脱卡扣，但不包含吊绳。此时，作为其他的实施方式，则根据预处理后的吊钩装置图像，获取钩头本体图像、防脱卡扣本体图像和吊绳本体图像，可以通过以下步骤实现：
[0091]
(3
‑
11)对预处理后的整个吊钩装置图像进行腐蚀操作，直至吊钩装置中的钩头与其上部的连接件首次分割开，从而得到腐蚀后的钩头区域图像，腐蚀后的钩头区域图像中包含钩头本体和防脱卡扣，但不包含吊绳。
[0092]
其中，对预处理后的整个吊钩装置图像进行腐蚀操作进而得到腐蚀后的钩头区域图像的具体过程可参考上面的步骤(3
‑
1)，此处不再详细描述其具体过程。
[0093]
本步骤(3
‑
11)与步骤(3
‑
1)的区别仅在于，在原始的整个吊钩装置图像中，钩头本体的最大粗度最大，防脱卡扣次之，吊绳(直径)最小，并且钩头在整个吊钩装置的连接处的粗度小于防脱卡扣的最大粗度，因此，经过逐次腐蚀吊钩装置第一次本分割开后，所得到的腐蚀后的钩头区域图像中包含钩头本体和防脱卡扣，而不包含吊绳，这样后期再对腐蚀后的钩头区域图像进行膨胀操作，使其恢复到原始图像尺寸，即可获得包含钩头本体和防脱卡扣的像素点位置。
[0094]
(3
‑
12)根据吊钩装置中的钩头与其上部的连接件首次分割开时的位置，对整个吊钩装置图像进行分割，得到原始钩头区域图像，即包含吊绳的吊钩区域图像。
[0095]
其中，获得原始钩头区域图像的具体过程可参考上面的步骤(3
‑
2)，此处不再详细描述其具体过程。
[0096]
(3
‑
13)对腐蚀后的钩头区域图像进行膨胀操作直至恢复到钩头本体原始尺寸，得到不含吊绳的钩头区域图像。
[0097]
其中，由步骤(3
‑
11)中所得到的腐蚀后的钩头区域图像的特点可知，即钩头区域图像中包含钩头本体和防脱卡扣，而不包含吊绳，因此对腐蚀后的钩头区域图像再进行同样的膨胀操作，使其恢复到原始图像尺寸，即可获得不含吊绳的钩头区域图像。由于对图像进行膨胀操作使其恢复到原有尺寸的具体实现过程属于现有技术，因此本实施例不再详细描述其具体过程。
[0098]
另外，通过上述步骤(3
‑
11)
‑
(3
‑
13)是利用形态学操作来获得准确有效的钩头区域图像，这就解决了由于吊钩装置图像中不仅含有钩头和防脱卡扣，还存在相连接的吊绳，基于简单的颜色聚类或利用边缘轮廓等信息进行钩头区域的识别分离非常困难的问题。
[0099]
(3
‑
14)根据包含吊绳的吊钩区域图像和不含吊绳的钩头区域图像，得到吊绳本体图像。
[0100]
其中，将步骤(3
‑
12)中最终获得的包含吊绳的吊钩区域图像与步骤(3
‑
13)中获得的不含吊绳的钩头区域图像相减，即可得到原始图像中钩头位置处的吊绳连通域，也就是吊绳本体图像。
[0101]
(3
‑
15)对步骤(3
‑
13)中所得到的不含吊绳的钩头区域图像继续进行膨胀操作直至钩头区域图像中的防脱卡扣与钩头本体开口处闭合，得到膨胀后的吊钩区域图像以及防脱卡扣和钩头本体所围成的闭合背景连通域。
[0102]
其中，对于不含吊绳的钩头区域图像，同样进行背景分割提取，确定其中的背景区域，并将背景区域置为白色。由于此时防脱卡扣失效，也就是防脱卡扣与钩头本体开口处没有完全闭合时，防脱卡扣无法与钩头本体形成完整的闭合背景区域，因此对背景区域置为
白色的不含吊绳的钩头区域图像继续进行膨胀，当吊钩区域第一次检测到封闭的背景区域时则停止膨胀操作，此时就可以得到防脱卡扣和钩头本体所围成的闭合背景连通域，以便后续的分析检测。
[0103]
(3
‑
16)对膨胀后的吊钩区域图像以及防脱卡扣和钩头本体所围成的闭合背景连通域分别进行边缘检测，将两个边缘检测结果相减，得到吊钩本体和防脱卡扣部分边缘。
[0104]
其中，对步骤(3
‑
15)中获得的闭合背景连通域进行canny边缘检测，同时对获得的膨胀后的吊钩区域图像也进行canny边缘检测。由于对图像进行边缘检测的具体实现过程属于现有技术，因此本实施例不再详细描述其具体过程。
[0105]
边缘检测完成之后，然后通过将两次边缘检测的结果图进行相减，即可获得吊钩本体和防脱卡扣部分边缘，这里的部分边缘是指膨胀后的吊钩区域图像中吊钩本体和防脱卡扣的所有边缘中除去闭合背景连通域边缘之后剩余的所有边缘。
[0106]
(3
‑
17)根据吊钩本体和防脱卡扣部分边缘、防脱卡扣和钩头本体所围成的闭合背景连通域以及膨胀后的吊钩区域图像，得到膨胀后的钩头本体图像。
[0107]
其中，由于吊钩本体的内外两边缘可以近似看成同心的圆，因此为了确定膨胀后的钩头本体图像，对吊钩本体和防脱卡扣部分边缘轮廓进行像素遍历，即将部分边缘轮廓中处于吊钩装置第一次本分割开处的像素点作为初始像素点，沿单一方向计算当前像素点与下一个相邻像素点之间的斜率，然后过当前像素点作所求的当前像素点斜率所在直线的垂线，并保留该垂线第一次与膨胀后的整个吊钩区域图像的背景连通域(包含闭合背景连通域以及该闭合背景连通域以外的背景连通域)所对应边缘相交时的交点。然后判断该交点位于钩头的闭合区域中还是位于钩头的外部边缘轮廓上，这里的钩头的闭合区域是指构成闭合背景连通域所对应的钩头边缘像素区域，而钩头的外部边缘轮廓是指钩头中除去构成闭合背景连通域所对应的钩头边缘像素区域的其他边缘区域。
[0108]
当第一次检测到所得到的交点位于钩头外部边缘轮廓上时则停止遍历，并将当前的交点作为停止点，此时所得到的交点集合作为吊钩内部边缘轮廓。根据步骤(3
‑
16)中所获得的吊钩本体和防脱卡扣部分边缘和吊钩内部边缘轮廓，可以获得从吊钩上下交界处的像素点开始到停止点位置所形成的连通域，也就是膨胀后的钩头本体图像。
[0109]
(3
‑
18)根据膨胀后的吊钩区域图像和膨胀后的钩头本体图像，得到膨胀后的防脱卡扣本体图像。
[0110]
其中，将步骤(3
‑
16)中所获得的膨胀后的吊钩区域图像与膨胀后的钩头本体图像进行相减操作，即可获得膨胀后的防脱卡扣本体图像。
[0111]
(3
‑
19)将膨胀后的钩头本体图像和膨胀后的防脱卡扣本体图像分别进行腐蚀操作，得到最终实际的钩头本体图像和防脱卡扣本体图像。
[0112]
其中，对获得的膨胀后的钩头本体图像和膨胀后的防脱卡扣本体图像分别进行对应的腐蚀操作，使其恢复到原始尺寸，则此时可获得钩头本体图像和防脱卡扣本体图像。
[0113]
(4)根据钩头本体图像、防脱卡扣本体图像以及吊绳本体图像，确定第一吊钩风险特征，第一吊钩风险特征用于表征吊绳能够从钩头开口脱落的危险程度。
[0114]
其中，当防脱卡扣不能正常工作时，常常无法有效贴合钩头内侧边缘以形成有效的闭合，当货物在转移过程中发生晃动时就有可能发生滑落，因此本实施例首先根据防脱卡扣和钩头本体内部轮廓之间的距离构建第一吊钩风险特征i1，具体过程为：
[0115]
(4
‑
1)根据钩头本体图像和防脱卡扣本体图像，确定防脱卡扣和钩头本体内部轮廓之间的最短距离。
[0116]
其中，计算防脱卡扣和钩头本体内部轮廓之间的最短距离时，以钩头本体的第二端，也就是与防脱卡扣的非固定连接端为起点，沿着钩头内部边缘延伸方向进行遍历，且仅需遍历到钩头本体内部边缘的中点处即可，原因在于减少钩头本体内部边缘另一半像素点带来的误差以及降低计算量，从而得到防脱卡扣和钩头本体内部轮廓之间的最短距离d。
[0117]
(4
‑
2)根据吊绳本体图像，确定吊绳的直径。
[0118]
其中，对应吊绳本体图像，由于成像原因，可能有多根吊绳位于同一个连通域中，因此本实施例中仅选取该部分连通域宽度值最小的部分，并以此计算得到对应吊绳的直径d。
[0119]
(4
‑
3)将防脱卡扣和钩头本体内部轮廓之间的最短距离d与吊绳的直径d进行比较，计算第一吊钩风险特征i1，当d≥d时则i1＝1；反之，则第一吊钩风险特征的计算公式为：
[0120][0121]
其中，i1为第一吊钩风险特征，d为防脱卡扣和钩头本体内部轮廓之间的最短距离，d为吊绳的直径。
[0122]
(5)根据钩头本体图像和防脱卡扣本体图像，确定第二吊钩风险特征，第二吊钩风险特征用于表征钩头开口方向偏离程度。
[0123]
其中，当钩头本体开口方向偏离正常值时，吊绳易出现滑动，进而可能出现货物不平衡而引发的坠落事故，因此本实施例建立构建第二吊钩风险特征i2，具体过程为：
[0124]
(5
‑
1)根据钩头本体图像，利用主成分分析法确定钩头本体内部轮廓图像的主成分方向，根据防脱卡扣本体图像，利用主成分分析法确定防脱卡扣的主成分方向。
[0125]
(5
‑
2)计算钩头本体内部轮廓图像的主成分方向和防脱卡扣的主成分方向之间的夹角θ1，设吊钩平稳垂直时所对应的标准主成分方向角度值为θ0，二者之间的偏离角度为δθ＝|θ1‑
θ0|，则第二吊钩风险特征的计算公式为：
[0126]
i2＝1
‑
e
‑
δθ
[0127]
其中，i2为第二吊钩风险特征，δθ为偏离夹角，δθ＝|θ1‑
θ0|，θ1为计算出来的两个主成分方向的夹角，θ0为吊钩平稳垂直时两个主成分方向的夹角。
[0128]
需要说明的是，这里引进偏离夹角δθ是为了评估钩头本体开口的偏离方向，因此这里的θ1、θ0及δθ仅仅是取角度的大小，并不包含单位。
[0129]
(6)根据钩头本体图像和吊绳本体图像，确定第三吊钩风险特征，第三吊钩风险特征用于表征吊绳在钩头处的分布对称程度。
[0130]
其中，在吊车工作工程中，吊绳在钩头本体上的位置分布是否对称也会影响到货物的平衡性，从而产生较大的安全隐患，因此本实施例构建第三吊钩风险特征i3，具体过程为：
[0131]
(6
‑
1)根据钩头本体图像，利用主成分分析法确定整个钩头本体的主成分方向，并根据吊绳本体图像以及整个钩头本体的主成分方向所在直线，确定位于主成分方向所在直线两侧的所有吊绳像素点。
[0132]
其中，这里的整个钩头本体的主成分方向是指整个吊钩装置的主成分方向。例如，
当整个吊钩装置处于竖直平稳状态时，则整个钩头本体的主成分方向为过吊钩装置的几何中心的竖直方向。
[0133]
(6
‑
2)计算位于主成分方向所在直线第一侧的所有吊绳像素点的数目n1以及所有吊绳像素点到该位于主成分方向所在直线的距离的均值d1。同时，计算位于主成分方向所在直线第二侧的所有吊绳像素点的数目n2以及所有吊绳像素点到该位于主成分方向所在直线的距离的均值d2。
[0134]
(6
‑
3)根据计算出来的两个所有吊绳像素点的数目n1,n2以及对应的两个距离的均值d1,d2，则第三吊钩风险特征的计算公式为：
[0135][0136]
其中，i3为第三吊钩风险特征，δd为两个距离的均值的差值的绝对值，δd＝|d1‑
d2|，d1为位于主成分方向所在直线第一侧的所有吊绳像素点到该位于主成分方向所在直线的距离的均值，d2为位于主成分方向所在直线第二侧的所有吊绳像素点到该位于主成分方向所在直线的距离的均值，δn为两个所有吊绳像素点的数目的差值的绝对值，δn＝|n1‑
n2|，n1为位于主成分方向所在直线第一侧的所有吊绳像素点的数目，n2为位于主成分方向所在直线第二侧的所有吊绳像素点的数目。
[0137]
需要说明的是，这里引进偏离夹角δd、δn为了评估吊绳在钩头本体上的位置分布均衡情况，因此这里的d1、d2、n1、n2、δd和δn仅仅是距离或数目的大小，并不包含单位。
[0138]
(7)根据第一吊钩风险特征、第二吊钩风险特征和第三吊钩风险特征，确定反应整体吊钩安全风险的吊钩施工风险程度，对应的计算公式为：
[0139]
z＝α1i1 α2i2 α3i3[0140]
其中，z为吊钩施工风险程度，i1、i2、i3分别为第一吊钩风险特征、第二吊钩风险特征、第三吊钩风险特征，α1、α2、α3分别为i1、i2、i3对应的权值，α1＝α2＝α3＝1/3。
[0141]
(8)判断吊钩施工风险程度是否大于吊钩施工风险程度阈值∈＝0.5，当检测到吊钩施工风险程度z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。
[0142]
装置实施例：
[0143]
本实施例提供了一种基于人工智能的吊车施工风险评估装置，包括处理器和存储器，该处理器用于处理存储在存储器中的指令，以实现上述方法实施例中的基于人工智能的吊车施工风险评估方法。由于该基于人工智能的吊车施工风险评估方法已经在上述的方法实施例中进行了详细介绍，此处不再赘述。
[0144]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0145]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0146]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。