一种起重机作业监测系统的制作方法

本技术属于工程机械安全监控领域，具体是一种起重机作业监测系统。

背景技术：

1、起重机作为重型机械设备，在港口、建筑工地、工厂等场所广泛应用。然而，由于作业环境复杂多变、操作难度大、负载变化频繁，起重机作业过程中存在较高的安全风险。因此，开发一种能够实时监测起重机作业监测的系统，对于提高起重机整体作业状态和预防潜在的安全隐患具有重要意义。

2、现有技术(公开号为cn117935147a的发明专利申请)公开了一种起重机作业智能监测方法，包括：获取起重机的作业视频，所述作业视频包括多帧图像；对起重机的作业视频进行采样，得到t×3×224×224维度的矩阵，其中t为视频的时长；将所述t×3×224×224维度的矩阵带入2d与3d卷积神经网络特征融合的视频动作检测网络中，获得t时域的13维动作分类结果；将获得的起重机在t时域的13维动作分类结果与起重机操作规范进行比对，根据结果选择是否告警。

3、上述一种起重机作业智能监测方法是对起重机的作业视频进行监测，通过视频动作检测网络判断起重机的操作是否规范，未充分考虑到起重机周围的环境因素对于起重机操作的安全影响，从而导致起重机作业状态存在一定的安全隐患。因此对于起重机的作业监测系统仍有进一步的改进空间。

技术实现思路

1、本技术旨在至少解决现有技术中存在的技术问题之一；为此，本技术提出了一种起重机作业监测系统，用于解决现有技术未充分考虑到起重机周围的环境因素对于起重机操作的安全影响，从而导致起重机作业状态存在一定的安全隐患的技术问题，本技术通过获取监控视频数据、车辆工作数据，以及风速数据、货物重量数据和吊载高度；将监控视频数据进行预处理得到若干预处理图像；将所述预处理图像输入人员识别模型得到与其对应的人员标签；当人员标签为无关人员时生成无关人员靠近警报信号；根据车辆工作数据生成疲劳预警信号；当工作状态为吊载状态时；根据风速数据和货物数据生成最大高度限值；根据吊载高度和最大高度限值生成超高警报信号；根据预警信号和警报信号做出相应操作，增加了起重机工作时机器周围环境的影响因素，以及吊载货物时的风速大小的影响，提升了起重机作业状态时的安全性，解决了上述问题。

2、为实现上述目的，本技术的第一方面提供了一种起重机作业监测系统，包括：数据采集模块、人员分析模块、疲劳分析模块、工作分析模块、预警与警报模块、通信模块和数据库；

3、数据采集模块：通过与其相连接的数据采集设备获取监控视频数据、车辆工作数据，以及风速数据、货物重量数据和吊载高度；

4、人员分析模块：将监控视频数据进行预处理得到若干预处理图像；将所述预处理图像输入人员识别模型得到与其对应的人员标签；当人员标签为无关人员时，生成无关人员靠近警报信号；

5、疲劳分析模块：根据车辆工作数据生成疲劳预警信号；

6、工作分析模块：当工作状态为吊载状态时；获取风速数据和货物重量数据；根据风速数据和货物重量数据生成最大高度限值；获取吊载高度；根据吊载高度和最大高度限值生成超高警报信号；

7、预警与警报模块：接收到预警信号和警报信号时，所述预警信号包括：疲劳预警信号和超高预警信号；所述警报信号包括：无关人员靠近警报信号和超高警报信号；根据预警信号和警报信号发出相应的提示，并将预警生成原因和警报生成原因显示在显示屏上，同时将操作员身份信息、预警信号和警报信号上传至监管平台并在数据库中存储；

8、通信模块：用于操作员与相关人员的通信。

9、本技术通过获取监控视频数据、车辆工作数据，以及风速数据、货物重量数据和吊载高度；将监控视频数据进行预处理得到若干预处理图像；将预处理图像输入人员识别模型得到与其对应的人员标签；当人员标签为无关人员时生成无关人员靠近警报信号；根据车辆工作数据生成疲劳预警信号；当工作状态为吊载状态时；根据风速数据和货物数据生成最大高度限值；根据吊载高度和最大高度限值生成超高警报信号；根据预警信号和警报信号做出相应操作，增加了起重机工作时机器周围环境的影响因素，以及吊载货物时的风速大小的影响，提升了起重机作业状态时的安全性。

10、进一步的，所述将监控视频数据进行预处理得到若干预处理图像，包括：

11、获取视频数据，将视频数据经过分帧处理得到若干检测图像；

12、对若干检测图像进行分辨率选择，选择分辨率较高的检测图像作为高分辨率图像；

13、去除高分辨率图像中缺失、冗余、不一致、重复问题的图像，最终得到预处理图像。

14、进一步的，所述人员识别模型的构建包括以下步骤：

15、步骤一：获取若干历史图像和其对应的人员标签；所述人员标签包括：无人员，工作人员，无关人员；

16、步骤二：将所述历史图像和其对应的人员标签按照一定比例划分为训练集、验证集和测试集；

17、步骤三：选择卷积神经网络模型vggnet作为基础模型；

18、步骤四：使用训练集训练基础模型；使用验证集调整训练后的基础模型；使用测试集修正验证后的基础模型；最终得到输入为预处理图像，输出为人员标签的人员识别模型。

19、进一步的，根据车辆工作状态和工作时长生成疲劳预警信号，包括：

20、提取本次车辆工作数据中的各个记录时段；获取各个记录时段的工作状态和记录时长；所述工作状态包括行驶状态、休息状态和吊载状态；

21、将所述记录时长标记为ti，i为对应记录时段的编号，且本次车辆工作数据开始的记录时段对应的编号为1；

22、通过公式pl＝γ×∑[βi×αi×arctan(ti/dt)]计算得到本次的疲劳系数pl；其中，βi为编号为i记录时段对应的权重系数；αi为编号为i记录时段对应工作状态的状态系数；γ为比例系数；dt为单位记录时长；i∈[1，n]；

23、当疲劳系数大于对应的疲劳系数阈值时，则生成疲劳预警信号。

24、本技术通过判断起重机的工作状态以及相应的工作时长计算当前工作人员的疲劳系数，当疲劳系数大于对应的疲劳系数阈值时，则生成疲劳预警信号，增加了对于工作人员的工作状态监测，有效提升了工作人员在使用起重机时的安全性。

25、进一步的，各个记录时段对应的状态系数根据各个记录时段对应的工作状态设置，包括：

26、当所述记录时段对应的工作状态为休息状态时；通过公式αi＝b1×exp(ti/dt)计算得到其对应的状态系数αi；

27、当所述记录时段对应的工作状态为行驶状态时；通过公式αi＝b2×exp(ti/dt)计算得到其对应的状态系数αi；

28、当所述记录时段对应的工作状态为吊载状态时；通过公式αi＝b3×exp(ti/dt)计算得到其对应的状态系数αi；其中，b1、b2和b3为比例系数；且b1<0，b2>b3>0。

29、进一步的，根据风速数据和货物重量数据生成所述最大高度限值，包括：

30、将风速数据标记为f，货物重量数据标记为w；

31、通过公式zh＝lh×exp(-(α1×(w/dw)^β+α2×(f/df)^β))计算得到最大高度限值zh，其中，α1和α2为权重系数，dw为单位重量，df为单位风速，β为指数系数且β∈(0,1)。

32、进一步的，根据吊载高度和最大高度限值生成所述超高警报信号，包括：

33、当吊载高度大于最大高度限值时，则生成超高警报信号；否则，则判断吊载高度是否超过d倍的最大高度限值，是，则生成超高预警信号；否，则不进行操作；其中，d为比例系数，且0<d<1。

34、与现有技术相比，本技术的有益效果是：

35、1、本技术通过获取监控视频数据、车辆工作数据，以及风速数据、货物重量数据和吊载高度；将监控视频数据进行预处理得到若干预处理图像；将所述预处理图像输入人员识别模型得到与其对应的人员标签；当人员标签为无关人员时生成无关人员靠近警报信号；根据车辆工作数据生成疲劳预警信号；当工作状态为吊载状态时；根据风速数据和货物数据生成最大高度限值；根据吊载高度和最大高度限值生成超高警报信号；根据预警信号和警报信号做出相应操作，增加了起重机工作时机器周围环境的影响因素，以及吊载货物时的风速大小的影响，提升了起重机作业状态时的安全性。

36、2、本技术通过判断起重机的工作状态以及相应的工作时长计算当前工作人员的疲劳系数，当疲劳系数大于对应的疲劳系数阈值时，则生成疲劳预警信号，增加了对于工作人员的工作状态监测，有效提升了工作人员在使用起重机时的安全性。