本發(fā)明涉及安全隱患，特別涉及一種施工場地安全隱患排查方法、裝置、設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、在當前建筑施工行業(yè)中，由于施工環(huán)境復雜多變、作業(yè)人員眾多、機械設(shè)備繁雜且操作頻繁，施工現(xiàn)場的安全風險問題尤為突出。傳統(tǒng)的安全隱患排查方式往往依賴于人工定期巡查和經(jīng)驗判斷，不僅效率低下，容易出現(xiàn)遺漏，而且對于潛在的風險趨勢預測不足，無法做到實時監(jiān)控與預警。此外，隨著現(xiàn)代科技的發(fā)展，施工過程中的數(shù)據(jù)信息量越來越大，如何有效利用這些大數(shù)據(jù)進行智能分析和決策，提高施工安全管理水平，成為亟待解決的關(guān)鍵問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的為提供一種施工場地安全隱患排查方法、裝置、設(shè)備和存儲介質(zhì)，解決了容易出現(xiàn)遺漏，而且對于潛在的風險趨勢預測不足的技術(shù)問題。

2、為實現(xiàn)上述目的本發(fā)明提供了一種施工場地安全隱患排查方法，包括以下步驟：

3、對施工場地進行視頻捕捉，得到施工視頻，并通過深度學習算法對所述施工視頻進行目標識別，得到識別目標；其中，所述識別目標包括施工人員以及機械設(shè)備；

4、通過預設(shè)的注意力機制對所述識別目標進行關(guān)注，得到關(guān)注目標對象，并對所述關(guān)注目標對象進行深度分析，得到分析結(jié)果；

5、對施工場地進行環(huán)境監(jiān)測，得到環(huán)境監(jiān)測數(shù)據(jù)，通過訓練好的預測模型對所述環(huán)境監(jiān)測數(shù)據(jù)進行環(huán)境趨勢預測，得到預測結(jié)果；

6、對所述分析結(jié)果以及預測結(jié)果進行綜合評估，得到綜合評估結(jié)果，基于所述綜合評估結(jié)果對施工場地進行安全隱患判斷，若不存在安全隱患，則停止對施工場地的安全隱患排查。

7、作為本發(fā)明進一步的方案，所述環(huán)境監(jiān)測數(shù)據(jù)包括溫度數(shù)據(jù)、濕度數(shù)據(jù)、噪聲數(shù)據(jù)以及有害氣體數(shù)據(jù)。

8、作為本發(fā)明進一步的方案，通過深度學習算法對所述施工視頻進行目標識別，得到識別目標，包括：

9、通過預設(shè)的深度學習算法對所述施工視頻進行幀分解，得到視頻序列幀；

10、對所述視頻序列幀進行預處理，得到預處理圖像；

11、將所述預處理圖像輸入深度學習算法內(nèi)進行目標識別；其中，所述深度學習算法包括c3ghost模塊、yolov5n模塊、輕量化卷積模塊及pagcp模塊；其中，所述輕量化卷積模塊包括gsconv模塊和vov-gscsp模塊；

12、通過所述c3ghost模塊對所述預處理圖像進行目標特征提取，得到提取目標特征；

13、通過所述yolov5n模塊對所述預處理圖像進行目標識別，得到目標識別特征；

14、通過所述輕量化卷積模塊內(nèi)的gsconv模塊對所述目標識別特征進行特征降維，得到降維特征；

15、通過所述輕量化卷積模塊內(nèi)的vov-gscsp模塊對所述降維特征進行增強，得到增強特征；

16、通過所述pagcp模塊對所述增強特征進行全局通道剪枝，得到識別目標。

17、作為本發(fā)明進一步的方案，通過預設(shè)的注意力機制對所述識別目標進行關(guān)注，得到關(guān)注目標對象，并對所述關(guān)注目標對象進行深度分析，得到分析結(jié)果，包括：

18、對預處理圖像內(nèi)的所述識別目標賦予坐標；

19、在多個所述預處理圖像中將所述識別目標分割出來，得到各個目標對象輪廓以及目標對象位置信息；其中，所述識別目標包括多個目標對象；

20、設(shè)定要求關(guān)注的目標對象，通過預設(shè)的注意力機制，基于所述設(shè)定要求關(guān)注的目標對象對各個目標對象輪廓進行匹配和關(guān)注，得到關(guān)注目標對象；

21、基于關(guān)注目標對象以及關(guān)注目標對象的位置確定對應目標對象的軌跡和目標對象的動態(tài)；

22、將所述目標對象的軌跡和目標對象的動態(tài)輸入預設(shè)的風險概率模型內(nèi)進行計算，得到對應目標對象的風險概率值；

23、基于所述風險概率值對對應的目標對象進行深度分析，得到分析結(jié)果。

24、作為本發(fā)明進一步的方案，將所述目標對象的軌跡和目標對象的動態(tài)輸入預設(shè)的風險概率模型內(nèi)進行計算，得到對應目標對象的風險概率值，包括：

25、對目標對象的軌跡和動態(tài)進行時空特征向量化處理，得到目標對象的時空特征向量；

26、對所述目標對象的時空特征向量進行時變卷積處理，得到多尺度預測結(jié)構(gòu)；

27、將所述多尺度預測結(jié)構(gòu)輸入預設(shè)的非線性混沌映射模型內(nèi)進行動態(tài)行為的擾動推測，得到潛在風險場概率分布；

28、對所述潛在風險場概率分布進行深度融合，得到目標對象的動態(tài)風險評估圖；

29、將所述動態(tài)風險評估圖輸入分層拉普拉斯轉(zhuǎn)移算子模型內(nèi)進行高維空間下的風險轉(zhuǎn)移推導，得到不同風險態(tài)勢下的轉(zhuǎn)移趨勢；

30、對所述不同風險態(tài)勢下的轉(zhuǎn)移趨勢進行風險敏感自適應計算，得到對應目標對象的風險概率值。

31、作為本發(fā)明進一步的方案，所述預測模型的訓練過程包括，包括：

32、獲取環(huán)境監(jiān)測訓練數(shù)據(jù)，將所述環(huán)境監(jiān)測訓練數(shù)據(jù)輸入初步預測模型內(nèi)，其中，所述環(huán)境監(jiān)測訓練數(shù)據(jù)包括溫度訓練數(shù)據(jù)、濕度訓練數(shù)據(jù)、噪聲訓練數(shù)據(jù)以及有害氣體訓練數(shù)據(jù)；所述初步預測模型包括初步溫度數(shù)據(jù)模型、初步濕度數(shù)據(jù)模型、初步噪聲數(shù)據(jù)模型以及初步有害氣體模型；

33、獲取環(huán)境監(jiān)測訓練數(shù)據(jù)中預先標定的實際標簽；其中，所述實際標簽包括溫度訓練數(shù)據(jù)對應的第一預測結(jié)果、濕度訓練數(shù)據(jù)對應的第二預測結(jié)果、噪聲訓練數(shù)據(jù)對應的第三預測結(jié)果以及有害氣體訓練數(shù)據(jù)對應的第四預測結(jié)果；

34、將溫度訓練數(shù)據(jù)輸入初步溫度數(shù)據(jù)模型內(nèi)，得到第一溫度預測結(jié)果；

35、將濕度訓練數(shù)據(jù)輸入初步濕度數(shù)據(jù)模型內(nèi)，得到第一濕度預測結(jié)果；

36、將噪聲訓練數(shù)據(jù)輸入初步噪聲數(shù)據(jù)模型內(nèi)，得到第一噪聲預測結(jié)果；

37、將有害氣體訓練數(shù)據(jù)輸入初步有害氣體模型內(nèi)，得到第一有害氣體預測結(jié)果；

38、將所述第一溫度預測結(jié)果與所述第一預測結(jié)果進行對比計算，得到第一損失值；

39、將所述第一濕度預測結(jié)果與所述第二預測結(jié)果進行對比計算，得到第二損失值；

40、將所述第一噪聲預測結(jié)果與所述第三預測結(jié)果進行對比計算，得到第三損失值；

41、將所述第一有害氣體預測結(jié)果與所述第四預測結(jié)果進行對比計算，得到第四損失值；

42、對初步預測模型的模型參數(shù)進行迭代調(diào)整，通過基于損失的優(yōu)化，將所述第一損失值、第二損失值、第三損失值以及第四損失值降至最小，得到訓練好的所述預測模型。

43、作為本發(fā)明進一步的方案，基于所述綜合評估結(jié)果對施工場地進行安全隱患判斷，若不存在安全隱患，則停止對施工場地的安全隱患排查，包括：

44、基于所述綜合評估結(jié)果對施工場地進行安全隱患分析，得到安全隱患類型；

45、對各個安全隱患類型賦予一個預設(shè)的權(quán)重值；

46、通過預設(shè)的評分模型對所述安全隱患進行評分，得到安全隱患的評分值；

47、基于安全隱患類型對應所述權(quán)重值以及評分值計算施工場地的整體安全系數(shù)；

48、將整體安全系數(shù)與預設(shè)的安全等級閾值進行對比，確定施工場地的安全等級；

49、若所述安全等級小于預設(shè)的安全等級，則不存在安全隱患；

50、若不存在安全隱患，則停止對施工場地的安全隱患排查。

51、本發(fā)明還提供了一種施工場地安全隱患排查裝置，包括：

52、捕捉模塊，用于對施工場地進行視頻捕捉，得到施工視頻，并通過深度學習算法對所述施工視頻進行目標識別；其中，所述目標包括施工人員以及機械設(shè)備；

53、分析模塊，用于通過預設(shè)的注意力機制對所述目標對應的圖像進行關(guān)注，得到注意力圖像，并對所述注意力圖像進行深度分析，得到分析結(jié)果；

54、預測模塊，用于對施工場地進行環(huán)境監(jiān)測，得到環(huán)境監(jiān)測數(shù)據(jù)，通過預設(shè)的預測模型對所述環(huán)境監(jiān)測數(shù)據(jù)進行環(huán)境趨勢預測，得到預測結(jié)果；

55、評估模塊，用于對所述分析結(jié)果以及預測結(jié)果進行綜合評估，得到綜合評估結(jié)果，基于所述綜合評估結(jié)果對施工場地進行安全隱患判斷，若不存在安全隱患，則停止對施工場地的安全隱患排查。

56、本發(fā)明還提供一種計算機設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述任一項所述方法的步驟。

57、本發(fā)明還提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述任一項所述的方法的步驟。

58、本發(fā)明提供的施工場地安全隱患排查方法、裝置、設(shè)備和存儲介質(zhì)，包括以下步驟：對施工場地進行視頻捕捉，得到施工視頻，并通過深度學習算法對所述施工視頻進行目標識別，得到識別目標；通過預設(shè)的注意力機制對所述識別目標進行關(guān)注，得到關(guān)注目標對象，并對所述關(guān)注目標對象進行深度分析，得到分析結(jié)果；對施工場地進行環(huán)境監(jiān)測，得到環(huán)境監(jiān)測數(shù)據(jù)，通過訓練好的預測模型對所述環(huán)境監(jiān)測數(shù)據(jù)進行環(huán)境趨勢預測，得到預測結(jié)果；對所述分析結(jié)果以及預測結(jié)果進行綜合評估，得到綜合評估結(jié)果，基于所述綜合評估結(jié)果對施工場地進行安全隱患判斷，若不存在安全隱患，則停止對施工場地的安全隱患排查，解決了容易出現(xiàn)遺漏，而且對于潛在的風險趨勢預測不足的技術(shù)問題，實現(xiàn)了更全面、準確、及時地發(fā)現(xiàn)并預警安全隱患，降低安全事故發(fā)生的概率。