本发明涉及工作场所安全管理和计算机视觉，特别是涉及一种基于多种深度学习的高层建筑施工安全监测方法及系统。
背景技术：
1、高层建筑施工过程难度大、周期长，并伴随着较大的安全风险。特别是在如高空作业或在复杂环境中操作重型机械，人员与设备的安全管理的重要性更为凸显。因此，确保工作环境中员工的安全，如正确佩戴安全帽和安全带，至关重要。传统的人工监督依赖于现场安全人员的经验和警觉性，但人力资源有限，难以做到全时段、全方位的覆盖，尤其是在广阔和复杂的施工现场。且传统方法在发现安全隐患后，信息传递和处理可能存在延迟，延缓了应急措施的实施。依靠事后分析和反应，难以实现对潜在风险的实时预警和预防。
2、随着技术的进步，计算机视觉已经成为提高施工安全、减少事故和提升效率的关键技术。计算机视觉不仅可以显著提高施工现场的安全水平，还能提高施工效率和质量，为施工企业带来显著的经济和社会效益。但传统的计算机视觉技术泛化性能差，受环境因素影响大，不足以应用于施工现场复杂的环境。基于深度学习的安全识别技术提供了一种高效、自动化的解决方案，它能够实时识别和评估施工现场的安全风险，从而大大提高整体的安全管理水平，且能够适应各种复杂的施工环境。然而，深度学习模型的成功训练高度依赖于大量的、高质量的、标注精确的训练数据。在施工安全领域，获取足够的标注数据是一大挑战，这就使得一种精度高、检测速率快、具备大量训练数据样本的监测系统变的十分紧迫。
技术实现思路
1、本发明的目的是克服现有技术的缺点，提供一种智能化、具有自动学习功能的高效高精度基于深度学习的高层建筑施工安全监测方法及系统。该方法采用stylegan-yolo，利用stylegan-t不断对抗生成更为优质的数据集实现自动学习功能，结合改进的yolov7深度神经网络实现了工作场所中安全帽和安全带佩戴情况的高精度的快速监测，能够准确、高效地识别未正确佩戴安全装备的员工，实现了实时监测和预警，为提高工作场所的安全性提供了有效的手段。
2、为实现上述目的，本发明的技术方案是：
3、第一方面，本发明提供一种基于多种深度学习的高层建筑施工安全监测方法，所述监测方法包括以下内容：
4、获取工作场所中员工佩戴安全帽和安全带情况的图像，构建数据集；
5、采用stylegan-t对数据集进行增强处理：
6、所述stylegan-t包括生成器和鉴别器，首先输入随机潜码z于生成器中，随后在生成器中依次经过两个全连接模块的同时，将其与文本提示模块输入clip文本编码器模块后生成的文本特征向量ctext通过拼接函数模块拼接到一起生成中间潜码w；之后，w与傅里叶特征模块拼接后经由8×8生成器模块输出后会生成8×8的图像，同时8×8图像与w进行拼接后会经由16×16生成器模块进行输出，生成16×16图像，同时16×16图像与w进行拼接后会进入32×32生成器模块进行输出，不断迭代，512×512图像与w进行拼接后经由1024×1024生成器模块生成1024×1024的高素质图像；
7、在1024×1024图像生成并输出后，经由随机64×64裁剪、上采样、clip图像编码器输出的图像特征向量cimage与由文本提示嵌入至clip文本编码器生成的文本特征向量ctext同时在clip指导中进行拼接；
8、同时，生成的1024×1024的高素质图像还会经由增强和裁剪模块输出后，进入到dino编码器经由标记化模块、五个串联的变换神经网络模块×3进行输出，标记化模块和五个变换神经网络模块×3中，每一个模块的输出结果除了输入下一模块之外，同时也会进入到鉴别器的六个鉴别器头中与文本特征向量ctext进行处理，六个鉴别器头分别输出分数反馈到生成器中，使生成器不断生成更加精确的图片；
9、首先使用获取的图像对stylegan-t进行训练，并使用fid评估指标对其进行评估，当fid达到90以上终止训练；利用训练后的stylegan-t获得目标数量的虚拟图像，生成虚拟数据；
10、利用获取的图像和虚拟数据构建训练改进的yolov7深度神经网络的目标数据集；
11、所述改进的yolov7深度神经网络包括骨干网络backbone和头部结构head，输入图像输入骨干网络backbone中，在骨干网络backbone中依次经复合卷积模块cgl1、复合卷积模块cgl2、复合卷积模块cgl1、复合卷积模块cgl2、第一个扩展高效层聚合网络elan、复合全局平均池化模块gp-1、第二个扩展高效层聚合网络elan、复合全局平均池化模块gp-1、第三个扩展高效层聚合网络elan、复合全局平均池化模块gp-1、第四个扩展高效层聚合网络elan后输出连接head网络的空间金字塔池化和跨阶段部分网络模块sppcspc，空间金字塔池化和跨阶段部分网络模块sppcspc经一个复合卷积模块cgl3、上采样输出结果a；
12、骨干网络backbone的第三个扩展高效层聚合网络elan的输出同时经一个复合卷积模块cgl3与结果a进行拼接操作，拼接后的结果经过第一个改进扩展高效层聚合网络elan-w、复合卷积模块cgl3、上采样输出结果b；
13、骨干网络backbone的第二个扩展高效层聚合网络elan的输出同时经一个复合卷积模块cgl3与结果b拼接操作，拼接后的结果经过第二个改进扩展高效层聚合网络elan-w连接复合全局平均池化模块gp-2和复合重复卷积模块rep，复合全局平均池化模块gp-2的输出与与结果a径第一个改进扩展高效层聚合网络elan-w处理后的输出进行拼接，拼接后的输出经第三个改进扩展高效层聚合网络elan-w处理后，再经一个复合全局平均池化模块gp-2与空间金字塔池化和跨阶段部分网络sppcspc的输出进行拼接，最后经第四个改进扩展高效层聚合网络elan-w处理；
14、上述第二个改进扩展高效层聚合网络elan-w、第三个改进扩展高效层聚合网络elan-w、第四个改进扩展高效层聚合网络elan-w的输出均分别通过一个复合重复卷积模块rep连接一个cgt模块，三个cgt模块的输出相互连接，以输出大像素特征图为最终网络的输出图片；
15、利用目标数据集训练改进的yolov7深度神经网络，用于工作场所中安全装备佩戴情况的安全监测，包括佩戴安全帽和安全带情况。
16、进一步地，所述复合卷积模块cgl1、复合卷积模块cgl2、复合卷积模块cgl3的结构相同，均包括一个卷积层、gn层和leakyrelu激活函数，三者的步长和卷积核大小不同，cgl1：k＝3，s＝1；cgl2：k＝3，s＝2；cgs3：k＝1，s＝1，其中k为卷积核大小，s为步长；
17、复合重复卷积模块rep由一个卷积层和gn层串联后构成一个支路，有两个这种相同的支路并联再与一个gn层构成的支路并联，三个支路的输出经叠加处理获得复合重复卷积模块rep的输出；
18、复合全局平均池化模块gp-1和复合全局平均池化模块gp-2结构相同，均包括两个支路，一个支路由全局平均池化层和复合卷积模块cgl3连接构成，另一条支路由一个复合卷积模块cgl3和一个复合卷积模块cgl2串联连接构成，两个支路的输出进行拼接操作获得复合全局平均池化模块gp-1或复合全局平均池化模块gp-2的输出，其中复合全局平均池化模块gp-1的隐藏层数为i/2，复合全局平均池化模块gp-2的隐藏层数为i，i表示输入节点数；
19、空间金字塔池化和跨阶段部分网络模块sppcspc的结构为：数据一次通过第一个复合卷积模块cgl3、复合卷积模块cgl1、第二个复合卷积模块cgl3后经三个并行全局平均池化处理，三个全局平均池化处理的结果与第一个复合卷积模块cgl3、复合卷积模块cgl1、第二个复合卷积模块cgl3的数据进行拼接操作，之后经第三个复合卷积模块cgl3后再与空间金字塔池化和跨阶段部分网络模块sppcspc的输入经第四个复合卷积模块cgl3处理后的输出直接进行拼接，最后经第五个复合卷积模块cgl3后得到空间金字塔池化和跨阶段部分网络模块sppcspc的输出；
20、扩展高效层聚合网络elan的输入经过一个全局平均池化层和复合卷积模块cgl3后输出结果e，扩展高效层聚合网络elan的输入同时依次经过的复合卷积模块cgl3、三个串联的复合卷积模块cgl1输出结果f，再与扩展高效层聚合网络elan的输入仅经过复合卷积模块cgl3输出结果g、仅经过复合卷积模块cgl3与两个串联的复合卷积模块cgl1得到结果h，进而将e、f、g、h共同进行拼接操作，最后经过一个复合卷积模块cgl3获得扩展高效层聚合网络模块elan的输出；
21、改进扩展高效层聚合网络elan-w与扩展高效层聚合网络elan结构类似，不同之处在于结果f支路上共有四个串联的复合卷积模块cgl1，前三个串联的复合卷积模块cgl1的输出分别获得结果h、i、j，将e、f、g、h、i、j共同进行拼接操作，最后经过一个复合卷积模块cgl3获得扩展高效层聚合网络elan-w的输出；
22、所述cgt模块由卷积层、gn层和tanh激活函数构成。
23、进一步地，在stylegan-t中所述生成器模块的结构为上采样、卷积块和五个残差块依次连接，生成后的数据一方面进入下层更高像素的生成器模块，生成后的数据另一方面会经由torgb模块将图像特征积累进入下一层，并与下一层特征结合；
24、残差块的结构为数据经由卷积层模块、层归一化模块、卷积层模块进行输出后经由层缩放模块进行缩放，之后再与卷积层模块输出的数据进行元素级别的相加后输出，以实现特征的融合和传递。
25、卷积块的结构为中间潜码w经由仿射变换模块、数据分割模块输出后分为s1、s2、s3三个向量，其中s1和s2向量点乘将仿射变换转化为二阶多项式网络，并与数据分割模块输出的s3进行相加生成s，s与上采样的输出进行点乘后经由3×3卷积层模块输出，3×3卷积层模块的输出一方面经由权重处理后与s经由解调模块处理后进行输出，解调模块输出结果与3×3卷积层模块输出结果进行点乘处理，之后经由偏向和噪音模块、prelu激活函数模块输出，获得卷积块的输出；
26、鉴别器头的结构是由来自dino编码器的一维标记序列经由卷积层模块、批量归一化模块、prelu激活函数模块、卷积层模块、批量归一化模块、prelu激活函数模块输出后，再与prelu激活函数模块的输出进行相加后经由卷积层模块进行输出，同时与文本特征向量ctext经由仿射变换模块输出后的数据由损失函数进行归一化处理。
27、第二方面，本发明提供一种基于多种深度学习的高层建筑施工安全监测系统，所述系统包括：
28、基于多种深度学习的工作场所安全监测系统，专门用于监测安全帽和安全带的佩戴情况，具体包括以下模块：
29、图像收集处理模块，通过工业相机对工作区域进行图像采集，获取包括员工头部和身体位置信息在内的多帧图像，并对图像进行预处理。
30、数据标注模块，用于对预处理后的图像进行标注，经过预处理的图像中的员工头部和身体位置进行标注，区分是否佩戴安全帽和安全带；
31、数据增强模块，与数据标注模块连接，利用标注后的图像对stylegan-t进行训练，以训练好的stylegan-t生成目标数量的虚拟图像；
32、目标检测模块，与数据标注模块和数据增强模块连接，获得标注后的图像以及生成的虚拟图像，以此训练改进的yolov7深度神经网络，用于检测高层建筑施工场所员工是否正确佩戴安全帽和安全带；
33、预警处理模块，与目标检测模块相连接，目标检测模块检测出施工输入图像中的安全帽和安全带佩戴情况，及时向后台系统反馈未佩戴安全帽和安全带的信息，后台系统自动发出警报，并提示相关人员采取措施。
34、与现有技术相比，本发明的有益效果是：
35、本发明监测方法利用改进的stylegan-t生成对抗网络可以对原始数据集进行处理，生成高质量图像，能够对数据集起到增强的效果，丰富接近真实样本的数量，图像更加清晰获得目标数据集。利用目标数据集训练改进的yolov7神经网络进行监测安全帽和安全带的佩戴情况，输出目标识别结果。
36、本发明stylegan-tstylegan-t可以生成分辨率为1024×1024的图片，图片像素值大幅度提升，有助于提高后期目标检测的精度。通过生成高度仿真且与原数据不相同的虚拟数据去解决传统土木工程当中算法数据量较小的问题，尤其是一些人员和特种机械安全状态的数据量少的问题，提升了泛化性能。
37、本发明安全监测系统具有高度的可定制性，能够根据不同的工作环境和安全风险类型对监测方法进行调整，并向工作人员提供实时反馈，以便及时调整安全措施。这一系统具有广泛的适用性和实用性，能够用于多种工作环境中的安全监测，包括建筑工地、工厂、矿区等高危工作场所。在实际应用中，本发明为工作场所的安全监测提供了一种全新的思路和解决方案，同时为提高工作场所安全性提供了有力的支撑和保障。通过使用这种基于深度学习的监测系统，不仅能显著减少人工监督成本、提高工作效率，还能确保员工的安全，从而降低工伤事故的发生率。
1.一种基于多种深度学习的高层建筑施工安全监测方法，其特征在于，所述监测方法包括以下内容：
2.根据权利要求1所述的监测方法，其特征在于，所述复合卷积模块cgl1、复合卷积模块cgl2、复合卷积模块cgl3的结构相同，均包括一个卷积层、gn层和leakyrelu激活函数，三者的步长和卷积核大小不同，cgl1：k＝3，s＝1；cgl2：k＝3，s＝2；cgs3：k＝1，s＝1，其中k为卷积核大小，s为步长；
3.根据权利要求1所述的监测方法，其特征在于，在stylegan-t中所述生成器模块的结构为上采样、卷积块和五个残差块依次连接，生成后的数据一方面进入下层更高像素的生成器模块，生成后的数据另一方面会经由torgb模块将图像特征积累进入下一层，并与下一层特征结合；
4.一种基于多种深度学习的高层建筑施工安全监测系统，其特征在于，所述系统包括：
