通过施工现场理解提升工人安全与进度监控

计算机视觉研究的一个重要组成部分是目标检测。近年来，施工现场图像的研究取得了巨大进展。然而，施工目标检测存在明显问题，包括复杂背景、尺寸多变的物体以及成像质量差。在最先进的方法中，精细的注意力机制被开发用于处理时空特征，但很少解决通道级特征调整的重要性。我们提出了一种轻量级的优化定位（OP）模块，基于全局特征亲和关联来改进通道关系，可用于为每个通道自适应地确定优化权重。OP首先通过将每个通道与给定的一组特征图中的其余通道进行比较来计算中间优化位置。然后，所有通道的加权聚合将被用于表示每个通道。OP-Net模块是一个通用的深度神经网络模块，可插入任何深度神经网络中。利用深度学习的算法已证明其能够从图像中近乎实时地识别广泛物体。机器智能有潜力通过关联施工现场图像的算法自动分析生产率和监控安全，从而使建筑行业受益。在危险预防方面，现场自动监控的好处是巨大的。一旦正确识别出施工物体，施工监控任务也可实现自动化。我们在施工现场图像上的目标检测任务进行了广泛实验，以证明其功效和有效性。使用SODA的基准测试表明，我们的OP-Net在保持合理计算开销的同时，能够在准确率上达到新的SOTA性能。