基于图像的地铁车站施工人员不安全行为识别研究

为了解决人工监测不能实时看护和及时管理地铁车站施工人员的不安全行为等问题,构建了基于KNN,MLP和LSTM模型的不安全行为识别神经网络模型。首先,通过行为理论研究和现场调查分析,对地铁车站施工不安全行为进行了分类;其次,通过实验构建人体数据集,基于人体骨骼关节点提取不安全行为特征,并进行模型训练;最后,基于MobileNet V1的SSD目标检测算法对施工人员进行定位和追踪,结合射线法判断目标是否跨越不安全区域并发出警报,搭建神经网络模型对施工人员的不安全行为进行识别,并获得计算识别率。结果表明：传统机器学习算法KNN总体准确率为93.45%,优化后的MLP和LSTM两种神经网络模型总体准确率分别达到93.94%和93.68%,相对KNN算法分别提高了0.49%和0.23%。因此所提模型能有效识别施工人员不安全行为,可为地铁施工安全智能识别技术应用提供参考。