基于计算机视觉和本体模型构建知识图谱的不安全作业识别

摘要

【目的】随着电力工程的快速发展，施工现场的安全问题日益突出，而传统的人工检查方法耗时且易出错。近年来，计算机视觉、深度学习与知识图谱技术的发展为不安全作业行为的自动识别提供了新可能。然而，现有计算机视觉方法在小目标检测方面仍存在不足，同时缺乏适用于不安全作业推理的高质量数据库。为此，本文结合知识图谱、本体模型、图形数据库和计算机视觉，通过实体检测、场景分析及空间关系推理，并引入改进的自注意力机制提升小目标检测能力，以精准识别施工现场的不安全作业行为。【方法】所提出的方法主要包括本体模型构建、知识抽取和知识推理。首先，基于工程文件、历史事故报告、安全作业隐患报告等构建施工安全本体模型，将信息划分为实体、属性、时间、空间、事件和属性值这6个类别，以规范知识表达。其次，利用计算机视觉方法检测作业实体及其属性，并提取实体间的空间关系，采用Mask R-CNN进行目标检测，并结合改进的自注意力机制提升小目标检测精度，从而优化模型性能并降低计算复杂度。最后，使用Neo 4j图形数据库存储实体及其关系，并基于数据库查询自动识别不安全作业行为，实现施工安全知识的结构化推理，提高不安全作业识别的智能化水平。【结果】以某电力工程施工现场为背景，选取了6种可能引起高空坠落的不安全作业行为进行仿真实验。实验结果表明，本文方法在识别精度和训练效率上均优于现有方法，尤其在小目标检测方面，改进模型展现了更高的识别精度。此外，通过特征金字塔网络和统一感知解析方法进行场景分割，显著提升了模型的场景理解能力。基于Neo 4j图形数据库的知识推理方法有效整合了实体属性与空间关系，提高了不安全作业识别的自动化程度。【结论】本文方法可在复杂施工场景下精准检测不安全作业行为，提高施工现场安全管理的智能化水平。创新点主要包括：结合计算机视觉与本体模型，提高施工安全管理的自动化程度；通过修改卷积核并引入全局最大池化层优化自注意力机制，提升Mask R-CNN网络的小目标检测能力；引入图形数据库Neo 4j,实现施工安全知识的结构化存储与推理。研究成果为施工现场不安全作业行为的自动识别提供了一种高效、可扩展的解决方案。

关键词

知识图谱 / 本体模型 / 计算机视觉 / 自注意力机制 / 小目标检测 / 不安全作业行为 / 图形数据库