摘要：基于图像识别技术对养护作业中的违规图像进行智能化处理，并与安全管控平台进行信息化衔接。研究表明，人工智能采集与管控技术的有效结合，可将违规作业的有效识别率提升至99%，为道路工程养护作业提供安全保障。
关键词：人工智能；图像识别技术；养护作业工程
0 引言
人工智能作为21世纪社会经济发展的引擎，推动着社会朝智能化和信息化发展。较之于传统安全管理中文字和语音管理，图片管理能够带来更多更准确的信息，因此，现阶段图像识别技术被广泛应用于各行各业，从人脸识别、车牌识别到高速公路路面裂缝坑槽识别，各种智能终端不断涌现，结合概率学、随机理论、小波分析、形态数学、粗糙度理论、神经网络理论及模糊理论的智能算法在海量数据的处理过程中更是得心应手。
Hyun-Chul Kim[1]等人通过建立PCA混合模型，并基于模型实现了字符的自动识别；Siti Norul Huda Sheikh Abdullah[2]通过算法实现了车牌识别系统中阈值的自适应问题，开创了自适应的新领域；Chien-Hsing Chou[3]等人通过原型分类的方法解决了在多模式下方案解决，通过该算法实现了图像识别中快速分类识别；陈强[4]等人提出一种结合Canny算子的图像二值化方法，通过相应的阈值处理手段获取二值化图像，避免了经典二值化图像直接采用的诸多缺点；马俊莉[5]等人在传统的模板匹配方法的基础上，通过对字符特征区域的扩大和加强注意设计了一种改进的模板并将该方法应用于沪宁高速公路收费口处实拍的车牌图像库中，其平均识别率达到 97.1%；吴一全[6-7]等人较全面地总结了50多种图像阈值选取方法，并把这些方法划分成十类，同时阐明了各方法的基本思想、适用范围及其优缺点，给出了相应的一些计算公式，指出了对各方法性能进行定量评估所面临的问题；郑列[8]等人基于图像灰色模型理论及算法实现了路面图像的裂缝坑槽的识别，在高速公路维修养护中的应用价值很高。
而在养护工程安全施工领域中，基于人工智能的图像识别技术还未见应用，鉴于此，本文对道路养护作业过程中的安全违章问题开展针对性研究，获得了反光背心穿戴及车辆违规穿越的图像识别技术，该技术可为道路养护作业管理提供智能安全支撑。
1图像识别技术的实现过程
在运用图像处理技术处理图像时，人工智能其实与人的处理方法相似，且图像处理技术的运用形式也是与计算机大致相同。实际操作过程中人工智能图像识别采取以下方式进行。第一，信息数据获取。在计算机处理图像中，首先需要获取信息，然后将获取的信息转化成计算机语言在计算机中进行传播，再调用相关的程序和工具对信息进行处理。主要表现为通过传感器把各种特殊信号转换为电信号，之后从中获取所需的信息和数据，但在图像识别技术获取的信息属于图像的特殊数据，这些数据必须能够区分图形之间的差距。第二，信息数据预处理。对图像的存储实现之后就可以调用图片对图片进行简单的处理，将图片的重要信息做锐化处理，使图片信息更加突出。这一阶段主要是对图像进行平滑、变换等处理，目的是突出图像本身的重要信息。第三，特征抽取与选择。这是图像识别技术的关键内容，特别是在识别模式中，其实际操作要求更高。通过提取图片的相关信息，针对人们选择的关键词和需求对图片进行进一步的加工处理。第四，分类器设计与分类决策。这是图像识别的最后一个步骤，该环节主要根据操作程序制定识别规则，并按照某种标准对图像进行识别，而不是盲目混乱的进行识别，借此识别规律能够将相似的特征种类凸显，提升图像处理的辨识度，从而提升图像评价的效率，进而完成图像的评价和确认。在计算机中，处理图片信息的软件和方法是非常多的，人们可以根据自己的需要来选择处理的工具和方法，同时也可以随意选择图片的区域和特征进行处理。在计算机的发展中，最突出的图片处理应该是PS，这是在图片处理软件中发展比较快速和稳定的软件，也具有非常大的发展前景，在PS处理图片中，可以对图片进行任意的操作，只要选中处理区域后基本上就可以对图片进行相关的操作了。那么人工智能中的图像处理技术的处理过程跟方法跟计算机的处理过程方法是非常相似的，人工智能中的图像处理技术也需要先存在图片才能对图片进行后续工作。不同的是人工智能中的图像处理技术相比于计算机的处理方法更加智能化，对于技术实现来说人工智能中的图像处理技术更加方便，操作更加省心和更加简单。相信在科技发展的后期，人工智能中的图像处理技术会发展成更适合大众使用的一项处理技术，改变计算机图像处理的复杂性，并且还能够实现同样的多功能性，这对我们日常的应用也是非常方便的。所以综合分析人工智能中的图像处理技术将会是继传统图像处理技术之后的更好的识别技术。
2 图像识别技术在道路掩护安全作业中的应用
2.1 反光背心穿戴检测识别应用
在路桥养护等施工作业中，为安全起见施工人员必须正确穿戴反光背心，尤其是使用中的高速公路夜间抢修施工作业，反光背心更是保障工程人员安全的重要手段。反光背心由于其特殊材质的构成，使其在无论弱光或者强光的照射下，均能充分地反射光线，给周边人员予以警示作用。
然而在实际场景中，部分施工人员由于忽视反光背心的作用，对反光背心的穿戴具有消极情绪，常常不穿戴或者不正确反光背心，在作业过程中就存在着重大的安全隐患。
基于深度学习技术的反光背心穿戴检测系统能够有效检测施工人员是否穿戴反光背心，对于未穿戴反光背心人员，能够及时发现并及时报警。基于此技术的人工智能识别系统实现了以下功能：
功能一：识别未穿戴反光背心人员，并发出语音警报。
图1 未穿戴反光背心示意图
.png)
图2 未正确穿戴反光背心示意图
应用场景如图1所示，对于正确穿戴反光背心的施工人员，系统不予处理，而对于未穿戴反光背心人员（图1），或者未正确穿戴反光背心人员（图2），系统会进行抓拍，并将违规人员进行标记（图中红色框，框中左上角为可信度）。同时，激活语音报警系统，提醒该员工正确穿戴反光背心。
功能二：将违规图片进行自动抓拍上传管理系统，供管理员查看。
该系统除了现场抓拍和语音报警功能外，还能通过通信网将违规图片进行自动上传。上传的图片可供项目管理员在手机端APP进行查看，也可登录电脑端的管理平台中进行查看。
管理系统可实现违规作业图像实时上传，一般情况下系统每隔10秒进行实时检测，也可根据用户需求自行设置。一旦检测出违规照片，智能摄像头便立即启动抓拍、取证并上传至安全管理系统。
经充分试验及现场应用测试，该系统检测准确率为99.56%，适应于任何复杂环境，极大降低了反光背心穿戴安全管理的人工成本，提高了安全生产效率以及员工的安全绩效。
2.2 车辆违规侵入隔离区识别应用
在一般道路施工或者道路抢修过程中，施工人员不可避免的在川流不息的车流中作业。此作业环境极其危险，然而，许多作业单位往往忽视作业人员安全，在施工现场仅简单安放几个临时锥标和警示牌，提示前方道路正在施工，此类方法虽有一定警示作用，但还是具有相当大的局限性。当过路司机由于路况不熟悉或者粗心大意而忽略了隔离锥标，或者由于人为因素和环境因素导致地标未按正确位置摆放时，行驶车辆会往往会驶入养护施工封闭区域，直接给施工人员人身安全造成威胁。如果施工区域为高速公路，行驶车速较快，将会造成更严重的伤亡事故。
研究表明，如果在外来车辆驶入施工区域的时候，能快速准确的自动识别这种情况，并及时提醒有关施工人员，使其有足够的反应时间对当前情况做出反应，那么一些事故与伤亡就能有效地避免。因此，如何给对施工中外界环境的自动风险识别与提示是降低养护事故伤亡率的重要手段。
车辆侵入隔离区识别系统基于深度学习的图像处理技术，对违规进入隔离区的车辆能有效识别并进行报警。该系统通过边缘计算智能图像识别设备，实现隔离区域车辆侵入的准确发现与判别。系统主要有如下两大功能：
功能一：识别驶入隔离区车辆，并发出语音报警。
.png)
图3 车辆侵入识别示意图
图3结果表明，绿色大型货车违规进入了锥标隔离的安全区域内，智能设备成功地将货车进行识别及图像抓取，中红色框内为货车精确位置，红色框左上角数字为可信度，即车辆侵入隔离区识别的AI系统有99%的把握认为是一辆车驶入了安全隔离区域。
智能设备除了识别与抓拍功能，还可根据需要嵌入语音报警和警示灯报警等危险提示功能。对于发现违规的车辆，会第一时间进行语音报警，并且会同时闪烁警示灯，提醒现场施工人员注意观测周边环境。
功能二：上传抓拍图像至安全管理系统，便于现场施工安全管理。
设备抓取的图片会直接与安全管控系统链接，实时上传至安全管理相关的应用服务器。项目部管理人员可在办公室内的大屏幕和移动端的APP上查看到实时抓取的违章信息图片，系统管理可实现任意时段违规查看，可追溯性强。通过查看抓取的违章车辆图片，及时了解现场施工过程中的危险源状态，并根据安全状态做出相应的调整，降低潜在事故的风险，提高项目施工过程的安全绩效。
3结语
人工智能技术的广泛应用给各个领域带来翻天覆地的变化，在工程施工的,安全与质量方面应用更是日趋完善。在道路养护工程中，施工作业环境相较其他施工区域而言复杂性、危险性更强，研究表明采用人工智能图像识别技术应用于施工安全作业中，有效识别率、准确率可达99%，很好了满足了安全管控需求。同时，图像识别技术可实现安全违规图像上传，通过上传图像实现了违规问题的可追溯性，可起到很好的震慑作用，增加施工人员的安全防护意识。除此之外，养护作业安全管理系统还可实现信息反馈，将识别出的违规违章问题及时传送到人，大大增加了施工现场的安全管控效率。
通过研究发现，基于图像识别的人工智能养护安全管控准确度高、效率快、范围大，信息处理及时，可有效替代人工安全作业管理。
参考文献：
[1] Hyun-Chul Kim , Daijin Kim , Sung Yang Bang .A numeral character recognition using the PCA mixture model[J].Pattern Recognition Letters, 2002, Vol.23 (1-3), 103-111.
[2] Siti Norul Huda Sheikh Abdullah , Khairuddin Omar , Abbas Salimi Zaini. Determining adaptive thresholds for image segmentation for a license plate recognition system[J].International Journal of Advanced Computer Science and Applications, 2016, Vol.7 (6)
[3] Chien-Hsing Chou , Chin-Chin Lin , Ying-Ho Liu.A prototype classification method and its use in a hybrid solution for multiclass pattern recognition[J].Pattern Recognition, 2006, Vol.39 (4), 624-634.
[4] 陈强,朱立新,夏德深.结合Canny算子的图像二值化[J].计算机辅助设计与图形学学报,2005(06):1302-1306.
[5] 马俊莉,莫玉龙,王明祥.一种基于改进模板匹配的车牌字符识别方法[J].小型微型计算机系统,2003(09):1670-1672.
[6] 吴一全,朱兆达.图像处理中阈值选取方法30年(1962—1992)的进展(一)[J].数据采集与处理,1993(04):268-282.
[7] 吴一全,朱兆达.图像处理中阈值选取方法30年(1962—1992)的进展(二)[J].数据采集与处理,1993(03):193-201.
[8] 郑列,李刚.图像灰色模型理论与算法[M].北京:科学出版社.