Page 26 - 2023年第54卷第5期

图 ８ 未满足假设规律的卸料判断有误的结果

４ 结论

针对目前基于 ＧＮＳＳ进行施工机械活动识别成本较高且精度不高、缺乏基于机器视觉运输车卸料
识别研究的难题，提出了大场景视频监控大坝运输车 ＢｙｔｅＴｒａｃｋ － ＨＲＮｅｔ － ＤＣＬ卸料识别模型，取得的主
要成果如下：
（ １）提出了融合 ＢｙｔｅＴｒａｃｋ多目标跟踪、ＨＲＮｅｔ关键点检测和 ＤＣＬ细粒度分类并结合上下文推理识
别大场景视频监控下大坝运输车卸料的研究架构，为大坝施工机械活动识别提出了新思路。
（２）建立了大坝施工大场景监控视频运输车多目标跟踪数据集、运输车车头和车尾关键点检测数据
集和料斗抬升细粒度分类数据集，通过迁移学习，验证了 ＢｙｔｅＴｒａｃｋ（ＭＯＴＡ８７％，ＩＤＦ１９１．９％，ＦＰＳ４８）、
ＨＲＮｅｔ（ＰＣＫ８４．２％）和 ＤＣＬ（平均分类精度 ９７％）的有效性与准确性。
（３）以两河口施工现场测试视频数据进行验证，卸料判断准确率为 ８７．３％，卸料时间的识别精度
为 ９０．３％，表明了本研究的有效性和准确性。
本研究提出的方法不仅为大场景施工现场监控视频中的运输车卸料识别提供了解决方法，也对同
类工程的施工机械活动识别提供了新思路。

参 考 文 献：

［ １］ 杜荣祥．心墙堆石坝施工智能监控理论与应用研究［Ｄ］．天津：天津大学，２０１７．
［ ２］ 王佳俊，祁宁春，钟登华，等．高心墙堆石坝原 生 集 成 式 智 能 无 人 碾 压 系 统 研 发 及 应 用 ［Ｊ］．水 利 学 报，
２０２２，５３（１２）：１４２１ － １４３２．
［ ３］ 钟登华，时梦楠，崔博，等．大坝智能建设研究进展［Ｊ］．水利学报，２０１９，５０（１）：３８ － ５２，６１．
［ ４］ ＳＥＯＪ，ＨＡＮＳ，ＬＥＥＳ，ｅｔａｌ．Ｃｏｍｐｕｔｅｒｖｉｓｉｏｎｔｅｃｈｎｉｑｕｅｓｆｏｒｃｏｎｓｔｒｕｃｔｉｏｎｓａｆｅｔｙａｎｄｈｅａｌｔｈｍｏｎｉｔｏｒｉｎｇ［Ｊ］．Ａｄ
ｖａｎｃｅｄＥｎｇｉｎｅｅｒｉｎｇＩｎｆｏｒｍａｔｉｃｓ ，２０１５，２９（２）：２３９ － ２５１．
［ ５］ ＴＵＯＣＨＥＮＧＺ，ＪＩＡＪＵＮＷ，ＢＯＣ，ｅｔａｌ．Ｔｈｅｅｑｕｉｐｍｅｎｔｄｅｔｅｃｔｉｏｎａｎｄｌｏｃａｌｉｚａｔｉｏｎｏｆｌａｒｇｅ － ｓｃａｌｅｃｏｎｓｔｒｕｃｔｉｏｎ
ｊｏｂｓｉｔｅｂｙｆａｒ － ｆｉｅｌｄｃｏｎｓｔｒｕｃｔｉｏｎｓｕｒｖｅｉｌｌａｎｃｅｖｉｄｅｏｂａｓｅｄｏｎｉｍｐｒｏｖｉｎｇＹＯＬＯｖ３ａｎｄｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒｉｍｐｒｏｖｉｎｇ
ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ ［Ｊ］．ＣｏｎｓｔｒｕｃｔｉｏｎａｎｄＢｕｉｌｄｉｎｇＭａｔｅｒｉａｌｓ，２０２１，２９１：１２３２６８．
［ ６］ 康栋，张君，王佳 俊，等．高 心 墙 堆 石 坝 大 场 景 视 频 监 控 网 络 覆 盖 ＮＣＨＨＯ优 化 ［Ｊ］．水 力 发 电 学 报，
２０２２，４１（７）：４７ － ６０．
［ ７］ 牟舵，刘斌．大藤峡水利枢纽施工过程智能视频监控与应用［Ｊ］．水利信息化，２０２１（２）：６７ － ６９，９０．
［ ８］ ＦＡＮＧＷ，ＬＯＶＥＰＥＤ，ＬＵＯＨ，ｅｔａｌ．Ｃｏｍｐｕｔｅｒｖｉｓｉｏｎｆｏｒｂｅｈａｖｉｏｕｒ － ｂａｓｅｄｓａｆｅｔｙｉｎｃｏｎｓｔｒｕｃｔｉｏｎ：Ａ ｒｅｖｉｅｗ
ａｎｄｆｕｔｕｒｅｄｉｒｅｃｔｉｏｎｓ ［Ｊ］．ＡｄｖａｎｃｅｄＥｎｇｉｎｅｅｒｉｎｇＩｎｆｏｒｍａｔｉｃｓ，２０２０，４３：１００９８０．
［ ９］ ＬＵＯＨ，ＬＩＵＪ， ＦＡＮＧ Ｗ， ｅｔａｌ．Ｒｅａｌ － ｔｉｍｅｓｍａｒｔｖｉｄｅｏｓｕｒｖｅｉｌｌａｎｃｅｔｏｍａｎａｇｅｓａｆｅｔｙ： Ａ ｃａｓｅｓｔｕｄｙｏｆａ
ｔｒａｎｓｐｏｒｔｍｅｇａ － ｐｒｏｊｅｃｔ［Ｊ］．ＡｄｖａｎｃｅｄＥｎｇｉｎｅｅｒｉｎｇＩｎｆｏｒｍａｔｉｃｓ，２０２０，４５：１０１１００．

８
— ５ ２ —