Page 33 - 2024年第55卷第7期

数；Ｋ为归一化系数，计算如下：
Ｋ＝ ∑ ［ｍ（Ｂ）ｍ（Ｃ）］＝１－ ∑ ［ｍ（Ｂ）ｍ（Ｃ）］ （３）
１
２
１
２
Ｂ ∩Ｃ ≠ Ｂ ∩Ｃ＝ 
在本研究中，设 Ａ、Ａ、Ａ和 Ａ分别表示分级预警中判断为Ⅰ级预警、Ⅱ级预警、Ⅲ级预警和不
３
２
１
０
预警的证据命题，Ω ＝ ｛Ａ，Ａ，Ａ，Ａ｝；ｍ（Ａ）和 ｍ（Ａ）分别对应通过行驶接近时间模糊隶属度函
１
０
ｉ
２
ｉ
２
３
１
数和机械最大拥挤度模糊隶属度函数计算 Ａ预警结果的隶属度值，ｉ ∈｛０，１，２，３｝；ｍ ｍ （Ａ）即
ｉ １ ２ ｉ
表示融合上述指标隶属度结果后判断为 Ａ预警结果的概率分配值，计算如下式：
ｉ
１
ｍ  ｍ（Ａ） ＝ ｍ（Ａ）ｍ（Ａ）
ｉ
１
２
１
ｉ
ｉ
２
Ｋ
（ ４）
３
Ｋ＝ ∑ ［ｍ（Ａ）ｍ（Ａ）］
２
ｉ
ｉ
１
ｉ ＝０
最后，取融合后概率分配最大的 Ａ预警结果作为最终预警结果，即ａｒｇｍａｘ（ｍ ｍ（Ａ）），ｉ ∈｛０，
ｉ
１
ｉ
２
ｉ
１，２，３｝。当出现证据冲突时 ［３３］ ，为保证足够安全冗余，最终预警结果取两个指标对应隶属度最大
的预警结果中最高的预警等级。
４ 工程应用
以两河口高心墙堆石坝坝面大场景视频监控为研究对象，采集了多个不同日期的分辨率为 １９２０ ×
１０８０ 的视频片段来构建坝面施工机械轨迹预测数据集。其中，坝面主要出现的各类别施工机械平均同
时活动的数量统计如表 １所示，在同一坝面大场景视频监控画面中平均累计活动的施工机械多达 ３９
辆。通过迁移学习验证 Ｔｒａｊｅｃｔｒｏｎ ＋＋ 算法对坝面大场景视频监控中主要出现的施工机械在未来 ６ｓ内活
动轨迹预测的可行性和有效性。基于预测轨迹，使用模糊 － 证据融合方法确定预警结果，并在视频中
通过不同颜色的半透明目标框使其可视化，可视化结果能够有效地反映施工机械潜在碰撞风险的分级
预警，可用于指导施工管理人员管控现场施工安全。本研究的所有实验在配置为 ＩｎｔｅｌＸｅｏｎ（Ｒ）Ｇｏｌｄ
６１３２ＣＰＵ＠ ２．６０ＧＨｚ ，１２８Ｇ内存，２ × ＮＶＩＤＩＡＱｕａｄｒｏＧＶ１００显卡，系统环境为 Ｕｂｕｎｔｕ１６的工作站
上，使用 Ｐｙｔｈｏｎ语言和 ＰｙＴｏｒｃｈ深度学习框架完成计算。
４．１ Ｔｒａｊｅｃｔｒｏｎ ＋＋ 多施工机械轨迹预测结果
（１）数据集准备。针对坝面大场景视频监控的施工机械轨迹预测实验，共采集了 ３１个视频片段，
按每秒保留 ２帧图片进行拆帧，共计 １９２９５张图片用于制作施工机械轨迹预测数据集。基于前序工
作 ［６ － ７］ ，使用 ＤａｒｋＬａｂｅｌ工具对采集视频进行标注，以目标框中心点作为每辆施工机械的位置中心来提
取其行驶轨迹，制作相应标签，各类施工机械采集的轨迹位置记录数量如表 ２所示。其中，２０个视频
片段共计 １４５２７张图片的 ４６３８９４条施工机械轨迹位置信息组成训练集；５个视频片段共计 １１６４张图
片的 ３７３１８条施工机械轨迹位置信息组成验证集；６个视频片段共计 ３６０４张图片的 １１７３３８条施工机
械轨迹位置信息组成测试集。
表 １ 坝面各类施工机械在不同监控视频中 表 ２ 坝面各类施工机械轨迹位置
平均同时活动的数量统计 记录数量统计
施工机械 平均同时活动数量（辆） 施工机械 轨迹位置记录数量（条）
运输车 ８ 运输车 １４３８５５
碾压机 １２ 碾压机 １８７２０５
摊铺机 ５ 摊铺机 ９６６１２
挖掘机 ５ 挖掘机 ８５７６８
汽车 ７ 汽车 ８４６９９
装载机 ２ 装载机 ２０４１１

— ７ ８ ５ —