基于DeepFlux 算法的建筑施工腳手架間距檢測

林鴻強， 陳文鏗， 黃宏安， 陳國棟， 黃明煒， 俞文龍， 林進潯， 熊海寧

（1 福州大學物理與信息工程學院， 福州 350108； 2 福建數博訊信息科技有限公司， 福州 350002；3 中鐵十七局集團第六工程有限公司， 福州 361009）

0 引 言

近幾年，國內建筑安全事故已成為關注熱點。研究可知，在施工現場的各種危險源中，高空作業是一個高危環節，腳手架的安裝操作如果并不規范就可能導致高空墜落等傷亡事故，因此施工安全管理必須高度重視這一風險的控制。 根據腳手架搭設作業安全要求［1］，單排腳手架立桿間距、步距應在1.5～1.8 m 之間、不應大于2 m，立桿橫距應在1.2 ～1.4 m之間；雙排腳手架立桿間距、步距應在1.5 ～1.8 m之間、且不應大于2 m，立桿橫距應在1.05 ～1.5 m之間。 傳統的腳手架檢測方法是通過人工測量來進行的，即需要人工攀爬腳手架，利用杖尺、皮尺和卡尺等工具來完成測量。 這種傳統落后的測量方式不僅低效，而且在測量過程中也在很大程度上增加了測量人員的安全隱患，因此采用計算機視覺來實現腳手架的安全規范檢測就具有非常重要的現實意義。

由于傳統的骨架提取算法不能直接從自然圖像中計算出物體的骨架信息，而且計算出來的骨架也不能滿足單像素寬度和連通性的要求。 針對上述問題，Wang 等學者［2］提出了一種新穎的上下文flux 來表示對象骨架，明確地表明了圖像像素與其最接近的骨骼點之間的關系。 還開發了DeepFlux 算法，該算法可以準確有效地檢測圖像中對象的骨架信息。實驗證明，該算法應用于腳手架的骨架提取可以達到非常好的效果，在此基礎上繼續對圖像進行處理，最終能精確計算出腳手架杠間間距，在腳手架的安全檢查中具有很高的使用價值。

1 骨架提取算法

1.1 DeepFlux 結構

DeepFlux 算法的網絡遵循文獻［3］的全卷積結構，如圖1 所示。 由圖1 可知，該結構主要由3 個模塊組成，分別是： 一個用于提取三維特征圖的主干網絡；一個空洞空間卷積金字塔池化（ASPP）模塊［4］，用于擴大感受野，同時避免過度下采樣；以及一個多階段特征融合模塊。

圖1 網絡架構Fig. 1 Network architecture

DeepFlux 算法采用VGG16 作為骨干網絡，使用空洞模塊的原因是需要一個寬廣的感受野：在提取骨架時，必須保證網絡的感受野比輸入圖像中物體部分的最大內側半徑寬。 VGG16 骨干網絡的感受野是196，對于大型對象來說不夠寬。 因此，采用ASPP 來捕捉多尺度信息。 具體來說，通過在骨干層的最后一層加入4 個具有3×3 核、但具有不同空洞率（2、4、8、16）的平行空洞卷積層，而后沿通道維度進行連接。通過這種方式，獲得了理論感受野大小為708 的特征圖，這對實驗的圖像來說是足夠大的。

為了構建輸入圖像的多尺度表示，通過融合了1×1 的核進行卷積后的來自Conv3、Conv4、Conv5 和ASPP 層的側輸出流的特征圖。 由于不同層次的特征圖具有不同的空間分辨率，在對其進行連接前將相應的大小調整為Conv3 的尺寸，然后在融合后的特征圖上進行預測，再上采樣到輸入圖像的維度。對于上采樣，使用雙線性插值的方法。 網絡的最終輸出為一個雙通道響應圖，其中包含對圖像中每個像素p的圖像上下文flux 的和坐標的預測。

1.2 算法改進

骨架提取算法初始的骨干網絡是采用VGG16作為特征提取網絡，試驗結果不理想，不能對腳手架圖像進行精確的骨架提取，而后續的計算誤差很大程度依賴于腳手架骨架提取的效果。 因此在原有特征提取網絡的基礎上對算法結構進行優化，使用InceptionV3、ResNet-50、Res2Net 等特征提取網絡作為骨架提取算法的骨干網絡進行訓練。

2 訓練策略

2.1 數據集與數據增強

數據增強［5］是提升算法檢測精度最有效的手段之一，隨機性擾動或者抖動已獲取的數據來獲取更多的訓練樣本，這種數據增強方式簡單且具有強大的功能。 對增強后的數據進行標記，腳手架提取模型訓練中的訓練集和測試集的數量見表1。

表1 腳手架骨架提取數據集Tab. 1 Scaffold skeleton data set

2.2 環境配置

本次實驗在Linux 的操作系統下完成，采用的IDE 為Pycharm，框架為pytorch。 硬件配置中，CPU為Inter Core I7-9700，GPU 為NVIDIA GeForce GTX 2080TI 11 GB，內存大小為16 GB。

2.3 環境配置

為了更加客觀地評價不同骨干網絡提取結果的準確性，將在設置相同的網絡參數、同一個數據集的前提下對不同骨干網絡進行訓練、測試，實驗比對結果如圖2 所示。 根據結果表明，將原算法的VGG16網絡替換為InceptionV3 網絡能提高腳手架圖像骨架識別的精確度。

圖2 不同網絡訓練結果Fig. 2 Results of different network training

3 實驗與分析

3.1 骨架提取結果分析

經過實驗比對，由圖2 可知，InceptionV3 特征網絡在腳手架的骨架提取上相比起原算法中的VGG16 等網絡，具有更高的精度，因此，將采用改進后的網絡對腳手架圖片進行骨架提取。

對測試集腳手架的圖像進行骨架識別，實驗結果如圖3 所示，基本上還原了腳手架的骨架結構。但是識別的骨架并不都呈一條直線，有些部位會出現些許線段移位。 因此，要對骨架提取的結果做進一步處理。

圖3 骨架提取效果Fig. 3 Skeleton extraction effect

3.2 間距計算

在3.1 節中根據改進后的骨架提取算法得到了腳手架骨架提取圖，本小節針對腳手架骨架提取圖像的特征提出了一種交點檢測算法，采用計算交點間距的方式來得到腳手架間距像素值，而后再使用像素標定的方法得到腳手架的真實間距值。

3.2.1 交點計算

為了得到腳手架交點信息，首先要對圖像進行二值化處理，防止誤識過多交點。 其次，對圖像進行膨脹腐蝕處理，接著計算每個像素的4 鄰域之和，將鄰域之和大于2 的像素點坐標保留。 最后，刪除重合點坐標，計算相鄰交點的歐式距離，就得到了腳手架的像素間距值d。 流程圖如圖4 所示。

3.2.2 像素標定

計算出像素間距d后，接著采用標靶法將像素間距d轉換為實際間距D。 像素間距d與實際間距D是正比關系，比例系數為k，單位為cm/pix。 假定圖像拍攝過程中圖像平面和參考的目標物之間盡量平行，經過多張圖片實驗，本次實驗結果中k的取值為50 cm/pix，最終實驗結果如圖5 所示，可以看出腳手架桿間間距相差不多，采用交點檢測方法也很好地避免了些許線段移位的影響。

3.2.3 效果與評價指標

為驗證檢測結果的準確性，將500 張計算機預測的結果圖片與對應的實際腳手架的長度進行誤差分析，結果見表2，計算出來的橫桿、立桿與實際長度的誤差在5%左右。

表2 計算誤差分析Tab. 2 Calculation error analysis

4 結束語

通過將DeepFlux 骨架提取算法中的特征提取網絡替換為InceptionV3，接著對腳手架骨架提取結果進行一系列圖像處理，實現了通過腳手架圖片來檢測腳手架的安裝規范。 實驗表明，采用骨架提取算法和進一步的圖形處理來代替傳統的腳手架人工檢測方法是可行的，并且誤差僅為5%左右，完全能夠做到代替人工測量，實現腳手架的安全規范檢測。雖然該實驗已經基本完成了研究目標，但該實驗圖像是建立在拍攝圖像與水平垂直的基礎上，如果拍攝的圖像較為傾斜，則腳手架的檢測效果可能就會與實際不符。 因此，為了對傾斜拍攝的腳手架圖片進行后續安全規范檢測，可以在圖像預處理階段對傾斜的圖片進行傾斜校正處理［6］。