机电配套工程施工自动化巡检技术研究

引言：在机电配套工程施工现场，巡检是一项必不可少的工作。传统情况下，现场巡检由相应工作人员负责，但由于人力资源有限，再加上时间、体力、主观性等因素的限制，巡检结果的全面性、客观性与实时性难以保证，使施工质量及安全受到一定的影响。近年随着人工智能技术的发展，现场巡检工作中引入该项技术，建立自动化巡检机制，实现实时且全面地监管施工现场，保障施工安全，并提高施工质量。

1 机电配套工程施工现场巡检的目的

机电配套工程施工期间，施工质量与安全的保障至关重要，而巡检作为有效的保障方法之一，广受业界关注。巡检工作及时、准确开展情况下，可将存在的施工问题及早发现，并针对性地实施处理，确保施工符合要求。

在机电配套工程施工现场，主要需巡检以下内容，一是施工场地，巡检人员应详细检查施工围挡、现场道路交通、紧急出口等情况，避免安全隐患的存在，提高场地的安全性；二是施工材料和设备，包含材料数量、材料质量、设备性能等；三是施工工艺及质量，巡检人员应关注施工的规范性、施工技术的适合性、施工工序的准确性等，确保各环节的质量与相应规定符合；四是环境保护，现场施工期间，巡检人员要对各种环境保护措施密切关注，尽可能减轻施工影响环境的程度[2]。

通过对上述内容的巡检，巡检人员能将施工过程存在的各种问题及时发现，并对工序、资源等做出合理的调整，确保施工顺利进行，同时进一步地提高施工质量，保障所有施工人员的安全。

2 机电配套工程施工的自动巡检技术

机电配套工程施工时，基于传统人工巡检的弊端，应积极运用相应的技术构建自动巡检技术，促进巡检效果提升，保障施工质量及安全。在人工智能领域，卷积神经网络（CNN）属于新兴技术，其关系建模与数据处理能力非常强大，能够有力地支撑数据分析与决策。本节利用 CNN 技术建立 CNN 模型，分析自动化巡检的效果，并据此完成智能化巡检路线和策略的生成。

2.1 选择监测内容

根据现场巡检内容，结合计算机视觉图像处理特点，以一些代表性较强的巡检内容作为监测内容，如安全帽是否有效佩戴、施工操作是否规范、警示标识和围栏是否设置等。选择后，将监测内容输入到 CNN 模型中。

2.2 精度评价指标

评估 CNN 模型性能时，采用准确度、精确度及召回率作为关键指标。准确度计算公式为正确分类样本量/样本总量，计算结果越高，说明 CNN模型的分类能力越强，可准确地判断操作行为是否具备危险性。精确度计算公式为阳性样本的实际数量/预测数量，其数值越高，表示 CNN 模型的预测准确性越高。召回率指实际阳性样本中正确识别为阳性的样本所占的比例，占比越高，说明 CNN 模型的准确识别能力越强，有助于保障施工现场安全。

2.3CNN 超参数确定

对于 CNN 模型来说，超参数的设定会显著的影响其精度，例如，输入图像不同情况下，为让输出规格相同，需进行图像像素的压缩，使像素达到特定值，而输入数据有较高的分辨率时，虽能提升性能，但却会导致训练时间延长；在优化算法中，学习率决定了更新网络权重的具体幅度，如果学习率过大，参数会来回的振荡在最优解两侧，造成模型稳定收敛难以实现；网络提取图像特征时，卷积核大小对其空间范围有决定性的作用，卷积核如较小，图像特征的捕捉完整度不足，若较大，计算复杂度可能升高，且不必要的噪声会被引入[2]。参照既往施工经验，结合相关研究成果，本节设计的超参数如下：输入数据像素为 96×96 ，学习率 0.001，卷积核 3×3 且个数为 128。此外，迭代次数也会一定地影响 CNN 模型精度，经分析发现，迭代次数增加过程中，准确率会随之升高，但当达到 60 次，训练数据与测试数据的准确率基本相同，故本节以 60 次作为迭代次数。

2.4 模型预测精度分析

逐步增加训练数据量情况下，稳步地提高 CNN 模型的准确率。具体来看，训练数据量处于 280-750 之间时，呈现出特别显著的准确率提升幅度，这说明数据新增后，模型所学习到的关键信息量非常大；当达到 1500，准确率虽有提高，但幅度趋于稳定，说明尽管数据量继续增加后能够一定的增强模型预测性能，不过仅有有限的准确率提升幅度，明显降低边际效益。因此，为 CNN 模型的准确率较高，可采用 1500 作为训练样本量。随后，利用 CNN 模型识别施工现场的操作行为，结果显示，识别危险操作行为的准确度 0.972、精确度 0.921、召回率 0.933，提示 CNN 模型的准确率及预测性能都处于较高状态，可将潜在危险行为有效地识别出来，保障机电施工现场安全。

结束语：机电配套工程施工时，现场环境非常复杂，潜在的危险因素较多，需加强巡检工作，有效地保障施工质量及安全。在人工智能时代，现场巡检可基于 CNN 构建自动化巡检技术，实现实时的监控施工过程，准确的、及时地识别出施工现场的危险因素，使施工企业能有效地采取相应的预防和处理措施，降低危险因素的影响，保障施工的安全性，并有效提高施工质量。

参考文献：

[1]杨炯. 多旋翼无人机自动化巡检系统实时自动避障技术 [J]. 机械设计与制造工程, 2024, 53 (04): 51-55.

[2]高志越,方雪琴,符方权. 大数据平台的自动化运维与自动巡检技术分析 [J]. 信息与电脑(理论版), 2023, 35 (24): 40-42.