基于计算机视觉的工业厂区人员安全警戒系统

顾成伟，丁 勇，李登华

（1.南京理工大学理学院，江苏 南京 210094; 2.南京水利科学研究院，江苏 南京 210024）

0 引 言

工业厂区中起重机械在提高生产效率与产量的同时，由于其设备本身存在高度大、覆盖面广、吊装物品种类繁多、操作盲区多等安全隐患，每年工业厂区中由起重机械引起的安全事故居高不下，对起重机械的安全管理，以保障工作人员安全和避免安全事故是厂区企业安全工作中的重中之重［1-2］。传统的起重机械作业安全管理主要是靠闪光信号、地面指导人员指挥等方式，由于其信号单一、过多依赖人眼观测等缺陷在保证人员安全上仍有不足［3］。伴随着人工智能和图像识别技术的不断发展给起重机械安全管理提供了更多的技术支撑和思路，图像识别技术是人工智能研究的一个重要分支，其利用计算机对图像进行处理、分解，以识别图像中各种信息数据的技术。目前图像识别技术应用已十分广泛，例如人脸识别、指纹识别、车牌识别、无人驾驶等［4］。自CNN 深度学习技术以提出以来，图像识别技术又迈入了新的高度，利用与人类神经网络相似的卷积神经网络训练图像，对图像样本特征进行深层次的学习，大大提高了图像识别精度与速率，基于深度学习的图像识别技术在智能监测领域广泛地被运用［5-6］。

针对起重机械安全事故频发以及现有的相关安全管理技术上的不足，本文提出一种基于计算机视觉的工业厂区人员安全警戒系统。该系统可以通过目标检测算法自动识别作业区域内人员目标并分析输出相应控制指令，实现起重机械自动警戒控制，最后通过现场搭建系统进行测试相关性能来验证该系统的可行性及稳定性。

1 系统构成与基本原理

基于计算机视觉的工业厂区人员安全警戒系统（以下简称“警戒系统”）是利用计算机视觉中的目标检测算法对采集到的起重机械作业范围内的监控视频进行人员目标检测，得到人员信息数据并根据数据分析结果自动控制起重机械进行减速或刹停的操作，保证作业范围人员的安全。

警戒系统主要由视频采集、图像计算、数据分析和控制输出4个模块［7-8］构成。

1）视频采集模块采用的是海康威视Smart26型号摄像机，视频输出格式是H.264，分辨率是1920×1080，并安装在起重机械大车横梁的4 个角点位置实时采集作业范围内人员监控视频。

2）图像计算模块是以NVIDIA Jetson TW-T506计算平台为核心部件（以下简称“计算平台”）以及工业路由器、硬盘录像机等辅助硬件组成，计算平台内置Xavier 模块并具备21 TOPS 浮点运算的AI 处理能力，可以部署运行目标检测算法，对现场作业人员进行检测处理。

3）数据分析模块采用的是MCGS1071Gt 型号智能物联网嵌入式触摸屏，可以进行TCP/IP 通讯以及物联网串口通讯，并且内置诸多当下使用较为频繁的物联网模块设备驱动，可以与编码器、modbus 扬声器以及西门子PLC等硬件进行数据交互和操作控制。

4）控制输出模块是由SIMATIC S7-1200 型可编程控制器（以下简称“PLC”）以及与起重机械各个档位电路相连的继电模块组成，继电模块中的继电器与PLC 中的DQ 信号点相连组成闭合回路。PLC 根据接收到的控制指令改变DQ信号点触点的开合状态控制继电模块的吸合与断开，继而通过继电模块控制相应档位的断合，实现起重机械的自动安全警戒控制。

由4个模块构成的警戒系统的运行流程如图1所示。首先是对现场作业人员监控视频数据进行采集并输入计算平台进行目标检测运算得到人员的类别、数量、位置等数据结果。该数据结果通过协议通道传输到数据分析模块触摸屏中。此外计算平台还会将含有人员检测结果的图像重新编译成视频并通过rtsp 格式取流链接在触摸屏窗口实时显示并播报相应语音警报提示［9］。然后人员数据结果经触摸屏分析处理后会向控制输出模块发出控制指令，PLC 根据指令通过对继电模块的控制间接控制起重机械相应档位的开合，最终实现起重机械针对作业人员的自动安全警戒控制［10-11］。

图1 警戒系统构成与运行流程图

2 算法改进

2.1 嵌入注意力模块

针对工业厂区起重机械作业特点，警戒系统要求人员检测算法需快速检测运算得到结果数据并输出相应控制命令，因此警戒系统中的目标检测算法选取了计算量小、识别速率较快的一阶段目标识别网络中的YOLOv5 作 为 基 础 框 架［12］。YOLOv5 网 络 结 合NVIDIA 计算核心硬件中搭载的TensorRT 优化模块可快速实时识别监控视频中的人员目标，在快速识别的同时快速做出相应的控制操作［13-14］。

本文所采用的YOLOv5 网络算法结构中大量运用卷积操作，多次卷积的目的主要有2 个，一方面是不断地提取图像中的深层特征，另一方面是减少模型的计算量，使得到的特征信息更加精简。但是实现这2 个目的的同时，也会带来一些问题，通过深层次的卷积得到的特征图尺度会越来越小，此时图像样本就很容易损失某些特征信息，尤其是图像中的小目标特征进过多层次的卷积更容易产生特征的丢失现象。本文警戒系统采集到的图像样本中人员占整个图像比例较小，属于小目标类别，因此人员目标存在特征丢失问题［15］。针对这个问题，本文在警戒系统目标检测算法中采用嵌入注意力机制模块的方法提升算法对图像中主要目标的提取，保留关键感兴趣目标特征。考虑到单张图像中不单单存在一个人员目标，因此在注意力集中上不仅仅需要考虑通道的角度也需要空间角度，最后选取基于空间和通到融合注意力机制的CBAM 模块。该模块是轻量级的通用模块，可以忽略该模块的开销而将其集成到YOLOv5s 网络架构中，并且可以与网络一起进行端到端的训练。最后本文嵌入模块的位置分别是在Backbone 结构BottleneckCSP 模块的残差网络中add 操作后和在Neck 结构BottleneckCSP 模块的集成卷积模块CONV 的最后处理步骤中［16-17］。

图2 为CBAM 模块的整个处理流程，该模块先经过通道注意力模块的处理，然后将通道注意力模块的输出结果经过空间注意力模块处理，得到最终的输出特征权值［18］。CBAM 模块的通道注意力模块如图2上半部分所示，输入的特征图分别经过基于width 和height 的全局最大池化和全局平均池化操作，处理结果经过共享全连接层后再通过Elementwise 加和和Sigmoid 激活操作后生成最终的通道注意力权值。如图2 下半部分所示，生成的通道注意力权值和输入特征进行Elementwise 乘法生成空间注意力模块的输入特征，在空间注意力模块处理中，首先对输入特征作基于通道的全局最大池化和全局平均池化，并将2 个结果进行基于通道的concat融合，融合后的特征经过卷积处理降维为1 个通道，然后经过Sigmoid 激活生成空间注意力权值，最后将权值与输入特征做乘法就得到CBAM模块最终的输出特征［19-20］。

图2 CBAM注意力机制模块处理流程图

2.2 引入人员跟踪算法

通过对工业厂区内作业环境的考察发现，厂区起重机械吊装作业多为大体积平面钢材等大体积材料，作业周边人员遮挡情况存在较多，在吊装大体积物件时存在因人员遮挡而导致无检测结果生成的情形。针对这些问题本文引入基于SORT 的人员跟踪算法预测人员位置，在遮挡情形中根据预测结果与检测结果修正融合得到最优的检测结果，避免人员因被遮挡漏检而导致起重机械的自动安全警戒控制被错误中断［21-22］。

基于SORT 的人员跟踪算法处理流程如图3 所示。算法将人员目标的检测结果和跟踪预测进行匹配，然后根据匹配结果进行不同的处理，其中匹配结果分为3 种类型：Matched Tracks、Unmatched Detections 和Unmatched Tracks。针对这3 种结果处理方式如下［23-24］：

图3 人员跟踪算法处理流程图

1）Matched Tracks。

匹配成功的track 和detection 结果进行融合更新得到最优的人员检测结果作为最终输出，同时通过该最优结果不断更新跟踪算法中的Klaman滤波参数。

2）Unmatched Detections。

未匹配成功的detection 作为新的初始跟踪目标，并将该检测结果作为此目标初始帧跟踪结果输入到跟踪序列数据中。

3）Unmatched Tracks。

未匹配成功的track 分为确认状态和不确认状态2 种处理方式。确认状态下未匹配成功的track 根据最大寿命值max_age 阈值进行判断，超过则认为目标长时间消失，删除此track 结果，未超过则认为目标存在短暂消失的被遮挡场景，未检测到目标，则将track作为最终检测结果并输出；不确认状态下未匹配成功的track直接进行删除处理［25］。

本文目标检测算法以YOLOv5 网络为基础，并针对实际运用过程中遇到的小目标人员特征易丢失和人员被遮挡时易漏检问题分别采用嵌入注意力机制模块和引入人员跟踪算法进行改进，最终改进后的目标检测算法整体框架如图4 所示。输入图像经过改进的YOLOv5 算法网络后，生成检测到的人员目标信息和边框信息即人员检测结果。与此同时图像经过跟踪算法也生成了对应的跟踪预测结果，然后2个结果进行互相匹配更新融合生成最优的人员检测结果并输出。

图4 本文目标检测算法框架图

3 实验结果与分析

3.1 数据集建立与优化

为了提高人员识别算法中权重模型的识别效率与鲁棒性能，网络训练过程中采用的图像数据集均通过工业厂区人员实际作业监控视频数据采集得到，视频经抽帧得到人员图像并自动标注生成xml 文件，该方法采集建立的数据集可以有效提高模型权重的识别效率和降低车间复杂环境带来的误识别可能性。

如图5 所示，本文图像样本标注过程中采取的是人工标注与自动标注相结合的方法，其处理流程为：1）对现场监控视频抽帧采集得到待标注图像；2）对图像进行分组，按比例分为1/5 图像样本和4/5 图像样本，其中1/5 图像样本采用用人工标注方法仔细准确地标注人员位置，并将标注好的图像样本通过本文改进后的YOLOv5 算法训练得到预检测模型，由于这部分的数据集数量较少，且数据也未经过优化处理，因此将该模型称之为预检测模型，只用于图像标注过程中，后期不断训练迭代得到质量优越的模型后将更新替换；3）剩余的4/5 图像样本通过预检测模型进行人员检测，检测结果通过标注工具算法自动转化成标注文件；4）将人工标注和自动生成的标注数据集整合并对其中不合理的标注数据进行自动剔除处理；5）经过剔除处理剩余的图像样本再经过人工的复核微调后，即可完成对全部图像数据集的检测框标注工作，此方法在保证标注合格准确的基础上通过结合自动标注、数据自动剔除等方法提高了传统标注工作的效率［26］。

图5 图像样本标注流程图

图5 中自动剔除处理是针对标注文件中出现的错误标签xml 文件的处理，根据标签数据逻辑关系自动剔除错误标注文件及图像样本。自动剔除处理准则如下［27］：

1）剔除无人员存在的样本。

视频数据经过抽帧得到的图像中可能无人员存在，此时根据xml 文件中无object 数据原则自动剔除相对应的图像和xml文件。

2）剔除图像尺寸错误的样本。

现场监控视频通过抽帧方法得到的图像数据集过程中可能存在图像尺寸数据错误情形，此时xml 文件中图像size 数据中会存在weight 或height 小于0 的异常情况，若是存在weight 或height 小于0 即判定图像尺寸数据异常，将此图像以及相应的标注文件自动剔除。

3）剔除box尺寸错误的数据。

根据xml 文件中bbox 的xmin、xmax、ymin、ymax数据逻辑关系，当出现min 大于max 或max 大于图像height、weight 以及x或y小于0 等异常数据值时，则将其判定为异常bbox 数据，并将图像目录自动输出进行人工复核，将异常标记框微调或者删除。

本文针对自建数据集还采用一些方法对其进行结构优化，优化方法如下：

1）数据集数据均衡。

图像数据中各个类别的占比数量通常是不均衡的，存在某类别偏多，某类别偏少，这样的数据集训练时得到的模型权重会由于存在数据不均衡的情况而影响模型识别效率。针对数据集中数据不均衡的情况，本文采用基于Label Shuffling 的数据增广方法进行数据集类别数量的均衡，优化数据集。

2）数据集数据增强。

针对在有限数量图像数据集情况下可能产生的图像训练过拟合现像，以及为了提高模型泛化能力和鲁棒性，在原数据集中采用数据增强的方法产生更多的特征，使得训练更全面深入从而优化得到的模型权重，提高识别效率。本文采用的方法包括图像翻转方法，分为水平翻转和垂直翻转；图像旋转方法，依次将原图进行顺时针90°旋转，丰富图像数据集；比例缩放方法，依次将图像向外缩放20%；Mosaic数据增强方法，将原图进行翻转、旋转等变换后重新生成一张图像。

3.2 实验结果分析

本文基于YOLOv5 算法进行了相关改进，为了验证改进前后算法在本文数据集中的检测性能是否得到提升，特将YOLOv5 算法与本文改进后的YOLOv5算法在自建数据集上的检测结果进行对比分析。

对比过程中采用的训练数据集和训练环境均一致，数据集样本共计27564 张，含有79532 个标记框，按照6：2：2 比例划分训练集、验证集和测试集进行训练。训练的服务器为buntu18.04 系统、i5-12600K 型号CPU 以及NVIDIA RTX3060（12 GB）型号GPU 进行训练。

目标检测算法常用的评价指标主要是精确度Precision、召回率Recall 以及平均精度mAP 等。YOLOv5网络在训练结果中会自动生成各个训练阶段的Precision、Recall 及mAP 等指标的结果统计图。YOLOv5 改进前后的精确度与召回率随训练批次的收敛曲线如图6 所示，图中横坐标表示训练批次数，纵坐标标表示Precision 和Recall 对应的结果值，图6（a）、图6（b）是原YOLOv5 算法的收敛曲线，图6（c）、图6（d）是本文改进后的YOLOv5 算法的收敛曲线。图中精确度和召回率随着训练批次的增加，结果值逐渐收敛，可看出YOLOv5 算法与本文改进的YOLOv5 算法的Precision 和Recall 结果值均在100 个批次左右逐步达到收敛状态，之后的结果数值只是在小范围内浮动。

图6 YOLOv5和改进YOLOv5算法的PR指标收敛曲线图

YOLOv5 算法改进前后训练结果中各个评价指标结果对比如表1所示。本文改进后的YOLOv5目标检测算法较原YOLOv5 算法的精确度、召回率及平均精度上均有所提高。改进后算法的精确度提高了2.85个百分点，召回率方面提高了2.786个百分点，在IOU阈值为0.5的mAP结果上提高了3.414个百分点。最后对比了2 种算法的处理速度，改进后的YOLOv5算法的速度指标FPS 略微下降了2 个数值左右，但结合本文警戒系统在现场运行情况分析，其处理速度在25 FPS 以上即可满足实时检测运算需求，因此改进后的YOLOv5 算法在检测速度上已满足要求。总的来说，结合检测精度与检测速度2 个方面对比来看，本文改进后的YOLOv5算法较原YOLOv5算法在检测性能上有着明显的提升。

表1 YOLOv5算法改进前后的检测结果

4 系统实现与测试

4.1 系统实现

警戒系统搭建实现的现场是某钢铁公司铁路运输维修车间。该车间起重机械型号为QD 型双梁桥式起重机，起重量为2015 t，跨度为19.2 m。该车间作业内容主要是对运输原材料的铁路车厢进行检修作业，检修机器零件等起重作业比较频繁。

首先将警戒系统硬件部分进行安装和组网，涉及的硬件有摄像机、计算平台、触摸屏及PLC 等。摄像机共计4 路，安装在如图7 中圆点所示的4 个端角处，拍摄角度充分覆盖桥式起重机作业区域；触摸屏安装在驾驶室内，方便驾驶人员查看人员检测结果视频以及进行相关参数设置；计算平台机箱和PLC控制机箱安装在起重机械大车主梁上方［28-29］（硬件安装示意见图7）。

图7 硬件安装及区域设置示意图

其次，根据现场实际作业区情况划分出起重机械的各个警戒区域，图7 起重机械下方中间方形区域为小车警戒区域，主要是警戒小车纵向作业，两侧方形区域为大车左侧和右侧警戒区域，主要是警戒大车向左或向右作业，左右侧细分为减速区域和停止区域。根据现场实际要求每个域区横向距离设定为5 m 跨度，纵向距离直接为起重机械跨度19.2 m。随后在起重机械下方对应界限位置拉上警戒红线，并在计算平台后台中根据摄像机拍摄到的警戒红线为基准，画出大车左减速、左停止、大车右减速、右停止和小车区域5个区域（警戒区域设置见图7和图8）。

图8 现场警戒区域设置图

4.2 数据协议命令设置

上文介绍了警戒系统的硬件部分安装及现场区域划分设置，警戒系统的数据分析模块与计算平台间的数据传输协议在运行使用前也需要进行预设工作［30］。

计算平台完成视频数据的处理后会得出人员的类别、数量、位置等数据信息，这些数据会根据设定的规则通过MQTT 协议传输到触摸屏中。该协议中人员类别和数量通过20 B 的连续数字指令传输，每2 B 代表一个区域中的一类人（根据车间实际生产情况人员分为human 和guider 这2 类），4 B 表示一个警戒区域，其中区域依次为左减速、左停止、小车、右停止、右减速区域。例如“01010000000000000000”指令代表大车左侧减速警戒区域内有human 和guider 人员各一人，该条指令只代表一个摄像机拍摄范围内识别到的人员，多路摄像机则多条发送。

人员坐标信息只有在小车区域内需要获取，因为需要该数据判断人员在小车前侧或后侧，小车警戒区域人员坐标也是通过20 B 协议进行传输，前10 B 代表小车区域5名human类别人员坐标，后10 B代表小车区域5名guider类别人员坐标（根据现场生产需求，小车区域实际作业人数均不会超过5 人）。与数量指令相似，每一条指令只代表一路摄像机识别到的，多路摄像机则多条发送，例如“10-1-1-1-1-1-1-1-1-1”代表小车区域有一名human 人员在拍摄区域坐标10 位置出现，“-1”代表无识别人员，以此数据结合小车行程数据即可判断人员与小车前后关系［31-32］。

触摸屏接收到MQTT指令后，后台根据解读获取的人员数据首先通过语音模块发出“某区域有人”语音提示驾驶人员注意警戒区域人员，其次根据人员位置类别数据分析判断，通过后台与PLC的通讯通道向其发出控制指令，控制PLC与起重机械档位直接连接的继电模块的吸合或断开，实现直接自动控制起重机械档位作业，做到人员在警戒区域内的自动警戒控制［33-34］。

4.3 系统测试

为了验证系统能否实现人员自动安全警戒操作，本文选取3 种具有代表性的人员作业场景进行测试警戒系统的自动安全警戒操作实际运行情况，分别是人员无遮挡情形、人员存在遮挡情形以及人员离开区域情形。

1）人员无遮挡情形。

该情形下人员无遮挡，警戒系统会根据检测结果和跟踪结果融合生成最优的检测结果作为最终输出，并根据此结果输出相应控制命令，自动控制起重机械相关档位的开合。

图9 为人员无遮挡情形中警戒系统某一时刻检测结果显示，图中LD、LS、RD、RS和TR区域分别代表大车左减速、左停止、大车右减速、大车右停止以及小车区域共计5 个警戒区域，图9 中的摄像机角度拍摄不到大车右减速区域RD，所以图中未看到RD 区域。此时图9 中的人员行进到小车警戒区域TR 内，警戒系统会自动检测到该人员，然后根据他在图像上的坐标位置，判断人员是在小车的前侧还是后侧以及与小车的距离，此时经后台计算显示人员在小车前方相距6 m 处，根据预先设定的在小车区域5 m 内停止、10 m 内减速的逻辑输出切断小车档位中的二三四高速档位的命令，只允许小车低速一档作业，同时语音警报模块也会实时语音提示“小车区域前方有人”。

图9 无遮挡情形下检测结果示意图

为了查看控制命令输出的准确与否以及控制命令是否得到执行，如图10 所示，在触摸屏界面中可实时监测起重机械的档位闭合状态。该界面监测原理是通过读取PLC 与各个档位相连的输入寄存器I 的值来监测其电路是否断开，断开的话则表示该相应档位被切断。图10 中左行、右行档位代表大车左右运行档位，前进、后退代表小车前后运行档位，下方主上下和副上下代表的是主副钩的操作档位。监测界面中相应警示灯亮绿灯表示档位正常连通可执行相关行进操作，亮红灯则表示该档位被切断无法执行该档位相应操作。针对图9 显示的检测结果，此时的控制输出模块应输出切断小车二三四高速档位，只允许低速一档作业命令，如图10所示监测界面显示小车的3个高速档位均亮黑灯，表示这些档位均被自动切断，此时小车只允许前进一档或者后退一档的慢速作业。

图10 控制输出监测界面

2）人员有遮挡情形。

该情形下仅根据YOLOv5 目标检测算法可能会由于人员被遮挡造成特征不明显或特征偏少而导致该人员被漏检，这样会造成警戒系统控制被错误中断。本文引入人员跟踪算法后，系统最终输出的的人员检测结果会结合YOLOv5 检测结果和跟踪算法的预测结果进行相关匹配结合后再输出，若是产生由于漏检导致的无检测结果情况，此时会将该帧跟踪算法产生的预测结果作为最终的检测结果输出，并根据此结果输出相应控制命令。

如图11 所示，此帧场景中人员处与小车警戒区域中，该人员因被吊装电磁吸盘遮挡了大部分特征而导致YOLOv5 算法进行检测时未检测到该人员，此时人员跟踪算法的预测结果将作为系统最终的检测结果，并且系统继续输出控制指令控制小车减速行驶，同时语音警报会提示“小车区域前方有人，且存在遮挡情形”，通过相应语音提示司机也会和地面领航人员具体确认地面被遮挡人员情况，触摸屏中的控制指令监测结果和情形1中一致。

图11 遮挡情形检测结果示意图

3）人员离开区域情形。

人员离开警戒区域后，由于本文中引入的跟踪算法中有最大寿命值阈值设定，此时虽无检测结果，但是有跟踪算法的预测结果存在并且该结果在低于阈值时会继续将跟踪算法的预测结果作为最终检测结果，并继续输出相应控制指令，其未匹配次数大于设定阈值时，会删除此跟踪目标，认为该人员已经离开警戒区域。本文设定的阈值是25 帧，按现场监控视频每秒抽取5 帧进行处理运算原则可知，当人员持续未检测到时长达5 s 时就会认为该人员已离开警戒区域，此段时间内语音模块在前15 帧未匹配成功时间段中会提示，例如“左侧减速区域有人，且存在遮挡情形”，在连续15 帧未匹配成功后提示改为“左侧减速区域有人，且疑似已离开区域”，同时在这5 s 内警戒系统继续输出切断大车高速二三四档位的命令，只允许大车一档慢速行驶，期间驾驶人员可和地面领航人员再次进一步确认地面情况。未匹配次数大于阈值后，系统会删除此跟踪目标并恢复切断的档位，即控制输出界面中大车二三四档位的指示灯将恢复为浅色状态。

在以上3 种人员作业场景中警戒系统经测试均可准确输出控制指令，实现起重机械的自动安全警戒控制操作。为进一步测试警戒系统自动警戒控制的准确性与稳定性，随机抽取了一周内不同场景下的10 段监控视频，对此监控视频进行自动标注并人工查检，然后将此监控视频在警戒系统中处理后的检测结果和人工标注结果进行比对，计算各个人员类别的检测准确率、检测结果之间的IOU、漏检率以及误检率等指标结果，各项指标计算结果如表2所示。

表2 警戒系统性能测试结果

从表2可看出警戒系统对human和guider类别的检测准确率P分别为94.4%和95.1%，检测结果和人工标注结果之间的平均交并比即IOU 分别为70.2%和73.5%，2 种类别人员的漏检率和误检率中只有human 人员的误检率较高，为1.2%，其余均在1%以下，human 人员类别所穿的蓝色工作服和现场钢结构构建较为相似，因此存在略多误检，后期通过不断对模型训练迭代，该指标还会得到进一步改善。综合以上对警戒系统性能测试结果来看，警戒系统在现场运行过程中对作业人员目标有较好的检测效果，可以准确稳定地执行相应自动警戒控制操作，最大化地保障作业人员安全。

5 结束

现场安装实现和测试结果表明警戒系统可以准确地检测到进入警戒区域的作业人员，并根据设定的减停规则自动控制起重机械减速或停止作业，实现起重机械针对作业范围内人员的自动安全警戒控制，尽可能地保障了作业范围内的人员安全，也弥补了现有的工业厂区起重机械安全管理方法上人力投入过多、效果不明显、操作不便捷等不足问题。

目前该系统在人员检测结果共享方面做的还是略有不足，今后改进研究方向可以尝试将整个车间所有单个起重机械采集到的人员信息进行共享处理，集中计算，多渠道显示检测结果，可尝试通过终端计算站进行更加快捷准确的运算检测，以及通过大量数据结果更加深层次地对人员作业分布区域进行整合分析，更好地指导起重机械的安全驾驶。