CN111582191B - 基于人工智能视频分析的混凝土浇筑中浇筑量估计方法 - Google Patents
基于人工智能视频分析的混凝土浇筑中浇筑量估计方法 Download PDFInfo
- Publication number
- CN111582191B CN111582191B CN202010394168.0A CN202010394168A CN111582191B CN 111582191 B CN111582191 B CN 111582191B CN 202010394168 A CN202010394168 A CN 202010394168A CN 111582191 B CN111582191 B CN 111582191B
- Authority
- CN
- China
- Prior art keywords
- pouring
- algorithm
- video
- amount
- coviar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,该方法通过深度学习方法CoViAR‑Mobile‑V3算法对实时上传的视频流进行高效的事件分割判断,分析时间窗口视频的场景、事件类型,分别完成商用预拌混凝土浇筑、自拌混凝土浇筑场景下,当前浇筑量的估计,浇筑完成后,估算整体浇筑量,输出的信息与设定的标准值进行对比,对存在风险的事件发出预警,对某些特定时刻下的浇筑量进行估计,为对应的相关监理项目提供依据,进行必须的浇筑量估计,完成该环节的风险预警。本发明采用全流程的智能化旁站监理,避免了监理员人为因素导致的潜在风险,在线实时风险预警,只需少量监理专家,远程分析系统预警的风险并判定,使旁站监督管理的人效得到提高。
Description
技术领域
本发明涉及建筑工程技术领域,具体来说,涉及一种基于人工智能视频分析的混凝土浇筑中浇筑量估计方法。
背景技术
混凝土浇筑质量管理是工地旁站监理工作的一个重要部分,在浇筑质量管理过程中,对整体浇筑量,以及某些环节下,需要通过浇筑量对相关项目的监理提供必要的信息支持,如拔管深度监理过程中,需要利用当前浇筑量信息来估算,当前终孔中的混凝土深度。现阶段人工监理过程中,专业的监理人员,在现场基于相关信息,对当前浇筑量进行估计,具体的:采用商用混凝土场景下,利用现场关注信息,浇筑的搅拌车的单车装载方量和浇筑车数,进而基于经验估计浇筑量大致范围。自伴混凝土场景下,利用搅拌机的单次搅拌过程中,加入的材料信息,估算单次制作混凝土的方量,并同时记录混凝土制作的次数,进而基于经验估计浇筑量大致范围。
现有人工现场监督管理的模式下,其缺点较为明显,具体展开有一下几点:旁站监督管理的质量存在如下一些高风险问题:旁站监理人员素质参差不齐,不能全面掌握旁站监理的关键要点,易导致旁站过程失控;监理人员自由裁量权大,旁站过程及旁站管理结果缺少影像资料支撑,容易导致监理收受利益而放松管理;旁站监理过程中,由于对旁站监理人员缺少约束,常发生只旁站不作为,或少作为的情况;旁站监理记录不认真,无可追溯性;旁站过程中对发现有安全、质量隐患或违反工程建设强制性标准要求的行为,停留在整改建议或口头通知,对整改情况不跟踪封闭
基于上述缺点,急需一种基于人工智能视频分析的混凝土浇筑中浇筑量估计方法出现。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
本发明的目的在于提供一种基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,该方法包括:
a1.通过深度学习方法CoViAR-Mobile-V3算法对实时上传的视频流进行高效的事件分割判断,分析时间窗口视频的场景、事件类型,分别包括商用预拌混凝土浇筑场景、自拌混凝土浇筑场景;
a2.基于CoViAR-resnet算法,针对商用预拌混凝土浇筑场景下的视频段进行分割,并针对各环节进行相关分析任务,完成商用预拌混凝土浇筑场景下,当前浇筑量的估计;
a3.基于CoViAR-resnet算法,对自拌混凝土浇筑场景下的视频段进行分割,并针对各环节进行相关分析任务,完成自拌混凝土浇筑场景下,当前浇筑量的估计;
a4.浇筑完成后,估算整体浇筑量,输出的信息与设定的标准值进行对比,对存在风险的事件发出预警;
a5.对某些特定时刻下的浇筑量进行估计,为对应的相关监理项目提供依据,进行浇筑量估计,完成该环节的风险预警;
a6.对全部视频流基于输出信息,进行结构化存储。
进一步地,所述商用预拌混凝土浇筑场景中,基于CoViAR-resnet算法,对视频段进行分割,针对各环节进行相关分析任务包括:
c1.针对“罐装车发货信息单”视频录入环节,利用SSD算法检测定位单据以及定位各个文本,再利用OCR识别算法进行文本识别,获取“发货单”上相关信息,提取出当前车的混凝土方量信息;
c2.针对浇筑环节,利用SSD算法、OCR识别算法,持续检测识别车牌号码,通过车牌的信息,记录完成浇筑的车数;
c3.记录单车车牌号的持续时长,并利用SSD算法,同时持续检测:浇筑导管末端,浇筑的状态,去掉非浇筑时长,得到浇筑完一车的有效时长,结合方量信息,动态估算出当前工地环境下,罐装车的单位时间的浇筑量平均值;
c4.利用c2中的车数,结合每车的方量,计算浇筑量信息;
c5.利用c3中的单位时间浇筑量和当前车的车牌持续出现时长,以及浇筑状态判定,推断当前车的有效浇筑时长,进一步修正浇筑量估计值。
进一步地,所述自拌混凝土浇筑场景中,基于CoViAR-resnet算法,对视频段进行分割,针对各环节进行相关分析任务包括:
d1.基于已知的自伴相关重量信息,换算估计单次搅拌方量:单车石子、砂子重量,单包水泥重量,单桶水的重量、搅拌入料口加入各材质的次数;
d2.通过CoViAR-resnet算法对搅拌桶的转动行为进行判定,并结合SSD算法对搅拌桶的出料口,是否有出料进行检测判定,判定分割出一次完整的搅拌过程行为,统计当前时刻的搅拌且出料的次数;
d3.利用d1、d2的信息,对当前浇筑量进行范围估计。
进一步地,所述视频行为分析算法CoViAR步骤:
b1:CoViAR的输入是“压缩视频流”;
b2:对压缩视频流的P序列帧中的M信号即MotionVector运动信号、R值即ResidualP帧+M信号后相对于视频中的原始图像I帧的残值信号,进行累积解耦变换得到“解耦后的累积M信号”、“解耦后的累积R信号”,形成“解耦压缩视频流”;
b3:构建3个子模型:对原始信息“I帧”构建一个resnet152大分类器、对“解耦后的累积M信号”构建小分类器resnet18-0、对“解耦后的累积R信号”构建小分类器resnet18-1;
b4:基于融合3个子模型对视频进行动作行为分类。
进一步地,所述SSD的算法是通过在不同层级的CNN特征层上,选用不同尺寸、不同比例的侯选框,找到与目标匹配最好的候选框来对目标的位置进行预测,使不同层级的目标达到较高的检测速度和精度。
进一步地,所述OCR文本内容识别算法是结合CNN与RNN,由CNN提取图像特征,进而对特征图进行列切片,采用RNN结构进行推理文本,最后采用CTC损失函数计算预测字符串与标注的差距,完成端到端的训练,预测阶段无需计算CTC,直接对每个cell进行文字预测,并最终合并出文本串。
进一步地,所述步骤a4中预警的方式包括语音预警、灯光信号预警、预设的手机短信预警。
本发明工作原理:通过固定或移动设备对混凝土生产、混凝土浇筑现场核心操作区域进行持续的、有效的、实时的视频数据采集,并上传服务器进行存储,对于浇筑量估计分为两种场景,场景一:商用预拌混凝土浇筑场景;场景二:自伴混凝土浇筑场景,对采集的视频数据进行智能分析,对混凝土罐装车车次进行分析,估计特定时刻下的混凝土的浇筑量;混凝土现场实时生产,并通过相连接的滑槽进行终孔浇筑,因而通过对混凝土的搅拌量和出料次数分析得到混凝土生产量,进一步直接估计浇筑量。
与现有技术相比,本发明具有以下有益效果:1.本发明采用全流程的智能化旁站监理,避免了监理员人为的因素导致的种种潜在风险;2.本发明采用在线实时风险预警,只需要少量的监理专家,远程分析系统预警的风险,进行判定,从而使得旁站监督管理的人效得到提高;3.本发明采用结构化视频存储,有利于事件的检索与回溯。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图.
图1是本发明一种基于人工智能视频分析的混凝土浇筑中浇筑量估计方法的步骤示意图。
具体实施方式
下面,结合附图以及具体实施方式,对发明做出进一步的描述:
一种基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,该方法包括:
a1.通过深度学习方法CoViAR-Mobile-V3算法对实时上传的视频流进行高效的事件分割判断,分析时间窗口视频的场景、事件类型,分别包括商用预拌混凝土浇筑场景、自拌混凝土浇筑场景;
a2.基于CoViAR-resnet算法,针对商用预拌混凝土浇筑场景下的视频段进行分割,并针对各环节进行相关分析任务,完成商用预拌混凝土浇筑场景下,当前浇筑量的估计;
a3.基于CoViAR-resnet算法,对自拌混凝土浇筑场景下的视频段进行分割,并针对各环节进行相关分析任务,完成自拌混凝土浇筑场景下,当前浇筑量的估计;
a4.浇筑完成后,估算整体浇筑量,输出的信息与设定的标准值进行对比,对存在风险的事件发出预警;
a5.对某些特定时刻下的浇筑量进行估计,为对应的相关监理项目提供依据,进行浇筑量估计,完成该环节的风险预警;
a6.对全部视频流基于输出信息,进行结构化存储。
根据上述内容,所述商用预拌混凝土浇筑场景中,基于CoViAR-resnet算法,对视频段进行分割,针对各环节进行相关分析任务包括:
c1.针对“罐装车发货信息单”视频录入环节,利用SSD算法检测定位单据以及定位各个文本,再利用OCR识别算法进行文本识别,获取“发货单”上相关信息,提取出当前车的混凝土方量信息;
c2.针对浇筑环节,利用SSD算法、OCR识别算法,持续检测识别车牌号码,通过车牌的信息,记录完成浇筑的车数;
c3.记录单车车牌号的持续时长,并利用SSD算法,同时持续检测:浇筑导管末端,浇筑的状态,去掉非浇筑时长,得到浇筑完一车的有效时长,结合方量信息,动态估算出当前工地环境下,罐装车的单位时间的浇筑量平均值;
c4.利用c2中的车数,结合每车的方量,计算浇筑量信息;
c5.利用c3中的单位时间浇筑量和当前车的车牌持续出现时长,以及浇筑状态判定,推断当前车的有效浇筑时长,进一步修正浇筑量估计值。
根据上述内容,所述自拌混凝土浇筑场景中,基于CoViAR-resnet算法,对视频段进行分割,针对各环节进行相关分析任务包括:
d1.基于已知的自伴相关重量信息,换算估计单次搅拌方量:单车石子、砂子重量,单包水泥重量,单桶水的重量、搅拌入料口加入各材质的次数;
d2.通过CoViAR-resnet算法对搅拌桶的转动行为进行判定,并结合SSD算法对搅拌桶的出料口,是否有出料进行检测判定,判定分割出一次完整的搅拌过程行为,统计当前时刻的搅拌且出料的次数;
d3.利用d1、d2的信息,对当前浇筑量进行范围估计。
其中CoViAR-Mobile-V3算法、CoViAR-resnet算法均属于视频行为分析算法CoViAR的不同阶段,CoViAR-Mobile-V3算法耗时低,CoViAR-resnet算法精度高。
通过智能分析,保证混凝土浇筑过程中核心视频数据被有效采集,被有效存储,通过智能视频分析对“混凝土浇筑量进行估计分析”,从而对不符合或疑似不符合规范的事件进行信息支撑,达到预警效果,从而极大程度上避免了上述人工现场监督管理的相关缺陷。
通过固定或移动设备对混凝土生产、混凝土浇筑现场核心操作区域进行持续的、有效的、实时的视频数据采集,并上传服务器进行存储,对于浇筑量估计分为两种场景,场景一:商用预拌混凝土浇筑场景;场景二:自伴混凝土浇筑场景,对采集的视频数据进行智能分析,对混凝土罐装车车次进行分析,估计特定时刻下的混凝土的浇筑量;混凝土现场实时生产,并通过相连接的滑槽进行终孔浇筑,因而通过对混凝土的搅拌量和出料次数分析得到混凝土生产量,进一步直接估计浇筑量。
根据上述内容,所述视频行为分析算法CoViAR步骤:
b1:CoViAR的输入是“压缩视频流”;
b2:对压缩视频流的P序列帧中的M信号即MotionVector运动信号、R值即ResidualP帧+M信号后相对于视频中的原始图像I帧的残值信号,进行累积解耦变换得到“解耦后的累积M信号”、“解耦后的累积R信号”,形成“解耦压缩视频流”;
b3:构建3个子模型:对原始信息“I帧”构建一个resnet152大分类器、对“解耦后的累积M信号”构建小分类器resnet18-0、对“解耦后的累积R信号”构建小分类器resnet18-1;
b4:基于融合3个子模型对视频进行动作行为分类。
CoViAR算法的核心优势是:不用解压压缩视频得到原始信息,直接构建基于压缩视频进行行为分析,较大的降低了耗时;对I、P-M、P-R分开建模,在P-M序列,P-R序列中的丰富的运动信息对行为分析重要性极高,在传统的原始视频流的算法框架下,从RGB图像信号序列中挖掘这些信息,难度较大,即便是计算量大的大型网络往往难以胜任;CoViAR算法在达到精度较高的情况下,视频处理速度相比其他方法得到极大提升
根据上述内容,所述SSD的算法是通过在不同层级的CNN特征层上,选用不同尺寸、不同比例的侯选框,找到与目标匹配最好的候选框来对目标的位置进行预测,使不同层级的目标达到较高的检测速度和精度。在混凝土搅拌场景下,存在较大的目标-如搅拌机,也存在较小的目标-如一袋水泥等的检测定位需求,因而SSD效果较好。
根据上述内容,所述OCR文本内容识别算法是结合CNN与RNN,由CNN提取图像特征,进而对特征图进行列切片,采用RNN结构如典型的LSTM循环网络进行推理文本,最后采用CTC损失函数计算预测字符串与标注的差距,完成端到端的训练,预测阶段无需计算CTC,直接对每个cell进行文字预测,并最终合并出文本串。
根据上述内容,所述步骤a4预警的方式包括语音预警、灯光信号预警、预设的手机短信预警。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限定本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,其特征在于,该方法包括:
a1.通过深度学习方法CoViAR-Mobile-V3算法对实时上传的视频流进行高效的事件分割判断,分析时间窗口视频的场景、事件类型,分别包括商用预拌混凝土浇筑场景、自拌混凝土浇筑场景;
a2.基于CoViAR-resnet算法,针对商用预拌混凝土浇筑场景下的视频段进行分割,并针对各环节进行相关分析任务,完成商用预拌混凝土浇筑场景下,当前浇筑量的估计;
a3.基于CoViAR-resnet算法,对自拌混凝土浇筑场景下的视频段进行分割,并针对各环节进行相关分析任务,完成自拌混凝土浇筑场景下,当前浇筑量的估计;
a4.浇筑完成后,估算整体浇筑量,输出的信息与设定的标准值进行对比,对存在风险的事件发出预警;
a5.对特定时刻下的浇筑量进行估计,为对应的相关监理项目提供依据,进行必须的浇筑量估计,完成该环节的风险预警;
a6.对全部视频流基于输出信息,进行结构化存储;
所述商用预拌混凝土浇筑场景中,基于CoViAR-resnet算法,对视频段进行分割,针对各环节进行相关分析任务包括:
c1.针对“罐装车发货信息单” 视频录入环节,利用SSD算法检测定位单据以及定位各个文本,再利用OCR识别算法进行文本识别,获取“发货单”上相关信息,提取出当前车的混凝土方量信息;
c2.针对浇筑环节,利用SSD算法、OCR识别算法,持续检测识别车牌号码,通过车牌的信息,记录完成浇筑的车数;
c3.记录单车车牌号的持续时长,并利用SSD算法,同时持续检测:浇筑导管末端,浇筑的状态,去掉非浇筑时长,得到浇筑完一车的有效时长,结合方量信息,动态估算出当前工地环境下,罐装车的单位时间的浇筑量平均值;
c4.利用c2中的车数,结合每车的方量,计算浇筑量信息;
c5.利用c3中的单位时间浇筑量和当前车的车牌持续出现时长,以及浇筑状态判定,推断当前车的有效浇筑时长,进一步修正浇筑量估计值;
所述自拌混凝土浇筑场景中,基于CoViAR-resnet算法,对视频段进行分割,针对各环节进行相关分析任务包括:
d1.基于已知的自伴相关重量信息,换算估计单次搅拌方量:单车石子、砂子重量,单包水泥重量,单桶水的重量、搅拌入料口加入各材质的次数;
d2.通过CoViAR-resnet算法对搅拌桶的转动行为进行判定,并结合SSD算法对搅拌桶的出料口,是否有出料进行检测判定,判定分割出一次完整的搅拌过程行为,统计当前时刻的搅拌且出料的次数;
d3.利用d1、d2的信息,对当前浇筑量进行范围估计。
2.根据权利要求1所述的基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,其特征在于,所述视频行为分析算法CoViAR步骤:
b1:CoViAR的输入是“压缩视频流”;
b2:对压缩视频流的P序列帧中的M信号即MotionVector运动信号、R值即Residual P帧+M信号后相对于视频中的原始图像I帧的残值信号,进行累积解耦变换得到“解耦后的累积M信号”、“解耦后的累积R信号”,形成“解耦压缩视频流”;
b3:构建3个子模型:对原始信息“I帧”构建一个resnet152大分类器、对“解耦后的累积M信号”构建小分类器resnet18-0、对“解耦后的累积R信号”构建小分类器resnet18-1;
b4:基于融合3个子模型对视频进行动作行为分类。
3.根据权利要求1所述的基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,其特征在于,所述SSD的算法是通过在不同层级的CNN特征层上,选用不同尺寸、不同比例的侯选框,找到与目标匹配最好的候选框来对目标的位置进行预测,使不同层级的目标达到预设的检测速度和精度。
4.根据权利要求1所述的基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,其特征在于,所述OCR文本内容识别算法是结合CNN与RNN,由CNN提取图像特征,进而对特征图进行列切片,采用RNN结构进行推理文本, 最后采用CTC损失函数计算预测字符串与标注的差距,完成端到端的训练,预测阶段无需计算CTC,直接对每个cell进行文字预测,并最终合并出文本串。
5.根据权利要求1所述的基于人工智能视频分析的混凝土浇筑中浇筑量估计方法,其特征在于,所述步骤a4中预警的方式包括语音预警、灯光信号预警、预设的手机短信预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394168.0A CN111582191B (zh) | 2020-05-11 | 2020-05-11 | 基于人工智能视频分析的混凝土浇筑中浇筑量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010394168.0A CN111582191B (zh) | 2020-05-11 | 2020-05-11 | 基于人工智能视频分析的混凝土浇筑中浇筑量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582191A CN111582191A (zh) | 2020-08-25 |
CN111582191B true CN111582191B (zh) | 2022-04-08 |
Family
ID=72112153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010394168.0A Active CN111582191B (zh) | 2020-05-11 | 2020-05-11 | 基于人工智能视频分析的混凝土浇筑中浇筑量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582191B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241949A (zh) * | 2020-10-13 | 2021-01-19 | 湖南大学 | 一种融合计算机视觉技术的混凝土浇筑模具智能监测装置 |
CN113298567A (zh) * | 2021-05-31 | 2021-08-24 | 重庆创新工程咨询有限公司 | 基于大数据的工程造价智能评估系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2964745A1 (fr) * | 2010-09-15 | 2012-03-16 | Ijinus | Dispositif de mesure d'au moins un parametre relatif a la rotation d'une toupie d'un camion |
CN108104838A (zh) * | 2017-11-01 | 2018-06-01 | 中铁隧道勘察设计研究院有限公司 | 一种隧道衬砌施工的自动化控制方法 |
-
2020
- 2020-05-11 CN CN202010394168.0A patent/CN111582191B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2964745A1 (fr) * | 2010-09-15 | 2012-03-16 | Ijinus | Dispositif de mesure d'au moins un parametre relatif a la rotation d'une toupie d'un camion |
CN108104838A (zh) * | 2017-11-01 | 2018-06-01 | 中铁隧道勘察设计研究院有限公司 | 一种隧道衬砌施工的自动化控制方法 |
Non-Patent Citations (1)
Title |
---|
堆石混凝土施工管理中视觉信息的处理方法及应用研究;沈乔楠;《中国优秀博硕士学位论文全文数据库(博士)》;20110815;I138-94 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582191A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582188B (zh) | 一种基于人工智能的混凝土浇筑旁站监理方法 | |
CN111582191B (zh) | 基于人工智能视频分析的混凝土浇筑中浇筑量估计方法 | |
CN113239863B (zh) | 河道监测方法及装置 | |
CN109815912B (zh) | 一种基于人工智能的高速公路安全巡查系统 | |
CN111445160B (zh) | 一种基于人工智能视频分析的自伴混凝土质量管理方法 | |
CN113989768B (zh) | 一种自动驾驶测试场景分析方法及系统 | |
CN111966759B (zh) | 一种港池航道通航保障评估方法、系统、装置及介质 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN109410583A (zh) | 基于行车记录仪的交通信息采集及分析系统及运行方法 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
US20230368354A1 (en) | Fault detection method and system for tunnel dome lights based on improved localization loss function | |
CN114119110A (zh) | 一种工程造价清单归集系统及其方法 | |
CN113919568A (zh) | 基于物联网的地铁施工监控系统 | |
CN209087137U (zh) | 基于行车记录仪的交通信息采集及分析系统 | |
CN116189439A (zh) | 城市智能管理系统 | |
CN115719475A (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
CN115311229A (zh) | 基于激光雷达的路面病害检测分类方法、系统和存储介质 | |
CN116612481B (zh) | 基于知识图谱和多元图像的电力设备缺陷识别方法及系统 | |
CN112906593A (zh) | 一种基于Faster RCNN的水闸图像识别方法 | |
CN116204791B (zh) | 车辆行为预测场景数据集的构建和管理方法及其系统 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
CN111554075B (zh) | 一种基于人工智能视频分析的混凝土浇筑中拔管深度估计方法 | |
CN111626151B (zh) | 基于人工智能视频分析的混凝土浇筑中非法浇筑物检测方法 | |
CN116740495A (zh) | 路桥隧道的病害检测模型的训练方法和病害检测方法 | |
CN116206155A (zh) | 基于YOLOv5网络的废钢分类识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |