CN111597935A - 装配式建筑套筒灌浆施工质量的监测方法及装置 - Google Patents
装配式建筑套筒灌浆施工质量的监测方法及装置 Download PDFInfo
- Publication number
- CN111597935A CN111597935A CN202010374095.9A CN202010374095A CN111597935A CN 111597935 A CN111597935 A CN 111597935A CN 202010374095 A CN202010374095 A CN 202010374095A CN 111597935 A CN111597935 A CN 111597935A
- Authority
- CN
- China
- Prior art keywords
- actual
- action
- irregular
- training
- video
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000010276 construction Methods 0.000 title claims abstract description 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000009471 action Effects 0.000 claims abstract description 155
- 230000001788 irregular Effects 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 83
- 230000008569 process Effects 0.000 claims description 54
- 210000000988 bone and bone Anatomy 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011440 grout Substances 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009435 building construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04G—SCAFFOLDING; FORMS; SHUTTERING; BUILDING IMPLEMENTS OR AIDS, OR THEIR USE; HANDLING BUILDING MATERIALS ON THE SITE; REPAIRING, BREAKING-UP OR OTHER WORK ON EXISTING BUILDINGS
- E04G21/00—Preparing, conveying, or working-up building materials or building elements in situ; Other devices or measures for constructional work
- E04G21/02—Conveying or working-up concrete or similar masses able to be heaped or cast
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Architecture (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Working Measures On Existing Buildindgs (AREA)
Abstract
本发明提供一种装配式建筑套筒灌浆施工质量的监测方法及装置。监测方法包括获取训练对象执行套筒灌浆施工的训练视频,所述训练视频包括不规范动作以及对应所述不规范动作的标记信息;根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型;采集待监测对象执行套筒灌浆施工的实际动作视频;根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量。可以有效监测待监测对象的施工质量,提高套筒灌浆施工的质量,保证建筑结构安全性。
Description
技术领域
本发明属于建筑施工技术领域,具体涉及一种装配式建筑套筒灌浆施工质量的监测方法和一种装配式建筑套筒灌浆施工质量的监测装置。
背景技术
传统地,装配式建筑套筒灌浆施工的施工质量,大多是依靠施工工人、或者是技术人员或者是监管人员进行抽查,对施工质量进行把控。
显然,上述的施工质量监控方式,需要依靠大量人力,造成人力资源的浪费,并且,监控质量也存在监控漏洞,容易导致装配质量存在结构性缺陷。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种装配式建筑套筒灌浆施工质量的监测方法和一种装配式建筑套筒灌浆施工质量的监测装置。
本发明的一个方面提供一种装配式建筑套筒灌浆施工质量的监测方法,包括:
获取训练对象执行套筒灌浆施工的训练视频,所述训练视频包括不规范动作以及对应所述不规范动作的标记信息;
根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型;
采集待监测对象执行套筒灌浆施工的实际动作视频;
根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量。
在一些可选地实施方式中,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
对所述训练视频进行图像处理,识别所述不规范动作的基准动态骨骼轨迹;
根据所述基准动态骨骼轨迹和所述标记信息进行训练,获得所述不规范动作预警模型。
在一些可选地实施方式中,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
对所述实际动作视频进行图像处理,识别所述待监测对象的实际动态骨骼轨迹;
将所述实际动态骨骼轨迹与所述基准动态骨骼轨迹进行比较,并在两者相似度符合预设第一阈值时,确定所述待监测对象存在不规范动作。
在一些可选地实施方式中,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
识别所述不规范动作所包括的基准工序集合;
确定所述基准工序集合中每个基准工序的单项完成时间以及执行至所述每个基准工序的累积历时时间;
根据所述单项完成时间、所述累积历时时间以及所述标记信息进行训练,以获得所述不规范动作预警模型。
在一些可选地实施方式中,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
识别所述实际动作视频中所包括的实际工序集合;
确定所述实际工序集合中每个实际工序的单项实际完成时间以及执行至所述每个实际工序的累积实际历时时间;
将所述单项实际完成时间与对应的所述单项完成时间进行比较、以及将所述累积实际历时时间与对应的所述累积历时时间进行比较,根据比较结果预测预测所述待监测对象的施工质量。
在一些可选地实施方式中,所述根据比较结果预测预测所述待监测对象的施工质量,包括:
当所述单项实际完成时间与对应的所述单项完成时间之间的匹配度符合预设的第二阈值时,确定所述待监测对象存在不规范动作;和/或,
当所述累积实际历时时间与对应的所述累积历时时间之间的匹配度符合预设的第三阈值时,确定所述待监测对象存在不规范动作。
本发明的另一个方面,提供一种装配式建筑套筒灌浆施工质量的监测装置,包括:
获取模块,用于获取训练对象执行套筒灌浆施工的训练视频,所述训练视频包括不规范动作以及对应所述不规范动作的标记信息;
训练模块,用于根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型;
采集模块,用于采集待监测对象执行套筒灌浆施工的实际动作视频;
预测模块,用于根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量。
在一些可选地实施方式中,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
所述训练模块,具体还用于:
对所述训练视频进行图像处理,识别所述不规范动作的基准动态骨骼轨迹;
根据所述基准动态骨骼轨迹和所述标记信息进行训练,获得所述不规范动作预警模型。
在一些可选地实施方式中,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
所述预测模块,具体还用于:
对所述实际动作视频进行图像处理,识别所述待监测对象的实际动态骨骼轨迹;
将所述实际动态骨骼轨迹与所述基准动态骨骼轨迹进行比较,并在两者相似度符合预设第一阈值时,确定所述待监测对象存在不规范动作。
在一些可选地实施方式中,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
所述训练模块,具体还用于:
识别所述不规范动作所包括的基准工序集合;
确定所述基准工序集合中每个基准工序的单项完成时间以及执行至所述每个基准工序的累积历时时间;
根据所述单项完成时间、所述累积历时时间以及所述标记信息进行训练,以获得所述不规范动作预警模型。
在一些可选地实施方式中,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
所述预测模块,具体还用于:
识别所述实际动作视频中所包括的实际工序集合;
确定所述实际工序集合中每个实际工序的单项实际完成时间以及执行至所述每个实际工序的累积实际历时时间;
将所述单项实际完成时间与对应的所述单项完成时间进行比较、以及将所述累积实际历时时间与对应的所述累积历时时间进行比较,根据比较结果预测预测所述待监测对象的施工质量。
在一些可选地实施方式中,所述根据比较结果预测预测所述待监测对象的施工质量,包括:
所述预测模块,具体还用于:
当所述单项实际完成时间与对应的所述单项完成时间之间的匹配度符合预设的第二阈值时,确定所述待监测对象存在不规范动作;和/或,
当所述累积实际历时时间与对应的所述累积历时时间之间的匹配度符合预设的第三阈值时,确定所述待监测对象存在不规范动作。
本发明的另一个方面,提供一种电子设备,包括:
一个或多个处理器;
一个存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本发明的另一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
本发明实施例的装配式建筑套筒灌浆施工质量的监测方法及装置,首先,获取大量的训练视频,并通过机器学习方式训练获得不规范动作预警模型,之后,采集待监测对象的实际动作视频,并根据不规范动作预警模型,预测该待监测对象的施工质量。因此,可以有效监测待监测对象的施工质量,提高套筒灌浆施工的质量,保证建筑结构安全性。
附图说明
图1为本发明第一实施例的一种电子设备的组成示意框图;
图2为本发明第二实施例的装配式建筑套筒灌浆施工质量的监测方法的流程图;
图3为本发明第三实施例的装配式建筑套筒灌浆施工的工序示意图;
图4为本发明第四实施例的装配式建筑套筒灌浆施工质量的监测装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
首先,参照图1来描述用于实现本发明实施例的监测装置、监测方法的示例电子设备。
如图1所示,电子设备200包括一个或多个处理器210、一个或多个存储装置220、一个或多个输入装置230、一个或多个输出装置240等,这些组件通过总线系统250和/或其他形式的连接机构互连。应当注意,图1所示的电子设备的组件和结构只是示例性的,而非限制性的,根据需要,电子设备也可以具有其他组件和结构。
处理器210可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备200中的其他组件以执行期望的功能。
存储装置220可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如,所述应用程序使用和/或产生的各种数据等。
输入装置230可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
输出装置240可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
下面,将参考图2描述根据本发明实施例的装配式建筑套筒灌浆施工质量的监测方法。
如图2所示,一种装配式建筑套筒灌浆施工质量的监测方法S100,包括:
S110、获取训练对象执行套筒灌浆施工的训练视频,所述训练视频包括不规范动作以及对应所述不规范动作的标记信息。
具体地,在本步骤中,获取的训练视频应当为多个,该多个训练视频可以来自一个训练对象,也可以来自多个训练对象,也就是说,可以获取一个训练对象的多个训练视频,或者,也可以分别获取多个训练对象的多个训练视频。所述训练视频包括不规则动作,例如,一个训练视频可以包括多个不规则动作,或者一个训练视频仅仅包括一个不规则动作等等。具体可以根据实际需要确定,本实施例对此并不限制。
S120、根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型。
具体地,在本步骤中,每一种不规范动作都对应一个标记信息,也就是说,将该不规范动作输入至该不规范动作预警模型时,其会输出一个标记信息,该标记信息能够表征输入的动作为不规范动作,因此,通过这种大量不规范动作的学习,可以提高所获得的不规范动作预警模型的准确度。
S130、采集待监测对象执行套筒灌浆施工的实际动作视频。
具体地,在本步骤中,可以利用设置在施工环境中的一个或多个摄像头等视频获取设备采集待监测对象执行套筒灌浆施工时的实际动作视频。此外,在利用视频获取设备采集待监测对象的实际动作视频时,可以采取实时采集的方式,或者,也可以采取间隔几秒(如2s、5s)、间隔几分钟等方式进行采集,具体可以根据实际需要确定,本实施例对此并不限制。
S140、根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量。
具体地,在本步骤中,可以将实际动作视频输入至所述不规范动作预警模型,根据该不规范动作预警模型的输出结果可以预测所述待监测对象的施工质量,例如,在实际动作视频存在不规范动作时,可以确定施工质量较低,甚至还存在安全隐患等等。
本实施例的装配式建筑套筒灌浆施工质量的监测方法,首先,获取大量的训练视频,并通过机器学习方式训练获得不规范动作预警模型,之后,采集待监测对象的实际动作视频,并根据不规范动作预警模型,预测该待监测对象的施工质量。因此,本实施例的监测方法,可以有效监测待监测对象的施工质量,提高套筒灌浆施工的质量,保证建筑结构安全性。
在一些可选地实施方式中,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
对所述训练视频进行图像处理,识别所述不规范动作的基准动态骨骼轨迹。根据所述基准动态骨骼轨迹和所述标记信息进行训练,获得所述不规范动作预警模型。
具体地,在本步骤中,可以采用基于动态骨骼的动作识别方法ST-GCN(时空图卷积网络模型),通过工人动作标记、工人动作机器训练、模型验证、模型测试,确保识别精度达到90%以上。
在一些可选地实施方式中,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
对所述实际动作视频进行图像处理,识别所述待监测对象的实际动态骨骼轨迹。将所述实际动态骨骼轨迹与所述基准动态骨骼轨迹进行比较,并在两者相似度符合预设第一阈值时,确定所述待监测对象存在不规范动作。
具体地,在本步骤中,在将实际动作视频的实际动态骨骼轨迹与基准动态骨骼轨迹进行比较时,发现两者程度相似度接近80%(并不局限于此)以上,则可以确定当前的实际动作视频中存在不规范动作。此时,可以在监控平台上进行高亮显示,质量管理人员可通过短信或者手持端通知现场监理人员进行监管。
在一些可选地实施方式中,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
识别所述不规范动作所包括的基准工序集合。确定所述基准工序集合中每个基准工序的单项完成时间以及执行至所述每个基准工序的累积历时时间。根据所述单项完成时间、所述累积历时时间以及所述标记信息进行训练,以获得所述不规范动作预警模型。
具体地,本实施例的建立模型方式,采用利用单个工序的单项完成时间、以及累积历时时间和对应的标注信息进行训练获得不规范动作预警模型。本发明的发明人经过研究发现,当某一个工序的完成时间超过一定值(例如,5%等)时,则表明该单项工作存在不规范动作,需要对其进行标注。此外,当一个工序的累积历时时间超过一定值(如5%等),则表明该单项工作存在不规范动作,需要对其进行标注。如此,通过每个工序的单项完成时间、累积历时时间可以建立更加精准的一个不规范动作预警模型,从而可以为实现监控施工质量提供保障。
如图3所示,在灌浆套筒施工时,其工序一般包括灌浆料伴制(4min~5min)、灌浆料静置(1min~2min)、流动度测试(1min~3min)、压力注浆(0min~25min)、排浆孔封堵(0s~6s)、补浆检查(5min~10min)、初检进行补浆(5min~10min)、终检进行补浆(图像)(24h~26h)等工序,每个工序又包括具体地一些子工序,如灌浆料伴制包括水量80%拌至浆料无颗粒(3min~4min)以及剩余水量20%拌置(1min)。显然,如图3所示,每个工序都包括一定的设计完成时间,如果实际完成时间超过设计完成时间一定比例,则可以确定该工序对应的施工存在不规范动作。
示例性的,不规范动作预警模型如下:
上述模型根据质量合格率的95%的一般原则,制定工序质量的预警模型规则,当单项工序或者实时累积工序历时超过5%,则进行报警提醒;其中,rsi为某一项工序的某一状态历时;di为正在进行工序“已施工历时”;Ti为进行到第i个工序时的总历时;i为工序的编号,n为工序的编号数量。
在一些可选地实施方式中,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
识别所述实际动作视频中所包括的实际工序集合。确定所述实际工序集合中每个实际工序的单项实际完成时间以及执行至所述每个实际工序的累积实际历时时间。将所述单项实际完成时间与对应的所述单项完成时间进行比较、以及将所述累积实际历时时间与对应的所述累积历时时间进行比较,根据比较结果预测预测所述待监测对象的施工质量。
例如,当所述单项实际完成时间与对应的所述单项完成时间之间的匹配度符合预设的第二阈值时,确定所述待监测对象存在不规范动作;和/或,
当所述累积实际历时时间与对应的所述累积历时时间之间的匹配度符合预设的第三阈值时,确定所述待监测对象存在不规范动作。
具体地,在本步骤中,在将每个实际工序的单项实际完成时间与对应的单项完成时间进行比较时,发现两者匹配度接近80%(并不局限于此)以上,则可以确定当前的实际动作视频中存在不规范动作。此时,可以在监控平台上进行高亮显示,质量管理人员可通过短信或者手持端通知现场监理人员进行监管。再比如,在将所述累积实际历时时间与对应的所述累积历时时间进行比较时,发现两者匹配度接近80%(并不局限于此)时,则可以确定当前的实际动作视频中存在不规范动作。此时,可以在监控平台上进行高亮显示,质量管理人员可通过短信或者手持端通知现场监理人员进行监管。
下面,将参考图4描述根据本发明另一实施例的装配式建筑套筒灌浆施工质量的监测装置。
如图4所示,一种装配式建筑套筒灌浆施工质量的监测装置100,该监测装置100可以用于前文记载的监测方法,具体可以参考前文相关记载,在此不作赘述。
示例性的,监测装置100包括获取模块110、训练模块120、采集模块130以及预测模块140。其中,获取模块110用于获取训练对象执行套筒灌浆施工的训练视频,所述训练视频包括不规范动作以及对应所述不规范动作的标记信息。训练模块120用于根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型。采集模块130用于采集待监测对象执行套筒灌浆施工的实际动作视频。预测模块140用于根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量。
本实施例的装配式建筑套筒灌浆施工质量的监测装置,首先,获取大量的训练视频,并通过机器学习方式训练获得不规范动作预警模型,之后,采集待监测对象的实际动作视频,并根据不规范动作预警模型,预测该待监测对象的施工质量。因此,本实施例的监测装置,可以有效监测待监测对象的施工质量,提高套筒灌浆施工的质量,保证建筑结构安全性。
在一些可选地实施方式中,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
所述训练模块120,具体还用于:
对所述训练视频进行图像处理,识别所述不规范动作的基准动态骨骼轨迹;
根据所述基准动态骨骼轨迹和所述标记信息进行训练,获得所述不规范动作预警模型。
在一些可选地实施方式中,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
所述预测模块140,具体还用于:
对所述实际动作视频进行图像处理,识别所述待监测对象的实际动态骨骼轨迹;
将所述实际动态骨骼轨迹与所述基准动态骨骼轨迹进行比较,并在两者相似度符合预设第一阈值时,确定所述待监测对象存在不规范动作。
在一些可选地实施方式中,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
所述训练模块120,具体还用于:
识别所述不规范动作所包括的基准工序集合;
确定所述基准工序集合中每个基准工序的单项完成时间以及执行至所述每个基准工序的累积历时时间;
根据所述单项完成时间、所述累积历时时间以及所述标记信息进行训练,以获得所述不规范动作预警模型。
在一些可选地实施方式中,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
所述预测模块140,具体还用于:
识别所述实际动作视频中所包括的实际工序集合;
确定所述实际工序集合中每个实际工序的单项实际完成时间以及执行至所述每个实际工序的累积实际历时时间;
将所述单项实际完成时间与对应的所述单项完成时间进行比较、以及将所述累积实际历时时间与对应的所述累积历时时间进行比较,根据比较结果预测预测所述待监测对象的施工质量。
在一些可选地实施方式中,所述根据比较结果预测预测所述待监测对象的施工质量,包括:
所述预测模块140,具体还用于:
当所述单项实际完成时间与对应的所述单项完成时间之间的匹配度符合预设的第二阈值时,确定所述待监测对象存在不规范动作;和/或,
当所述累积实际历时时间与对应的所述累积历时时间之间的匹配度符合预设的第三阈值时,确定所述待监测对象存在不规范动作。
本发明的另一个方面,提供一种电子设备,包括:
一个或多个处理器;
一个存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的方法。
本发明的另一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
其中,计算机可读介质可以是本发明的装置、设备、系统中所包含的,也可以是单独存在。
其中,计算机可读存储介质可是任何包含或存储程序的有形介质,其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备,更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件,或它们任意合适的组合。
其中,计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,其具体的例子包括但不限于电磁信号、光信号,或它们任意合适的组合。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种装配式建筑套筒灌浆施工质量的监测方法,其特征在于,包括:
获取训练对象执行套筒灌浆施工的训练视频,所述训练视频包括不规范动作以及对应所述不规范动作的标记信息;
根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型;
采集待监测对象执行套筒灌浆施工的实际动作视频;
根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
对所述训练视频进行图像处理,识别所述不规范动作的基准动态骨骼轨迹;
根据所述基准动态骨骼轨迹和所述标记信息进行训练,获得所述不规范动作预警模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
对所述实际动作视频进行图像处理,识别所述待监测对象的实际动态骨骼轨迹;
将所述实际动态骨骼轨迹与所述基准动态骨骼轨迹进行比较,并在两者相似度符合预设第一阈值时,确定所述待监测对象存在不规范动作。
4.根据权利要求1所述的方法,其特征在于,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
识别所述不规范动作所包括的基准工序集合;
确定所述基准工序集合中每个基准工序的单项完成时间以及执行至所述每个基准工序的累积历时时间;
根据所述单项完成时间、所述累积历时时间以及所述标记信息进行训练,以获得所述不规范动作预警模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量,包括:
识别所述实际动作视频中所包括的实际工序集合;
确定所述实际工序集合中每个实际工序的单项实际完成时间以及执行至所述每个实际工序的累积实际历时时间;
将所述单项实际完成时间与对应的所述单项完成时间进行比较、以及将所述累积实际历时时间与对应的所述累积历时时间进行比较,根据比较结果预测预测所述待监测对象的施工质量。
6.根据权利要求5所述的方法,其特征在于,所述根据比较结果预测预测所述待监测对象的施工质量,包括:
当所述单项实际完成时间与对应的所述单项完成时间之间的匹配度符合预设的第二阈值时,确定所述待监测对象存在不规范动作;和/或,
当所述累积实际历时时间与对应的所述累积历时时间之间的匹配度符合预设的第三阈值时,确定所述待监测对象存在不规范动作。
7.一种装配式建筑套筒灌浆施工质量的监测装置,其特征在于,包括:
获取模块,用于获取训练对象执行套筒灌浆施工的训练视频,所述训练视频包括不规范动作以及对应所述不规范动作的标记信息;
训练模块,用于根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型;
采集模块,用于采集待监测对象执行套筒灌浆施工的实际动作视频;
预测模块,用于根据所述实际动作视频和所述不规范动作预警模型,预测所述待监测对象的施工质量。
8.根据权利要求7所述的装置,其特征在于,所述根据所述不规范动作和所述标记信息进行训练,以获得不规范动作预警模型,包括:
所述训练模块,具体还用于:
对所述训练视频进行图像处理,识别所述不规范动作的基准动态骨骼轨迹;
根据所述基准动态骨骼轨迹和所述标记信息进行训练,获得所述不规范动作预警模型。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
一个存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据权利要求1~6任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能实现根据权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374095.9A CN111597935A (zh) | 2020-05-06 | 2020-05-06 | 装配式建筑套筒灌浆施工质量的监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374095.9A CN111597935A (zh) | 2020-05-06 | 2020-05-06 | 装配式建筑套筒灌浆施工质量的监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597935A true CN111597935A (zh) | 2020-08-28 |
Family
ID=72182515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010374095.9A Pending CN111597935A (zh) | 2020-05-06 | 2020-05-06 | 装配式建筑套筒灌浆施工质量的监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597935A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035925A (zh) * | 2020-08-31 | 2020-12-04 | 江苏工程职业技术学院 | 一种监测装配式建筑的装配精度的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009169628A (ja) * | 2008-01-16 | 2009-07-30 | Meidensha Corp | 監視制御システムの構築装置、構築方法およびプログラム |
CN107666594A (zh) * | 2017-09-18 | 2018-02-06 | 广东电网有限责任公司东莞供电局 | 一种视频监控实时监测违章作业的方法 |
CN108596148A (zh) * | 2018-05-10 | 2018-09-28 | 华南理工大学 | 一种基于计算机视觉的建筑工人劳动状态分析系统及方法 |
CN108960668A (zh) * | 2018-07-19 | 2018-12-07 | 上海小蚁科技有限公司 | 工程质量监控的预警提示方法及装置、存储介质、计算设备 |
-
2020
- 2020-05-06 CN CN202010374095.9A patent/CN111597935A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009169628A (ja) * | 2008-01-16 | 2009-07-30 | Meidensha Corp | 監視制御システムの構築装置、構築方法およびプログラム |
CN107666594A (zh) * | 2017-09-18 | 2018-02-06 | 广东电网有限责任公司东莞供电局 | 一种视频监控实时监测违章作业的方法 |
CN108596148A (zh) * | 2018-05-10 | 2018-09-28 | 华南理工大学 | 一种基于计算机视觉的建筑工人劳动状态分析系统及方法 |
CN108960668A (zh) * | 2018-07-19 | 2018-12-07 | 上海小蚁科技有限公司 | 工程质量监控的预警提示方法及装置、存储介质、计算设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035925A (zh) * | 2020-08-31 | 2020-12-04 | 江苏工程职业技术学院 | 一种监测装配式建筑的装配精度的方法和装置 |
CN112035925B (zh) * | 2020-08-31 | 2021-11-19 | 江苏工程职业技术学院 | 一种监测装配式建筑的装配精度的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019137196A1 (zh) | 图像标注信息助理方法、装置、服务器及系统 | |
CN108830837B (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
WO2020056995A1 (zh) | 语音流利度识别方法、装置、计算机设备及可读存储介质 | |
CN112115927A (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
CN110910415A (zh) | 抛物检测方法、装置、服务器和计算机可读介质 | |
CN112071016A (zh) | 火灾监控方法、装置、设备及存储介质 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN111597935A (zh) | 装配式建筑套筒灌浆施工质量的监测方法及装置 | |
CN109298783B (zh) | 基于表情识别的标注监控方法、装置及电子设备 | |
RU2017128108A (ru) | Планирование взаимодействия с субъектом | |
CN113888024A (zh) | 操作监控方法、装置、电子设备及存储介质 | |
CN109933926B (zh) | 用于预测航班可靠性的方法和装置 | |
CN115641360A (zh) | 基于人工智能的电池检测方法、装置和电子设备 | |
CN110520806A (zh) | 对可编程逻辑控制器的偏差工程修改的识别 | |
US20220050763A1 (en) | Detecting regime change in time series data to manage a technology platform | |
CN114972500A (zh) | 查验方法、标注方法、系统、装置、终端、设备及介质 | |
KR20230102273A (ko) | 학습 영상 처리 시스템, 이를 이용한 학습 영상 자동 샘플링 방법 및 레이블링 방법 | |
CN113963211A (zh) | 一种用于手势识别的无监督域适应训练方法及系统 | |
CN112714285A (zh) | 一种基于5g通讯的输电线路高清视频监控方法及系统 | |
US20230274408A1 (en) | Inspection device | |
CN115601401B (zh) | 基于牲畜群体运动特性的跟踪计数方法及其相关设备 | |
CN116467447A (zh) | 一种基于大数据技术的品牌舆情监测方法及系统 | |
CN111967346A (zh) | 一种视频数据处理的方法、装置及电子设备 | |
CN115294536B (zh) | 基于人工智能的违章检测方法、装置、设备及存储介质 | |
CN115345160A (zh) | 一种基于大数据的电子商务嵌入式服务评价方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |