CN112685812A - 一种动态监管方法、装置、设备及存储介质 - Google Patents
一种动态监管方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112685812A CN112685812A CN202011489195.2A CN202011489195A CN112685812A CN 112685812 A CN112685812 A CN 112685812A CN 202011489195 A CN202011489195 A CN 202011489195A CN 112685812 A CN112685812 A CN 112685812A
- Authority
- CN
- China
- Prior art keywords
- target object
- preset
- bim model
- determining
- identified
- 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 57
- 238000010276 construction Methods 0.000 claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000013461 design Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 37
- 238000012544 monitoring process Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000009432 framing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000004566 building material Substances 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种动态监管方法、装置、设备及存储介质,涉及自动化安全管理技术领域。旨在实现自动化地对施工现场进行安全管理。所述方法包括:采集施工现场的动态信息;在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象;将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置;其中,所述预设BIM模型是依据所述施工现场的三维建筑设计模型生成的;根据所述位置的坐标信息,生成报警信号,并在所述预设BIM模型中显示所述报警信号。
Description
技术领域
本申请涉及自动化安全管理技术领域,特别是涉及一种动态监管方法、装置、设备及存储介质。
背景技术
近年来,我国建筑行业迅猛发展,随之而来的建筑工程质量问题却层出不穷。建筑工程安全监管一直是一个难题。之前往往是人力监管,缺乏智能化、信息化的监管手段。近年来,也有不少信息化监管方案被提出,主要聚焦在通过视频实时反映现场情况,通过人为判断现场安全情况,仍然效率低下。
发明内容
本申请实施例提供一种动态监管方法、装置、设备及存储介质,旨在实现自动化地对施工现场进行安全管理。
本申请实施例第一方面提供一种动态监管方法,所述方法包括:
采集施工现场的动态信息;
在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象;
将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置;其中,所述预设BIM模型是依据所述施工现场的三维建筑设计模型生成的;
根据所述位置的坐标信息,生成报警信号,并在所述预设BIM模型中显示所述报警信号。
可选地,在所述动态信息为所述施工现场的监控视频时;在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象,包括:
利用预设的目标检测算法,在所述监控视频的每个图像帧上框选出多个待识别区域;其中,所述待识别区域为施工人员所在区域;
利用预设的不安全行为识别算法检测多个所述待识别区域,在任意待识别区域的特征符合不安全行为对应的特征时,将该待识别区域中的施工人员确定为所述目标对象。
可选地,所述方法还包括:
采集样本视频;
在所述样本视频中标记具有异常行为的模拟人员;其中,所述异常行为包括:跌倒、跳跃或无安全带;
利用携带标记的样本视频训练预先搭建的神经网络模型,得到所述预设的不安全行为识别算法。
可选地,所述方法还包括:
在所述目标对象所在图像帧中,定位所述目标对象的第一位置;
将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置,包括:
将所述第一位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第二位置。
可选地,在所述动态信息为所述施工现场的传感器采集的参数时;在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象,包括:
确定所述参数对应的设备;所述设备包括:环境监测仪和塔吊;
依据所述环境监测仪的历史监测数据,确定多个第一阈值;
依据所述塔吊的历史监测数据,确定多个第二阈值;
在所述参数大于多个所述第一阈值中任意数值时,或所述参数大于多个所述第二阈值中任意数值时,将该参数对应的设备确定为所述目标对象。
可选地,在将该参数对应的设备确定为所述目标对象之后,所述方法还包括:
添加所述目标对象在所述施工现场的第三位置;
将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置,包括:
将所述第三位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第四位置。
本申请实施例第二方面提供一种动态监管装置,所述装置包括:
第一采集模块,用于采集施工现场的动态信息;
确定模块,用于在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象;
映射模块,用于将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置;其中,所述预设BIM模型是依据所述施工现场的三维建筑设计模型生成的;
生成模块,用于根据所述位置的坐标信息,生成报警信号,并在所述预设BIM模型中显示所述报警信号。
可选地,所述确定模块包括:
框选子模块,用于利用预设的目标检测算法,在所述监控视频的每个图像帧上框选出多个待识别区域;其中,所述待识别区域为施工人员所在区域;
第一确定子模块,用于利用预设的不安全行为识别算法检测多个所述待识别区域,在任意待识别区域的特征符合不安全行为对应的特征时,将该待识别区域中的施工人员确定为所述目标对象。
可选地,所述装置还包括:
第二采集模块,用于采集样本视频;
标记模块,用于在所述样本视频中标记具有异常行为的模拟人员;其中,所述异常行为包括:跌倒、跳跃或无安全带;
训练模块,用于利用携带标记的样本视频训练预先搭建的神经网络模型,得到所述预设的不安全行为识别算法。
可选地,所述装置还包括:
定位模块,用于在所述目标对象所在图像帧中,定位所述目标对象的第一位置;
所述映射模块包括:
第一映射子模块,将所述第一位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第二位置。
可选地,所述确定模块还包括:
第二确定子模块,用于确定所述参数对应的设备;所述设备包括:环境监测仪和塔吊;
第三确定子模块,用于依据所述环境监测仪的历史监测数据,确定多个第一阈值;
第四确定子模块,用于依据所述塔吊的历史监测数据,确定多个第二阈值;
第五确定子模块,用于在所述参数大于多个所述第一阈值中任意数值时,或所述参数大于多个所述第二阈值中任意数值时,将该参数对应的设备确定为所述目标对象。
可选地,所述装置还包括:
位置确定模块,用于添加所述目标对象在所述施工现场的第三位置;
所述映射模块还包括:
第二映射子模块,用于将所述第三位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第四位置。
本申请实施例第三方面提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请第一方面所述的方法的步骤。
本申请实施例采集施工现场的动态信息,对施工现场的动态信息进行分析,确定了出现异常的目标对象。再获取目标对象在施工现场的位置,并将其在在施工现场的位置映射到BIM模型中,在BIM模型中显示出现异常的目标对象,以及该目标对象所在位置,提示相关工作人员到具体位置检查目标对象。通过上述方式,不需要进行人工巡查,自动化地确定出现异常的设备或施工人员所在位置,对出现异常的设备或施工人员所在位置进行重点监测,解决了人力监管整个施工现场带来的效率低下的问题,达到对施工现场进行绿色施工监控的目的。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提出的动态监管方法的步骤流程图;
图2是本申请实施例监测施工人员是否出现不安全行为的流程图;
图3是本申请实施例监测设备是否出现不安全行为的流程图;
图4是本申请实施例提出的动态监管装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是本申请实施例提出的动态监管方法的步骤流程图,如图1所示,该方法包括:
步骤S11:采集施工现场的动态信息;
在采集动态信息后,还可以将动态信息回传给服务器,服务器进行数据分析和处理。服务器分别与采集动态信息的摄像头或传感器通信连接。服务器可以是多个计算机搭建的集成系统、也可以是单个的计算机。
施工现场是指正在执行建筑任务的现场。施工现场的动态信息是指:正在执行建筑任务的现场的工作人员或工作设备的实时信息。
步骤S12:在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象;
异常情况是指可能导致施工现场不安全的情况。目标对象是指发生不安全行为的人,或监测的信号超过安全值的设备。
步骤S13:将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置;其中,所述预设BIM模型是依据所述施工现场的三维建筑设计模型生成的;
施工现场是指人工或设备对待完成的建筑物进行施工的现场,建筑物在建造之前,都会绘制模型图,包括建筑物结构、建筑所在位置的坐标信息图、三维建筑规划图等,因此可以根据预先绘制的模型图,确定目标对象的位置。例如塔吊在预先绘制的模型图的位置是A点。
可以通过GIS、北斗GNSS、蓝牙、wifi测距等定位技术,或者视频智能分析技术,获得目标对象在BIM三维模型中的坐标信息,并进行三维可视化显示,以实现目标对象在预设BIM模型中的位置映射。
本申请涉及到平面坐标系、相机坐标系和BIM模型坐标系之间的坐标转换,其中像平面坐标系和相机坐标系是成像投影关系,可以理解为像平面坐标系是位于摄像机的近投影面上的坐标系,通过像平面坐标系得到目标对象在图像或视频中的二维坐标,世界坐标系和相机坐标系可以通过刚体变换的方式变换转换到另外一个坐标系,相机坐标系通过世界坐标矩阵转换为世界坐标系中的坐标,从而可以确定目标对象在世界坐标系中的坐标。
在本申请的一种示例中,还可以利用空间数据坐标将目标对象的位置映射到预设BIM模型中。设置携带有空间数据的终端、部署有空间坐标转换服务和空间坐标转换服务组件的空间服务转换平台。空间服务转换平台接收用户发送的终端用户请求,结合将目标对象的源坐标系,即目标对象在世界坐标系下的坐标信息据转换为待转换的坐标,空间服务转换平台利用空间坐标转换服务组件,将目标对象在源坐标系下的坐标信息转换为其在BIM模型坐标系下的坐标信息。
步骤S14:根据所述位置的坐标信息,生成报警信号,并在所述预设BIM模型中显示所述报警信号。
报警信号可以是与BIM模型已有的线条或形状不同的显示标记。该显示标记可以填充警示性的颜色,例如红色。报警信号中包含了目标对象的位置信息,以及目标对象的属性。服务器生成报警信号后,在BIM模型的相关位置显示报警信号,以提示相关工作人员到具体位置检查目标对象。
本申请实施例采集施工现场的动态信息,对施工现场的动态信息进行分析,确定了出现异常的目标对象。再获取目标对象在施工现场的位置,并将其在在施工现场的位置映射到BIM模型中,在BIM模型中显示出现异常的目标对象,以及该目标对象所在位置,提示相关工作人员到具体位置检查目标对象。通过上述方式,不需要进行人工巡查,自动化地确定出现异常的设备或施工人员所在位置,对出现异常的设备或施工人员所在位置进行重点监测,解决了人力监管整个施工现场带来的效率低下的问题。
图2是本申请实施例监测施工人员是否出现不安全行为的流程图,如图2所示:
本申请另一种实施例提出采用智能化方法,监测施工人员是否出现不安全行为的行为。在动态信息为所述施工现场的监控视频时,利用预设的目标检测算法,在所述监控视频的每个图像帧上框选出多个待识别区域;其中,所述待识别区域为施工人员所在区域;利用预设的不安全行为识别算法检测多个所述待识别区域,在任意待识别区域的特征符合不安全行为对应的特征时,将该待识别区域中的施工人员确定为所述目标对象。
可以先利用卷积神经网络、学习向量化网络、循环神经网络、前馈神经网络等搭建深度网络模型。同时采集施工现场的图片,包括只有土建的图片和施工人员位于土建处的图片,例如某个三脚架的图片,以及三脚架上有施工人员的图片;还包括只有塔吊、挖掘机的图片和施工人员在塔吊、挖掘机内的图片。
将一一对应的只有土建的图片和施工人员位于土建处的图片作为样本对,将一一对应的只有塔吊的图片和施工人员在塔吊内的图片作为样本对。利用多个样本对训练搭建深度网络模型,得到预设的目标检测算法。
待识别区域可以指有施工人员的位置,例如有施工人员的三脚架、有施工人员的地基坑;待识别区域还可以指有施工人员的塔吊驾驶舱、有施工人员的塔吊楼梯以及有施工人员的挖掘机驾驶舱等。在样本对中,在施工人员的塔吊驾驶舱的图片中,标注目标框,以目标框框选施工人员。
利用预设的目标检测算法对监控视频的图像帧进行检查,识别出图像帧上的待识别区域的步骤包括:1、在第一阶段对图像帧像进行卷积,对卷积后的结果进行下采样得到第一阶段的输出;2、根据第一阶段的输出继续进行卷积和下采样得到第二阶段中上面一行的输出;3、第一阶段的输出通过支线进行下采样得到第二阶段中下面一行的输出;4、根据第二阶段的输出进行分类。经过上述多层特征提取,得到具有对应特征的多个区域。5、生成预测边界框,框选具有对应特征的多个区域。
为了更准确地框选出待识别区域,本申请实施例训练预设的目标检测算法的步骤包括:根据所述预测边界框和真实边界框的交集面积与并集面积之比,获得第一损失函数,真实边界框为样本对中施工人员位于土建处的图片或施工人员在塔吊内的图片中标注的目标框。至少利用第一损失函数调整深度网络模型的参数,以对深度网络模型进行训练。
具体地,对于位于真实边界框内的至少一个像素点,确定第一4维向量和第二4维向量,其中,该第一4维向量中的元素分别为该像素点至真实边界框的上、下、左、右边界的距离,第二4维向量中的元素分别表示该像素点至与该像素点对应的预测边界框的上、下、左、右边界的距离;根据第一4维向量,获得真实边界框的面积;根据所述第二4维向量,获得预测边界框的面积;根据第一4维向量和所述第二4维向量,获得预测边界框和真实边界框的交集面积;以及将获得的预测边界框的面积和真实边界框的面积的和与交集面积的差作为所述并集面积。
还可以选取反映样本对中各像素点的预测边界框的置信度与目标框的置信度之间的差异的第二损失函数,预测边界框的置信度为采用该神经网络预测出的待识别区域的某一像素点属于施工人员所在区域的置信度,目标框的置信度表示在样本对中施工人员真实位置的置信度。至少利用第一损失函数调整深度网络模型的参数以对深度网络模型进行训练包括:利用第一损失函数和第二损失函数调整深度网络模型的参数,以最大化预测边界框和真实边界框的交集面积与并集面积之比,并最小化所述第二损失函数,以得到训练好的预设的目标检测算法。
在预设的不安全行为识别算法检测多个所述待识别区域之前,还需要采集样本视频,以训练得到预设的不安全行为识别算法。
采集样本视频可以指预先录制的包括不安全行为的视频。采集样本视频连续采集了多个模拟人员的动作图像帧,包括佩戴安全带的坐姿、佩戴安全带前倾、不佩戴安全带坐姿、正常行走、跳跃、跌倒、攀爬等。将具有记录有不安全行为,例如跳跃、跌倒、不佩戴安全带等行为的图像帧。
在所述样本视频中标记具有异常行为的模拟人员;其中,所述异常行为包括:跌倒、跳跃或无安全带;再利用携带标记的样本视频训练预先搭建的神经网络模型,得到所述预设的不安全行为识别算法。训练完成的预设的不安全行为识别算法中存储有用于标识不安全行为的基础特征图。
得到待识别区域,直接提取待识别区域的预测特征图并对特征图进行池化,利用预设的不安全行为识别算法对提取的预测特征图进与基础特征图行比对,在预测特征图进与基础特征图的相似度超过阈值时,将该预测特征图对应的该待识别区域确定为有安全隐患的区域,并将该待识别区域中的施工人员确定为目标对象。
本申请实施例采集包括不安全行为的样本视频,对神经网络进行训练,得到了可以检测出具有不安全行为的待识别区域的预设的不安全行为识别算法。再在施工现场设置摄像头采集实时监控视频,将实时监控视频回传到服务器,服务器运行预设的不安全行为识别算法,实现在不需要人工巡逻检测的情况下,自动检测出具有不安全行为的目标对象,以及目标对象所处位置的目的。
在将该待识别区域中的施工人员确定为目标对象之后,本申请实施例还在目标对象所在图像帧中,定位所述目标对象的第一位置;将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置,包括:将所述第一位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第二位置。
第一位置是具有不安全行为的指施工人员在相机坐标系下的位置(坐标信息)。先通过坐标转换,将第一位置,即施工人员在相机坐标系下的位置转换为施工人员在世界坐标系下的位置(坐标信息)。再将施工人员在世界坐标系下的位置(坐标信息)映射到BIM模型中,即将施工人员在世界坐标系下的位置(坐标信息)装换为施工人员在BIM模型坐标系下的位置(坐标信息)。
图3是本申请实施例监测设备是否出现不安全行为的流程图,如图3所述:在所述动态信息为所述施工现场的传感器采集的参数时;在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象,包括:
确定所述参数对应的设备;所述设备可以指机械设备,包括:环境监测仪和塔吊;环境监测仪监测的参数包括:PM2.5(大气中空气动力学当量直径小于或等于2.5微米的颗粒物)、PM10(空气动力学直径小于或等于10微米的颗粒物,也称可吸入颗粒物或飘尘)、TSP(总悬浮微粒)、噪声、气压、温度、湿度、风速、风向以及风力等。安装在塔吊的传感器监测的参数包括:力矩(kN·m)、载重(t)、幅度(m)、高度(m)、风速(m/s)、回转(°)以及倾角(°)等。
依据所述环境监测仪的历史监测数据,确定多个第一阈值;依据所述塔吊的历史监测数据,确定多个第二阈值;
第一阈值是分别对应PM2.5、PM10、TSP、噪声、气压、温度、湿度、风速、风向以及风力的阈值。例如根据环境监测仪对PM2.5的历史监测数据得到,施工现场的PM2.5>45μg/m时污染超标,那么45μg/m为第一阈值;施工现场的噪声>70分贝时噪音污染超标,那么70分贝是第一阈值。
第二阈值是分别对应力矩(kN·m)、载重(t)、幅度(m)、高度(m)、风速(m/s)、回转(°)以及倾角(°)的阈值。例如根据设置在塔吊的传感器监测的数据,得到在力矩(kN·m)>1000kN·m时,容易发生建材掉落事故,那么1000kN·m为第二阈值;在载重(t)>3t时,易发生建材掉落事故,那么3t为第一阈值。
在所述参数大于多个所述第一阈值中任意数值时,或所述参数大于多个所述第二阈值中任意数值时,将该参数对应的设备确定为所述目标对象。
塔吊上安装有分别监测力矩(kN·m)、载重(t)、幅度(m)、高度(m)、风速(m/s)、回转(°)以及倾角(°)的多个传感器,服务器依次判断每个传感器传回的参数是否超过其对应的第一阈值,若超过阈值,则将塔吊确定为目标对象。例如,在力矩(kN·m)大于1000kN·m时,确认传回1000kN·m的传感器安装于塔吊,进一步确定塔吊为目标对象。
分别监测PM2.5、PM10、TSP、噪声、气压、温度、湿度、风速、风向以及风力的环境监测仪也会将各自获得的参数传回服务器,服务器依次判断每个参数是否超过其对应的阈值,若超过阈值,则将对应的环境监测仪确定为目标对象。例如,在PM2.5大于45μg/m时,确定监测空气质量的环境监测仪出现异常,将监测空气质量的环境监测仪确定为目标对象。
在规划建筑施工时,传感器在施工现场的位置是已经设置完成的。因此可以根据确定的目标对象,在建筑规划图中添加所述目标对象在所述施工现场的第三位置;再通过坐标转换,将目标对象在施工现场的第三位置的坐标信息进行转换,得到目标对象在世界坐标系下的坐标信息。
将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置,包括:将所述第三位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第四位置。
本申请实施例中的BIM模型是根据建筑图纸预先生成的。在本申请一种示例中,可以通过下述方式生成BIM模型。1、将建筑三维规划模型导入到三维设计平台中;2、采用Ruby进行二次开发,实现规划线根据设计策略自动绘制,并进行人工的检查和修改等功能;3、由二次开发实现由面、颜色面或者中心线生成建筑构件三维模型等功能,生成的三维模型上附有信息,是一种信息BIM模型;4、由二次开发实现构件模型的编辑功能,,现自动出拼装图,生产图和材料清单等功能。
1、将建筑三维规划模型导入到三维设计平台中包括:1)在建筑三维规划模型中导入建筑外形图,利用自动规划放线和手动绘线等功能,对面进行规划放线。2)根据拆分的线,此线为脚手架拉杆的中心线,自动生成不同的杆件。3)对脚手架系统进一步添加各种附属组件,如踏板﹑翻板、斜拉杆、防护网等。4)根据模板的排布方案自动出图和材料清单,图纸包括拼装图和生产图,可以是CAD格式文件,也可以是Layout文件,材料清单为Excel表格式等。
基于同一发明构思,本申请实施例提供一种动态监管装置。参考图4,图4是本申请实施例提出的动态监管装置的示意图。该装置包括:
第一采集模块41,用于采集施工现场的动态信息;
确定模块42,用于在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象;
映射模块43,用于将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置;其中,所述预设BIM模型是依据所述施工现场的三维建筑设计模型生成的;
生成模块44,用于根据所述位置的坐标信息,生成报警信号,并在所述预设BIM模型中显示所述报警信号。
可选地,所述确定模块包括:
框选子模块,用于利用预设的目标检测算法,在所述监控视频的每个图像帧上框选出多个待识别区域;其中,所述待识别区域为施工人员所在区域;
第一确定子模块,用于利用预设的不安全行为识别算法检测多个所述待识别区域,在任意待识别区域的特征符合不安全行为对应的特征时,将该待识别区域中的施工人员确定为所述目标对象。
可选地,第二采集模块,用于采集样本视频;
标记模块,用于在所述样本视频中标记具有异常行为的模拟人员;其中,所述异常行为包括:跌倒、跳跃或无安全带;
训练模块,用于利用携带标记的样本视频训练预先搭建的神经网络模型,得到所述预设的不安全行为识别算法。
可选地,所述装置还包括:
定位模块,用于在所述目标对象所在图像帧中,定位所述目标对象的第一位置;
所述映射模块包括:
第一映射子模块,将所述第一位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第二位置。
可选地,所述确定模块还包括:
第二确定子模块,用于确定所述参数对应的设备;所述设备包括:环境监测仪和塔吊;
第三确定子模块,用于依据所述环境监测仪的历史监测数据,确定多个第一阈值;
第四确定子模块,用于依据所述塔吊的历史监测数据,确定多个第二阈值;
第五确定子模块,用于在所述参数大于多个所述第一阈值中任意数值时,或所述参数大于多个所述第二阈值中任意数值时,将该参数对应的设备确定为所述目标对象。
可选地,所述装置还包括:
位置确定模块,用于确定所述目标对象在所述施工现场的第三位置;
所述映射模块还包括:
第二映射子模块,用于将所述第三位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第四位置。
基于同一发明构思,本申请另一实施例提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的动态监管方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的动态监管方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进或说明的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种动态监管方法、装置、设备及存储介质,进行了详细介绍,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种动态监管方法,其特征在于,所述方法包括:
采集施工现场的动态信息;
在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象;
将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置;其中,所述预设BIM模型是依据所述施工现场的三维建筑设计模型生成的;
根据所述位置的坐标信息,生成报警信号,并在所述预设BIM模型中显示所述报警信号。
2.根据权利要求1所述的方法,其特征在于,在所述动态信息为所述施工现场的监控视频时;在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象,包括:
利用预设的目标检测算法,在所述监控视频的每个图像帧上框选出多个待识别区域;其中,所述待识别区域为施工人员所在区域;
利用预设的不安全行为识别算法检测多个所述待识别区域,在任意待识别区域的特征符合不安全行为对应的特征时,将该待识别区域中的施工人员确定为所述目标对象。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
采集样本视频;
在所述样本视频中标记具有异常行为的模拟人员;其中,所述异常行为包括:跌倒、跳跃或无安全带;
利用携带标记的样本视频训练预先搭建的神经网络模型,得到所述不安全行为识别算法。
4.根据权利要求2所述的方法,其特征在于,在将该待识别区域中的施工人员确定为所述目标对象之后,所述方法还包括:
在所述目标对象所在图像帧中,定位所述目标对象的第一位置;
将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置,包括:
将所述第一位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第二位置。
5.根据权利要求1所述的方法,其特征在于,在所述动态信息为所述施工现场的传感器采集的参数时;在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象,包括:
确定所述参数对应的设备;所述设备包括:环境监测仪和塔吊;
依据所述环境监测仪的历史监测数据,确定多个第一阈值;
依据所述塔吊的历史监测数据,确定多个第二阈值;
在所述参数大于多个所述第一阈值中任意数值时,或所述参数大于多个所述第二阈值中任意数值时,将该参数对应的设备确定为所述目标对象。
6.根据权利要求5所述的方法,其特征在于,在将该参数对应的设备确定为所述目标对象之后,所述方法还包括:
添加所述目标对象在所述施工现场的第三位置;
将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置,包括:
将所述第三位置映射到预设的BIM模型中,得到所述目标对象在所述预设的BIM模型中的第四位置。
7.一种动态监管装置,其特征在于,所述装置包括:
第一采集模块,用于采集施工现场的动态信息;
确定模块,用于在所述动态信息出现异常情况时,确定所述异常情况对应的目标对象;
映射模块,用于将所述目标对象的位置映射到预设BIM模型中,得到所述目标对象在所述预设BIM模型中的位置;其中,所述预设BIM模型是依据所述施工现场的三维建筑设计模型生成的;
生成模块,用于根据所述位置的坐标信息,生成报警信号,并在所述预设BIM模型中显示所述报警信号。
8.根据权利要求7所述的装置,其特征在于,所述确定模块包括:
框选子模块,用于利用预设的目标检测算法,在所述监控视频的每个图像帧上框选出多个待识别区域;其中,所述待识别区域为施工人员所在区域;
第一确定子模块,用于利用预设的不安全行为识别算法检测多个所述待识别区域,在任意待识别区域的特征符合不安全行为对应的特征时,将该待识别区域中的施工人员确定为所述目标对象。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一所述的方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行时实现如权利要求1-6任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489195.2A CN112685812A (zh) | 2020-12-16 | 2020-12-16 | 一种动态监管方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011489195.2A CN112685812A (zh) | 2020-12-16 | 2020-12-16 | 一种动态监管方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112685812A true CN112685812A (zh) | 2021-04-20 |
Family
ID=75448381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011489195.2A Pending CN112685812A (zh) | 2020-12-16 | 2020-12-16 | 一种动态监管方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685812A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077768A (zh) * | 2021-11-26 | 2022-02-22 | 国网天津市电力公司 | 一种基于bim技术的安全监测方法及装置 |
CN114708716A (zh) * | 2022-04-12 | 2022-07-05 | 深圳市双盈科技有限公司 | 一种脚手架的安全监测系统 |
WO2022235209A1 (en) * | 2021-05-07 | 2022-11-10 | National University Of Singapore | A system and method for detecting a hazard and for determining construction site progress |
CN115410335A (zh) * | 2022-08-03 | 2022-11-29 | 中建三局集团有限公司 | 一种基于机器视觉及语义网络的建筑工程安全监测预警系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732979A (zh) * | 2018-05-15 | 2018-11-02 | 浙江大学 | 一种基于bim技术的施工安全管控系统 |
US20190050942A1 (en) * | 2017-08-11 | 2019-02-14 | American International Group, Inc. | Systems and methods for dynamic real-time analysis from multi-modal data fusion for contextual risk identification |
CN111145479A (zh) * | 2019-12-31 | 2020-05-12 | 清华大学 | 基于bim定位技术的施工危险环境实时预警平台与方法 |
CN111144263A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 一种建筑工人高坠事故预警方法及装置 |
CN111192321A (zh) * | 2019-12-31 | 2020-05-22 | 武汉市城建工程有限公司 | 目标物三维定位方法与装置 |
-
2020
- 2020-12-16 CN CN202011489195.2A patent/CN112685812A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050942A1 (en) * | 2017-08-11 | 2019-02-14 | American International Group, Inc. | Systems and methods for dynamic real-time analysis from multi-modal data fusion for contextual risk identification |
CN108732979A (zh) * | 2018-05-15 | 2018-11-02 | 浙江大学 | 一种基于bim技术的施工安全管控系统 |
CN111144263A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 一种建筑工人高坠事故预警方法及装置 |
CN111145479A (zh) * | 2019-12-31 | 2020-05-12 | 清华大学 | 基于bim定位技术的施工危险环境实时预警平台与方法 |
CN111192321A (zh) * | 2019-12-31 | 2020-05-22 | 武汉市城建工程有限公司 | 目标物三维定位方法与装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022235209A1 (en) * | 2021-05-07 | 2022-11-10 | National University Of Singapore | A system and method for detecting a hazard and for determining construction site progress |
CN114077768A (zh) * | 2021-11-26 | 2022-02-22 | 国网天津市电力公司 | 一种基于bim技术的安全监测方法及装置 |
CN114708716A (zh) * | 2022-04-12 | 2022-07-05 | 深圳市双盈科技有限公司 | 一种脚手架的安全监测系统 |
CN115410335A (zh) * | 2022-08-03 | 2022-11-29 | 中建三局集团有限公司 | 一种基于机器视觉及语义网络的建筑工程安全监测预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112685812A (zh) | 一种动态监管方法、装置、设备及存储介质 | |
CN110263686A (zh) | 一种基于深度学习的施工工地图像安全帽检测方法 | |
CN112818768B (zh) | 一种基于元学习的变电站改扩建违章行为智能化识别方法 | |
CN111275923B (zh) | 施工现场的人机碰撞预警方法及系统 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN114155601A (zh) | 一种基于视觉的作业人员危险行为检测方法及系统 | |
CN111341068A (zh) | 一种基于深度学习的钻井现场危险区域预警系统与方法 | |
CN113076683A (zh) | 用于变电站行为监测的卷积神经网络模型的建模方法 | |
CN114267082B (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
CN111178424A (zh) | 一种石油化工生产现场安全合规性实时检测系统及方法 | |
CN117726991B (zh) | 一种高空吊篮安全带检测方法及终端 | |
CN114662208B (zh) | 一种基于Bim技术的施工可视化系统及方法 | |
CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及系统 | |
CN112949457A (zh) | 基于增强现实技术的维修方法、装置及系统 | |
CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
CN113076999B (zh) | 基于人工智能信息数据采集方法 | |
CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
KR102354870B1 (ko) | 게임엔진 기반 디지털 건설현장 안전 모니터링 시스템 | |
CN116523288A (zh) | 基站施工人员风险识别方法、装置、电子设备及存储介质 | |
CN112906441A (zh) | 用于通信行业查勘维护的图像识别系统及方法 | |
CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及系统 | |
CN113569801A (zh) | 一种配电施工现场带电设备及其带电区域识别方法及装置 | |
CN113743015A (zh) | 火灾场景数据获取方法、介质及电子设备 | |
JP7467311B2 (ja) | 点検システムおよび点検方法 |
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 |