CN113255527A - 混凝土卸料过程操作规范性监测方法及设备 - Google Patents

混凝土卸料过程操作规范性监测方法及设备 Download PDF

Info

Publication number
CN113255527A
CN113255527A CN202110589333.2A CN202110589333A CN113255527A CN 113255527 A CN113255527 A CN 113255527A CN 202110589333 A CN202110589333 A CN 202110589333A CN 113255527 A CN113255527 A CN 113255527A
Authority
CN
China
Prior art keywords
concrete
monitoring
concrete unloading
classification model
behavior classification
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.)
Granted
Application number
CN202110589333.2A
Other languages
English (en)
Other versions
CN113255527B (zh
Inventor
薛菲
范阳春
陈超
鄢烈祥
周力
陈国辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangu Yunzhi Wuhan Technology Co ltd
Original Assignee
Hangu Yunzhi Wuhan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangu Yunzhi Wuhan Technology Co ltd filed Critical Hangu Yunzhi Wuhan Technology Co ltd
Priority to CN202110589333.2A priority Critical patent/CN113255527B/zh
Publication of CN113255527A publication Critical patent/CN113255527A/zh
Application granted granted Critical
Publication of CN113255527B publication Critical patent/CN113255527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种混凝土卸料过程操作规范性监测方法及设备。所述方法包括：提取混凝土卸料操作图像颜色通道的灰度矩阵，对所述灰度矩阵进行边缘信息提取得到颜色通道的特征矩阵，将特征矩阵进行横向拼接得到混凝土卸料操作图像的特征向量；以所述特征向量的元素数量作为训练样本的数量，初始化行为分类模型，为训练样本构建损失函数，根据损失函数构建多层感知机神经元的权重向量的无约束优化，采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型；采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范。本发明可以提高监控混凝土卸料过程操作是否规范的准确性，降低监控成本。

Description

混凝土卸料过程操作规范性监测方法及设备
技术领域
本发明实施例涉及混凝土装卸技术领域，尤其涉及一种混凝土卸料过程操作规范性监测方法及设备。
背景技术
在泵车卸料过程中由于一些特定的需求，如增加混凝土流动性、清洗搅拌车等，现场施工人员经常会在卸料的过程中向混凝土中注水，这种注水行为严重影响施工用混凝土的质量，然而施工现场人员复杂，监督困难，目前企业采用设置监督员进行人工监控，导致监控过程存在较大的不确定性，无法确保监控结果的有效性，监控模式也难以进行推广使用。因此，开发一种混凝土卸料过程操作规范性监测方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题，本发明实施例提供了一种混凝土卸料过程操作规范性监测方法及设备。
第一方面，本发明的实施例提供了一种混凝土卸料过程操作规范性监测方法，包括：提取混凝土卸料操作图像颜色通道的灰度矩阵，对所述灰度矩阵进行边缘信息提取得到颜色通道的特征矩阵，将特征矩阵进行横向拼接得到混凝土卸料操作图像的特征向量；以所述特征向量的元素数量作为训练样本的数量，初始化行为分类模型，为训练样本构建损失函数，根据损失函数构建多层感知机神经元的权重向量的无约束优化，采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型；采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范。
在上述方法实施例内容的基础上，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述初始化行为分类模型，包括：
Figure DEST_PATH_IMAGE002
其中，f为行为分类模型；
Figure DEST_PATH_IMAGE004
为多层感知机神经元的权重向量；x为混凝土卸料操作图像的特征向量；
Figure DEST_PATH_IMAGE006
为多层感知机的第m个神经元权重。
在上述方法实施例内容的基础上，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述为训练样本构建损失函数，包括：
Figure DEST_PATH_IMAGE008
其中，L为训练样本的损失函数；n为训练样本的数量；
Figure DEST_PATH_IMAGE010
为第k个训练样本属于第i个类别的真实概率；
Figure DEST_PATH_IMAGE012
为第k个训练样本属于第i个类别的预测概率；
Figure DEST_PATH_IMAGE014
为类别总数。
在上述方法实施例内容的基础上，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述根据损失函数构建多层感知机神经元的权重向量的无约束优化，包括：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为m维的实数空间；s.t.为约束条件。
在上述方法实施例内容的基础上，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型，包括：设定迭代次数最大值，将多层感知机神经元的权重向量初始化，将混凝土卸料操作图像的特征向量输入多层感知机，得到各个节点的输出值；采用反向传播算法更新多层感知机神经元的权重向量，则所述迭代次数最大值对应的多层感知机神经元的权重向量，即为行为分类模型的权重向量。
在上述方法实施例内容的基础上，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述采用反向传播算法更新多层感知机神经元的权重向量，包括：
Figure DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE022
其中，max_iter为迭代次数最大值；
Figure DEST_PATH_IMAGE024
为学习速率，取正数使得
Figure DEST_PATH_IMAGE026
取得最小值。
在上述方法实施例内容的基础上，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范，包括：根据实时混凝土卸料操作图像的特征向量，得到行为分类模型的概率分布预测值，并根据所述概率分布预测值找到相应的类别标签，根据相应的类别标签确定混凝土卸料过程操作是否规范。
第二方面，本发明的实施例提供了一种混凝土卸料过程操作规范性监测装置，包括：第一主模块，用于提取混凝土卸料操作图像颜色通道的灰度矩阵，对所述灰度矩阵进行边缘信息提取得到颜色通道的特征矩阵，将特征矩阵进行横向拼接得到混凝土卸料操作图像的特征向量；第二主模块，用于以所述特征向量的元素数量作为训练样本的数量，初始化行为分类模型，为训练样本构建损失函数，根据损失函数构建多层感知机神经元的权重向量的无约束优化，采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型；第三主模块，用于采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范。
第三方面，本发明的实施例提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的混凝土卸料过程操作规范性监测方法。
第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的混凝土卸料过程操作规范性监测方法。
本发明实施例提供的混凝土卸料过程操作规范性监测方法及设备，通过获取混凝土卸料操作图像的特征向量，以所述特征向量为基础训练得到行为分类模型，最后采用行为分类模型对混凝土卸料的操作过程进行监测，可以提高监控混凝土卸料过程操作是否规范的准确性，降低监控成本，便于实现混凝土卸料过程操作规范性监控的泛化推广。
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，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图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为本发明实施例提供的混凝土卸料过程操作规范性监测方法流程图；
图2为本发明实施例提供的混凝土卸料过程操作规范性监测装置结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
混凝土卸料过程中不规范操作的智能识别可以抽象为图像分类问题，属于机器学习的范畴，根据异常操作的界定情况将图像进行二分类（异常和正常），最终实现对施工现场异常操作的智能识别。基于这种思想，本发明实施例提供了一种混凝土卸料过程操作规范性监测方法，参见图1，该方法包括：提取混凝土卸料操作图像颜色通道的灰度矩阵，对所述灰度矩阵进行边缘信息提取得到颜色通道的特征矩阵，将特征矩阵进行横向拼接得到混凝土卸料操作图像的特征向量；以所述特征向量的元素数量作为训练样本的数量，初始化行为分类模型，为训练样本构建损失函数，根据损失函数构建多层感知机神经元的权重向量的无约束优化，采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型；采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范。
需要说明的是，单张混凝土卸料操作图像预处理功能的函数是d_p(X_R,X_G,X_B)，其中：二维数组X_R是图像上相应坐标位置的红色灰度值，介于0-255之间，行数是图像的高度，列数是图像的宽度；二维数组X_G是图像上相应坐标位置的绿色灰度值，介于0-255之间，行数是图像的高度，列数是图像的宽度；二维数组X_B是图像上相应坐标位置的蓝色灰度值，介于0-255之间，行数是图像的高度，列数是图像的宽度；一维数组h中每个元素是对应图像被拍摄时行为外立面与摄像头之间的垂直距离。输出为一维数组x。对于图像的三个颜色通道的灰度矩阵，通过边缘提取操作后转换成三个通道的特征矩阵，然后展开并横向拼接得到该图像的特征行向量x，元素的总数等于边缘提取操作之后的图像横向像数值与图像纵向像数值乘积的3倍。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述初始化行为分类模型，包括：
Figure 504345DEST_PATH_IMAGE002
（1）
其中，f为行为分类模型；
Figure 890327DEST_PATH_IMAGE004
为多层感知机神经元的权重向量；x为混凝土卸料操作图像的特征向量；
Figure DEST_PATH_IMAGE027
为多层感知机的第m个神经元权重。
具体地，多层感知机是由输入层、一到多个隐藏层、输出层构成的全连接神经网络，将多层感知机用于分类问题时，要求至少有两个隐藏层，倒数第1个隐藏层必须是softmax层，倒数第2个隐藏层输出的若干个实数值(数量必须等于物料的类别总数)输入给倒数第1个隐藏层，经过softmax运算后，最终得到一个预测概率分布，预测概率分布中的每个概率值代表了输入x属于某个类别的预测概率，最大预测概率所对应的类别就是输入样本的类别预测值。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述为训练样本构建损失函数，包括：
Figure DEST_PATH_IMAGE028
（2）
其中，L为训练样本的损失函数；n为训练样本的数量；
Figure 591436DEST_PATH_IMAGE010
为第k个训练样本属于第i个类别的真实概率；
Figure 455487DEST_PATH_IMAGE012
为第k个训练样本属于第i个类别的预测概率；
Figure 738700DEST_PATH_IMAGE014
为类别总数。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述根据损失函数构建多层感知机神经元的权重向量的无约束优化，包括：
Figure DEST_PATH_IMAGE029
（3）
其中，
Figure 764425DEST_PATH_IMAGE018
为m维的实数空间；s.t.为约束条件。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型，包括：设定迭代次数最大值，将多层感知机神经元的权重向量初始化，将混凝土卸料操作图像的特征向量输入多层感知机，得到各个节点的输出值；采用反向传播算法更新多层感知机神经元的权重向量，则所述迭代次数最大值对应的多层感知机神经元的权重向量，即为行为分类模型的权重向量。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述采用反向传播算法更新多层感知机神经元的权重向量，包括：
Figure DEST_PATH_IMAGE030
（4）
Figure 985453DEST_PATH_IMAGE022
（5）
其中，max_iter为迭代次数最大值；
Figure DEST_PATH_IMAGE031
为学习速率，取正数使得
Figure 122036DEST_PATH_IMAGE026
取得最小值。
具体地，通过反向传播算法对上述优化问题进行求解，反向传播算法的流程如下：设定迭代次数最大值max_iter；对参数
Figure 509024DEST_PATH_IMAGE004
初始化，设定初始值为
Figure DEST_PATH_IMAGE033
；设定j如（5）式所示，在参数取值为
Figure DEST_PATH_IMAGE035
的前提下，将混凝土卸料操作图像的特征向量x输入输入进多层感知机，计算各个网络中各个节点的输出值；采用反向传播算法更新参数估计值如（4）式所示，最后选取
Figure DEST_PATH_IMAGE037
为训练好的行为分类模型
Figure DEST_PATH_IMAGE039
。其中，
Figure DEST_PATH_IMAGE041
为最大迭代次数后的多层感知机神经元的权重向量。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测方法，所述采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范，包括：根据实时混凝土卸料操作图像的特征向量，得到行为分类模型的概率分布预测值，并根据所述概率分布预测值找到相应的类别标签，根据相应的类别标签确定混凝土卸料过程操作是否规范。
具体地，计算新图像的特征向量：x=pre_process(X_R,X_G,X_B)；计算新图像的两个类别(正常或异常)的概率分布预测值：
Figure DEST_PATH_IMAGE043
；找到向量
Figure DEST_PATH_IMAGE045
中最大的概率值对应的类别标签label_predict；返回label_predict做为判断混凝土卸料过程操作是否规范的依据。
混凝土卸料过程操作规范性监测方法对搅拌车卸料行为进行智能识别，并与自身系统规格数据库进行比对，如果不一致则将识别结果推送到ERP。ERP推送消息提醒管理人员，确保混凝土浇筑过程与施工规范一致。推送消息包括：施工单位、搅拌车照片、违规行为照片、操作时间等。
本发明实施例提供的混凝土卸料过程操作规范性监测方法，通过获取混凝土卸料操作图像的特征向量，以所述特征向量为基础训练得到行为分类模型，最后采用行为分类模型对混凝土卸料的操作过程进行监测，可以提高监控混凝土卸料过程操作是否规范的准确性，降低监控成本，便于对混凝土卸料过程操作规范性监控的泛化推广。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种混凝土卸料过程操作规范性监测装置，该装置用于执行上述方法实施例中的混凝土卸料过程操作规范性监测方法。参见图2，该装置包括：第一主模块，用于提取混凝土卸料操作图像颜色通道的灰度矩阵，对所述灰度矩阵进行边缘信息提取得到颜色通道的特征矩阵，将特征矩阵进行横向拼接得到混凝土卸料操作图像的特征向量；第二主模块，用于以所述特征向量的元素数量作为训练样本的数量，初始化行为分类模型，为训练样本构建损失函数，根据损失函数构建多层感知机神经元的权重向量的无约束优化，采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型；第三主模块，用于采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范。
本发明实施例提供的混凝土卸料过程操作规范性监测装置，采用图2中的若干模块，通过获取混凝土卸料操作图像的特征向量，以所述特征向量为基础训练得到行为分类模型，最后采用行为分类模型对混凝土卸料的操作过程进行监测，可以提高监控混凝土卸料过程操作是否规范的准确性，降低监控成本，便于对混凝土卸料过程操作规范性监控的泛化推广。
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测装置，还包括：第一子模块，用于实现所述初始化行为分类模型，包括：
Figure 532082DEST_PATH_IMAGE002
其中，f为行为分类模型；
Figure 4520DEST_PATH_IMAGE004
为多层感知机神经元的权重向量；x为混凝土卸料操作图像的特征向量；
Figure 210374DEST_PATH_IMAGE006
为多层感知机的第m个神经元权重。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测装置，还包括：第二子模块，用于实现所述为训练样本构建损失函数，包括：
Figure DEST_PATH_IMAGE046
其中，L为训练样本的损失函数；n为训练样本的数量；
Figure 937021DEST_PATH_IMAGE010
为第k个训练样本属于第i个类别的真实概率；
Figure 835707DEST_PATH_IMAGE012
为第k个训练样本属于第i个类别的预测概率；
Figure 296907DEST_PATH_IMAGE014
为类别总数。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测装置，还包括：第三子模块，用于实现所述根据损失函数构建多层感知机神经元的权重向量的无约束优化，包括：
Figure DEST_PATH_IMAGE047
其中，
Figure 775292DEST_PATH_IMAGE018
为m维的实数空间；s.t.为约束条件。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测装置，还包括：第四子模块，用于实现所述采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型，包括：设定迭代次数最大值，将多层感知机神经元的权重向量初始化，将混凝土卸料操作图像的特征向量输入多层感知机，得到各个节点的输出值；采用反向传播算法更新多层感知机神经元的权重向量，则所述迭代次数最大值对应的多层感知机神经元的权重向量，即为行为分类模型的权重向量。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测装置，还包括：第五子模块，用于实现所述采用反向传播算法更新多层感知机神经元的权重向量，包括：
Figure 887605DEST_PATH_IMAGE020
Figure 940880DEST_PATH_IMAGE022
其中，max_iter为迭代次数最大值；
Figure 138644DEST_PATH_IMAGE031
为学习速率，取正数使得
Figure 686300DEST_PATH_IMAGE026
取得最小值。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的混凝土卸料过程操作规范性监测装置，还包括：第六子模块，用于实现所述采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范，包括：根据实时混凝土卸料操作图像的特征向量，得到行为分类模型的概率分布预测值，并根据所述概率分布预测值找到相应的类别标签，根据相应的类别标签确定混凝土卸料过程操作是否规范。
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本专利中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种混凝土卸料过程操作规范性监测方法，其特征在于，包括：提取混凝土卸料操作图像颜色通道的灰度矩阵，对所述灰度矩阵进行边缘信息提取得到颜色通道的特征矩阵，将特征矩阵进行横向拼接得到混凝土卸料操作图像的特征向量；以所述特征向量的元素数量作为训练样本的数量，初始化行为分类模型，为训练样本构建损失函数，根据损失函数构建多层感知机神经元的权重向量的无约束优化，采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型；采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范。
2.根据权利要求1所述的混凝土卸料过程操作规范性监测方法，其特征在于，所述初始化行为分类模型，包括：
Figure 357127DEST_PATH_IMAGE001
其中，f为行为分类模型；
Figure 24868DEST_PATH_IMAGE002
为多层感知机神经元的权重向量；x为混凝土卸料操作图像 的特征向量；
Figure 411856DEST_PATH_IMAGE003
为多层感知机的第m个神经元权重。
3.根据权利要求2所述的混凝土卸料过程操作规范性监测方法，其特征在于，所述为训练样本构建损失函数，包括：
Figure 874062DEST_PATH_IMAGE004
其中，L为训练样本的损失函数；n为训练样本的数量；
Figure 97233DEST_PATH_IMAGE005
为第k个训练样本属于第i个 类别的真实概率；
Figure 303086DEST_PATH_IMAGE006
为第k个训练样本属于第i个类别的预测概率；
Figure 48975DEST_PATH_IMAGE007
为类别总数。
4.根据权利要求3所述的混凝土卸料过程操作规范性监测方法，其特征在于，所述根据损失函数构建多层感知机神经元的权重向量的无约束优化，包括：
Figure 947661DEST_PATH_IMAGE008
其中，
Figure 658128DEST_PATH_IMAGE009
为m维的实数空间；s.t.为约束条件。
5.根据权利要求4所述的混凝土卸料过程操作规范性监测方法，其特征在于，所述采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型，包括：设定迭代次数最大值，将多层感知机神经元的权重向量初始化，将混凝土卸料操作图像的特征向量输入多层感知机，得到各个节点的输出值；采用反向传播算法更新多层感知机神经元的权重向量，则所述迭代次数最大值对应的多层感知机神经元的权重向量，即为行为分类模型的权重向量。
6.根据权利要求5所述的混凝土卸料过程操作规范性监测方法，其特征在于，所述采用反向传播算法更新多层感知机神经元的权重向量，包括：
Figure 402093DEST_PATH_IMAGE010
Figure 763673DEST_PATH_IMAGE011
其中，max_iter为迭代次数最大值；
Figure 567681DEST_PATH_IMAGE012
为学习速率，取正数使得
Figure DEST_PATH_IMAGE013
取得最小值。
7.根据权利要求6所述的混凝土卸料过程操作规范性监测方法，其特征在于，所述采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范，包括：根据实时混凝土卸料操作图像的特征向量，得到行为分类模型的概率分布预测值，并根据所述概率分布预测值找到相应的类别标签，根据相应的类别标签确定混凝土卸料过程操作是否规范。
8.一种混凝土卸料过程操作规范性监测装置，其特征在于，包括：第一主模块，用于提取混凝土卸料操作图像颜色通道的灰度矩阵，对所述灰度矩阵进行边缘信息提取得到颜色通道的特征矩阵，将特征矩阵进行横向拼接得到混凝土卸料操作图像的特征向量；第二主模块，用于以所述特征向量的元素数量作为训练样本的数量，初始化行为分类模型，为训练样本构建损失函数，根据损失函数构建多层感知机神经元的权重向量的无约束优化，采用反向传播算法计算所述无约束优化的最优解，得到行为分类模型；第三主模块，用于采用所述行为分类模型对混凝土卸料的操作过程进行监测，确定混凝土卸料过程操作是否规范。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至7任一项权利要求所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至7中任一项权利要求所述的方法。
CN202110589333.2A 2021-05-28 2021-05-28 混凝土卸料过程操作规范性监测方法及设备 Active CN113255527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589333.2A CN113255527B (zh) 2021-05-28 2021-05-28 混凝土卸料过程操作规范性监测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589333.2A CN113255527B (zh) 2021-05-28 2021-05-28 混凝土卸料过程操作规范性监测方法及设备

Publications (2)

Publication Number Publication Date
CN113255527A true CN113255527A (zh) 2021-08-13
CN113255527B CN113255527B (zh) 2021-10-08

Family

ID=77185186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589333.2A Active CN113255527B (zh) 2021-05-28 2021-05-28 混凝土卸料过程操作规范性监测方法及设备

Country Status (1)

Country Link
CN (1) CN113255527B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962899A (zh) * 2021-11-10 2022-01-21 北京工业大学 眼底图像处理方法、装置、电子设备及存储介质
CN115583510A (zh) * 2022-09-29 2023-01-10 华能伊敏煤电有限责任公司 基于激光扫描仪的自动排土控制方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447146A (zh) * 2018-10-24 2019-03-08 厦门美图之家科技有限公司 分类优化方法及装置
CN110245744A (zh) * 2019-05-29 2019-09-17 金华诺普视信息技术研究所有限公司 一种基于多层感知器的摔倒检测方法
CN110287804A (zh) * 2019-05-30 2019-09-27 广东电网有限责任公司 一种基于移动视频监控的电力作业人员着装识别方法
CN110975597A (zh) * 2019-10-15 2020-04-10 杭州电子科技大学 一种水泥脱硝的神经网络混合优化方法
CN212334051U (zh) * 2020-04-01 2021-01-12 深圳市九象数字科技有限公司 一种建筑物料监控装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447146A (zh) * 2018-10-24 2019-03-08 厦门美图之家科技有限公司 分类优化方法及装置
CN110245744A (zh) * 2019-05-29 2019-09-17 金华诺普视信息技术研究所有限公司 一种基于多层感知器的摔倒检测方法
CN110287804A (zh) * 2019-05-30 2019-09-27 广东电网有限责任公司 一种基于移动视频监控的电力作业人员着装识别方法
CN110975597A (zh) * 2019-10-15 2020-04-10 杭州电子科技大学 一种水泥脱硝的神经网络混合优化方法
CN212334051U (zh) * 2020-04-01 2021-01-12 深圳市九象数字科技有限公司 一种建筑物料监控装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈江涛: "课堂行为智能图像识别分析的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962899A (zh) * 2021-11-10 2022-01-21 北京工业大学 眼底图像处理方法、装置、电子设备及存储介质
CN115583510A (zh) * 2022-09-29 2023-01-10 华能伊敏煤电有限责任公司 基于激光扫描仪的自动排土控制方法及其系统
CN115583510B (zh) * 2022-09-29 2023-10-27 华能伊敏煤电有限责任公司 基于激光扫描仪的自动排土控制方法及其系统

Also Published As

Publication number Publication date
CN113255527B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN111124840B (zh) 业务运维中告警的预测方法、装置与电子设备
CN113255527B (zh) 混凝土卸料过程操作规范性监测方法及设备
CN106600052B (zh) 一种基于时空轨迹的用户属性与社会网络检测系统
CN108376132A (zh) 相似试题的判定方法及系统
CN111582538B (zh) 一种基于图神经网络的社群价值预测方法及系统
CN111695719A (zh) 一种用户价值预测方法及系统
CN114118507A (zh) 一种基于多维信息融合的风险评估预警方法和装置
CN111783713A (zh) 基于关系原型网络的弱监督时序行为定位方法及装置
CN113516133B (zh) 一种多模态图像分类方法及系统
CN113139052B (zh) 基于图神经网络特征聚合的谣言检测方法及装置
CN106952190A (zh) 虚假房源录入行为识别与预警系统
CN116402352A (zh) 一种企业风险预测方法、装置、电子设备及介质
CN115017511A (zh) 一种源代码漏洞检测方法、装置以及存储介质
CN111008631A (zh) 图像的关联方法及装置、存储介质和电子装置
CN113569852A (zh) 语义分割模型的训练方法、装置、电子设备及存储介质
CN115659966A (zh) 基于动态异构图和多级注意力的谣言检测方法及系统
CN115481680A (zh) 基于外源雷达的飞鸟与无人机航迹目标分类方法及设备
CN117765480B (zh) 一种道路沿线野生动物迁徙预警方法及系统
CN113449878B (zh) 数据分布式的增量学习方法、系统、设备及存储介质
CN114155551A (zh) 基于YOLOv3改进的复杂环境下的行人检测方法及装置
CN110866445A (zh) 一种基于深度学习的人群计数和密度估计方法
CN114154622A (zh) 交通运行体系流量数据采集缺失补全的算法模型
CN113705402A (zh) 视频行为预测方法、系统、电子设备及存储介质
CN113268985A (zh) 基于关系路径的远程监督关系抽取方法、装置及介质
CN116362894A (zh) 多目标学习方法、装置、电子设备及计算机可读存储介质

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