CN113269233A - 建筑工程转包与分包的智能监控与预警系统及方法 - Google Patents
建筑工程转包与分包的智能监控与预警系统及方法 Download PDFInfo
- Publication number
- CN113269233A CN113269233A CN202110471595.9A CN202110471595A CN113269233A CN 113269233 A CN113269233 A CN 113269233A CN 202110471595 A CN202110471595 A CN 202110471595A CN 113269233 A CN113269233 A CN 113269233A
- Authority
- CN
- China
- Prior art keywords
- subcontracting
- image
- early warning
- information
- engineering
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
Abstract
本发明提出一种建筑工程转包与分包的智能监控与预警系统及方法,提出了基于多层卷积神经网络的强化学习模型的建筑工程转包与分包的智能监测与预警方法。采用多层卷积神经网络抽取备案信息的图像特征,和建筑工程施工现场的实时图像特征,结合强化学习算法,识别工程各阶段的转包和分包是否备案的情况。其可以在充分考虑施工人员、设备和现场施工轮廓等关键备案因素情况下,识别出在建筑工程的施工期间,工程各阶段的转包和分包是否备案的复杂监测任务;有效完成了依靠人工和其他常规手段无法完成的现实问题。
Description
技术领域
本发明属于工程建设管理技术领域,尤其涉及一种建筑工程转包与分包的智能监控与预警系统及方法。
背景技术
对于工程建设的有效、高效管理一直是有重要意义和价值的问题。尤其是建筑工程中的转包与分包的管理由于在施工的各个阶段都处于动态变化的复杂过程,无论是通过管理人员进行人工监控,还是通过视频监控等方法,均难以起到理想的效果。
如中国专利201710749778.6-电力建设工地智能化管理系统及方法中,通过设于电力建设工地的环境信息采集单元来采集现场环境信息,并通过处理单元根据所述现场环境信息辨别告警事件,其中所述告警事件的类型包括:违章进入带电禁区事件、现场人员未戴安全帽事件、现场人员登高未系安全带事件、及现场人员违章吸烟事件中的任意一种或多种。
但这样的现有技术方案只能针对特定简单的警告事宜进行智能化的监控,该方法只监测特定的独立事项,无法识别具有一定时间跨度的复杂监测任务,如工程各阶段的转包和分包情况。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种建筑工程转包与分包的智能监控与预警系统及方法。其提出了基于多层卷积神经网络的强化学习模型的建筑工程转包与分包的智能监测与预警方法。采用多层卷积神经网络抽取备案信息的图像特征,和建筑工程施工现场的实时图像特征,结合强化学习算法,识别工程各阶段的转包和分包是否备案的情况。
本发明具体采用以下技术方案:
一种建筑工程转包与分包的智能监控与预警系统,其特征在于,包括:采集模块、视频监控模块、图像特征提取和识别模块和预警模块;
所述采集模块包括文档信息采集模块和图像信息采集模块;所述文档信息采集模块用于采集备案的转包和分包信息的文档;所述图像信息采集模块用于采集备案的施工人员的图像信息;
所述视频监控模块用于采集工程现场的影像信息;
所述图像特征提取和识别模块用于采用多层卷积神经网络抽取备案信息的图像特征,采用多层卷积神经网络抽取工程现场的影像关键帧中的图像信息,并结合强化学习算法,计算获得备案信息和现场信息是否匹配的结果;
所述预警模块对图像特征提取和识别模块传送的不匹配结果发出预警信息。
优选地,所述图像信息采集模块还用于采集施工设备的图像信息。
一种建筑工程转包与分包的智能监控与预警方法,其特征在于,包括以下步骤:
步骤S1:根据含有转包和分包信息的文档,采集和多角度拍摄施工的人员和施工设备,作为备案信息,并采用多层卷积神经网络抽取备案信息的图像特征;
步骤S2:通过视频影像监控设备采集的建筑现场的影像,采用多层卷积神经网络抽取影像关键帧中的现场图像特征;
步骤S3:根据备案和现场图像特征,结合强化学习算法,识别工程各阶段的转包和分包是否备案的情况,如未备案,进行预警提醒。
优选地,在步骤S1和步骤S2中,在进行多层卷积神经网络抽取图像特征之前,先进行影像数据预处理;所述影像数据预处理包括:采用直方图变换方法进行增强和采用全变分图像去噪方法进行去噪。
优选地,在步骤S2中,采用视频聚类的关键帧抽取方法抽取出影像关键帧,对关键帧进行分割,并对分割的区域进行人工标注,标注出施工人员、设备信息和现场施工情况;并依据备案信息,标注出施工人员、设备的备案情况,现场施工在备案中处于哪个施工阶段,和标注该建筑工程项目是否存在转包和分包未备案的情况。
优选地,在步骤S3中,将步骤2处理后的建筑工程样本数据,按9:1比例分为训练样本和测试样本;采用基于多层卷积神经网络的强化学习模型,对训练样本进行模型训练;模型学习建筑工程在各阶段的转包和分包是否符合备案的情况,并依据测试样本,优化图像的特征提取和模型的参数设定。
优选地,对步骤S3的模型判别结果进行人工确认与审核,然后将人工判别后的样本数据扩充到样本数据库中,用于优化模型参数。
与现有技术相比,本发明及其优选方案提出了基于多层卷积神经网络的强化学习模型的建筑工程转包与分包的智能监测与预警方法。填补了现有技术的空白,可以在充分考虑施工人员、设备和现场施工轮廓等关键备案因素情况下,识别出在建筑工程的施工期间,工程各阶段的转包和分包是否备案的复杂监测任务;有效完成了依靠人工和其他常规手段无法完成的现实问题。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
在本实施例提供的建筑工程转包与分包的智能监控与预警系统及方法中,首先根据含有转包和分包信息的文档,采集和多角度拍摄施工的人员面貌和施工设备,作为备案信息,并采用多层卷积神经网络抽取备案信息的图像特征,然后通过视频影像监控设备实时采集的建筑现场的影像,然后采用多层卷积神经网络实时抽取影像关键帧中的施工人员面貌,施工设备、施工现场轮廓等现场图像特征,最后依据备案和现场图像特征,结合强化学习算法,识别工程各阶段的转包和分包是否备案的情况,如未备案,进行预警提醒。
如图1所示,以上过程主要通过以下具体过程来实现:
1.影像数据预处理
阴天、雨天、雾天、雪天、晚上等光照不足环境下,影像的清晰度不足会影响图像关键特征的提取,光电传感器本身的图像噪声同样影响图像特征的精确性。影像数据预处理目的是有效提高影像的清晰度和降低图像噪声的影响。因此,本实施例影像数据预处理是采用增强和去噪的图像技术。
在视频增强方面,本实施例采用直方图变换方法,通过改变图像的直方图来改变像素的灰度,以达到增强的目的。
在视频去噪方面,本实施例采用全变分(TV)图像去噪方法,基于变分法的思想,确定图像的能量函数,通过对图像能量函数最小化达到平滑去噪的目的。
2.影像数据标注
本实施例以一个建筑工程项目的备案影像和整个现场监控影像作为一个样本,先对影像数据进行步骤1的预处理,然后采用视频聚类的关键帧抽取方法抽取出影像关键帧。对关键帧进行分割,并对分割的区域进行人工标注,标注出施工人员、设备信息和现场施工情况。并依据备案信息,标注出施工人员、设备的备案情况,现场施工在备案中处于哪个施工阶段,和标注该建筑工程项目是否存在转包和分包未备案的情况。
3. 基于多层卷积神经网络的强化学习模型训练
将步骤2处理后的大量建筑工程样本数据,按9:1比例分为训练样本和测试样本。采用基于多层卷积神经网络的强化学习模型,对训练样本进行模型训练。模型学习建筑工程在各阶段的转包和分包是否符合备案的情况,并依据测试样本,优化图像的特征提取和模型的参数设定。
4.建筑工程转包与分包备案情况的模型识别
通过视频影像监控设备实时采集施工人员、设备和建筑现场等信息,并依据备案情况,模型识别出工程各阶段的转包和分包是否备案的情况,如未备案,进行预警提醒。
5.样本扩充
对步骤4的模型判别结果进行人工确认与审核,然后将人工判别后的样本数据扩充到样本数据库中,用于优化模型参数,提高模型识别性能。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的建筑工程转包与分包的智能监控与预警系统及方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (7)
1.一种建筑工程转包与分包的智能监控与预警系统,其特征在于,包括:采集模块、视频监控模块、图像特征提取和识别模块和预警模块;
所述采集模块包括文档信息采集模块和图像信息采集模块;所述文档信息采集模块用于采集备案的转包和分包信息的文档;所述图像信息采集模块用于采集备案的施工人员的图像信息;
所述视频监控模块用于采集工程现场的影像信息;
所述图像特征提取和识别模块用于采用多层卷积神经网络抽取备案信息的图像特征,采用多层卷积神经网络抽取工程现场的影像关键帧中的图像信息,并结合强化学习算法,计算获得备案信息和现场信息是否匹配的结果;
所述预警模块对图像特征提取和识别模块传送的不匹配结果发出预警信息。
2.根据权利要求1所述的建筑工程转包与分包的智能监控与预警系统,其特征在于:所述图像信息采集模块还用于采集施工设备的图像信息。
3.一种建筑工程转包与分包的智能监控与预警方法,其特征在于,包括以下步骤:
步骤S1:根据含有转包和分包信息的文档,采集和多角度拍摄施工的人员和施工设备,作为备案信息,并采用多层卷积神经网络抽取备案信息的图像特征;
步骤S2:通过视频影像监控设备采集的建筑现场的影像,采用多层卷积神经网络抽取影像关键帧中的现场图像特征;
步骤S3:根据备案和现场图像特征,结合强化学习算法,识别工程各阶段的转包和分包是否备案的情况,如未备案,进行预警提醒。
4.根据权利要求3所述的建筑工程转包与分包的智能监控与预警方法,其特征在于:在步骤S1和步骤S2中,在进行多层卷积神经网络抽取图像特征之前,先进行影像数据预处理;所述影像数据预处理包括:采用直方图变换方法进行增强和采用全变分图像去噪方法进行去噪。
5.根据权利要求3所述的建筑工程转包与分包的智能监控与预警方法,其特征在于:在步骤S2中,采用视频聚类的关键帧抽取方法抽取出影像关键帧,对关键帧进行分割,并对分割的区域进行人工标注,标注出施工人员、设备信息和现场施工情况;并依据备案信息,标注出施工人员、设备的备案情况,现场施工在备案中处于哪个施工阶段,和标注该建筑工程项目是否存在转包和分包未备案的情况。
6.根据权利要求5所述的建筑工程转包与分包的智能监控与预警方法,其特征在于:在步骤S3中,将步骤2处理后的建筑工程样本数据,按9:1比例分为训练样本和测试样本;采用基于多层卷积神经网络的强化学习模型,对训练样本进行模型训练;模型学习建筑工程在各阶段的转包和分包是否符合备案的情况,并依据测试样本,优化图像的特征提取和模型的参数设定。
7.根据权利要求6所述的建筑工程转包与分包的智能监控与预警方法,其特征在于:对步骤S3的模型判别结果进行人工确认与审核,然后将人工判别后的样本数据扩充到样本数据库中,用于优化模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471595.9A CN113269233A (zh) | 2021-04-29 | 2021-04-29 | 建筑工程转包与分包的智能监控与预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110471595.9A CN113269233A (zh) | 2021-04-29 | 2021-04-29 | 建筑工程转包与分包的智能监控与预警系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269233A true CN113269233A (zh) | 2021-08-17 |
Family
ID=77229737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110471595.9A Pending CN113269233A (zh) | 2021-04-29 | 2021-04-29 | 建筑工程转包与分包的智能监控与预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269233A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117634864A (zh) * | 2024-01-24 | 2024-03-01 | 华仁建设集团有限公司 | 基于图像分析的智慧工地施工任务优化方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004078987A (ja) * | 2003-10-20 | 2004-03-11 | Jutaku Shizai Ryutsu Center:Kk | 建築物の施工状況確認方法 |
CN108052881A (zh) * | 2017-11-30 | 2018-05-18 | 华中科技大学 | 一种实时检测施工现场图像中多类实体对象的方法及设备 |
JP2019075078A (ja) * | 2018-05-10 | 2019-05-16 | ギアヌーヴ株式会社 | 工事現場画像判定装置及び工事現場画像判定プログラム |
CN110505452A (zh) * | 2019-08-26 | 2019-11-26 | 广东电网有限责任公司 | 一种基建输电工程进度监控方法及监控系统 |
CN112183265A (zh) * | 2020-09-17 | 2021-01-05 | 国家电网有限公司 | 基于图像识别的电力施工视频监控告警方法及系统 |
CN112380982A (zh) * | 2020-11-13 | 2021-02-19 | 福建亿榕信息技术有限公司 | 一种电力行业基建项目进度与质量的一体化监测方法 |
CN112418717A (zh) * | 2020-12-07 | 2021-02-26 | 国网山东省电力公司经济技术研究院 | 基于人工智能的工程现场人员行为预警方法和系统 |
-
2021
- 2021-04-29 CN CN202110471595.9A patent/CN113269233A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004078987A (ja) * | 2003-10-20 | 2004-03-11 | Jutaku Shizai Ryutsu Center:Kk | 建築物の施工状況確認方法 |
CN108052881A (zh) * | 2017-11-30 | 2018-05-18 | 华中科技大学 | 一种实时检测施工现场图像中多类实体对象的方法及设备 |
JP2019075078A (ja) * | 2018-05-10 | 2019-05-16 | ギアヌーヴ株式会社 | 工事現場画像判定装置及び工事現場画像判定プログラム |
CN110505452A (zh) * | 2019-08-26 | 2019-11-26 | 广东电网有限责任公司 | 一种基建输电工程进度监控方法及监控系统 |
CN112183265A (zh) * | 2020-09-17 | 2021-01-05 | 国家电网有限公司 | 基于图像识别的电力施工视频监控告警方法及系统 |
CN112380982A (zh) * | 2020-11-13 | 2021-02-19 | 福建亿榕信息技术有限公司 | 一种电力行业基建项目进度与质量的一体化监测方法 |
CN112418717A (zh) * | 2020-12-07 | 2021-02-26 | 国网山东省电力公司经济技术研究院 | 基于人工智能的工程现场人员行为预警方法和系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117634864A (zh) * | 2024-01-24 | 2024-03-01 | 华仁建设集团有限公司 | 基于图像分析的智慧工地施工任务优化方法及系统 |
CN117634864B (zh) * | 2024-01-24 | 2024-04-05 | 华仁建设集团有限公司 | 基于图像分析的智慧工地施工任务优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giben et al. | Material classification and semantic segmentation of railway track images with deep convolutional neural networks | |
CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
CN112380982A (zh) | 一种电力行业基建项目进度与质量的一体化监测方法 | |
CN113269233A (zh) | 建筑工程转包与分包的智能监控与预警系统及方法 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN111310592B (zh) | 一种基于场景分析和深度学习的检测方法 | |
CN112967252B (zh) | 一种轨道车辆机感吊架组装螺栓丢失检测方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN106803087A (zh) | 一种车号自动识别方法及系统 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及系统 | |
CN112307842B (zh) | 用于列车运行监控记录文件匹配的视频识别系统及方法 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN117314921B (zh) | 一种基于rfid的轨道巡检设备的起点检测及处置方法 | |
CN117875549A (zh) | 一种基于图像识别的建筑遗产保护评估系统和方法 | |
CN113255697A (zh) | 复杂场景下的高精度高空抛物检测系统及方法 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN115862021B (zh) | 基于yolo的水电站闸门自动识别方法 | |
CN112116577B (zh) | 一种基于深度学习的篡改人像视频检测方法及系统 | |
CN114387586A (zh) | 一种基于yolo神经网络的驾驶员专心度检测方法 | |
CN110084125B (zh) | 一种基于深度学习的农业保险查勘技术方法 | |
CN113255422A (zh) | 一种基于深度学习的工序衔接目标识别管理方法及系统 | |
CN118195880B (zh) | 一种营运车辆信息监管系统及方法 | |
CN115082865B (zh) | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 |
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 |
Application publication date: 20210817 |
|
RJ01 | Rejection of invention patent application after publication |