CN113378754A - 一种工地裸土监测方法 - Google Patents

Abstract

本发明公开了一种工地裸土监测方法，包括：获得包含有地理位置信息的待测工地原始图像；对待测工地原始图像进行色彩校正，利用色彩校正的图像生成待测工地的正射影像；将正射影像进行目标轮廓初次标注，将初次标注轮廓的正射影像输入至Mask RCNN模型网络中，提取目标轮廓的颜色特征和纹理特征，对颜色特征和纹理特征进行训练，得到初始目标识别模型；对初始目标识别模型进行优化，获得最终目标识别模型；将待测工地图像输入至最终目标识别模型中，输出目标区域；对目标区域内的有效像素点进行数量统计，得出目标区域的面积。本发明利用色彩校正过的图像进行构建裸土识别模型，识别出的裸土区域更准确。

Description

一种工地裸土监测方法

技术领域

本发明涉及建筑工地管理技术领域，尤其涉及一种工地裸土监测方法。

背景技术

随着人们对环保的重视，目前建筑施工现场对扬尘的控制要求也越来越高，现场存在裸露土体的地方要求必须全程覆盖以避免扬尘。如果未覆盖或者未完全覆盖视作违规。施工现场易飞扬的细颗粒建材应密闭存放。施工现场内堆放超过8小时不扰动的裸土应进行覆盖,堆放超过三个月以上不使用的堆土应进行绿化，弃土应及时清运。裸土覆盖监测方法一般有三种，如下：

一种是人工巡视，指的是人员到现场巡视；人员到现场巡，由于施工现场地形复杂，人工巡视一是存在安全隐患，二是效率低，时间成本比较高；

第二种是通过使用全天候固定视角摄像头对工地大场景下的裸土覆盖情况进行识别，虽然可以解决安全隐患和检测效率低或是时间成本的问题，但是存在采集数据视角单一以及采集的数据零散不易整合问题；

第三种方法是无人机巡视，无人机上面安装有摄像头、图像处理单元、通讯单元，摄像头采集的图像经过图像处理单元处理后通过通讯单元将处理等候图片数据实时的发送至显示单元，检测人员通过显示单元显示的图像信息进行判断是否出现未覆盖裸土。第三种检测方法存在以下缺点：1.仅能检测是否存在裸土覆盖，无法进一步的确定裸土覆盖的面积，无法进一步的作为监管和处罚的参考标准之一。2.检测人员通过人眼在线判断是否存在裸土覆盖，主观性强，且有可能出现误判的情况。

所以有必要提出一种新的方案，用于精确识别出工地裸土区域且能有效计算出工地裸土的面积。

发明内容

本申请实施例通过提出了一种工地裸土监测方法，解决了检测人员在线判断识别裸土区域不准确，同时不能有效计算出裸土面积的问题，提高了裸土区域识别的精准确度，同时有效的计算识别出的裸土的面积，为监管和处罚提供了一参考标准。

本申请实施例提供了一种工地裸土监测方法，包括：

S1:获得包含有地理位置信息的待测工地原始图像；

S2：对所述待测工地原始图像进行色彩校正，利用色彩校正的图像生成待测工地的正射影像；

S3:将所述正射影像进行目标轮廓初次标注，将初次标注轮廓的正射影像输入至Mask RCNN模型网络中，提取所述目标轮廓的颜色特征和纹理特征，对所述颜色特征和所述纹理特征进行训练，得到初始目标识别模型；

S4：对所述初始目标识别模型进行优化，获得最终目标识别模型；

S5：将待测工地图像输入至所述最终目标识别模型中，输出目标区域；

S6：对所述目标区域内的有效像素点进行数量统计，得出所述目标区域的面积。

优选的，步骤S1中通过无人机搭载摄像机拍摄包含有地理位置信息的待测工地图像，具体步骤包括：

S11:按照预定航线操控所述无人机进行飞行；

S12:近距离拍摄待测工地的多张图像；

S13:将相应的地理位置信息写入至所述多张图像中,获得包含有地理位置信息的多张待测工地图像。

优选的，步骤S2中对所述待测工地原始图像进行色彩校正的步骤包括：

S21:在所述无人机起飞前，在室外环境将一标准色卡水平放置于所述摄像机CMOS和镜头正前方，拍摄包含的标准色卡的图像；

S22:将所述包含的标准色卡的图像输入至一图像处理单元，生成校色处理预设文件；

S23:将待测工地原始图像输入至所述图像处理单元，使用所述校色处理预设文件，生成色彩校正的图像。

优选的，步骤S2中对所述待测工地原始图像进行色彩校正的步骤包括：

S21’:将一标准色卡粘贴至所述无人机机身且所述摄像机可拍摄到的位置，拍摄包含有标准色卡的图像；

S22:将所述包含有标准色卡的图像输入至一图像处理单元，生成校色处理预设文件；

S23:将待校正的图像输入至所述图像处理单元，使用所述校色处理预设文件，生成色彩校正的图像。

优选的，步骤S22中将所述包含的标准色卡的图像输入至一图像处理单元，生成校色处理预设文件，包括：

对输入至所述图像处理单元的包含的标准色卡的图像裁剪至仅含有校色卡部分，使用白平衡矫正吸管工具吸取色卡中对应色块进行校色，生成并存储校色处理预设文件。

优选的，步骤S22中将所述包含有标准色卡的图像输入至一图像处理单元，生成校色处理预设文件，包括：

1)所述包含有标准色卡的图像为多张，将多张包含有标准色卡的图像利用YOLOV5算法进行自动识别、裁切至仅包含标准色卡的图像，并对所述仅包含标准色卡的图像进行角度校正；

2)将角度校正的图像导入至校色软件中进行批量识别，计算色差，并生成校色处理预设文件。

优选的，步骤S3中目标轮廓包括裸土轮廓和砖块轮廓，将所述正射影像进行所述裸土轮廓和所述砖块轮廓初次标识，将初次标注轮廓的正射影像输入至Mask RCNN模型网络中，提取所述裸土轮廓和砖块轮廓的颜色特征和纹理特征，对所述颜色特征和所述纹理特征进行训练，得到包含有裸土轮廓和砖块轮廓的识别模型，将所述砖块轮廓从所述识别模型中剔除，得到初始裸土识别模型。

优选的，步骤S4中对所述初始目标识别模型进行优化，获得最终目标识别模型，包括：人工随机选取小块工地区域进行识别精度校验，对未识别出目标进行人工修补标注，进行第二次或更多次深度学习识别，直至满足识别精度要求，获得最终目标识别模型。

优选的，步骤S6中：对所述裸土轮廓进行网格化计算，对识别出的目标区域进行面积计算。

优选的，步骤S6中还包括：确定所述有效像素点的三维坐标信息以及目标区域的位置信息，获得所述目标区域内有效像数点的高度数据以及目标区域定位信息。

与现有技术相比，本发明的有益效果在于：

1.本发明通过对包含有地理位置信息的图像进行色彩校正后进行搭建裸土识别的模型，避免了因为外部环境因素的对拍摄图像的影响，提高了裸土识别的准确率。

2.本发明在无人机拍摄待测工地区域时，可在飞行过程中间隔拍摄机体包含标准色卡的多张图像，以应对光线和光照色彩变化剧烈的天气环境；在对标准色卡进行处理生成色彩校正预处理的文件时，采用YOLO5算法识别色卡边缘范围和摆放角度，自动裁切包含有标准色卡的图像且自动旋转标准色卡的位置，自动生成色彩校正的预处理文件，节省人力同时提高了色彩校正的准确性。

附图说明

图1为本申请实施例一中工地裸土监测方法的流程图；

图2为本申请一实施例无人机搭载摄像机拍摄包含有地理位置信息的待测工地图像方法的流程图；

图3为本申请一实施例标准色卡安放在无人机脚架位置的示意图；

图4为本申请一实施例生成校色预处理文件的方法流程图；

图5为本申请一实施例生成校色预处理文件的另一方法流程图；

图中：1：无人机机体；2：标准色卡；3：摄像机；

具体实施方式

以下将结合附图所示的具体实施方式对本发明进行详细描述，但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

如图1所示，本申请一具体实施例公开了一种工地裸土监测方法，包括：

S1:获得包含有地理位置信息的待测工地原始图像；

S2：对所述待测工地原始图像进行色彩校正，利用色彩校正的图像生成待测工地的正射影像；有一具体的实施例，将带有地理定位信息的图像并且色彩校正后的图像数据导入到ContextCapture Center软件中，进行空中三角测量，生成正射影像。

需要说明的是，数字正射影像图(DOM,Digital Orthophoto Map)：是对航空(或航天)像片进行数字微分纠正和镶嵌，按一定图幅范围裁剪生成的数字正射影像集。它是同时具有地图几何精度和影像特征的图像。

S3:将所述正射影像进行目标轮廓初次标注，将初次标注轮廓的正射影像输入至Mask RCNN模型网络中，提取所述目标轮廓的颜色特征和纹理特征，对所述颜色特征和所述纹理特征进行训练，得到初始目标识别模型；

具体的，将生产完成的正射影像成果Tif文件导入ArcGIS pro软件中，将MaskRCNN网格框架和ArcGIS pro机器学习框架加载到ArcGIS pro软件中；添加裸土识别样本组数据库，创建识别分类类别，为了进一步提高裸土轮廓识别的精度，有一优选实施例，步骤S3中目标轮廓包括裸土轮廓和砖块轮廓，将所述正射影像进行所述裸土轮廓和所述砖块轮廓初次标识，将初次标注轮廓的正射影像输入至Mask RCNN模型网络中，提取所述裸土轮廓和砖块轮廓的颜色特征和纹理特征，对所述颜色特征和所述纹理特征进行训练，得到包含有裸土轮廓和砖块轮廓的识别模型，将所述砖块轮廓从所述识别模型中剔除，得到初始裸土识别模型。如此可以将类似裸土颜色的砖块轮廓进行剔除，提高了裸土轮廓识别的精度，当然目标轮廓还可以包括其他类似裸土颜色的非裸土轮廓，剔除其他类似裸土颜色的非裸土轮廓的步骤如上所述，在这里不在详细说明。

需要说明的是，为了提高裸土识别的准确率，需要提取目标轮廓的颜色特征和纹理特征，对所述颜色特征和所述纹理特征进行训练，得到初始目标识别模型；

增加纹理的特征为了避免在高空拍摄时，俯视下去可能会有很多颜色和裸土相似的东西(比如红色毯子、红色的砖块堆、橙色的板房房顶等等)，可能会把这些干扰目标也识别成裸土。纹理特征如在裸土上面的车辙印、小碎块、翻浆等等纹理特征。

Mask R-CNN是一个两阶段的框架，第一个阶段扫描图像并生成提议(proposals，即有可能包含一个目标的区域)，第二阶段分类提议并生成边界框和掩码。

具体的，初始目标识别模型的步骤如下：

1)输入一张用于目标轮廓标注和模型训练的正射影像文件，进行对应的预处理操作，预处理操作包括地理位置信息校验，影像完整度检查，影像边缘裁剪过滤处理步骤；

2)将整张图片输入预先训练好的神经网络Mask R-CNN中，创建分组类别：通过修改源代码下的config实现(如：裸土、砖块、其他非裸土的类似物)，建立一个颜色填充过滤器，进行人工目标标注，直接使用多边形框选工具对裸土区域进行框选，进行施工环境中的裸土的颜色和纹理特征提取；

3)用FPN生成建议窗口(proposals)，每张图像生成N个建议窗口；

4)把建议窗口映射到Mask R-CNN的最后一层卷积feature map上；

5)对这个feature map中的每一点预定个的ROI，从而获得多个候选ROI；(ROI可以理解为目标裸土区域)；

6)将这些候选的ROI送入RPN网络进行二值分类(前景或背景)和BB回归，过滤掉一部分候选的ROI；

7)通过RoI Align层使每个RoI生成固定尺寸的feature map；

8)对这些ROI进行分类(N类别分类)、BB回归和MASK生成(在每一个ROI里面进行FCN操作)。

S4：对所述初始目标识别模型进行优化，获得最终目标识别模型；

S5：将待测工地图像输入至所述最终目标识别模型中，输出目标区域；

需要说明的是，将待测工地图像是经过色彩校正过的图像。

S6：对所述目标区域内的有效像素点进行数量统计，得出所述目标区域的面积。具体的，在执行Mask-R-CNN之后，可以获得每块裸土的轮廓并统计每块裸土轮廓的像素数量，然后利用每个像素所代表的单位面积大小，可以相应的计算每块裸土的面积，通过本方法计算得到的裸体轮廓区域的面积精度更高。

对于步骤S1中获得包含有地理位置信息的待测工地原始图像，需要说明是，获得包含有地理位置信息的待测工地原始图像有多种方式，可是通过在待测工地上面安装有绳状导轨，一图像采集装置可以沿着所述绳状导轨移动，采集待测工地的图像数据。本申请提供了一优选实施例，通过无人机搭载摄像机拍摄包含有地理位置信息的待测工地图像，具体采集待测工地的图像流程如图2所示，

S11:按照预定航线操控所述无人机进行飞行；具体的，无人机在目标区域的上方按照预定的航线进行飞行，为了更清晰的拍摄到待监测目标区域的整个区域，无人机距离目标区域的高度距离适中，无人机距离目标区域的高度距离，根据摄像机拍摄目标区域图像的清晰度进行调整。预定的航线是根据实际的情况而定，原则是将整个待测的目标区域完全覆盖即可。预定的航线是可以存储在航线规划软件中，若实际拍摄图像的过程中，发现有些地方的采集的图像不清晰，还可以按照原来的航线重新的操控无人机的进行飞行采集该航线的图像。

S12:近距离拍摄待测工地的多张图像；具体的，摄像机安装在无人机机体的下方，无人机飞行时，摄像机可以正对着施工区的工地进行拍摄，多张图像将待监测的目标区域完全的覆盖；

S13:将相应的地理位置信息写入至所述多张图像中,获得包含有地理位置信息的多张待测工地图像。无人机的机体上设有GPS定位模块，GPS定位模块将经纬度的信息传给飞行控制系统，同时将经纬度的地理位置信息传给摄像头里的数据处理器，该数据处理器将经纬度的地理位置信息写入至所拍摄的对应图像中。

由于拍摄设备、光线环境等客观因素，或者拍摄者喜好等主观因素影响，人们拍摄到的图片与真实物体的色彩会有一定的偏差。同一个事物在不同的环境下得到的图片颜色是不同的，这样就对接下来进行的图片处理、比较造成了一定影响。为了使图片还原事物本身的颜色，也就是尽可能接近拍摄时人眼看所看到的事物。使用色彩校正过的图像构建裸土识别模型，识别出的裸土区域更加准确。

上述的优选实施例中，由于无人机搭载摄像头进行监测目标区域时，不同的光线和光照拍摄出的图像照片的颜色是有差别，为了避免摄像机拍摄的图像色彩不失真，能够准确的识别出待测裸土的区域，有一具体的实施例，如图4所示，步骤S2中对所述图像进行色彩校正的步骤包括：

S21:在所述无人机起飞前，在室外环境将标准色卡水平放置于所述摄像机CMOS和镜头正前方，拍摄包含的标准色卡的图像；

S22:将所述包含的标准色卡的图像输入至一图像处理单元，生成校色处理预设文件；

S23:将待测工地原始图像输入至所述图像处理单元，使用所述校色处理预设文件，生成色彩校正的图像。

上述的图像色彩校正，适用于短时间使用无人机进行拍摄待测工地区域，短时间内无人机飞行过程中光照情况不会有大幅度的变化，如此，无人机搭载摄像机采集的图像受光照的影响较小，在后续构建裸土识别模型，并利用所构建的裸土识别模型进行识别待测工地的裸土区域时，更为准确。

若是无人机搭载摄像机长时间的采集待测工地的图像，避免在无人机飞行的过程中光照有大幅度的变化，比如有云遮挡太阳光，或者傍晚早晨光的颜色会有变化，影响色彩校正图像色彩准确性，

还有另外的一种具体的实施例，如图5所示，具体步骤如下：

S21’:将粘贴式标准色卡粘贴至所述无人机机身且所述摄像机可拍摄到的位置，拍摄包含有校色卡的图像；标准色卡可以粘贴至无人机机体的脚架或是机体底部，示例性的，如图3所示，标准色卡2粘贴在无人机机体1的脚架上，无人机机体底部的摄像机3的拍摄范围可以覆盖无人机机体的脚架，无人机在搭载摄像机在飞行的过程中间隔拍摄机体包含标准色卡内容的图像，以应对光线和光照色彩变化剧烈的天气环境。

S22:将包含有校色卡的图像输入至一图像处理单元，生成校色处理预设文件；

包含有校色卡的图像按照一定的时间间隔拍摄获得多张包含有标准校色卡的图像，同时生成多张校色处理预设文件，在待测工地的图像进行颜色校正时，根据不同时间点对应的校色处理预设文件进行颜色校正；如此，得到的色彩校正的图片和实际的颜色更贴近，更有利于识别出裸土区域。

S23:将待校正的图像输入至所述图像处理单元，使用所述校色处理预设文件，自动的生成色彩校正的图像。

对于上述两种摄像机拍摄的照片进行色彩校正实施例中，更具体的，所用的图像处理单元，可以是Photoshop也可以是Lightroom等图像处理软件，裁切图片至仅含有校色卡部分，使用白平衡矫正吸管工具吸取色卡中对应色块或是使用色卡官方校正软件自动校色，生成并存储校色预处理文件。

更具体的，若采集多张包含有标准色卡的图像，将多张包含有校色卡的图像输入至YOLOV5模型中，所述包含有标准色卡的图像为多张，将多张包含有标准色卡的图像利用YOLOV5算法进行自动识别、裁切至仅包含标准色卡的图像，并对所述仅包含标准色卡的图像进行角度校正；将角度校正的图像导入至校色软件中进行批量识别，计算色差，并生成校色处理预设文件。

利用YOLOV5算法可以应用于大量影像文件，节省校色到的时间，提高了图像校色的效率。需要说明的是，上述的上述两种摄像机拍摄的照片进行色彩校正实施例中选用的标准色卡为24色或灰度标准校色卡/粘贴式标准色卡纸。色卡中分布的色块，定义左上角为正纯白色的RGB编号。定义左下角为纯黑色的RGB编号。通过识别两个色块的连线是否垂直水平线，判断色卡角度，基于偏移角度，进行旋转、裁切。

为了提高裸土模型的识别精度，有一具体的实施例，步骤S4中对所述初始目标识别模型进行优化，获得最终目标识别模型，包括：人工随机选取小块工地区域进行识别精度校验，对未识别出目标进行人工修补标注，进行第二次或更多次深度学习识别，直至满足识别精度要求，获得最终目标识别模型。

由于不同工地地区的土壤存在色彩差异，或由于土壤湿度变化造成色彩差异。为了提高最终裸土识别模型的适应性，在使用训练好的裸土识别模型数据时，可对模型进行整体性修改。具体的步骤如下：将采集的不通工地图像数据输入至已搭建的最终裸土识别模型中后，人工对裸土识别结果进行核对和标注，将修改的模型结果结合具有人为主观性的模型修改参数(调整识别模型中土壤的RGB色相参数，如：在大面积红色土壤作业区域下，将模型色相识别参数调整偏红至符合人眼观感的色彩标准)，应用到后续识别使用的新模型中，从而对不同类型土壤进行适应性识别。

由于裸土区域地边缘具有不规则性质，面积计算时应基于对裸土面积测量精度地具体需求，修改网格化计算的网格微分参数，使面积计算高效完成。有一具体的实施例，步骤S6中：使用ArcGIS pro中地Image Analysis工具进行网格化计算，对识别出的目标区域进行面积计算。更优选的，可以确定所述有效像素点的三维坐标信息以及目标区域的位置信息，获得所述目标区域内有效像数点的高度数据以及目标区域定位信息，在获得裸土区域的轮廓区域以及裸土的高度数据，如此可以获得裸土区域的裸土的体积，该裸土区域体积又有定位信息，如此可以进一步对裸土区域的治理工作打下一定的基础。

本发明通过对包含有地理位置信息的图像进行色彩校正后进行搭建裸土识别的模型，避免了因为外部环境因素的对拍摄图像的影响，提高了裸土识别的准确率。

本发明在无人机拍摄待测工地区域时，可在飞行过程中间隔拍摄机体包含标准色卡的图像，以应对光线和光照色彩变化剧烈的天气环境；在对标准色卡进行处理生成色彩校正预处理的文件时，采用YOLO5算法识别色卡边缘范围和摆放角度，自动裁切包含有标准色卡的图像且自动旋转标准色卡至正确的位置，自动生成色彩校正的预处理文件，节省人力同时提高了色彩校正的准确性。

本发明使用无人机拍摄带有定位信息的图像，在GIS软件中载入深度学习网络模块，使用软件进行深度学习和识别，测算裸土面积并标注出目标地理位置信息。无人机空中作业效率高，地面人员人力成本低，计算机处理智能和自动化程度高。使用标准色卡对航拍影像进行校色，降低图像采集过程中因室外环境变化造成图像的色差，提高影像数据对真实环境的还原度。

尽管为示例目的，已经公开了本发明的优选实施方式，但是本领域的普通技术人员将意识到，在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下，各种改进、增加以及取代是可能的。

Claims (10)

1.一种工地裸土监测方法，其特征在于，包括：

S1:获得包含有地理位置信息的待测工地原始图像；

S2：对所述待测工地原始图像进行色彩校正，利用色彩校正的图像生成待测工地的正射影像；

S3:将所述正射影像进行目标轮廓初次标注，将初次标注轮廓的正射影像输入至MaskRCNN模型网络中，提取所述目标轮廓的颜色特征和纹理特征，对所述颜色特征和所述纹理特征进行训练，得到初始目标识别模型；

S4：对所述初始目标识别模型进行优化，获得最终目标识别模型；

S5：将待测工地图像输入至所述最终目标识别模型中，输出目标区域；

S6：对所述目标区域内的有效像素点进行数量统计，得出所述目标区域的面积。

2.根据权利要求1所述的一种工地裸土监测方法，其特征在于,步骤S1中通过无人机搭载摄像机拍摄包含有地理位置信息的待测工地图像，具体步骤包括：

S11:按照预定航线操控所述无人机进行飞行；

S12:近距离拍摄待测工地的多张图像；

S13:将相应的地理位置信息写入至所述多张图像中,获得包含有地理位置信息的多张待测工地图像。

3.根据权利要求2所述的一种工地裸土监测方法，其特征在于,步骤S2中对所述待测工地原始图像进行色彩校正的步骤包括：

S21:在所述无人机起飞前，在室外环境将一标准色卡水平放置于所述摄像机CMOS和镜头正前方，拍摄包含的标准色卡的图像；

S22:将所述包含的标准色卡的图像输入至一图像处理单元，生成校色处理预设文件；

S23:将待测工地原始图像输入至所述图像处理单元，使用所述校色处理预设文件，生成色彩校正的图像。

4.根据权利要求2所述的一种工地裸土监测方法，其特征在于,步骤S2中对所述待测工地原始图像进行色彩校正的步骤包括：

S21’:将一标准色卡粘贴至所述无人机机身且所述摄像机可拍摄到的位置，拍摄包含有标准色卡的图像；

S22:将所述包含有标准色卡的图像输入至一图像处理单元，生成校色处理预设文件；

S23:将待校正的图像输入至所述图像处理单元，使用所述校色处理预设文件，生成色彩校正的图像。

5.根据权利要求3或4所述的一种工地裸土监测方法，其特征在于，步骤S22中将所述包含的标准色卡的图像输入至一图像处理单元，生成校色处理预设文件，包括：

对输入至所述图像处理单元的包含的标准色卡的图像裁剪至仅含有校色卡部分，使用白平衡矫正吸管工具吸取色卡中对应色块进行校色，生成并存储校色处理预设文件。

6.根据权利要求3或4所述的一种工地裸土监测方法，其特征在于，步骤S22中将所述包含有标准色卡的图像输入至一图像处理单元，生成校色处理预设文件，包括：

1)所述包含有标准色卡的图像为多张，将多张包含有标准色卡的图像利用YOLOV5算法进行自动识别、裁切至仅包含标准色卡的图像，并对所述仅包含标准色卡的图像进行角度校正；

2)将角度校正的图像导入至校色软件中进行批量识别，计算色差，并生成校色处理预设文件。

7.根据权利要求1所述的一种工地裸土监测方法，其特征在于，步骤S3中目标轮廓包括裸土轮廓和砖块轮廓，将所述正射影像进行所述裸土轮廓和所述砖块轮廓初次标识，将初次标注轮廓的正射影像输入至Mask RCNN模型网络中，提取所述裸土轮廓和砖块轮廓的颜色特征和纹理特征，对所述颜色特征和所述纹理特征进行训练，得到包含有裸土轮廓和砖块轮廓的识别模型，将所述砖块轮廓从所述识别模型中剔除，得到初始裸土识别模型。

8.根据权利要求1所述的一种工地裸土监测方法，其特征在于，步骤S4中对所述初始目标识别模型进行优化，获得最终目标识别模型，包括：人工随机选取小块工地区域进行识别精度校验，对未识别出目标进行人工修补标注，进行第二次或更多次深度学习识别，直至满足识别精度要求，获得最终目标识别模型。

9.根据权利要求1所述的一种工地裸土监测方法，其特征在于，步骤S6中：对所述裸土轮廓进行网格化计算，对识别出的目标区域进行面积计算。

10.根据权利要求9所述的一种工地裸土监测方法，其特征在于，步骤S6中还包括：确定所述有效像素点的三维坐标信息以及目标区域的位置信息，获得所述目标区域内有效像数点的高度数据以及目标区域定位信息。

Images