CN113487200B - 一种公路工程的项目质量评定方法及系统 - Google Patents
一种公路工程的项目质量评定方法及系统 Download PDFInfo
- Publication number
- CN113487200B CN113487200B CN202110792908.0A CN202110792908A CN113487200B CN 113487200 B CN113487200 B CN 113487200B CN 202110792908 A CN202110792908 A CN 202110792908A CN 113487200 B CN113487200 B CN 113487200B
- Authority
- CN
- China
- Prior art keywords
- information
- road
- obtaining
- image information
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Abstract
本发明公开了一种公路工程的项目质量评定方法及系统,获得第一图像信息,所述第一图像信息包含第一公路的图像信息;根据所述第一公路的图像信息,构建第一VR全景图像信息;获得所述第一公路的位置信息;将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;根据所述工程类别信息,获得第一评定项目;根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息。解决了现有技术中存在对于公路工程的项目的质量评定不准确的技术问题。
Description
技术领域
本发明涉及公路工程项目评定相关领域,尤其涉及一种公路工程的项目质量评定方法及系统。
背景技术
公路工程施工技术管理中的一个重要环节是工程项目质量评定工作,是公路工程竣工验收评定工作中不可缺少的组成部分。公路工程项目质量评定虽然在我国已初具规模,但还存在诸多问题。只有强化质量评定手段,弥补现阶段存在的不足,才能及时发现公路工程的项目质量问题。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在对于公路工程的项目的质量评定不准确的技术问题。
发明内容
本申请实施例通过提供一种公路工程的项目质量评定方法及系统,解决了现有技术中存在对于公路工程的项目的质量评定不准确的技术问题,达到对公路工程的项目质量评定更加准确的技术效果。
鉴于上述问题,提出了本申请实施例提供一种公路工程的项目质量评定方法及系统。
第一方面,本申请实施例提供了一种公路工程的项目质量评定方法,所述方法包括:获得第一图像信息,所述第一图像信息包含第一公路的图像信息;根据所述第一公路的图像信息,构建第一VR全景图像信息;获得所述第一公路的位置信息;将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;根据所述工程类别信息,获得第一评定项目;根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息。
另一方面,本申请还提供了一种公路工程的项目质量评定系统,所述系统包括:第一获得单元,所述第一获得单元用于获得第一图像信息,所述第一图像信息包含第一公路的图像信息;第一构建单元,所述第一构建单元用于根据所述第一公路的图像信息,构建第一VR全景图像信息;第二获得单元,所述第二获得单元用于获得所述第一公路的位置信息;第一输入单元,所述第一输入单元用于将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;第三获得单元,所述第三获得单元用于根据所述工程类别信息,获得第一评定项目;第四获得单元,所述第四获得单元用于根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;第二输入单元,所述第二输入单元用于将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息。
第三方面,本发明提供了一种公路工程的项目质量评定系统,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,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据第一公路的图像信息构建第一VR全景图像信息,将所述第一VR全景图像信息和位置信息输入第一神经网络模型,根据所述第一神经网络模型输出第一公路的类别信息,根据所述类别获得相关的评定项目,根据所述评定项目获得第一参数信息和第一资料信息,将所述第一参数信息和第一资料信息输入第二神经网络模型,根据所述第二网络模型获得第一评定结果的方式,通过第一神经网络模型对第一公路的类别进行细化,进而达到通过第二神经网络模型获得更加准确的评定结果的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种公路工程的项目质量评定方法的流程示意图;
图2为本申请实施例一种公路工程的项目质量评定系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一构建单元12,第二获得单元13,第一输入单元14,第三获得单元15,第四获得单元16,第二输入单元17,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种公路工程的项目质量评定方法及系统,解决了现有技术中存在对于公路工程的项目的质量评定不准确的技术问题,达到对公路工程的项目质量评定更加准确的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
公路工程施工技术管理中的一个重要环节是工程项目质量评定工作,是公路工程竣工验收评定工作中不可缺少的组成部分。公路工程项目质量评定虽然在我国已初具规模,但还存在诸多问题。只有强化质量评定手段,弥补现阶段存在的不足,才能及时发现公路工程的项目质量问题。但现有技术中存在对于公路工程的项目的质量评定不准确的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种公路工程的项目质量评定方法,所述方法包括:获得第一图像信息,所述第一图像信息包含第一公路的图像信息;根据所述第一公路的图像信息,构建第一VR全景图像信息;获得所述第一公路的位置信息;将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;根据所述工程类别信息,获得第一评定项目;根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种公路工程的项目质量评定方法,其中,所述方法包括:
步骤S100:获得第一图像信息,所述第一图像信息包含第一公路的图像信息;
具体而言,所述第一公路为待质量评定的公路,所述第一图像信息为第一公路的图像信息,所述图像信息包含所述第一公路的各个角度的图像信息。
步骤S200:根据所述第一公路的图像信息,构建第一VR全景图像信息;
具体而言,所述VR是指虚拟现实技术,它是多媒体技术的终极应用形式,它是计算机软硬件技术、传感技术、机器人技术、人工智能及行为心理学等科学领域飞速发展的结晶。根据所述第一公路的图像信息,构建VR全景图像信息,详细而言,基于多角度公路图像,构建立体全景图,获得第一VR全景图像信息。
步骤S300:获得所述第一公路的位置信息;
步骤S400:将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;
具体而言,所述第一神经网络模型为可根据训练数据不断自我修正调整的训练模型,所述位置信息为所述公路的位置,不同的位置面临的自然环境及社会环境不同,将所述位置信息和第一VR全景图像信息输入所述第一神经网络模型,获得所述第一神经网络模型的输出信息。
进一步而言,所述将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,所述方法还包括:
步骤S410:将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,其中,所述第一神经网络模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一VR全景图像信息、所述位置信息和标识第一公路的工程类别的标识信息;
步骤S420:获得所述第一神经网络模型的第一输出结果,所述第一输出结果包括所述第一公路的工程类别信息。
具体而言,所述第一神经网络模型即机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述第一VR全景图像信息和所述位置信息输入神经网络模型,则输出所述第一公路的工程类别信息。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一VR全景图像信息、所述位置信息和标识第一公路的工程类别的标识信息,将所述第一VR全景图像信息和所述位置信息输入到神经网络模型中,根据用来标识第一公路的工程类别的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而使得输出的所述第一公路的工程类别信息更加准确,进而为后续准确对所述公路进行质量评定夯实了基础。
步骤S500:根据所述工程类别信息,获得第一评定项目;
具体而言,根据所述工程类别的不同,获得所述类别的工程的评定项目信息,即第一评定项目。
步骤S600:根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;
具体而言,根据所述评定的项目信息获得评定所述项目需求的参数信息及相关第一资料信息,包括所述第一公路的材料、工艺、可行性、适用性等信息。
步骤S700:将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息。
具体而言,将所述第一参数信息和第一资料信息输入第二神经网络模型,所述第二神经网络模型为机器学习中的神经网络模型,通过监督数据的监督学习可不断的自我修正调整,获得更加准确的输出结果,获得所述第二神经网络模型的输出结果,所述输出结果包括第一公路在第一项目的第一评定结果。
进一步而言,本申请实施例还包括:
步骤S810:获得第一预设情景图像;
步骤S820:将所述第一预设情景图像与所述第一VR全景图像信息进行实时融合,获得第二VR全景图像信息;
步骤S830:获得预定图像等级标准;
步骤S840:根据所述第二VR全景图像信息和所述预定图像等级标准,获得所述第一公路的第二评定结果信息。
具体而言,所述第一预设情景为根据所述公路可能遇到的情景或根据检测的标准获得的情景信息,举例而言,所述情景信息如地震、暴雪、暴雨、洪水等,将所述预设情景图像和所述第一公路的第一VR全景图像进行拟合,获得在特定场景中的VR全景图,并持续模拟恶劣环境,获得预定承受能力标准,即所述预定图像等级标准,根据所述预定图像等级标准和第二VR全景图像信息获得所述第一公路的第二评定结果信息,通过拟合预设情景至所述第一VR全景图像,达到对所述第一公路的承受能力进行实际环境的拟合,进而达到对所述第一公路的评定更加准确的技术效果。
进一步而言,所述将所述第一预设情景图像与所述第一VR全景图像信息进行实时融合,获得第二VR全景图像信息,本申请实施例步骤S820还包括:
步骤S821:根据所述第一预设情景图像,获得影响参数信息a;
步骤S822:根据所述第一参数信息b;
步骤S823:构建第一衰减函数模型f(b);
步骤S824:将所述影响参数信息a和所述第一参数信息b输入所述第一衰减函数模型f(b)中,获得第二输出结果;
步骤S825:根据所述第二输出结果,获得第二VR全景图像信息。
进一步而言,所述第一衰减函数模型f(b)具体如下:
其中,a为所述影响参数信息;
b为所述第一参数信息;
f(b)为所述第一衰减函数模型;
k为常数。
具体而言,所述第一预设场景的拟合包括所述场景的衰减过程,根据所述第一预设场景,获得所述场景对所述公路的影响参数a,获得所述公路的第一参数b,根据所述影响参数及第一参数,构建第一衰减函数模型f(b),举例而言,当所述第一预设场景为地震场景时,a是地震对所述第一公路的影响参数,b是公路本身的参数,将其带入衰减函数中,可得到地震对所述第一公路的影响度f(b),即在第一预设情景图像直接融合第一VR全景图像信息*f(b)得到衰减后的公路的样子,即第二VR全景图像信息,就是经过地震场景洗礼后公路的样子。所述第一衰减函数模型f(b)具体如下:
其中,k为常数,k值取决于地震的强度大小。
进一步而言,所述将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的评定结果信息,本申请实施例步骤S700还包括:
步骤S710:将所述第一参数信息作为横坐标;
步骤S720:将所述第一资料信息作为纵坐标构建二维直角坐标系;
步骤S730:根据逻辑回归模型在二维直角坐标系构建逻辑回归线,其中,所述逻辑回归线的一侧代表所述第一公路在所述第一评定项目中的第一结果,所述逻辑回归线的另一侧代表所述第一公路在所述第一评定项目中的第二结果,所述第二结果与第一结果分别表示所述第一公路在所述第一评定项目中合格的评定结果和不合格的评定结果。
具体而言,所述第二神经网络模型是基于逻辑回归模型构建的,根据所述第一参数信息作为横坐标,将所述第一资料信息作为纵坐标,构建直角坐标系,通过逻辑回归模型在所述直角坐标系中构建逻辑回归线,根据所述逻辑回归线,对所述第一公路进行第一评定项目的评定。进一步来说,所述逻辑回归线的一侧代表第一结果,所述第一结果为所述第一公路在所述第一评定项目中评定不合格的第一结果,所述逻辑回归线的另一侧代表第二结果,所述第二结果为所述第一公路在所述第一评定项目中评定合格的第二结果。通过所述逻辑回归模型,进而使得所述第二神经网络模型对所述第一公路第一项目的评定更加准确。
进一步而言,本申请实施例还包括:
步骤S841:获得所述第一公路车流量特点信息;
步骤S842:根据所述第一公路车流量特点信息,获得第一权重比;
步骤S843:根据所述第一权重比,对所述第一评定结果信息和所述第二评定结果信息进行加权计算,获得第三评定结果信息。
具体而言,所述第一公路的车流量特点为通过大数据整合的第一公路的车辆的种类不同,车速不同获得的流量特点,根据所述大车小车占比的不同及车速统计,获得第一权重比,根据所述第一权重比,对所述第二评定结果进行加权计算,获得所述公路的第三评定结果,根据所述第三评定结果对所述公路进行质量评定。通过根据公路车流量特点获得第一权重比,根据所述权重比对所述公路第二评定结果进行加权计算,达到使得所述评定结果更加准确的技术效果。
进一步而言,所述将所述第一输入信息和所述第二输入信息输入第一神经网络模型之前,本申请实施例步骤S410还包括:
步骤S411:获得输入所述第一神经网络模型的第一训练数据、第二训练数据直至第N训练数据,其中,N为大于1的自然数;
步骤S412:根据所述第一训练数据生成第一标识码,所述第一标识码与所述第一训练数据一一对应;
步骤S413:根据所述第二训练数据和第一标识码生成第二标识码,以此类推,根据所述第N训练数据和第N-1标识码生成第N标识码;
步骤S414:将所有训练数据和标识码复制存储在M台电子设备上,其中,M为大于1的自然数。
具体而言,区块链技术也被称之为分布式账本技术,是一种由若干台计算设备共同参与“记账",共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性,使得区块链技术已在众多的领域中广泛的进行应用。根据所述第一训练数据生成第一标识码,所述第一标识码与第一训练数据一一对应;根据所述第二训练数据和第一标识码生成第二标识码,第二标识码与第二训练数据一一对应;以此类推,根据所述第N训练数据和第N-1标识码生成第N标识码,其中,N为大于1的自然数,所述训练数据中的每组均包括所述第一VR全景图像信息、所述位置信息和标识第一公路的工程类别的标识信息。将所有训练数据和标识码分别复制保存在M台设备上,其中,所述第一训练数据和所述第一标识码作为第一区块保存在一台设备上,所述第二训练数据和所述第二标识码作为第二区块保存在一台设备上,所述第N训练数据和所述第N标识码作为第N区块保存在一台设备上,当需要调用所述训练数据时,每后一个节点接收前一节点存储的数据后,通过“共识机制”进行校验后保存,通过哈希函数对于每一存储单位进行串接,使得训练数据不易丢失和遭到破坏,通过区块链的逻辑对所述训练数据进行加密处理,保证了所述训练数据的安全性,进而保证通过所述训练数据训练获得的神经网络模型的准确性,进而使得输出的第一公路的工程类别信息更加准确。
综上所述,本申请实施例所提供的一种公路工程的项目质量评定方法及系统具有如下技术效果:
1、由于采用了根据第一公路的图像信息构建第一VR全景图像信息,将所述第一VR全景图像信息和位置信息输入第一神经网络模型,根据所述第一神经网络模型输出第一公路的类别信息,根据所述类别获得相关的评定项目,根据所述评定项目获得第一参数信息和第一资料信息,将所述第一参数信息和第一资料信息输入第二神经网络模型,根据所述第二网络模型获得第一评定结果的方式,通过第一神经网络模型对第一公路的类别进行细化,进而达到通过第二神经网络模型获得更加准确的评定结果的技术效果。
2、由于采用了通过拟合预设情景至所述第一VR全景图像的方式,达到对所述第一公路的承受能力进行实际环境的拟合,进而达到对所述第一公路的评定更加准确的技术效果。
3、由于采用了通过根据公路车流量特点获得第一权重比,根据所述权重比对所述公路第二评定结果进行加权计算的方式,达到使得所述评定结果更加准确的技术效果。
实施例二
基于与前述实施例中一种公路工程的项目质量评定方法同样发明构思,本发明还提供了一种公路工程的项目质量评定系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一图像信息,所述第一图像信息包含第一公路的图像信息;
第一构建单元12,所述第一构建单元12用于根据所述第一公路的图像信息,构建第一VR全景图像信息;
第二获得单元13,所述第二获得单元13用于获得所述第一公路的位置信息;
第一输入单元14,所述第一输入单元14用于将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;
第三获得单元15,所述第三获得单元15用于根据所述工程类别信息,获得第一评定项目;
第四获得单元16,所述第四获得单元16用于根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;
第二输入单元17,所述第二输入单元17用于将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息。
进一步的,所述系统还包括:
第三输入单元,所述第三输入单元用于将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,其中,所述第一神经网络模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一VR全景图像信息、所述位置信息和标识第一公路的工程类别的标识信息;
第五获得单元,所述第五获得单元用于获得所述第一神经网络模型的第一输出结果,所述第一输出结果包括所述第一公路的工程类别信息。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于获得第一预设情景图像;
第七获得单元,所述第七获得单元用于将所述第一预设情景图像与所述第一VR全景图像信息进行实时融合,获得第二VR全景图像信息;
第八获得单元,所述第八获得单元用于获得预定图像等级标准;
第九获得单元,所述第九获得单元用于根据所述第二VR全景图像信息和所述预定图像等级标准,获得所述第一公路的第二评定结果信息。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于根据所述第一预设情景图像,获得影响参数信息a;
第十一获得单元,所述第十一获得单元用于根据所述第一参数信息b;
第二构建单元,所述第二构建单元用于构建第一衰减函数模型f(b);
第四输入单元,所述第四输入单元用于将所述影响参数信息a和所述第一参数信息b输入所述第一衰减函数模型f(b)中,获得第二输出结果;
第十二获得单元,所述第十二获得单元用于根据所述第二输出结果,获得第二VR全景图像信息。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于将所述第一参数信息作为横坐标;
第十四获得单元,所述第十四获得单元用于将所述第一资料信息作为纵坐标构建二维直角坐标系;
第十五获得单元,所述第十五获得单元用于根据逻辑回归模型在二维直角坐标系构建逻辑回归线,其中,所述逻辑回归线的一侧代表所述第一公路在所述第一评定项目中的第一结果,所述逻辑回归线的另一侧代表所述第一公路在所述第一评定项目中的第二结果,所述第二结果与第一结果分别表示所述第一公路在所述第一评定项目中合格的评定结果和不合格的评定结果。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于获得所述第一公路车流量特点信息;
第十七获得单元,所述第十七获得单元用于根据所述第一公路车流量特点信息,获得第一权重比;
第十八获得单元,所述第十八获得单元用于根据所述第一权重比,对所述第一评定结果信息和所述第二评定结果信息进行加权计算,获得第三评定结果信息。
前述图1实施例一中的一种公路工程的项目质量评定方法的各种变化方式和具体实例同样适用于本实施例的一种公路工程的项目质量评定系统,通过前述对一种公路工程的项目质量评定方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种公路工程的项目质量评定系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种公路工程的项目质量评定方法的发明构思,本发明还提供一种公路工程的项目质量评定系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种公路工程的项目质量评定方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种公路工程的项目质量评定方法,所述方法包括:获得第一图像信息,所述第一图像信息包含第一公路的图像信息;根据所述第一公路的图像信息,构建第一VR全景图像信息;获得所述第一公路的位置信息;将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;根据所述工程类别信息,获得第一评定项目;根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息。解决了现有技术中存在对于公路工程的项目的质量评定不准确的技术问题,达到对公路工程的项目质量评定更加准确的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、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系统。
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系统的制造品,该指令系统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设备上,使得在计算机或其他可编程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。尽管已描述了本发明的优选实施例,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发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种公路工程的项目质量评定方法,其中,所述方法包括:
获得第一图像信息,所述第一图像信息包含第一公路的图像信息;
根据所述第一公路的图像信息,构建第一VR全景图像信息;
获得所述第一公路的位置信息;
将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;
根据所述工程类别信息,获得第一评定项目;
根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;
将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息;
获得第一预设情景图像;
将所述第一预设情景图像与所述第一VR全景图像信息进行实时融合,获得第二VR全景图像信息;
获得预定图像等级标准;
根据所述第二VR全景图像信息和所述预定图像等级标准,获得所述第一公路的第二评定结果信息;
其中,所述将所述第一预设情景图像与所述第一VR全景图像信息进行实时融合,获得第二VR全景图像信息,包括:
根据所述第一预设情景图像,获得影响参数信息a;
获得所述第一公路的第一参数信息b;
构建第一衰减函数模型f(b);
将所述影响参数信息a和所述第一参数信息b输入所述第一衰减函数模型f(b)中,获得第二输出结果;
根据所述第二输出结果,获得第二VR全景图像信息。
2.如权利要求1所述的方法,其中,所述将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息,包括:
将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,其中,所述第一神经网络模型通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一VR全景图像信息、所述位置信息和标识第一公路的工程类别的标识信息;
获得所述第一神经网络模型的第一输出结果,所述第一输出结果包括所述第一公路的工程类别信息。
4.如权利要求1所述的方法,其中,所述将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的评定结果信息,包括:
将所述第一参数信息作为横坐标;
将所述第一资料信息作为纵坐标构建二维直角坐标系;
根据逻辑回归模型在二维直角坐标系构建逻辑回归线,其中,所述逻辑回归线的一侧代表所述第一公路在所述第一评定项目中的第一结果,所述逻辑回归线的另一侧代表所述第一公路在所述第一评定项目中的第二结果,所述第二结果与第一结果分别表示所述第一公路在所述第一评定项目中合格的评定结果和不合格的评定结果。
5.如权利要求1所述的方法,其中,所述方法包括:
获得所述第一公路车流量特点信息;
根据所述第一公路车流量特点信息,获得第一权重比;
根据所述第一权重比,对所述第一评定结果信息和所述第二评定结果信息进行加权计算,获得第三评定结果信息。
6.一种公路工程的项目质量评定系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一图像信息,所述第一图像信息包含第一公路的图像信息;
第一构建单元,所述第一构建单元用于根据所述第一公路的图像信息,构建第一VR全景图像信息;
第二获得单元,所述第二获得单元用于获得所述第一公路的位置信息;
第一输入单元,所述第一输入单元用于将所述第一VR全景图像信息和所述位置信息输入第一神经网络模型,获得所述第一公路的工程类别信息;
第三获得单元,所述第三获得单元用于根据所述工程类别信息,获得第一评定项目;
第四获得单元,所述第四获得单元用于根据所述第一评定项目,获得所述第一公路的第一参数信息和第一资料信息;
第二输入单元,所述第二输入单元用于将所述第一参数信息和第一资料信息输入第二神经网络模型,获得所述第一公路在所述第一评定项目中的第一评定结果信息;
第六获得单元,所述第六获得单元用于获得第一预设情景图像;
第七获得单元,所述第七获得单元用于将所述第一预设情景图像与所述第一VR全景图像信息进行实时融合,获得第二VR全景图像信息;
第八获得单元,所述第八获得单元用于获得预定图像等级标准;
第九获得单元,所述第九获得单元用于根据所述第二VR全景图像信息和所述预定图像等级标准,获得所述第一公路的第二评定结果信息;
所述第七获得单元用于将所述第一预设情景图像与所述第一VR全景图像信息进行实时融合,获得第二VR全景图像信息,包括:
第十获得单元,所述第十获得单元用于根据所述第一预设情景图像,获得影响参数信息a;
第十一获得单元,所述第十一获得单元用于获得所述第一公路的第一参数信息b;
第二构建单元,所述第二构建单元用于构建第一衰减函数模型f(b);
第四输入单元,所述第四输入单元用于将所述影响参数信息a和所述第一参数信息b输入所述第一衰减函数模型f(b)中,获得第二输出结果;
第十二获得单元,所述第十二获得单元用于根据所述第二输出结果,获得第二VR全景图像信息。
7.一种公路工程的项目质量评定系统,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,其中,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792908.0A CN113487200B (zh) | 2021-07-14 | 2021-07-14 | 一种公路工程的项目质量评定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792908.0A CN113487200B (zh) | 2021-07-14 | 2021-07-14 | 一种公路工程的项目质量评定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487200A CN113487200A (zh) | 2021-10-08 |
CN113487200B true CN113487200B (zh) | 2022-10-25 |
Family
ID=77938702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110792908.0A Active CN113487200B (zh) | 2021-07-14 | 2021-07-14 | 一种公路工程的项目质量评定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487200B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902296B (zh) * | 2021-10-09 | 2022-06-07 | 鹤山市民强五金机电有限公司 | 一种智能化单相异步电机的测试方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111093069A (zh) * | 2018-10-23 | 2020-05-01 | 大唐移动通信设备有限公司 | 一种全景视频流的质量评估方法及装置 |
KR102114946B1 (ko) * | 2019-01-04 | 2020-05-25 | 주식회사 엠투에스 | 가상현실(vr) 콘텐츠 시청에 따른 생체 정보 변화에 기초하여 콘텐츠 퀄리티를 평가하는 시스템 및 방법 |
CN112907572A (zh) * | 2021-03-24 | 2021-06-04 | 国家石油天然气管网集团有限公司华南分公司 | 一种电机控制精准度的评估方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741330B (zh) * | 2020-07-17 | 2024-01-30 | 腾讯科技(深圳)有限公司 | 一种视频内容评估方法、装置、存储介质及计算机设备 |
CN112001700A (zh) * | 2020-08-21 | 2020-11-27 | 金钱猫科技股份有限公司 | 一种基于大数据自动比对的工程检查方法及服务端 |
CN111986191B (zh) * | 2020-08-31 | 2022-05-27 | 江苏工程职业技术学院 | 一种建筑施工验收方法及系统 |
CN112116224A (zh) * | 2020-09-02 | 2020-12-22 | 江苏势起工程项目管理有限公司 | 一种基于全过程工程咨询的风险评估方法及装置 |
CN112435250B (zh) * | 2020-12-01 | 2023-04-07 | 江苏博沃汽车电子系统有限公司 | 一种集成电路的智能检修方法和装置 |
-
2021
- 2021-07-14 CN CN202110792908.0A patent/CN113487200B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111093069A (zh) * | 2018-10-23 | 2020-05-01 | 大唐移动通信设备有限公司 | 一种全景视频流的质量评估方法及装置 |
KR102114946B1 (ko) * | 2019-01-04 | 2020-05-25 | 주식회사 엠투에스 | 가상현실(vr) 콘텐츠 시청에 따른 생체 정보 변화에 기초하여 콘텐츠 퀄리티를 평가하는 시스템 및 방법 |
CN112907572A (zh) * | 2021-03-24 | 2021-06-04 | 国家石油天然气管网集团有限公司华南分公司 | 一种电机控制精准度的评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113487200A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Şahin | Multi-criteria neutrosophic decision making method based on score and accuracy functions under neutrosophic environment | |
CN107945204B (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
WO2020199693A1 (zh) | 一种大姿态下的人脸识别方法、装置及设备 | |
CN110717671B (zh) | 一种确定参与方贡献度的方法及装置 | |
CN113076338B (zh) | 一种基于规则的智能船舶避碰自动测试场景生成方法及系统 | |
CN111986191B (zh) | 一种建筑施工验收方法及系统 | |
CN111950068A (zh) | 一种基于Bim的维护建筑设备的方法和装置 | |
CN112785267B (zh) | 一种基于mvc框架技术的飞行信息管理方法及系统 | |
CN113487200B (zh) | 一种公路工程的项目质量评定方法及系统 | |
CN112489120B (zh) | 一种多角度图像的图像识别方法及系统 | |
CN113128419B (zh) | 一种障碍物识别方法和装置、电子设备及存储介质 | |
CN112712264B (zh) | 一种智慧社区信息共享方法及系统 | |
CN112435250B (zh) | 一种集成电路的智能检修方法和装置 | |
CN111859094A (zh) | 一种基于云计算的信息分析方法系统 | |
CN113722894A (zh) | 一种基于模型简化的火灾蔓延模拟加速方法及系统 | |
CN114510867A (zh) | 一种3d模拟配电柜电路接线方法及系统 | |
CN109993374B (zh) | 货物量预测方法及装置 | |
CN111754589B (zh) | 配色方法、装置、计算机设备及存储介质 | |
CN112288342B (zh) | 一种提高多中心协作质量控制的数据处理方法和系统 | |
CN112487780A (zh) | 一种订单数据排版优化方法及系统 | |
CN113763447A (zh) | 深度图的补全方法、电子设备及存储介质 | |
CN113284257A (zh) | 一种虚拟场景内容的模块化生成展示方法及系统 | |
CN114254757A (zh) | 一种分布式深度学习方法、装置、终端设备及存储介质 | |
CN111598105A (zh) | 一种专利地图构建方法及装置 | |
Li et al. | Research on behavior recognition of dairy goat based on multi-model fusion |
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 |