CN113657663A - 基于人工智能的土木工程施工风险管理方法及系统 - Google Patents
基于人工智能的土木工程施工风险管理方法及系统 Download PDFInfo
- Publication number
- CN113657663A CN113657663A CN202110935394.XA CN202110935394A CN113657663A CN 113657663 A CN113657663 A CN 113657663A CN 202110935394 A CN202110935394 A CN 202110935394A CN 113657663 A CN113657663 A CN 113657663A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- processed
- operation area
- training
- 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.)
- Withdrawn
Links
- 238000010276 construction Methods 0.000 title claims abstract description 103
- 238000007726 management method Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 103
- 230000008569 process Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009430 construction management Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001643392 Cyclea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于人工智能的土木工程施工风险管理方法及系统,该方法利用已经训练好的作业区规划神经网络,进行若干次循环步骤,每次循环步骤中,能够自动的在实际划定的待处理区域图像中,进行一个作业区域面积的填充,直到待处理区域图像的作业区域总面积中,填满各个作业区域面积为止,得到一个作业区轨迹生成图像,并利用现有的路径规划方法,即单源最短路径算法,在作业区轨迹生成图像中,确定初始的预测道路施工轨迹。本发明的方法适用于任何形状的待处理区域的道路施工轨迹规划。本发明考虑了道路工程施工人员在固定时间内完成有限作业区域的情况下,进行预测道路施工轨迹的合理规划,使施工人员进行施工时能够提高施工效率。
Description
技术领域
本发明涉及人工智能和工程管理领域,具体涉及基于人工智能的土木工程施工风险管理方法及系统。
背景技术
目前,土木施工风险管理过程中的道路工程施工轨迹规划,通常是通过人工进行简单的路线规划来实现的,最常用的规划路线是采用S形路线来进行道路施工,常规的路线规划是以理想形状的待处理区域进行作业比较适用的路线规划方式,然而,实际划定的待处理区域往往是非理想形状(例如矩形)的待处理区域,如果也按照常规的S形路线来进行道路施工,和用此方法对同样面积大小但为理想形状待处理区域进行道路施工处理的效率来比是降低的,由此可见,常规的道路工程施工轨迹规划方法不适合任意形状的待处理区域。
发明内容
本发明的考虑到待处理区域的不规则形状对所规划路线的实际施工效率的影响,提供一种基于人工智能的土木工程施工风险管理方法及系统,用于解决现有施工风险管理方法的轨迹规划不适合任意形状的待处理区域的问题,以及按照现有轨迹规划方法处理非理想形状的待处理区域导致的施工效率较低的问题。
第一方面,对于基于人工智能的土木工程施工风险管理方法,所采用的技术方案具体如下:
步骤S10,获取实际划定的待处理区域图像,以及获取作业区域图像,所述的作业区域图像中的作业区域面积为设定数量的道路工程施工人员在设定单位时间内能够完成的作业区域面积,所述待处理区域图像中的待处理区域面积为需要道路工程施工人员完成的作业区域总面积;
步骤S20,获取已经训练好的作业区规划神经网络,所述的作业区规划神经网络用于在待处理区域图像的待处理区域面积中划定一个作业区域面积;将所述的待处理区域图像和作业区域图像作为一组输入图像,输入至已经训练好的作业区规划神经网络,输出H1个第一生成图像,每个第一生成图像的待处理区域面积中划定的作业区域面积的位置均各不相同;
步骤S30,进行若干次循环步骤,每次循环步骤为:上次循环步骤中作业区规划神经网络输出的各个第i生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,将输出各个i+1生成图像,i=1,2,…;直到第G次循环步骤中,作业区规划神经网络的输出损失值大于设定限值时,循环停止,在第G-1次循环步骤中作业区规划神经网络输出的各第G生成图像中,选取一个满足设定条件的第G生成图像,作为作业区轨迹生成图像;
步骤S40,根据步骤S30选取的一个作业区轨迹生成图像,以图像中各个作业区域面积的中心点为节点,选取其中的一个节点作为初始节点,利用初始节点和剩余节点,基于现有的路径规划方法,如单源最短路径算法,确定出初始的预测道路施工轨迹。
优选的,步骤S20-步骤S30中,所述作业区规划神经网络的结构包括:
第一编码器、第二编码器、解码器、第三编码器和全连接层,第一编码器用于输入待处理区域图像,输出第一特征张量,第二编码器用于输入作业区域图像,输出第二特征张量;将第一特征张量与第二特征张量连接,输入至解码器,由解码器输出作业区规划图像;
第三编码器和全连接层连接,向第三编码器输入作业区规划图像,全连接层输出作业区规划图像中一个或一个以上作业区域面积的包围框信息,根据所述的包围框信息,确定作业区规划图像的连通域图像,根据所述的连通域图像监督解码器输出的作业区规划图像。
优选的,所述作业区规划神经网络的训练过程包括:进行第一阶段的网络训练,第一阶段的网络训练过程如下:
(1)确定一阶段训练标签:
获取包含实际划定的待处理区域的全景图像,即待处理区域图像,在待处理区域图像中,随机选择待处理区域面积中的某个位置,以所述位置为中心,将作业区域图像中的作业区域面积置于待处理区域面积中;在待处理区域图像中,设置作业区域面积中像素点的像素值为第一像素值,设置待处理区域面积中的剩余像素点的像素值为第二像素值,待处理区域图像中除去待处理区域面积部分的像素点的像素值为第三像素值,得到一张标签图像;
(2)以若干个待处理区域面积大小不同的待处理区域图像,和若干个作业区域面积大小不同的作业区域图像进行随机组合,得到若干个训练样本,构成一阶段训练集,按照步骤(1)中的内容,一阶段训练集中的每个训练样本对应得到N张标签图像
(3)进行网络训练,训练后得到网络W1,训练的损失函数为其中,L1为损失函数值,为网络输出图像,为标签图像,||·||2为L2范数,n为标签个数,n=1,2,…,N,min表示在n个求得的L2范数中取最小值;所述损失函数表示的含义是令网络输出图像与某一张标签图像一致。
优选的,所述作业区规划神经网络的训练过程还包括:进行第二阶段的网络训练,第二阶段的网络训练过程如下:
(1)确定二阶段训练集:
二阶段训练集包括两部分样本,第一部分样本为一阶段训练标签,第二部分样本为一阶段训练集中的样本;
(2)确定二阶段训练标签:
第一部分样本的训练标签为:在待处理区域图像中,将第二个作业区域面积置于待处理区域面积中;放置第二个作业区域面积时,需要保证第二个作业区域面积不与已有的作业区域面积产生交集;
第二部分样本的训练标签为一阶段训练标签不变;
优选的,所述作业区规划神经网络的训练过程还包括:进行第三阶段的网络训练,第三阶段的网络训练过程如下:
(1)确定三阶段训练集:
设定若干组输入图像,每组输入图像均包含有待处理区域图像和作业区域图像,各个待处理区域图像中包含有p个作业区域面积,p取集合中{0,1,..m}中的一个值;
(2)设置连通域提取网络作为监督分支,对网络W2进行训练,训练后得到网络W3,即为训练好的作业区规划神经网络;所述监督分支的实现过程为:网络W3输出作业区规划图像,确定作业区规划图像的各个连通域图像,根据所述的连通域图像确定训练的损失函数L3,实现对作业区规划图像的监督;所述的损失函数L3=Lm+Lc+Lf+Le,Lm为作业区规划图像与输入图像相比的作业区域面积损失值,Lc为作业区规划图像的连通域损失值,该值为各个连通域图像中分别与作业区域图像的连通域图像之间的欧式距离和,Lf为待处理区域图像中划定的作业区域面积超出待处理区域面积的损失值,Le为在待处理区域图像的待处理区域面积中划定好作业区域面积后的空闲区域损失。
优选的,还包括以下步骤:
步骤S50,获取道路工程施工人员在所述作业区域总面积中的实际道路施工轨迹,该实际道路施工轨迹用于表示当前的施工进度;
步骤S60,将所述的实际道路施工轨迹和初始预测道路施工轨迹进行比较,根据比较的轨迹偏差结果,判断施工进度偏差程度大小,当判定为施工进度偏差程度大于设定程度时,按照步骤S10中的内容,重新确定尚未完成的待处理区域图像,以及重新获取作业区域图像,重复步骤S20-步骤S40中的内容,更新预测道路施工轨迹。
优选的,还包括以下步骤:
步骤S70,将所述的施工进度偏差程度和轨迹偏差结果发送至监控平台,所述监控平台用于根据获取的轨迹偏差结果,进行工程纠偏措施处理,提供当前施工进度下的工程施工管理措施建议。
优选的,步骤S30中的具体循环过程如下:
步骤S301,进行第一次循环,该循环步骤包括:将各个第一生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出H2个第二生成图像,则对于H1组输入图像,该网络总共输出H1*H2个第二生成图像,每个第二生成图像的待处理区域面积中划定两个位置不同的作业区域面积;
步骤S302,进行第二次循环,该循环步骤包括:再将各个第二生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出H3个第三生成图像,则对于H1*H2组输入图像,该网络总共输出H1*H2*H3个第三生成图像,每个第三生成图像的待处理区域面积中划定三个位置不同的作业区域面积;
步骤S303,进行第j次循环,j=3,4,…,该循环步骤包括:再将各个第i生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出Hj+1个第(j+1)生成图像,则对于H1*H2*…*Hj组输入图像,该网络总共输出H1*H2*…*Hj+1个第(j+1)生成图像,每个第(i+1)生成图像的待处理区域面积中划定(j+1)个位置不同的作业区域面积;
步骤S304,直到进行第G次循环,作业区规划神经网络的输出损失值大于设定限值,在第G-1次循环中作业区规划神经网络输出的H1*H2*…*HG个第G生成图像中,选取满足所述设定条件的一个第G生成图像作为作业区轨迹生成图像。
优选的,所述的设定条件为:第G生成图像的待处理区域面积中划定G个作业区域面积后,剩余没有划定的空闲区域最小。
第二方面,对于基于人工智能的土木工程施工风险管理系统,所采用的技术方案具体如下:
包括存储器和处理器,以及存储器上并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现所述的土木工程施工风险管理方法。
本发明具有如下有益效果:
本发明的土木工程施工风险管理方法及系统,利用已经训练好的作业区规划神经网络,进行若干次循环步骤,每次循环步骤中,能够自动的在实际划定的待处理区域图像中,进行一个作业区域面积的填充,直到待处理区域图像的作业区域总面积中,填满各个作业区域面积为止,得到一个作业区轨迹生成图像,并利用现有的路径规划方法,即单源最短路径算法,在作业区轨迹生成图像中,确定初始的预测道路施工轨迹。本发明的方法适用于任何形状(尤其是不规则形状)的待处理区域的道路施工轨迹规划。并且,本发明考虑了道路工程施工人员在设定单位时间内能够完成的作业区域面积一定的情况下,进行预测道路施工轨迹的合理规划,使施工人员按照此预测轨迹施工时,和传统那种S形路线的施工轨迹相比,能够提高施工效率。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明实施例1的基于人工智能的土木工程施工风险管理方法流程图;
图2为本发明实施例1的作业区规划神经网络结构图;
图3为本发明实施例2的土木工程施工风险管理系统示意图。
具体实施方式
下面结合附图具体的说明本发明所提供的具体方案。
实施例1:
请参阅图1,其示出了本发明提供的基于人工智能的土木工程施工风险管理方法的步骤流程图,该方法包括以下步骤:
步骤S10,获取实际划定的待处理区域图像,以及获取作业区域图像,所述的作业区域图像中的作业区域面积为设定数量的道路工程施工人员在设定单位时间内能够完成的作业区域面积,所述待处理区域图像中的待处理区域面积为需要道路工程施工人员完成的作业区域总面积。
可理解的,实际划定的待处理区域图像的获取过程如下:
通过搭载俯视视角的RGB-D相机的无人机进行初始道路区域图像采集,并通过特征点匹配和图像拼接操作,获取全景图像作为道路基本图像;由实施者在全景图像中标记出道路工程施工区域的遮罩,作为待处理区域,待处理区域内像素点赋值为1,其他像素点赋值为0,该待处理区域的面积即为需要道路工程施工人员完成的作业区域总面积,从而得到标记出待处理区域的图像,即实际划定的待处理区域图像。
可理解的,作业区域图像的获取过程如下:
获取道路工程施工人员人数,并以历史功效信息为参考,生成作业圆形区域,历史功效信息为单个施工人员在进行同类型施工作业时,在单位设定时间内完成作业区域面积的均值,以该均值与路工程施工人员人数相乘,获取当单位设定时间的作业区域面积S,以圆形面积计算公式获取圆形区域半径,即为因此,作业区域图像具体为:以图像坐标系原点为圆心,根据圆形区域半径r生成圆,并对圆形内部区域像素点赋值为2,其他像素点为0,从而得到作业区域图像。本实施例中,所述单位设定时间取一天,也即8个小时工作时长。
步骤S20,获取已经训练好的作业区规划神经网络,所述的作业区规划神经网络用于在待处理区域图像的待处理区域面积中划定一个作业区域面积;将所述的待处理区域图像和作业区域图像作为一组输入图像,输入至已经训练好的作业区规划神经网络,输出H1个第一生成图像,每个第一生成图像的待处理区域面积中划定的作业区域面积的位置均各不相同。
如图2所示,作业区规划神经网络的结构包括:
第一编码器、第二编码器、解码器、第三编码器和全连接层,第一编码器用于输入待处理区域图像,输出第一特征张量,第二编码器用于输入作业区域图像,输出第二特征张量;将第一特征张量与第二特征张量连接,输入至解码器,由解码器输出作业区规划图像。
第三编码器和全连接层连接,向第三编码器输入作业区规划图像,全连接层输出作业区规划图像中一个或一个以上作业区域面积的包围框信息,根据所述的包围框信息,确定作业区规划图像的连通域图像,根据所述的连通域图像监督解码器输出的作业区规划图像。
可理解的,解码器输出的作业区规划图像为输出圆形区域和待处理区域同时存在的图像,输出图像中,圆形区域像素点(即作业区域面积中的像素点)的像素值为2,待处理区域像素点(即待处理区域面积中的剩余像素点)的像素值为1,其他区域像素点(待处理区域图像中除去待处理区域面积部分的像素点)的像素值为0。
并且,作业区规划神经网络的训练过程包括以下三个阶段:
一,进行第一阶段的网络训练,第一阶段的网络训练过程如下:
(1)确定一阶段训练标签:
获取包含实际划定的待处理区域的全景图像,即待处理区域图像,在待处理区域图像中,随机选择待处理区域面积中的某个位置,以所述位置为中心,将作业区域图像中的作业区域面积置于待处理区域面积中;在待处理区域图像中,设置作业区域面积中像素点的像素值为第一像素值,例如取2,设置待处理区域面积中的剩余像素点的像素值为第二像素值,例如取1,待处理区域图像中除去待处理区域面积部分的像素点的像素值为第三像素值,例如取0,得到一张标签图像。
(2)以若干个待处理区域面积大小不同的待处理区域图像,和若干个作业区域面积大小不同的作业区域图像进行随机组合,得到若干个训练样本,构成一阶段训练集,按照步骤(1)中的内容,一阶段训练集中的每个训练样本对应得到N张标签图像
(3)进行网络训练,训练后得到网络W1,训练的损失函数为其中,L1为损失函数值,为网络输出图像,为标签图像,||·||2为L2范数,n为标签个数,n=1,2,…,N,min表示在n个求得的L2范数中取最小值;所述损失函数表示的含义是令网络输出图像与某一张标签图像一致。
二,进行第二阶段的网络训练,第二阶段的网络训练过程如下:
(1)确定二阶段训练集:
二阶段训练集包括两部分样本,第一部分样本为一阶段训练标签,第二部分样本为一阶段训练集中的样本;
(2)确定二阶段训练标签:
第一部分样本的训练标签为:在待处理区域图像中,将第二个作业区域面积置于待处理区域面积中;放置第二个作业区域面积时,需要保证第二个作业区域面积不与已有的作业区域面积产生交集;
第二部分样本的训练标签为一阶段训练标签不变。
三,进行第三阶段的网络训练,第三阶段的网络训练过程如下:
(1)确定三阶段训练集:
设定若干组输入图像,每组输入图像均包含有待处理区域图像和作业区域图像,各个待处理区域图像中包含有p个作业区域面积,p取集合中{0,1,..m}中的一个值。
(2)设置连通域提取网络作为监督分支,对网络W2进行训练,训练后得到网络W3,即为训练好的作业区规划神经网络;所述监督分支的实现过程为:网络W3输出作业区规划图像,确定作业区规划图像的各个连通域图像,根据所述的连通域图像确定训练的损失函数L3,实现对作业区规划图像的监督。
所述的损失函数L3=Lm+Lc+Lf+Le,其中,Lm为作业区规划图像与输入图像相比的作业区域面积损失值,表示圆形区域个数损失,本实施例中,圆形区域面积用像素点个数表示,设单个圆形区域面积为S,则Lm=Q|(S′总-S总)-S|,式中,S′总为输出图像中圆形区域面积,也即输出图像中像素值为2的像素点个数,S总为输入图像中圆形区域面积,也即输出图像中像素值为2的像素点个数,该项损失保证输出图像相较于输入图像增加单个圆形区域面积,Q为设置损失权重值,如取1000。
所述的损失函数中,Lc为作业区规划图像的连通域损失值,该值为各个连通域图像中分别与作业区域图像的连通域图像之间的欧式距离和,计算式为其中,Ar为第r个连通域图像,A为单个圆形区域遮罩图像(即作业区域图像)的连通域图像,R为所提取的连通域个数,Lc能够表示圆形区域圆度损失,保证输出图像中的像素值为2的像素点连通域为圆形。在具体算两个连通域图像之间的欧式距离时,采用的公式为 式中,d表示欧式距离,i表示两个连通域对应的像素点,N表示两个连通域对应的像素点数,xi1表示第一个连通域的像素值,xi2表示第二个连通域的像素值,两个连通域对应的含义是将两个连通域进行平移,以连通域的包围框的中心点平移至图像坐标系原点,使两个连通域对应,即能够知道两个连通域的像素点对应情况。
所述的损失函数中,Lf为待处理区域图像中划定的作业区域面积超出待处理区域面积的损失值,表示区域包含损失,计算式为:
其中,S′总为输出图像中圆形区域面积,S待处理为待处理区域面积,相当于标准交并比,即圆形区域放置在待处理区域中的理想交并比,IoU为输出圆形区域(即作业区域)和待处理区域的交并比,该项损失保证输出图像中圆形区域不超出待处理区域。
所述的损失函数中,Le为在待处理区域图像的待处理区域面积中划定好作业区域面积后的空闲区域损失,表示空闲区域损失,计算式为:
步骤S30,进行若干次循环步骤,每次循环步骤为:上次循环步骤中作业区规划神经网络输出的各个第i生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,将输出各个i+1生成图像,i=1,2,…;直到第G次循环步骤中,作业区规划神经网络的输出损失值大于设定限值时,循环停止,在第G-1次循环步骤中作业区规划神经网络输出的各第G生成图像中,选取一个满足设定条件的第G生成图像,作为作业区轨迹生成图像。
具体的循环过程如下:
步骤S301,进行第一次循环,该循环步骤包括:将各个第一生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出H2个第二生成图像,则对于H1组输入图像,该网络总共输出H1*H2个第二生成图像,每个第二生成图像的待处理区域面积中划定两个位置不同的作业区域面积;
步骤S302,进行第二次循环,该循环步骤包括:再将各个第二生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出H3个第三生成图像,则对于H1*H2组输入图像,该网络总共输出H1*H2*H3个第三生成图像,每个第三生成图像的待处理区域面积中划定三个位置不同的作业区域面积;
步骤S303,进行第i次循环,i=3,4,…,该循环步骤包括:再将各个第i生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出Hi+1个第(i+1)生成图像,则对于H1*H2*…*Hi组输入图像,该网络总共输出H1*H2*…*Hi+1个第(i+1)生成图像,每个第(i+1)生成图像的待处理区域面积中划定(i+1)个位置不同的作业区域面积;
步骤S304,直到进行第G次循环,作业区规划神经网络的输出损失值大于设定限值,在第G-1次循环中作业区规划神经网络输出的H1*H2*…*HG个第G生成图像中,选取满足设定条件的一个第G生成图像作为作业区轨迹生成图像。所述的设定条件为:第G生成图像的待处理区域面积划定G个作业区域面积后,剩余没有划定的空闲区域最小。
步骤S40,根据步骤S30选取的一个作业区轨迹生成图像,以图像中各个作业区域面积的中心点为节点,选取其中的一个节点作为初始节点,利用初始节点和剩余节点,基于现有的路径规划方法,如单源最短路径算法(Dijkstra算法),确定一条初始预测道路施工轨迹。
步骤S50,获取道路工程施工人员在所述作业区域总面积中的实际道路施工轨迹,该实际道路施工轨迹用于表示当前的施工进度。
可理解的,实际道路施工轨迹确定过程如下:
通过连续时序的全景图像通过关键点检测网络(现有技术中的一种神经网络)获取施工人员脚步中心的关键点热力图,对热力图进行叠加,获取实际道路施工轨迹。
步骤S60,将所述的实际道路施工轨迹和初始预测道路施工轨迹进行比较,根据比较的轨迹偏差结果,判断施工进度偏差程度大小,当判定为施工进度偏差程度大于设定程度时,按照步骤S10中的内容,重新确定尚未完成的待处理区域图像,以及重新获取作业区域图像,重复步骤S20-步骤S40中的内容,更新预测道路施工轨迹。
可理解的,将实际道路施工轨迹和初始预测道路施工轨迹进行比较具体为:
根据每天施工人员的施工脚步中心的关键点热力图,与基于初始预测道路施工轨迹生成的热力分布图的比较,确定是否存在进度偏差情况,比如施工进度偏差程度为落后i个作业区域面积,设定程度为5个作业区域面积,当i>5时,需要重新预测道路施工轨迹。
步骤S70,将所述的施工进度偏差程度和轨迹偏差结果发送至监控平台,所述监控平台用于根据获取的轨迹偏差结果,进行工程纠偏措施处理,提供当前施工进度下的工程施工管理措施建议。
可理解的,监控平台提供当前施工进度下的工程施工管理措施建议包括:
组织措施,如更换组织结构、任务分工、管理职能分工、工作流程组织等;管理措施,如调整进度管理的方法和手段,改变施工管理和强化管理等;经济措施,如落实加快工程施工进度所需的资金等;技术措施,如调整设计、改进施工方法和改变施工机具等。实施者根据实际情况选择合适的工程纠偏措施进行道路工程施工管理。
本发明的土木工程施工风险管理方法具有以下优点:
(1)自动进行预测道路施工轨迹的规划,提高了道路工程施工的效率;
(2)根据实际的施工进度,进行预测道路施工轨迹实时优化,提高了预测道路施工轨迹的泛化能力;
(3)实现了道路工程施工自动化管理,通过轨迹进行偏差分析,提高了偏差分析的速度,便于实现及时纠偏。
实施例2:
本实施例提出一种基于人工智能的土木工程施工风险管理系统,包括存储器和处理器,以及存储器上并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现实施例1中的基于人工智能的制壳生产过程的工序监测方法。
如图3所示的一种具体硬件构成的土木工程施工风险管理系统设备600,设备可以包括CPU(611),其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备600还可以包括大容量存储器612和/或只读存储器ROM 613,其中大容量存储器612可以配置用于存储各类数据,包括图像数据、算法数据、中间结果和运行设备600所需要的各种程序,ROM(613)可以配置成存储对于设备600的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
可选地,设备600还可以包括其他的硬件平台或组件,例如示出的TPU(张量处理单元)614、GPU(图形处理单元)615、FPGA(现场可编程门阵列)616和MLU(机器学习单元)617中的一个或多个。可以理解的是,尽管在设备600中示出了多种硬件平台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备600可以仅包括CPU来实现本发明的道路施工轨迹预测及土木工程施工风险管理。
本发明的设备600还可以包括通信接口618,从而可以通过该通信接口618连接到局域网/无线局域网(LAN/WLAN)605,进而可以通过LAN/WLAN连接到本地服务器606或连接到因特网(“Internet”)607。替代地或附加地,本发明的设备600还可以通过通信接口618基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第三代(“3G”)、第四代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本发明的设备600还可以根据需要访问外部网络的服务器608和数据库609,以便获得各种已知的图像模型(如关键点检测网络等)、数据和模块,并且可以远程地存储各种数据,例如用于后续计算分析的道路工程施工人员的实际道路施工轨迹。
设备600的外围设备可以包括显示装置602、输入装置603以及数据传输接口604。在一个实施例中,显示装置602可以例如包括一个或多个扬声器和/或一个或多个视觉显示器,其配置用于对本发明的工序监测结果进行语音提示和/或图像视频显示。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件,其配置用于接收病灶区域图像数据的输入和/或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。
本发明的设备600的上述CPU(611)、大容量存储器612、只读存储器ROM(613)、TPU(614)、GPU(615)、FPGA(616)、MLU(617)和通信接口618可以通过总线619相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线619,CPU(611)可以控制设备600中的其他硬件组件及其外围设备。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于人工智能的土木工程施工风险管理方法,其特征在于,包括以下步骤:
步骤S10,获取实际划定的待处理区域图像,以及获取作业区域图像,所述的作业区域图像中的作业区域面积为设定数量的道路工程施工人员在设定单位时间内能够完成的作业区域面积,所述待处理区域图像中的待处理区域面积为需要道路工程施工人员完成的作业区域总面积;
步骤S20,获取已经训练好的作业区规划神经网络,所述的作业区规划神经网络用于在待处理区域图像的待处理区域面积中划定一个作业区域面积;将所述的待处理区域图像和作业区域图像作为一组输入图像,输入至已经训练好的作业区规划神经网络,输出H1个第一生成图像,H1为整数,每个第一生成图像的待处理区域面积中划定的作业区域面积的位置均各不相同;
步骤S30,进行若干次循环步骤,每次循环步骤为:上次循环步骤中作业区规划神经网络输出的各个第i生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,将输出各个i+1生成图像,i=1,2,…;直到第G次循环步骤中,作业区规划神经网络的输出损失值大于设定限值时,循环停止,在第G-1次循环步骤中作业区规划神经网络输出的各第G生成图像中,选取一个满足设定条件的第G生成图像,作为作业区轨迹生成图像;
步骤S40,根据步骤S30选取的一个作业区轨迹生成图像,以图像中各个作业区域面积的中心点为节点,选取其中的一个节点作为初始节点,利用初始节点和剩余节点,基于单源最短路径算法,确定出初始的预测道路施工轨迹。
2.根据权利要求1所述的基于人工智能的土木工程施工风险管理方法,其特征在于,步骤S20-步骤S30中,所述作业区规划神经网络的结构包括:
第一编码器、第二编码器、解码器、第三编码器和全连接层,第一编码器用于输入待处理区域图像,输出第一特征张量,第二编码器用于输入作业区域图像,输出第二特征张量;将第一特征张量与第二特征张量连接,输入至解码器,由解码器输出作业区规划图像;
第三编码器和全连接层连接,向第三编码器输入作业区规划图像,全连接层输出作业区规划图像中一个或一个以上作业区域面积的包围框信息,根据所述的包围框信息,确定作业区规划图像的连通域图像,根据所述的连通域图像监督解码器输出的作业区规划图像。
3.根据权利要求2所述的基于人工智能的土木工程施工风险管理方法,其特征在于,所述作业区规划神经网络的训练过程包括:进行第一阶段的网络训练,第一阶段的网络训练过程如下:
(1)确定一阶段训练标签:
获取包含实际划定的待处理区域的全景图像,即待处理区域图像,在待处理区域图像中,随机选择待处理区域面积中的某个位置,以所述位置为中心,将作业区域图像中的作业区域面积置于待处理区域面积中;在待处理区域图像中,设置作业区域面积中像素点的像素值为第一像素值,设置待处理区域面积中的剩余像素点的像素值为第二像素值,待处理区域图像中除去待处理区域面积部分的像素点的像素值为第三像素值,得到一张标签图像;
(2)以若干个待处理区域面积大小不同的待处理区域图像,和若干个作业区域面积大小不同的作业区域图像进行随机组合,得到若干个训练样本,构成一阶段训练集,按照步骤(1)中的内容,一阶段训练集中的每个训练样本对应得到N张标签图像
4.根据权利要求3所述的基于人工智能的土木工程施工风险管理方法,其特征在于,所述作业区规划神经网络的训练过程还包括:进行第二阶段的网络训练,第二阶段的网络训练过程如下:
(1)确定二阶段训练集:
二阶段训练集包括两部分样本,第一部分样本为一阶段训练标签,第二部分样本为一阶段训练集中的样本;
(2)确定二阶段训练标签:
第一部分样本的训练标签为:在待处理区域图像中,将第二个作业区域面积置于待处理区域面积中;放置第二个作业区域面积时,需要保证第二个作业区域面积不与已有的作业区域面积产生交集;
第二部分样本的训练标签为一阶段训练标签不变;
5.根据权利要求4所述的基于人工智能的土木工程施工风险管理方法,其特征在于,所述作业区规划神经网络的训练过程还包括:进行第三阶段的网络训练,第三阶段的网络训练过程如下:
(1)确定三阶段训练集:
设定若干组输入图像,每组输入图像均包含有待处理区域图像和作业区域图像,各个待处理区域图像中包含有p个作业区域面积,p取集合中{0,1,..m}中的一个值;
(2)设置连通域提取网络作为监督分支,对网络W2进行训练,训练后得到网络W3,即为训练好的作业区规划神经网络;所述监督分支的实现过程为:网络W3输出作业区规划图像,确定作业区规划图像的各个连通域图像,根据所述的连通域图像确定训练的损失函数L3,实现对作业区规划图像的监督;所述的损失函数L3=Lm+Lc+Lf+Le,Lm为作业区规划图像与输入图像相比的作业区域面积损失值,Lc为作业区规划图像的连通域损失值,该值为各个连通域图像中分别与作业区域图像的连通域图像之间的欧式距离和,Lf为待处理区域图像中划定的作业区域面积超出待处理区域面积的损失值,Le为在待处理区域图像的待处理区域面积中划定好作业区域面积后的空闲区域损失。
6.根据权利要求1所述的基于人工智能的土木工程施工风险管理方法,其特征在于,还包括以下步骤:
步骤S50,获取道路工程施工人员在所述作业区域总面积中的实际道路施工轨迹,该实际道路施工轨迹用于表示当前的施工进度;
步骤S60,将所述的实际道路施工轨迹和初始预测道路施工轨迹进行比较,根据比较的轨迹偏差结果,判断施工进度偏差程度,当判定为施工进度偏差程度大于设定程度时,按照步骤S10中的内容,重新确定尚未完成的待处理区域图像,以及重新获取作业区域图像,重复步骤S20-步骤S40中的内容,更新预测道路施工轨迹。
7.根据权利要求6所述的基于人工智能的土木工程施工风险管理方法,其特征在于,还包括以下步骤:
步骤S70,将所述的施工进度偏差程度和轨迹偏差结果发送至监控平台,所述监控平台用于根据获取的轨迹偏差结果,进行工程纠偏措施处理,提供当前施工进度下的工程施工管理措施建议。
8.根据权利要求1所述的基于人工智能的土木工程施工风险管理方法,其特征在于,步骤S30中的具体循环过程如下:
步骤S301,进行第一次循环,该循环步骤包括:将各个第一生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出H2个第二生成图像,则对于H1组输入图像,该网络总共输出H1*H2个第二生成图像,每个第二生成图像的待处理区域面积中划定两个位置不同的作业区域面积;
步骤S302,进行第二次循环,该循环步骤包括:再将各个第二生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出H3个第三生成图像,则对于H1*H2组输入图像,该网络总共输出H1*H2*H3个第三生成图像,每个第三生成图像的待处理区域面积中划定三个位置不同的作业区域面积;
步骤S303,进行第j次循环,j=3,4,…,该循环步骤包括:再将各个第i生成图像分别与作业区域图像作为一组输入图像,再输入至作业区规划神经网络,对于每组输入图像,该网络对应输出Hj+1个第(j+1)生成图像,则对于H1*H2*…*Hj组输入图像,该网络总共输出H1*H2*…*Hj+1个第(j+1)生成图像,H1、H2、…、Hj均为整数,每个第(i+1)生成图像的待处理区域面积中划定(j+1)个位置不同的作业区域面积;
步骤S304,直到进行第G次循环,作业区规划神经网络的输出损失值大于设定限值,在第G-1次循环中作业区规划神经网络输出的H1*H2*…*HG个第G生成图像中,选取一个满足所述设定条件的第G生成图像作为作业区轨迹生成图像。
9.根据权利要求8所述的基于人工智能的土木工程施工风险管理方法,其特征在于,所述的设定条件为:第G生成图像的待处理区域面积中划定G个作业区域面积后,剩余没有划定的空闲区域最小。
10.基于人工智能的土木工程施工风险管理系统,其特征在于,包括存储器和处理器,以及存储器上并在处理器上运行的计算机程序,处理器与存储器相耦合,处理器在执行计算机程序时实现如权利要求1-9中任一项所述的土木工程施工风险管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935394.XA CN113657663A (zh) | 2021-08-16 | 2021-08-16 | 基于人工智能的土木工程施工风险管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935394.XA CN113657663A (zh) | 2021-08-16 | 2021-08-16 | 基于人工智能的土木工程施工风险管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657663A true CN113657663A (zh) | 2021-11-16 |
Family
ID=78479180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110935394.XA Withdrawn CN113657663A (zh) | 2021-08-16 | 2021-08-16 | 基于人工智能的土木工程施工风险管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657663A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495300A (zh) * | 2023-11-22 | 2024-02-02 | 山东德才建设有限公司 | 一种关于工程施工的作业管理方法、设备及介质 |
-
2021
- 2021-08-16 CN CN202110935394.XA patent/CN113657663A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495300A (zh) * | 2023-11-22 | 2024-02-02 | 山东德才建设有限公司 | 一种关于工程施工的作业管理方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190325605A1 (en) | Systems and methods for detecting objects in images | |
US10909842B2 (en) | Use of self-driving vehicles and mapping for pedestrian defined crosswalks | |
CN112836064A (zh) | 知识图谱补全方法、装置、存储介质及电子设备 | |
CN111931764B (zh) | 一种目标检测方法、目标检测框架及相关设备 | |
CN110998663B (zh) | 一种仿真场景的图像生成方法、电子设备和存储介质 | |
CN113704531A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
WO2020077913A1 (zh) | 图像处理方法、装置、硬件装置 | |
WO2023273628A1 (zh) | 一种视频循环识别方法、装置、计算机设备及存储介质 | |
CN115249315B (zh) | 面向异构计算设备的深度学习图像分类方法及装置 | |
CN113554355B (zh) | 基于人工智能的道路工程施工管理方法与系统 | |
CN112580558A (zh) | 红外图像目标检测模型构建方法、检测方法、装置及系统 | |
WO2023207778A1 (zh) | 数据修复方法、装置、计算机及可读存储介质 | |
CN113657663A (zh) | 基于人工智能的土木工程施工风险管理方法及系统 | |
CN111242176B (zh) | 计算机视觉任务的处理方法、装置及电子系统 | |
CN112668608A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN115713757A (zh) | 终端设备通用的数据采集方法及其装置 | |
CN114004905B (zh) | 人物风格形象图的生成方法、装置、设备及存储介质 | |
CN115249266A (zh) | 航路点位置预测方法、系统、设备及存储介质 | |
WO2020077912A1 (zh) | 图像处理方法、装置、硬件装置 | |
WO2024067113A1 (zh) | 一种动作预测方法及其相关设备 | |
CN111539401B (zh) | 基于人工智能的车道线检测方法、装置、终端及存储介质 | |
CN110633641A (zh) | 一种智能安防行人检测方法、系统、装置及存储介质 | |
CN112434817B (zh) | 构建通信算法数据库的方法、装置和计算机存储介质 | |
CN109284687B (zh) | 一种基于室内机会信号增强的场景识别方法及装置 | |
CN114842548A (zh) | 一种违规行为识别方法、装置、存储介质及终端 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |
|
WW01 | Invention patent application withdrawn after publication |