CN113762229B - 一种建筑场地内建筑器材的智能识别方法及系统 - Google Patents
一种建筑场地内建筑器材的智能识别方法及系统 Download PDFInfo
- Publication number
- CN113762229B CN113762229B CN202111323101.9A CN202111323101A CN113762229B CN 113762229 B CN113762229 B CN 113762229B CN 202111323101 A CN202111323101 A CN 202111323101A CN 113762229 B CN113762229 B CN 113762229B
- Authority
- CN
- China
- Prior art keywords
- information
- building
- equipment
- building equipment
- image information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 85
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 46
- 230000004927 fusion Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004380 ashing Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种建筑场地内建筑器材的智能识别方法及系统，涉及施工安全领域，包括：获取建筑场地图像信息，将所述建筑场地图像信息进行预处理；基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述预处理后的建筑场地图像信息进行特征提取生成多维度特征图及特征信息；根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置；根据目标物体的特征信息判断所述目标物体是否为建筑器材；若所述目标物体为建筑器材，则生成提醒信息并确定建筑器材的定位信息；将建筑器材的定位信息及所述提醒信息按照预设方式进行发送及显示。
Description
技术领域
本发明涉及施工安全领域，更具体的，涉及一种建筑场地内建筑器材的智能识别方法及系统。
背景技术
建筑业属于劳动密集型产业,同时也是一个安全事故多发的高危行业,随着我国经济发展,建筑工程也需要从以往粗放式、高能耗、高污染的发展模式向智慧型、绿色型、节约型发展转变。目前我国建筑工程管理依旧存在综合管理难度大、施工现场管理复杂等问题，例如建筑场地中建筑人员的施工行为不规范，对建筑器材随意摆放、丢弃，容易造成安全事故。所以在"互联网+管理"背景下,建立智能化建筑工程施工管理系统,对建筑场地内建筑器材不规范摆放进行识别提醒显得尤为重要。
为了能够实现建筑场地内建筑器材的智能识别并生成提醒，降低安全事故，需要开发一款系统与之配合，该系统通过获取建筑场地的建筑场地图像信息，基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述建筑场地图像信息进行识别判断是否存在建筑器材；若存在，则获取建筑器材的定位信息；将所述建筑器材的定位信息按照预设方式进行显示并生成提醒信息。在该系统的实现过程中，如何建立建筑器材识别模型识别建筑器材并进行定位提醒是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种建筑场地内建筑器材的智能识别方法及系统。
本发明第一方面提供了一种建筑场地内建筑器材的智能识别方法，包括：
获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，获取预处理后的建筑场地图像信息；
基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述预处理后的建筑场地图像信息进行特征提取生成多维度特征图及特征信息；
根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置；
根据目标物体的特征信息判断所述目标物体是否为建筑器材；
若所述目标物体为建筑器材，则生成提醒信息并根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息；
将建筑器材的定位信息及所述提醒信息按照预设方式进行发送及显示。
本方案中，所述的获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，具体为：
获取建筑场地图像信息，将建筑场地图像信息进行图像灰化处理，获取建筑场地灰度图像信息；
将所述建筑场地灰度图像信息进行高斯滤波，生成去噪后的建筑场地灰度图像信息；
根据所述去噪后的建筑场地灰度图像信息进行边缘提取，获取预处理后的建筑场地图像信息。
本方案中，所述的根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置，具体为：
将所述多维度特征图进行降维融合，生成融合特征图，将所述融合特征图导入所述建筑器材识别模型中的RPN网络；
在所述融合特征图的每个像素位置生成三种面积相同纵横比不同的锚框，通过所述锚框的横纵坐标及长宽信息获取锚框的位置信息，通过所述锚框对所述融合特征图的前景区域和背景区域进行分类；
将所述融合特征图所生成锚框的分类结果和位置信息进行整合排序，根据排序结果获取建筑场地图像信息的感兴趣区域，并根据所述锚框的位置信息确定感兴趣区域的位置信息，确定目标物体的在建筑场地图像信息中的位置。
本方案中，所述的根据目标物体的特征信息判断所述目标物体是否为建筑器材，具体为:
通过海量建筑器材图像信息构建建筑器材图像训练集合，根据建筑器材的类别标签将所述建筑器材图像训练集合中的图像信息进行分类并进行特征提取，生成各类别标签对应的特征矩阵；
获取建筑场地图像信息中的目标物体的颜色特征及形状特征，根据所述颜色特征及形状特征生成目标物体特征矩阵；
将所述目标物体特征矩阵与所述各类别标签对应的特征矩阵进行匹配度分析；
若所述匹配度大于预设匹配度阈值，则判断所述目标物体为建筑器材，并计算所述目标物体在各建筑器材分类中的概率得分；
按照所述概率得分进行排序，将概率得分最大的建筑器材类别作为目标物体的建筑器材类别。
本方案中，所述的根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息，具体为：
获取建筑场地图像采集设备的位置信息及监控区域，根据所述位置信息及监控区域计算建筑场地图像信息中的建筑器材位置与建筑场地图像采集设备位置之间的距离信息；
根据所述建筑场地图像信息中建筑器材与建筑场地图像采集设备的相对位置关系，获取所述建筑器材与建筑场地图像采集设备的方向信息；
根据所述距离信息及所述方向信息结合监控区域的基本信息生成所述建筑器材的定位信息；
所述监控区域的基本信息包括：施工区域信息、施工建筑编号信息、施工楼层信息及图像采集设备编号信息的一种或两种以上的组合。
本方案中，还包括：
当采集的建筑场地图像信息中包含多件建筑器材时，则调用监控区域的基本信息，根据所述监控区域的基本信息判断该区域是否为建筑器材存放区域；
若所述区域不是建筑器材存放区域，则获取各建筑器材的位置信息，并生成安全提醒信息，将所述安全提醒信息按照预设方式发送给施工人员；
若所述区域为建筑器材存放区域，则通过建筑器材的位置信息获取建筑器材的摆放凌乱程度，判断所述凌乱程度是否大于预设凌乱阈值；
若大于，则生成建筑器材存放区域凌乱提醒信息，将所述凌乱提醒信息按照预设方式进行显示，并且按照预设方式发送给施工人员。
本发明第二方面还提供了一种建筑场地内建筑器材的智能识别系统，该系统包括：存储器、处理器，所述存储器中包括一种建筑场地内建筑器材的智能识别程序，所述一种建筑场地内建筑器材的智能识别程序被所述处理器执行时实现如下步骤：
获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，获取预处理后的建筑场地图像信息；
基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述预处理后的建筑场地图像信息进行特征提取生成多维度特征图及特征信息；
根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置；
根据目标物体的特征信息判断所述目标物体是否为建筑器材；
若所述目标物体为建筑器材，则生成提醒信息并根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息；
将建筑器材的定位信息及所述提醒信息按照预设方式进行发送及显示。
本方案中，所述的获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，具体为：
获取建筑场地图像信息，将建筑场地图像信息进行图像灰化处理，获取建筑场地灰度图像信息；
将所述建筑场地灰度图像信息进行高斯滤波，生成去噪后的建筑场地灰度图像信息；
根据所述去噪后的建筑场地灰度图像信息进行边缘提取，获取预处理后的建筑场地图像信息。
本方案中，所述的根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置，具体为：
将所述多维度特征图进行降维融合，生成融合特征图，将所述融合特征图导入所述建筑器材识别模型中的RPN网络；
在所述融合特征图的每个像素位置生成三种面积相同纵横比不同的锚框，通过所述锚框的横纵坐标及长宽信息获取锚框的位置信息，通过所述锚框对所述融合特征图的前景区域和背景区域进行分类；
将所述融合特征图所生成锚框的分类结果和位置信息进行整合排序，根据排序结果获取建筑场地图像信息的感兴趣区域，并根据所述锚框的位置信息确定感兴趣区域的位置信息，确定目标物体的在建筑场地图像信息中的位置。
本方案中，所述的根据目标物体的特征信息判断所述目标物体是否为建筑器材，具体为:
通过海量建筑器材图像信息构建建筑器材图像训练集合，根据建筑器材的类别标签将所述建筑器材图像训练集合中的图像信息进行分类并进行特征提取，生成各类别标签对应的特征矩阵；
获取建筑场地图像信息中的目标物体的颜色特征及形状特征，根据所述颜色特征及形状特征生成目标物体特征矩阵；
将所述目标物体特征矩阵与所述各类别标签对应的特征矩阵进行匹配度分析；
若所述匹配度大于预设匹配度阈值，则判断所述目标物体为建筑器材，并计算所述目标物体在各建筑器材分类中的概率得分；
按照所述概率得分进行排序，将概率得分最大的建筑器材类别作为目标物体的建筑器材类别。
本方案中，所述的根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息，具体为：
获取建筑场地图像采集设备的位置信息及监控区域，根据所述位置信息及监控区域计算建筑场地图像信息中的建筑器材位置与建筑场地图像采集设备位置之间的距离信息；
根据所述建筑场地图像信息中建筑器材与建筑场地图像采集设备的相对位置关系，获取所述建筑器材与建筑场地图像采集设备的方向信息；
根据所述距离信息及所述方向信息结合监控区域的基本信息生成所述建筑器材的定位信息；
所述监控区域的基本信息包括：施工区域信息、施工建筑编号信息、施工楼层信息及图像采集设备编号信息的一种或两种以上的组合。
本方案中，还包括：
当采集的建筑场地图像信息中包含多件建筑器材时，则调用监控区域的基本信息，根据所述监控区域的基本信息判断该区域是否为建筑器材存放区域；
若所述区域不是建筑器材存放区域，则获取各建筑器材的位置信息，并生成安全提醒信息，将所述安全提醒信息按照预设方式发送给施工人员；
若所述区域为建筑器材存放区域，则通过建筑器材的位置信息获取建筑器材的摆放凌乱程度，判断所述凌乱程度是否大于预设凌乱阈值；
若大于，则生成建筑器材存放区域凌乱提醒信息，将所述凌乱提醒信息按照预设方式进行显示，并且按照预设方式发送给施工人员。
本发明公开了一种建筑场地内建筑器材的智能识别方法及系统，涉及施工安全领域，其中建筑场地内建筑器材的智能识别方法包括：获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，获取预处理后的建筑场地图像信息；基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述预处理后的建筑场地图像信息进行特征提取生成多维度特征图及特征信息；根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置；根据目标物体的特征信息判断所述目标物体是否为建筑器材；若所述目标物体为建筑器材，则生成提醒信息并根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息；将建筑器材的定位信息及所述提醒信息按照预设方式进行发送及显示。本发明通过建立建筑器材识别模型进行建筑器材的特征匹配，准确识别建筑场地内的建筑器材类别，提高了识别检测精度与准确度。
附图说明
图1示出了本发明一种建筑场地内建筑器材的智能识别的流程图；
图2示出了本发明根据目标物体的特征信息判断所述目标物体是否为建筑器材的方法流程图；
图3示出了本发明确定建筑器材的定位信息的方法流程图；
图4示出了本发明一种建筑地基沉降的监测预警系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种建筑场地内建筑器材的智能识别的流程图。
如图1所示，本发明第一方面提供了一种建筑场地内建筑器材的智能识别，包括：
S102，获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，获取预处理后的建筑场地图像信息；
S104，基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述预处理后的建筑场地图像信息进行特征提取生成多维度特征图及特征信息；
S106，根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置；
S108，根据目标物体的特征信息判断所述目标物体是否为建筑器材；
S110，若所述目标物体为建筑器材，则生成提醒信息并根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息；
S112，将建筑器材的定位信息及所述提醒信息按照预设方式进行发送及显示。
需要说明的是，所述的获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，具体为：
获取建筑场地图像信息，基于灰度等级直方图对所述建筑场地图像信息进行灰度化处理，获取建筑场地灰度图像信息；
将所述建筑场地灰度图像信息进行高斯滤波，生成去噪后的建筑场地灰度图像信息；
根据所述去噪后的建筑场地灰度图像信息进行边缘提取，获取预处理后的建筑场地图像信息。
需要说明的是，所述建筑器材识别模型基于卷积神经网络及RPN网络（区域生成网络）建立，将所述预处理后的建筑场地图像信息输入所述卷积神经网络中，进行不同维度的目标特征提取处理，获得多维度特征图；将不同维度的特征图通过RPN网络进行建筑器材的识别与定位。
需要说明的是，所述的根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置，具体为：
将所述多维度特征图进行降维融合，生成融合特征图，将所述融合特征图导入所述建筑器材识别模型中的RPN网络；
在所述融合特征图的每个像素位置生成三种面积相同纵横比不同的锚框，通过所述锚框的横纵坐标及长宽信息获取锚框的位置信息，通过所述锚框对所述融合特征图的前景区域和背景区域进行分类；
将所述融合特征图所生成锚框的分类结果和位置信息进行整合排序，根据排序结果获取建筑场地图像信息的感兴趣区域，并根据所述锚框的位置信息确定感兴趣区域的位置信息，确定目标物体的在建筑场地图像信息中的位置。
图2示出了本发明根据目标物体的特征信息判断所述目标物体是否为建筑器材的方法流程图。
根据本发明实施例，所述的根据目标物体的特征信息判断所述目标物体是否为建筑器材，具体为:
S202，通过海量建筑器材图像信息构建建筑器材图像训练集合，根据建筑器材的类别标签将所述建筑器材图像训练集合中的图像信息进行分类并进行特征提取，生成各类别标签对应的特征矩阵；
S204，获取建筑场地图像信息中的目标物体的颜色特征及形状特征，根据所述颜色特征及形状特征生成目标物体特征矩阵；
S206，将所述目标物体特征矩阵与所述各类别标签对应的特征矩阵进行匹配度分析；
S208，若所述匹配度大于预设匹配度阈值，则判断所述目标物体为建筑器材，并计算所述目标物体在各建筑器材分类中的概率得分；
S210，按照所述概率得分进行排序，将概率得分最大的建筑器材类别作为目标物体的建筑器材类别。
需要说明的是，通过海量建筑器材图像信息构建建筑器材图像训练集合，对建筑器材识别模型进行训练，将所获取的建筑器材图像训练集合输入建筑器材识别模型，建筑器材识别模型中的各级卷积层使用各级卷积层的初始卷积核和初始偏置矩阵，对输入卷积神经网络模型的图像数据进行卷积计算和最大池化，得到训练集中训练图像的第一特征图像，将所得的训练图像的第一特征图像再次进行池化操作，得到训练图像的第二特征图像，根据训练集中训练图像的第二特征图确定每个训练图像的特征向量，通过初始初始偏置矩阵和初始权重矩阵对所得特征向量进行处理，得到训练集中训练图像的分类向量，根据所述训练集中训练图像的分类向量和每个训练图像的初始类别，计算得到类别误差，根据所得类别误差对卷积神经网络模型的卷积核进行相关调整，根据多个训练图像以及调整后的卷积核参数继续对卷积神经网络模型进行相关参数的调整，进行多次迭代直到误差达到理想值后停止对建筑器材识别模型的训练。
需要说明的是，原始RPN网络生成的三种纵横比分别为 1:2、1:1 和 2:1 的锚框。由于预设锚框的纵横比与建筑器材的形状可能存在不匹配的情况，不适合的锚框会降低识别和定位的精度。为了使得锚框与建筑器材的形状相匹配，需要对锚框的纵横比进行适应性的修改。在建筑器材图像训练集合中选取适量的建筑器材图片，进行人工标注矩形框，然后对标注矩形框的纵横比进行统计，然后使用选取的建筑器材图片对原始RPN网络进行训练，当RPN网络的锚框的纵横比与人工标注矩形框的纵横比之间的误差小于预设阈值，则证明RPN网络的锚框的纵横比调整完毕。对锚框的纵横比进行调整减少了锚框数量，同时减少了运算量和提高了运算速度，减少了误识别的可能性。
图3示出了本发明确定建筑器材的定位信息的方法流程图。
根据本发明实施例，所述的根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息，具体为：
S302，获取建筑场地图像采集设备的位置信息及监控区域，根据所述位置信息及监控区域计算建筑场地图像信息中的建筑器材位置与建筑场地图像采集设备位置之间的距离信息；
S304，根据所述建筑场地图像信息中建筑器材与建筑场地图像采集设备的相对位置关系，获取所述建筑器材与建筑场地图像采集设备的方向信息；
S306，根据所述距离信息及所述方向信息结合监控区域的基本信息生成所述建筑器材的定位信息；
所述监控区域的基本信息包括：施工区域信息、施工建筑编号信息、施工楼层信息及图像采集设备编号信息的一种或两种以上的组合。
需要说明的是，本发明所述的生成提醒信息还包括：
当采集的建筑场地图像信息中包含多件建筑器材时，则调用监控区域的基本信息，根据所述监控区域的基本信息判断该区域是否为建筑器材存放区域；
若所述区域不是建筑器材存放区域，则获取各建筑器材的位置信息，并生成安全提醒信息，将所述安全提醒信息按照预设方式发送给施工人员；
若所述区域为建筑器材存放区域，则通过建筑器材的位置信息获取建筑器材的摆放凌乱程度，判断所述凌乱程度是否大于预设凌乱阈值；
若大于，则生成建筑器材存放区域凌乱提醒信息，将所述凌乱提醒信息按照预设方式进行显示，并且按照预设方式发送给施工人员。
根据本发明实施例，所述提醒信息进行发送时，优先发送给与建筑器材距离最近的施工人员，具体为：
获取带有本地信息的报文，并通过锚节点将所述报文进行AP（无线访问接入点）广播；
施工人员的智能设备接收到所述报文，得到锚节点的MAC地址（链路地址），根据RSSI（信号强度）计算所述智能设备与所述锚节点的距离信息，并上传所述智能设备的MAC地址；
判断所述智能设备的MAC地址是否存在于数据库中；
若存在，则得到所涉智能设备的MAC地址对应的施工人员信息，根据锚节点对施工人员进行定位；
获取各施工人员的定位信息与所述建筑器材之间的距离信息，获取距离最近的施工人员信息；
对距离最近的施工人员进行提醒信息的优先发送；
需要说明的是，根据锚节点对施工人员进行定位具体为：通过三个已知的锚节点，根据所述锚节点的坐标信息与智能设备的距离信息，根据两点之间的距离公式确定施工人员的坐标信息；根据RSSI计算所述智能设备与所述锚节点的距离信息具体为：利用对数距离路径的损耗模型进行RSSI测距，其公式如下：
其中，
表示智能设备到锚节点的距离信息，
表示接受信号强度绝对值的
实数，
表示智能设备与锚节点相隔1米时的信号强度，
表示环境衰减因子。
根据本发明实施例，本发明还包括，根据建筑器材的暂存区域自定义划分监控区域，具体为：
通过建筑场地图像采集设备向预设显示设备传输监控区域视频信息，获取建筑器材存放前的原始视频帧图像；
按照建筑器材的预设暂存区域对原始视频帧图像进行分割，将所述暂存区域外的区域作为监控区域；
对建筑场地内暂存的建筑器材进行识别定位，获取所述建筑器材在建筑场地图像信息中的位置范围；
将所述位置范围在所述原始视频帧图像进行标注，提取标注图像生成差异图像信息；
将所述差异图像信息与建筑器材的预设暂存区域进行对比，判断所述差异图像信息是否大于预设暂存区域；
若大于，则按照所述差异图像信息对监控区域进行修改，生成修改后监控区域信息；
将所述修改后监控区域信息发送到所述建筑场地图像采集设备进行监控识别。
图4示出了本发明一种建筑场地内建筑器材的智能识别的框图。
本发明第二方面还提供了一种建筑场地内建筑器材的智能识别系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种建筑场地内建筑器材的智能识别程序，所述一种建筑场地内建筑器材的智能识别程序被所述处理器执行时实现如下步骤：
获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，获取预处理后的建筑场地图像信息；
基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述预处理后的建筑场地图像信息进行特征提取生成多维度特征图及特征信息；
根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置；
根据目标物体的特征信息判断所述目标物体是否为建筑器材；
若所述目标物体为建筑器材，则生成提醒信息并根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息；
将建筑器材的定位信息及所述提醒信息按照预设方式进行发送及显示。
需要说明的是，所述的获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，具体为：
获取建筑场地图像信息，基于灰度等级直方图对所述建筑场地图像信息进行灰度化处理，获取建筑场地灰度图像信息；
将所述建筑场地灰度图像信息进行高斯滤波，生成去噪后的建筑场地灰度图像信息；
根据所述去噪后的建筑场地灰度图像信息进行边缘提取，获取预处理后的建筑场地图像信息。
需要说明的是，所述的根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置，具体为：
将所述多维度特征图进行降维融合，生成融合特征图，将所述融合特征图导入所述建筑器材识别模型中的RPN网络；
在所述融合特征图的每个像素位置生成三种面积相同纵横比不同的锚框，通过所述锚框的横纵坐标及长宽信息获取锚框的位置信息，通过所述锚框对所述融合特征图的前景区域和背景区域进行分类；
将所述融合特征图所生成锚框的分类结果和位置信息进行整合排序，根据排序结果获取建筑场地图像信息的感兴趣区域，并根据所述锚框的位置信息确定感兴趣区域的位置信息，确定目标物体的在建筑场地图像信息中的位置。
根据本发明实施例，所述的根据目标物体的特征信息判断所述目标物体是否为建筑器材，具体为:
通过海量建筑器材图像信息构建建筑器材图像训练集合，根据建筑器材的类别标签将所述建筑器材图像训练集合中的图像信息进行分类并进行特征提取，生成各类别标签对应的特征矩阵；
获取建筑场地图像信息中的目标物体的颜色特征及形状特征，根据所述颜色特征及形状特征生成目标物体特征矩阵；
将所述目标物体特征矩阵与所述各类别标签对应的特征矩阵进行匹配度分析；
若所述匹配度大于预设匹配度阈值，则判断所述目标物体为建筑器材，并计算所述目标物体在各建筑器材分类中的概率得分；
按照所述概率得分进行排序，将概率得分最大的建筑器材类别作为目标物体的建筑器材类别。
需要说明的是，通过海量建筑器材图像信息构建建筑器材图像训练集合，对建筑器材识别模型进行训练，将所获取的建筑器材图像训练集合输入建筑器材识别模型，建筑器材识别模型中的各级卷积层使用各级卷积层的初始卷积核和初始偏置矩阵，对输入卷积神经网络模型的图像数据进行卷积计算和最大池化，得到训练集中训练图像的第一特征图像，将所得的训练图像的第一特征图像再次进行池化操作，得到训练图像的第二特征图像，根据训练集中训练图像的第二特征图确定每个训练图像的特征向量，通过初始初始偏置矩阵和初始权重矩阵对所得特征向量进行处理，得到训练集中训练图像的分类向量，根据所述训练集中训练图像的分类向量和每个训练图像的初始类别，计算得到类别误差，根据所得类别误差对卷积神经网络模型的卷积核进行相关调整，根据多个训练图像以及调整后的卷积核参数继续对卷积神经网络模型进行相关参数的调整，进行多次迭代直到误差达到理想值后停止对建筑器材识别模型的训练。
需要说明的是，原始RPN网络生成的三种纵横比分别为 1:2、1:1 和 2:1 的锚框。由于预设锚框的纵横比与建筑器材的形状可能存在不匹配的情况，不适合的锚框会降低识别和定位的精度。为了使得锚框与建筑器材的形状相匹配，需要对锚框的纵横比进行适应性的修改。在建筑器材图像训练集合中选取适量的建筑器材图片，进行人工标注矩形框，然后对标注矩形框的纵横比进行统计，然后使用选取的建筑器材图片对原始RPN网络进行训练，当RPN网络的锚框的纵横比与人工标注矩形框的纵横比之间的误差小于预设阈值，则证明RPN网络的锚框的纵横比调整完毕。对锚框的纵横比进行调整减少了锚框数量，同时减少了运算量和提高了运算速度，减少了误识别的可能性。
根据本发明实施例，所述的根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息，具体为：
获取建筑场地图像采集设备的位置信息及监控区域，根据所述位置信息及监控区域计算建筑场地图像信息中的建筑器材位置与建筑场地图像采集设备位置之间的距离信息；
根据所述建筑场地图像信息中建筑器材与建筑场地图像采集设备的相对位置关系，获取所述建筑器材与建筑场地图像采集设备的方向信息；
根据所述距离信息及所述方向信息结合监控区域的基本信息生成所述建筑器材的定位信息；
所述监控区域的基本信息包括：施工区域信息、施工建筑编号信息、施工楼层信息及图像采集设备编号信息的一种或两种以上的组合。
需要说明的是，本发明所述的生成提醒信息还包括：
当采集的建筑场地图像信息中包含多件建筑器材时，则调用监控区域的基本信息，根据所述监控区域的基本信息判断该区域是否为建筑器材存放区域；
若所述区域不是建筑器材存放区域，则获取各建筑器材的位置信息，并生成安全提醒信息，将所述安全提醒信息按照预设方式发送给施工人员；
若所述区域为建筑器材存放区域，则通过建筑器材的位置信息获取建筑器材的摆放凌乱程度，判断所述凌乱程度是否大于预设凌乱阈值；
若大于，则生成建筑器材存放区域凌乱提醒信息，将所述凌乱提醒信息按照预设方式进行显示，并且按照预设方式发送给施工人员。
根据本发明实施例，所述提醒信息进行发送时，优先发送给与建筑器材距离最近的施工人员，具体为：
获取带有本地信息的报文，并通过锚节点将所述报文进行AP（无线访问接入点）广播；
施工人员的智能设备接收到所述报文，得到锚节点的MAC地址（链路地址），根据RSSI（信号强度）计算所述智能设备与所述锚节点的距离信息，并上传所述智能设备的MAC地址；
判断所述智能设备的MAC地址是否存在于数据库中；
若存在，则得到所涉智能设备的MAC地址对应的施工人员信息，根据锚节点对施工人员进行定位；
获取各施工人员的定位信息与所述建筑器材之间的距离信息，获取距离最近的施工人员信息；
对距离最近的施工人员进行提醒信息的优先发送；
需要说明的是，根据锚节点对施工人员进行定位具体为：通过三个已知的锚节点，根据所述锚节点的坐标信息与智能设备的距离信息，根据两点之间的距离公式确定施工人员的坐标信息；根据RSSI计算所述智能设备与所述锚节点的距离信息具体为：利用对数距离路径的损耗模型进行RSSI测距，其公式如下：
其中，
表示智能设备到锚节点的距离信息，
表示接受信号强度绝对值的
实数，
表示智能设备与锚节点相隔1米时的信号强度，
表示环境衰减因子。
根据本发明实施例，本发明还包括，根据建筑器材的暂存区域自定义划分监控区域，具体为：
通过建筑场地图像采集设备向预设显示设备传输监控区域视频信息，获取建筑器材存放前的原始视频帧图像；
按照建筑器材的预设暂存区域对原始视频帧图像进行分割，将所述暂存区域外的区域作为监控区域；
对建筑场地内暂存的建筑器材进行识别定位，获取所述建筑器材在建筑场地图像信息中的位置范围；
将所述位置范围在所述原始视频帧图像进行标注，提取标注图像生成差异图像信息；
将所述差异图像信息与建筑器材的预设暂存区域进行对比，判断所述差异图像信息是否大于预设暂存区域；
若大于，则按照所述差异图像信息对监控区域进行修改，生成修改后监控区域信息；
将所述修改后监控区域信息发送到所述建筑场地图像采集设备进行监控识别。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的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）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种建筑场地内建筑器材的智能识别方法，其特征在于，包括：
获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，获取预处理后的建筑场地图像信息；
基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述预处理后的建筑场地图像信息进行特征提取生成多维度特征图及特征信息；
根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置；
根据目标物体的特征信息判断所述目标物体是否为建筑器材；
若所述目标物体为建筑器材，则生成提醒信息并根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息；
将建筑器材的定位信息及所述提醒信息按照预设方式进行发送及显示；
所述的根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息，具体为：
获取建筑场地图像采集设备的位置信息及监控区域，根据所述位置信息及监控区域计算建筑场地图像信息中的建筑器材位置与建筑场地图像采集设备位置之间的距离信息；
根据所述建筑场地图像信息中建筑器材与建筑场地图像采集设备的相对位置关系，获取所述建筑器材与建筑场地图像采集设备的方向信息；
根据所述距离信息及所述方向信息结合监控区域的基本信息生成所述建筑器材的定位信息；
所述监控区域的基本信息包括：施工区域信息、施工建筑编号信息、施工楼层信息及图像采集设备编号信息的一种或两种以上的组合；
还包括：当采集的建筑场地图像信息中包含多件建筑器材时，则调用监控区域的基本信息，根据所述监控区域的基本信息判断该区域是否为建筑器材存放区域；
若所述区域不是建筑器材存放区域，则获取各建筑器材的位置信息，并生成安全提醒信息，将所述安全提醒信息按照预设方式发送给施工人员；
若所述区域为建筑器材存放区域，则通过建筑器材的位置信息获取建筑器材的摆放凌乱程度，判断所述凌乱程度是否大于预设凌乱阈值；
若大于，则生成建筑器材存放区域凌乱提醒信息，将所述凌乱提醒信息按照预设方式进行显示，并且按照预设方式发送给施工人员；
所述提醒信息进行发送时，优先发送给与建筑器材距离最近的施工人员，具体为：
获取带有本地信息的报文，并通过锚节点将所述报文进行AP广播；
施工人员的智能设备接收到所述报文，得到锚节点的MAC地址，根据RSSI计算所述智能设备与所述锚节点的距离信息，并上传所述智能设备的MAC地址；
判断所述智能设备的MAC地址是否存在于数据库中；
若存在，则得到所涉智能设备的MAC地址对应的施工人员信息，根据锚节点对施工人员进行定位；
获取各施工人员的定位信息与所述建筑器材之间的距离信息，获取距离最近的施工人员信息；
对距离最近的施工人员进行提醒信息的优先发送。
2.根据权利要求1所述的一种建筑场地内建筑器材的智能识别方法，其特征在于，所述的获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，具体为：
获取建筑场地图像信息，将建筑场地图像信息进行图像灰化处理，获取建筑场地灰度图像信息；
将所述建筑场地灰度图像信息进行高斯滤波，生成去噪后的建筑场地灰度图像信息；
根据所述去噪后的建筑场地灰度图像信息进行边缘提取，获取预处理后的建筑场地图像信息。
3.根据权利要求1所述的一种建筑场地内建筑器材的智能识别方法，其特征在于，所述的根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置，具体为：
将所述多维度特征图进行降维融合，生成融合特征图，将所述融合特征图导入所述建筑器材识别模型中的RPN网络；
在所述融合特征图的每个像素位置生成三种面积相同纵横比不同的锚框，通过所述锚框的横纵坐标及长宽信息获取锚框的位置信息，通过所述锚框对所述融合特征图的前景区域和背景区域进行分类；
将所述融合特征图所生成锚框的分类结果和位置信息进行整合排序，根据排序结果获取建筑场地图像信息的感兴趣区域，并根据所述锚框的位置信息确定感兴趣区域的位置信息，确定目标物体的在建筑场地图像信息中的位置。
4.根据权利要求1所述的一种建筑场地内建筑器材的智能识别方法，其特征在于，所述的根据目标物体的特征信息判断所述目标物体是否为建筑器材，具体为:
通过海量建筑器材图像信息构建建筑器材图像训练集合，根据建筑器材的类别标签将所述建筑器材图像训练集合中的图像信息进行分类并进行特征提取，生成各类别标签对应的特征矩阵；
获取建筑场地图像信息中的目标物体的颜色特征及形状特征，根据所述颜色特征及形状特征生成目标物体特征矩阵；
将所述目标物体特征矩阵与所述各类别标签对应的特征矩阵进行匹配度分析；
若所述匹配度大于预设匹配度阈值，则判断所述目标物体为建筑器材，并计算所述目标物体在各建筑器材分类中的概率得分；
按照所述概率得分进行排序，将概率得分最大的建筑器材类别作为目标物体的建筑器材类别。
5.一种建筑场地内建筑器材的智能识别系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种建筑场地内建筑器材的智能识别方法程序，所述一种建筑场地内建筑器材的智能识别的方法程序被所述处理器执行时实现如下步骤：
获取建筑场地图像信息，将所述建筑场地图像信息进行预处理，获取预处理后的建筑场地图像信息；
基于卷积神经网络建立建筑器材识别模型，通过所述建筑器材识别模型对所述预处理后的建筑场地图像信息进行特征提取生成多维度特征图及特征信息；
根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置；
根据目标物体的特征信息判断所述目标物体是否为建筑器材；
若所述目标物体为建筑器材，则生成提醒信息并根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息；
将建筑器材的定位信息及所述提醒信息按照预设方式进行发送及显示；
所述的根据所述目标物体的在建筑场地图像信息中的位置确定建筑器材的定位信息，具体为：
获取建筑场地图像采集设备的位置信息及监控区域，根据所述位置信息及监控区域计算建筑场地图像信息中的建筑器材位置与建筑场地图像采集设备位置之间的距离信息；
根据所述建筑场地图像信息中建筑器材与建筑场地图像采集设备的相对位置关系，获取所述建筑器材与建筑场地图像采集设备的方向信息；
根据所述距离信息及所述方向信息结合监控区域的基本信息生成所述建筑器材的定位信息；
所述监控区域的基本信息包括：施工区域信息、施工建筑编号信息、施工楼层信息及图像采集设备编号信息的一种或两种以上的组合；
还包括：当采集的建筑场地图像信息中包含多件建筑器材时，则调用监控区域的基本信息，根据所述监控区域的基本信息判断该区域是否为建筑器材存放区域；
若所述区域不是建筑器材存放区域，则获取各建筑器材的位置信息，并生成安全提醒信息，将所述安全提醒信息按照预设方式发送给施工人员；
若所述区域为建筑器材存放区域，则通过建筑器材的位置信息获取建筑器材的摆放凌乱程度，判断所述凌乱程度是否大于预设凌乱阈值；
若大于，则生成建筑器材存放区域凌乱提醒信息，将所述凌乱提醒信息按照预设方式进行显示，并且按照预设方式发送给施工人员；
所述提醒信息进行发送时，优先发送给与建筑器材距离最近的施工人员，具体为：
获取带有本地信息的报文，并通过锚节点将所述报文进行AP广播；
施工人员的智能设备接收到所述报文，得到锚节点的MAC地址，根据RSSI计算所述智能设备与所述锚节点的距离信息，并上传所述智能设备的MAC地址；
判断所述智能设备的MAC地址是否存在于数据库中；
若存在，则得到所涉智能设备的MAC地址对应的施工人员信息，根据锚节点对施工人员进行定位；
获取各施工人员的定位信息与所述建筑器材之间的距离信息，获取距离最近的施工人员信息；
对距离最近的施工人员进行提醒信息的优先发送。
6.根据权利要求5所述的一种建筑场地内建筑器材的智能识别系统，其特征在于，所述的根据所述多维度特征图生成建筑场地图像信息的感兴趣区域，根据所述感兴趣区域确定目标物体的在建筑场地图像信息中的位置，具体为：
将所述多维度特征图进行降维融合，生成融合特征图，将所述融合特征图导入所述建筑器材识别模型中的RPN网络；
在所述融合特征图的每个像素位置生成三种面积相同纵横比不同的锚框，通过所述锚框的横纵坐标及长宽信息获取锚框的位置信息，通过所述锚框对所述融合特征图的前景区域和背景区域进行分类；
将所述融合特征图所生成锚框的分类结果和位置信息进行整合排序，根据排序结果获取建筑场地图像信息的感兴趣区域，并根据所述锚框的位置信息确定感兴趣区域的位置信息，确定目标物体的在建筑场地图像信息中的位置。
7.根据权利要求5所述的一种建筑场地内建筑器材的智能识别系统，其特征在于，所述的根据目标物体的特征信息判断所述目标物体是否为建筑器材，具体为:
通过海量建筑器材图像信息构建建筑器材图像训练集合，根据建筑器材的类别标签将所述建筑器材图像训练集合中的图像信息进行分类并进行特征提取，生成各类别标签对应的特征矩阵；
获取建筑场地图像信息中的目标物体的颜色特征及形状特征，根据所述颜色特征及形状特征生成目标物体特征矩阵；
将所述目标物体特征矩阵与所述各类别标签对应的特征矩阵进行匹配度分析；
若所述匹配度大于预设匹配度阈值，则判断所述目标物体为建筑器材，并计算所述目标物体在各建筑器材分类中的概率得分；
按照所述概率得分进行排序，将概率得分最大的建筑器材类别作为目标物体的建筑器材类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323101.9A CN113762229B (zh) | 2021-11-10 | 2021-11-10 | 一种建筑场地内建筑器材的智能识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323101.9A CN113762229B (zh) | 2021-11-10 | 2021-11-10 | 一种建筑场地内建筑器材的智能识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113762229A CN113762229A (zh) | 2021-12-07 |
| CN113762229B true CN113762229B (zh) | 2022-02-08 |
Family
ID=78784860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111323101.9A Active CN113762229B (zh) | 2021-11-10 | 2021-11-10 | 一种建筑场地内建筑器材的智能识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762229B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648637B (zh) * | 2022-03-28 | 2022-10-28 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土自动振捣方法及系统 |
| CN114612866B (zh) * | 2022-05-12 | 2022-09-02 | 东营固泰尔建筑科技有限责任公司 | 一种建筑场地内安全性智能识别方法、装置及设备 |
| WO2024155296A2 (en) * | 2022-07-28 | 2024-07-25 | Onboard Data, Inc. | System and methods for determining data from building drawings |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871125A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 违章建筑识别方法、装置及电子设备 |
| 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 |
| CN111611926A (zh) * | 2020-05-21 | 2020-09-01 | 重庆现代建筑产业发展研究院 | 一种地标建筑物检测与识别方法及装置 |
| CN112329771A (zh) * | 2020-11-02 | 2021-02-05 | 元准智能科技(苏州)有限公司 | 一种基于深度学习的建筑材料样本识别方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8755441B2 (en) * | 2010-05-10 | 2014-06-17 | Canon Kabushiki Kaisha | Region of interest-based video transfer |
| CN103235099B (zh) * | 2013-05-12 | 2015-08-26 | 南京大学 | 一种环境管理数据传输、预警和存储查询的系统及其方法 |
| CN108452466A (zh) * | 2018-04-17 | 2018-08-28 | 安徽理工大学 | 采用nbiot技术的消防器材监测器 |
| CN109543679A (zh) * | 2018-11-16 | 2019-03-29 | 南京师范大学 | 一种基于深度卷积神经网络的死鱼识别方法及预警系统 |
| CN110458166A (zh) * | 2019-08-19 | 2019-11-15 | 广东工业大学 | 一种基于可变形卷积的危险品检测方法、装置及设备 |
| CN110569754A (zh) * | 2019-08-26 | 2019-12-13 | 江西航天鄱湖云科技有限公司 | 图像目标检测方法、装置、存储介质及设备 |
| CN110688955A (zh) * | 2019-09-27 | 2020-01-14 | 西安建筑科技大学 | 一种基于yolo神经网络的建筑构建目标检测方法 |
| CN110826476A (zh) * | 2019-11-02 | 2020-02-21 | 国网浙江省电力有限公司杭州供电公司 | 识别目标物体的图像检测方法、装置、电子设备和存储介质 |
| CN112163544B (zh) * | 2020-10-12 | 2024-02-20 | 北京易华录信息技术股份有限公司 | 一种非机动车辆乱摆放的判断方法及系统 |
| CN112200163B (zh) * | 2020-12-03 | 2021-06-25 | 中国科学院自动化研究所 | 水下底栖生物检测方法及系统 |
| CN112613454A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种电力基建施工现场违章识别方法及系统 |
| CN113313119B (zh) * | 2021-07-30 | 2021-11-09 | 深圳市海清视讯科技有限公司 | 图像识别方法、装置、设备、介质及产品 |
-
2021
- 2021-11-10 CN CN202111323101.9A patent/CN113762229B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871125A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 违章建筑识别方法、装置及电子设备 |
| 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 |
| CN111611926A (zh) * | 2020-05-21 | 2020-09-01 | 重庆现代建筑产业发展研究院 | 一种地标建筑物检测与识别方法及装置 |
| CN112329771A (zh) * | 2020-11-02 | 2021-02-05 | 元准智能科技(苏州)有限公司 | 一种基于深度学习的建筑材料样本识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113762229A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113762229B (zh) | 一种建筑场地内建筑器材的智能识别方法及系统 | |
| CN110738125B (zh) | 利用Mask R-CNN选择检测框的方法、装置及存储介质 | |
| CN108830145A (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
| CN115620212B (zh) | 一种基于监控视频的行为识别方法及系统 | |
| CN112508071B (zh) | 基于bim的桥梁病害标记方法和装置 | |
| CN113505643B (zh) | 违章目标物检测方法及相关装置 | |
| CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
| CN111723656A (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
| CN114241012B (zh) | 一种高空抛物的判定方法及装置 | |
| CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
| CN114332809A (zh) | 一种图像识别方法、装置、电子设备和存储介质 | |
| CN113240829B (zh) | 一种基于机器视觉的闸机智能通行检测方法 | |
| CN113947795A (zh) | 口罩佩戴检测方法、装置、设备及存储介质 | |
| CN117576634A (zh) | 基于密度检测的异常分析方法、设备以及存储介质 | |
| CN110135274B (zh) | 一种基于人脸识别的人流量统计方法 | |
| CN114648683B (zh) | 基于不确定性分析的神经网络性能提升方法和设备 | |
| CN110660000A (zh) | 数据预测方法、装置、设备及计算机可读存储介质 | |
| CN114758384A (zh) | 人脸检测方法、装置、设备及存储介质 | |
| CN112818865B (zh) | 车载领域图像识别方法、识别模型建立方法、装置、电子设备和可读存储介质 | |
| CN114842287A (zh) | 深度引导变形器的单目三维目标检测模型训练方法及装置 | |
| CN113689378A (zh) | 试纸带精准定位的判定方法、装置、存储介质及终端 | |
| CN112861711A (zh) | 区域入侵检测方法、装置、电子设备及存储介质 | |
| CN112785550A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
| CN111860261A (zh) | 一种客流值的统计方法、装置、设备及介质 | |
| CN115359346B (zh) | 基于街景图片的小微空间识别方法、装置及电子设备 |
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 |