CN114489143A - 施工安全风险监控的无人机管理系统、方法及装置 - Google Patents

施工安全风险监控的无人机管理系统、方法及装置 Download PDF

Info

Publication number
CN114489143A
CN114489143A CN202210340308.5A CN202210340308A CN114489143A CN 114489143 A CN114489143 A CN 114489143A CN 202210340308 A CN202210340308 A CN 202210340308A CN 114489143 A CN114489143 A CN 114489143A
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
image data
risk
construction
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.)
Granted
Application number
CN202210340308.5A
Other languages
English (en)
Other versions
CN114489143B (zh
Inventor
方东平
古博韬
黄玥诚
郭红领
曹思涵
王尧
李建华
苗春刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202210340308.5A priority Critical patent/CN114489143B/zh
Publication of CN114489143A publication Critical patent/CN114489143A/zh
Application granted granted Critical
Publication of CN114489143B publication Critical patent/CN114489143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本发明是关于一种施工安全风险监控的无人机管理系统、方法及装置，系统包括：数据采集模块，用于通过摄像装置采集施工现场的图像数据；校准模块，用于对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；数据识别模块，用于对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险；数据映射模块，用于将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。

Description

施工安全风险监控的无人机管理系统、方法及装置
技术领域
本发明涉及施工现场的数据处理技术领域，尤其涉及一种施工安全风险监控的无人机管理系统、方法及装置。
背景技术
建筑业施工现场的安全问题近年来逐渐被重视，其背后的原因主要来自于两个方面。一方面是施工现场的安全问题会造成严重的后果，直接带来工人的伤亡与经济损失，间接造成施工承包方乃至业主承担了政府的高额惩罚。另一方面是施工项目作为一个超复杂过程，其安全管理方法从下到上主要依靠人力来完成，但是随着施工项目的增多，安全管理作为一项专业性极强的工作，优秀的一线安全人员与项目和集团层面的安全管理人员并不能满足目前施工现场安全管理的需求。如何通过技术降低安全管理的成本，提高单位安全员工的安全监督管理效率成为破解当前安全管理人力供需矛盾的关键。
安全巡检作为一项安全管理最常涉及的管理行为，具体分为集团基层项目部日常例行巡检、集团总部巡检与政府巡检三部分。其中政府巡检属于政府行为，与施工企业无关，本发明不做考虑。传统安全巡检完全依赖人力来完成，需要安全相关人员通过施工现场巡场的方式，通过自己的知识来收集施工现场的安全信息判断其安全状态。但是传统方法极度消耗人力，而且存在巡场不全，风险遗漏的可能。此外对于集团总部的巡检，由于总部缺少对项目的深度了解，难以高效率完成巡检工作，并且很容易造成风险遗漏的可能。特别是针对集团总部的巡检，由于总部巡检频数较低，施工方可以通过降低巡检当天及前几天的施工内容，通过一些形式性的展示工作从而降低集团总部的巡检有效性。目前尚无方法可以有效的辅助施工现场的巡检工作。
近年随着建筑业数字化进程不断加速，以人工智能为代表的智能算法结合传感器彰显出辅助甚至替代人力的潜力，其具体通过收集数字化信息，对信息加工处理，最终自动化形成决策以及操作的建议。
发明内容
为克服相关技术中存在的问题，本发明提供一种施工安全风险监控的无人机管理系统、方法及装置。
根据本发明实施例的第一方面，提供一种施工安全风险监控的无人机管理系统，包括：
数据采集模块，用于通过摄像装置采集施工现场的图像数据；
校准模块，用于对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
数据识别模块，用于对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险；
数据映射模块，用于将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
在一个实施例中，优选地，所述数据识别模块包括：作业进度识别子模块、高风险作业区域识别子模块和无人机飞行风险识别子模块：
所述作业进度识别子模块，用于识别所述施工现场的作业进度；
具体用于：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i ，i = 0,1,......n，其中第一个60秒对应BG 0；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界，并将决策边界的坐标记入数据库，得到以日为单位的作业区域；
所述高风险作业区域识别子模块，用于采用Faster R-CNN算法对施工现场的工程机械进行识别并获得图像数据中工程机械的中心点坐标；
所述无人机飞行风险识别子模块，用于识别所述施工现场的无人机飞行风险区域；
具体用于：
采用Mask R-CNN算法对图像数据中出现的塔吊进行图像分割，获得每个塔吊轮廓在图像中X，Y方向的最大坐标点和最小的坐标点；
以识别出塔吊的第一天为起点，每隔预设时间统计一次最大坐标点和最小坐标点及其对应的欧氏距离，并记录对应的空间坐标点；
对记录的所有空间坐标点使用DBSCAN聚类算法，统计欧式距离的平均值记为
Figure 156715DEST_PATH_IMAGE001
；
取
Figure 39220DEST_PATH_IMAGE002
为邻域半径，预设数量为最少点数目扫描所有空间坐标点，最终得到1个聚类簇；
将所述聚类簇中心的空间坐标确定为塔吊的旋转中心，以所述旋转中心点为圆心，
Figure 329387DEST_PATH_IMAGE001
为半径做15°扇形将吊臂置于扇形对称轴且覆盖吊臂，所述扇形覆盖的坐标点确定为无人机飞行风险区域。
在一个实施例中，优选地，所述系统还包括：施工现场巡检模块；
所述施工现场巡检模块包括：场地环境测量子模块、无人机子模块、无人机路径子模块和无人机存放子模块：
所述场地环境测量子模块，用于测量所述施工现场的环境数据，其中，所述环境数据包括温度数据、风速数据和降水数据；
所述无人机子模块，用于选取无人机作为所述施工现场的视觉传感器；
所述无人机路径子模块，用于将BIM模型中已对齐的施工平面布置图与公开的地图对齐得到航线规划图，其中，所述航线规划图中包括施工作业区域、高风险作业区域和无人机飞行风险区域；根据所述航线规划图确定无人机飞行路径和飞行高度。
所述无人机存放子模块，用于存储无人机。
在一个实施例中，优选地，所述数据采集模块包括摄像装置、云台、系留飞艇、遥控单元和图传单元；
其中，所述摄像装置用于对所述施工现场进行实时监控；
所述云台用于对所述摄像装置的镜头进行姿态校准，保证镜头的稳定；
所述系留飞艇，用于为所述摄像装置提供安装位置；
所述遥控单元，用于遥控所述摄像装置的镜头的转向；
所述图传单元，用于实时传输所述摄像装置采集的图像数据至地面工控机中。
在一个实施例中，优选地，所述校准模块包括颜色校准模块，摄像装置校准模块和BIM系统对齐模块；
所述颜色校准模块，用于采用完美反射算法对所述图像数据进行颜色校准；
所述摄像装置校准模块，用于采用多个定位色块对所述摄像装置的位置进行校准；
所述BIM系统对齐模块，用于将校准后的图像数据插入BIM系统中预设的施工平面布置图中，并将所述图像数据与所述预设的施工平面布置图进行数据对齐。
在一个实施例中，优选地，所述颜色校准模块具体用于：
在RGB空间中遍历图像数据中每个图像中每一个像素点，计算点(X i ,Y j )的像素和C ij ：
C ij = R ij +G ij +B ij
找到图像中C ij 最大的点C m ，得到其RGB值R m ,G m ,B m ，按照C值大小计算分布在前的 预设数量的像素点的RGB均值
Figure 271936DEST_PATH_IMAGE003
，计算图像的各像素增益系数：
Figure 398286DEST_PATH_IMAGE004
从而得到各像素最后的RGB值：
Figure 818903DEST_PATH_IMAGE005
在一个实施例中，优选地，所述摄像装置校准模块用于：
在BIM系统内的施工平面布置图中设置三块定位色块，其中，每个色块的中心设置一面镜子，其中，定位色块包括正方形塑料板；
在所述系留飞艇升空后，通过遥控单元调整所述摄像装置，使得三个定位色块均位于画面中，并分布于[(0,0), (2871,1536)], [(2871,0), (5742, 1536)], [(0,1536), (2871, 3072)], [(2871, 1536), (5742, 3072)]四部分，并尽量保持色块之间的连线与画面框平齐；
将RGB画面转化为HSV画面，并在所述四部分画面中寻找符合预设要求的像素块，并记录其水平方向的最大值和最小值对应的像素块坐标，并将两个像素块坐标加和求平均，获得三个定位色块中心点坐标，记录为定位色块原始坐标；其中，所述预设要求包括：
H ∊ [125, 155], S ∊ [43, 255], V ∊ [46, 255]
每隔预设时间间隔重新计算所述三个定位色块的中心点坐标，并计算与所述原始坐标之间的差值；
当所述差值超出预设值，或者缺少任一个定位色块的中心点坐标时，输出报警提示，提示需要重新进行校准。
在一个实施例中，优选地，所述数据映射模块具体用于：
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并以可视化的方式获得施工作业区域及其对应的图纸信息、工程机械所在区域和塔吊覆盖半径。
根据本发明实施例的第二方面，提供一种施工安全风险监控的无人机管理方法，用于施工安全风险监控的无人机管理系统，方法包括：
通过摄像装置采集施工现场的图像数据；
对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险区域；
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
在一个实施例中，优选地，对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险区域，包括：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i ，i = 0,1,......n，其中第一个60秒对应BG 0；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界，并将决策边界的坐标记入数据库，得到以日为单位的作业区域；
采用Faster R-CNN算法对施工现场的工程机械进行识别并获得图像数据中工程机械的中心点坐标；
采用Mask R-CNN算法对图像数据中出现的塔吊进行图像分割，获得每个塔吊轮廓在图像中X，Y方向的最大坐标点和最小的坐标点；
以识别出塔吊的第一天为起点，每隔预设时间统计一次最大坐标点和最小坐标点及其对应的欧氏距离，并记录对应的空间坐标点；
对记录的所有空间坐标点使用DBSCAN聚类算法，统计欧式距离的平均值记为
Figure 229155DEST_PATH_IMAGE001
；
取
Figure 342605DEST_PATH_IMAGE002
为邻域半径，预设数量为最少点数目扫描所有空间坐标点，最终得到1个聚类簇；
将所述聚类簇中心的空间坐标确定为塔吊的旋转中心，以所述旋转中心点为圆心，
Figure 267836DEST_PATH_IMAGE001
为半径做15°扇形将吊臂置于扇形对称轴且覆盖吊臂，所述扇形覆盖的坐标点确定为无人机飞行风险区域。
在一个实施例中，优选地，所述方法还包括：
测量所述施工现场的环境数据，其中，所述环境数据包括温度数据、风速数据和降水数据；
选取无人机作为所述施工现场的视觉传感器；
将BIM模型中已对齐的施工平面布置图与公开的地图对齐得到航线规划图，其中，所述航线规划图中包括施工作业区域、高风险作业区域和无人机飞行风险区域；根据所述航线规划图确定无人机飞行路径和飞行高度。
在一个实施例中，优选地，对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据，包括：
采用完美反射算法对所述图像数据进行颜色校准；
采用多个定位色块对所述摄像装置的位置进行校准；
将校准后的图像数据插入BIM系统中预设的施工平面布置图中，并将所述图像数据与所述预设的施工平面布置图进行数据对齐。
在一个实施例中，优选地，采用完美反射算法对所述图像数据进行颜色校准，包括：
在RGB空间中遍历图像数据中每个图像中每一个像素点，计算点(X i ,Y j )的像素和C ij ：
C ij = R ij +G ij +B ij
找到图像中C ij 最大的点C m ，得到其RGB值R m ,G m ,B m ，按照C值大小计算分布在前的 预设数量的像素点的RGB均值
Figure 679094DEST_PATH_IMAGE003
，计算图像的各像素增益系数：
Figure 740591DEST_PATH_IMAGE004
从而得到各像素最后的RGB值：
Figure 962625DEST_PATH_IMAGE005
在一个实施例中，优选地，采用多个定位色块对所述摄像装置的位置进行校准，包括：
在BIM系统内的施工平面布置图中设置三块定位色块，其中，每个色块的中心设置一面镜子，其中，定位色块包括正方形塑料板；
在所述系留飞艇升空后，通过遥控单元调整所述摄像装置，使得三个定位色块均位于画面中，并分布于[(0,0), (2871,1536)], [(2871,0), (5742, 1536)], [(0,1536), (2871, 3072)], [(2871, 1536), (5742, 3072)]四部分，并尽量保持色块之间的连线与画面框平齐；
将RGB画面转化为HSV画面，并在所述四部分画面中寻找符合预设要求的像素块，并记录其水平方向的最大值和最小值对应的像素块坐标，并将两个像素块坐标加和求平均，获得三个定位色块中心点坐标，记录为定位色块原始坐标；其中，所述预设要求包括：
H ∊ [125, 155], S ∊ [43, 255], V ∊ [46, 255]
每隔预设时间间隔重新计算所述三个定位色块的中心点坐标，并计算与所述原始坐标之间的差值；
当所述差值超出预设值，或者缺少任一个定位色块的中心点坐标时，输出报警提示，提示需要重新进行校准。
在一个实施例中，优选地，将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示，包括：
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并以可视化的方式获得施工作业区域及其对应的图纸信息、工程机械所在区域和塔吊覆盖半径。
根据本发明实施例的第三方面，提供一种施工安全风险监控的无人机管理装置，装置包括：
处理器；
用于存储处理器可执行指令的存储器;
其中，处理器被配置为：
通过摄像装置采集施工现场的图像数据；
对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险；
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明提出一种新的施工安全风险监控的无人机管理系统，结合无人机、系留系统、BIM系统辅助施工项目及集团总部的安全巡检人员高效精准完成对施工项目的风险扫描，降低安全巡检工作对人力的消耗同时，提升安全巡检的精度与效用。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种施工安全风险监控的无人机管理系统的框图。
图2是根据一示例性实施例示出的一种施工安全风险监控的无人机管理系统中数据识别模块的框图。
图3A是根据一示例性实施例示出的另一种施工安全风险监控的无人机管理系统的框图。
图3B是根据一示例性实施例示出的航线规划图的示意图。
图3C是根据一示例性实施例示出的无人机扫描区域的示意图。
图3D是根据一示例性实施例示出的无人机航线的示意图。
图3E是根据一示例性实施例示出的无人机存放子模块的示意图。
图4是根据一示例性实施例示出的一种施工安全风险监控的无人机管理系统中数据采集模块的框图。
图5是根据一示例性实施例示出的一种施工安全风险监控的无人机管理系统中校准模块的框图。
图6是根据一示例性实施例示出的定位色块示意图。
图7是根据一示例性实施例示出的一种施工安全风险监控的无人机管理方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种施工安全风险监控的无人机管理系统的框图。
如图1所示，根据本发明实施例的第一方面，提供一种施工安全风险监控的无人机管理系统，包括：
数据采集模块11，用于通过摄像装置采集施工现场的图像数据；
校准模块12，用于对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
数据识别模块13，用于对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险；
数据映射模块14，用于将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
图2是根据一示例性实施例示出的一种施工安全风险监控的无人机管理系统中数据识别模块的框图。
如图2所示，在一个实施例中，优选地，所述数据识别模块13包括：作业进度识别子模块21、高风险作业区域识别子模块22和无人机飞行风险识别子模块23：
所述作业进度识别子模块21，用于识别所述施工现场的作业进度；
具体用于：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i ，i = 0,1,......n，其中第一个60秒对应BG 0；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界，并将决策边界的坐标记入数据库，得到以日为单位的作业区域；
所述高风险作业区域识别子模块22，用于采用Faster R-CNN算法对施工现场的工程机械进行识别并获得图像数据中工程机械的中心点坐标；
所述无人机飞行风险识别子模块23，用于识别所述施工现场的无人机飞行风险区域；
具体用于：
采用Mask R-CNN算法对图像数据中出现的塔吊进行图像分割，获得每个塔吊轮廓在图像中X，Y方向的最大坐标点和最小的坐标点；
以识别出塔吊的第一天为起点，每隔预设时间统计一次最大坐标点和最小坐标点及其对应的欧氏距离，并记录对应的空间坐标点；
对记录的所有空间坐标点使用DBSCAN聚类算法，统计欧式距离的平均值记为
Figure 375152DEST_PATH_IMAGE001
；
取
Figure 403151DEST_PATH_IMAGE002
为邻域半径，预设数量为最少点数目扫描所有空间坐标点，最终得到1个聚类簇；
将所述聚类簇中心的空间坐标确定为塔吊的旋转中心，以所述旋转中心点为圆心，
Figure 273149DEST_PATH_IMAGE001
为半径做15°扇形将吊臂置于扇形对称轴且覆盖吊臂，所述扇形覆盖的坐标点确定为无人机飞行风险区域。
如图3A所示，在一个实施例中，优选地，所述系统还包括：施工现场巡检模块31；
所述施工现场巡检模块31包括：场地环境测量子模块、无人机子模块、无人机路径子模块和无人机存放子模块：
所述场地环境测量子模块，用于测量所述施工现场的环境数据，其中，所述环境数据包括温度数据、风速数据和降水数据；本模块包括温度传感器、风速传感器与降水传感器。需要同时满足风速小于4级、温度高于10摄氏度、无雨的情况无人机才可以飞行。
所述无人机子模块，用于选取无人机作为所述施工现场的视觉传感器；本模块可以直接采用大疆DJI Mavic 2 Enterprise无人机作为施工巡检的视觉传感器，一次可以飞行34分钟，每秒图传30帧1080p画面到地面无人机存储模块中的工控机中。此外设备具备智能避障功能。
所述无人机路径子模块，用于将BIM模型中已对齐的施工平面布置图与公开的地图对齐得到航线规划图，其中，如图3B所示，所述航线规划图中包括施工作业区域、高风险作业区域和无人机飞行风险区域；根据所述航线规划图确定无人机飞行路径和飞行高度。
通过航线规划图，用户可直观的看到施工现场哪些区域被巡检，以及无人机是否存在风险，对于存在吊车碰撞风险的区域，需要调取数据采集模块中实时数据图，与BIM模型中的工作计划，确认此事吊车的位置以及接下来1小时内将要出现的位置，最终画出无人机扫描区域图，如图3C所示。图中包括无人机存放区域和无人机飞入扫描区的预设航线。然后需要确定航线的航高，具体高度将巡检区域的坐标数据在BIM模型中提取下方建筑物的高度，统计最高的建筑物高度为H B ，飞行高度为H F ，H F =H B +20，单位为米。最后确定照片的重叠度，航向80%，旁向70%（可根据存储空间大小自行设定），即当飞行的航向80%图像重合时，保存一张照片，旁向70%时保存一张照片并平移航线，如图3D所示。
所述无人机存放子模块，用于存储无人机，如图3E所示，其内部包括无人机存储防护壳、无线充电停机坪和工作站（内含5G数据传输模块）。
防护壳大小为800×800×1000（单位mm），满足IP55等级，防水防尘，并与工控机连通，当无人机返回时自动打开。无人机停放在存储模块时可以无线为无人机进行充电。
如图4所示，在一个实施例中，优选地，所述数据采集模块11包括摄像装置、云台、系留飞艇、遥控单元和图传单元；
其中，所述摄像装置用于对所述施工现场进行实时监控；
所述云台用于对所述摄像装置的镜头进行姿态校准，保证镜头的稳定；
所述系留飞艇，用于为所述摄像装置提供安装位置；
所述遥控单元，用于遥控所述摄像装置的镜头的转向；
所述图传单元，用于实时传输所述摄像装置采集的图像数据至地面工控机中。
数据采集模块包含系留飞艇、高清相机、云台、图传模块和遥控模块五大子模块。为了保证画面覆盖施工现场，高清相机安装在至少100米的高处，相机倾角以画面覆盖整体施工现场为准。为了保证画面的清晰度，本发明选择6K及以上的高清相机对施工现场进行实时监控。云台模块采用三轴自稳云台，主要通过IMU（惯性测量单元）和电机磁编码器对云台上的相机镜头做姿态校准，保证镜头的稳定。遥控模块用于遥控镜头的朝向。图传模块用于实时传输高清相机采集的图片到地面工控机中。
施工现场缺少安装相机的高空位置，因此选择系留飞艇提供相机安装的位置。在具体实施时，首先基于施工图纸，在现场选择合适的位置将飞艇升空，通过系留系统在稳定供电的前提下将飞艇升到100米的高度。然后在地面通过工控机连接遥控模块和图传模块，调整高清相机的朝向。图传模块将高清相机拍摄的照片实时传输到地面工控机中。此外为了保证数据采集模块的长时间工作，系留飞艇连接工地电源（可以是生活区电源）并为整体数据采集模块供电。
如图5所示，在一个实施例中，优选地，所述校准模块12包括颜色校准模块51，摄像装置校准模块52和BIM系统对齐模块53；
所述颜色校准模块51，用于采用完美反射算法对所述图像数据进行颜色校准；
所述摄像装置校准模块52，用于采用多个定位色块对所述摄像装置的位置进行校准；
所述BIM系统对齐模块53，用于将校准后的图像数据插入BIM系统中预设的施工平面布置图中，并将所述图像数据与所述预设的施工平面布置图进行数据对齐。
在一个实施例中，优选地，所述颜色校准模块51具体用于：
在RGB空间中遍历图像数据中每个图像中每一个像素点，计算点(X i ,Y j )的像素和C ij ：
C ij = R ij +G ij +B ij
找到图像中C ij 最大的点C m ，得到其RGB值R m ,G m ,B m ，按照C值大小计算分布在前的 预设数量的像素点的RGB均值
Figure 462822DEST_PATH_IMAGE003
，计算图像的各像素增益系数：
Figure 362645DEST_PATH_IMAGE006
从而得到各像素最后的RGB值：
Figure 866438DEST_PATH_IMAGE005
在一个实施例中，优选地，所述摄像装置校准模块用于：
在BIM系统内的施工平面布置图中设置三块定位色块，其中，每个色块的中心设置一面镜子，其中，定位色块包括正方形塑料板；
在施工最开始，现场并没有明显的建筑结构用以对施工作业区域进行识别，因此本发明需要在BIM系统内的施工平面布置图中新增3块1000mm×1000mm的定位色块（每个色块中心有一块100mm×100mm的镜子），施工现场通过全站仪放样，布设紫色正方形塑料板在施工范围的三个角构成定位色块如图6所示。
在所述系留飞艇升空后，通过遥控单元调整所述摄像装置，使得三个定位色块均位于画面中，并分布于[(0,0), (2871,1536)], [(2871,0), (5742, 1536)], [(0,1536), (2871, 3072)], [(2871, 1536), (5742, 3072)]四部分，并尽量保持色块之间的连线与画面框平齐；
将RGB画面转化为HSV画面，并在所述四部分画面中寻找符合预设要求的像素块，并记录其水平方向的最大值和最小值对应的像素块坐标，并将两个像素块坐标加和求平均，获得三个定位色块中心点坐标，记录为定位色块原始坐标；其中，所述预设要求包括：
H ∊ [125, 155], S ∊ [43, 255], V ∊ [46, 255]
每隔预设时间间隔重新计算所述三个定位色块的中心点坐标，并计算与所述原始坐标之间的差值；
当所述差值超出预设值，或者缺少任一个定位色块的中心点坐标时，输出报警提示，提示需要重新进行校准。每次校准后更新定位色块原始坐标。
校正后的高清摄像机捕获的图像实时传入地面的工控机中，并以每天为单位插入BIM系统中预设的施工平面布置图中。插入方式选择高清摄像机捕获的图中左上角定位色块的中心点为对齐中心点，与BIM系统中预先设计的左上角定位色块的中心点坐标对齐，从而将实际数据与预设的施工平面布置图中的数据对齐，并获得摄像画面的比例尺L。
在一个实施例中，优选地，所述数据映射模块具体用于：
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并以可视化的方式获得施工作业区域及其对应的图纸信息、工程机械所在区域和塔吊覆盖半径。
图7是根据一示例性实施例示出的一种施工安全风险监控的无人机管理方法的框图。
如图7所示，根据本发明实施例的第二方面，提供一种施工安全风险监控的无人机管理方法，用于施工安全风险监控的无人机管理系统，方法包括：
步骤S701，通过摄像装置采集施工现场的图像数据；
步骤S702，对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
步骤S703，对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险区域；
步骤S704，将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
在一个实施例中，优选地，对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险区域，包括：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i ，i = 0,1,......n，其中第一个60秒对应BG 0；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界，并将决策边界的坐标记入数据库，得到以日为单位的作业区域；
采用Faster R-CNN算法对施工现场的工程机械进行识别并获得图像数据中工程机械的中心点坐标；
采用Mask R-CNN算法对图像数据中出现的塔吊进行图像分割，获得每个塔吊轮廓在图像中X，Y方向的最大坐标点和最小的坐标点；
以识别出塔吊的第一天为起点，每隔预设时间统计一次最大坐标点和最小坐标点及其对应的欧氏距离，并记录对应的空间坐标点；
对记录的所有空间坐标点使用DBSCAN聚类算法，统计欧式距离的平均值记为
Figure 168107DEST_PATH_IMAGE001
；
取
Figure 715632DEST_PATH_IMAGE002
为邻域半径，预设数量为最少点数目扫描所有空间坐标点，最终得到1个聚类簇；
将所述聚类簇中心的空间坐标确定为塔吊的旋转中心，以所述旋转中心点为圆心，
Figure 102751DEST_PATH_IMAGE001
为半径做15°扇形，将所述扇形覆盖的坐标点确定为无人机飞行风险区域。
在一个实施例中，优选地，所述方法还包括：
测量所述施工现场的环境数据，其中，所述环境数据包括温度数据、风速数据和降水数据；
选取无人机作为所述施工现场的视觉传感器；
将BIM模型中已对齐的施工平面布置图与公开的地图对齐得到航线规划图，其中，所述航线规划图中包括施工作业区域、高风险作业区域和无人机飞行风险区域；根据所述航线规划图确定无人机飞行路径和飞行高度。
在一个实施例中，优选地，对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据，包括：
采用完美反射算法对所述图像数据进行颜色校准；
采用多个定位色块对所述摄像装置的位置进行校准；
将校准后的图像数据插入BIM系统中预设的施工平面布置图中，并将所述图像数据与所述预设的施工平面布置图进行数据对齐。
在一个实施例中，优选地，采用完美反射算法对所述图像数据进行颜色校准，包括：
在RGB空间中遍历图像数据中每个图像中每一个像素点，计算点(X i ,Y j )的像素和C ij ：
C ij = R ij +G ij +B ij
找到图像中C ij 最大的点C m ，得到其RGB值R m ,G m ,B m ，按照C值大小计算分布在前的 预设数量的像素点的RGB均值
Figure 410235DEST_PATH_IMAGE007
，计算图像的各像素增益系数：
Figure 300831DEST_PATH_IMAGE008
从而得到各像素最后的RGB值：
Figure 97885DEST_PATH_IMAGE009
在一个实施例中，优选地，采用多个定位色块对所述摄像装置的位置进行校准，包括：
在BIM系统内的施工平面布置图中设置三块定位色块，其中，每个色块的中心设置一面镜子，其中，定位色块包括正方形塑料板；
在所述系留飞艇升空后，通过遥控单元调整所述摄像装置，使得三个定位色块均位于画面中，并分布于[(0,0), (2871,1536)], [(2871,0), (5742, 1536)], [(0,1536), (2871, 3072)], [(2871, 1536), (5742, 3072)]四部分，并尽量保持色块之间的连线与画面框平齐；
将RGB画面转化为HSV画面，并在所述四部分画面中寻找符合预设要求的像素块，并记录其水平方向的最大值和最小值对应的像素块坐标，并将两个像素块坐标加和求平均，获得三个定位色块中心点坐标，记录为定位色块原始坐标；其中，所述预设要求包括：
H ∊ [125, 155], S ∊ [43, 255], V ∊ [46, 255]
每隔预设时间间隔重新计算所述三个定位色块的中心点坐标，并计算与所述原始坐标之间的差值；
当所述差值超出预设值，或者缺少任一个定位色块的中心点坐标时，输出报警提示，提示需要重新进行校准。
在一个实施例中，优选地，将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示，包括：
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并以可视化的方式获得施工作业区域及其对应的图纸信息、工程机械所在区域和塔吊覆盖半径。
根据本发明实施例的第三方面，提供一种施工安全风险监控的无人机管理装置，装置包括：
处理器；
用于存储处理器可执行指令的存储器;
其中，处理器被配置为：
通过摄像装置采集施工现场的图像数据；
对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险；
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
进一步可以理解的是，本发明中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本发明实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种施工安全风险监控的无人机管理系统，其特征在于，包括：
数据采集模块，用于通过摄像装置采集施工现场的图像数据；
校准模块，用于对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
数据识别模块，用于对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险区域；
数据映射模块，用于将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
2.根据权利要求1所述的施工安全风险监控的无人机管理系统，其特征在于，所述数据识别模块包括：作业进度识别子模块、高风险作业区域识别子模块和无人机飞行风险识别子模块：
所述作业进度识别子模块，用于识别所述施工现场的作业进度；
具体用于：
遍历所述图像数据所有的像素点；
计算全像素点RGB三分量亮度中的最大值，将最大值记录为灰度值；
将所述摄像装置拍摄的图像每秒存储一帧，以60秒为滑动窗口求每一帧灰度图中对应像素的平均值，将其记录为BG i ，i = 0,1,......n，其中第一个60秒对应BG 0；
将BG i+1与BG i 做灰度值减运算并求其绝对值，得到每个像素点的灰度差值；
当像素点的灰度差值大于灰度判定阈值时，则将该像素点记录为变动点，并存储对应的坐标；
将存储的所有坐标做K-means无监督聚类，通过轮廓系数最大值对应的聚类n值判定聚类数量，并通过逻辑回归计算每类的决策边界，并将决策边界的坐标记入数据库，得到以日为单位的作业区域；
所述高风险作业区域识别子模块，用于采用Faster R-CNN算法对施工现场的工程机械进行识别并获得图像数据中工程机械的中心点坐标；
所述无人机飞行风险识别子模块，用于识别所述施工现场的无人机飞行风险区域；
具体用于：
采用Mask R-CNN算法对图像数据中出现的塔吊进行图像分割，获得每个塔吊轮廓在图像中X，Y方向的最大坐标点和最小的坐标点；
以识别出塔吊的第一天为起点，每隔预设时间统计一次最大坐标点和最小坐标点及其对应的欧氏距离，并记录对应的空间坐标点；
对记录的所有空间坐标点使用DBSCAN聚类算法，统计欧式距离的平均值记为
Figure 922969DEST_PATH_IMAGE001
；
取
Figure 34144DEST_PATH_IMAGE002
为邻域半径，预设数量为最少点数目扫描所有空间坐标点，最终得到1个聚类簇；
将所述聚类簇中心的空间坐标确定为塔吊的旋转中心，以所述旋转中心点为圆心，
Figure 44826DEST_PATH_IMAGE001
为半径做15°扇形将吊臂置于扇形对称轴且覆盖吊臂，所述扇形覆盖的坐标点确定为无人机飞行风险区域。
3.根据权利要求1所述的施工安全风险监控的无人机管理系统，其特征在于，所述系统还包括：施工现场巡检模块；
所述施工现场巡检模块包括：场地环境测量子模块、无人机子模块、无人机路径子模块和无人机存放子模块：
所述场地环境测量子模块，用于测量所述施工现场的环境数据，其中，所述环境数据包括温度数据、风速数据和降水数据；
所述无人机子模块，用于选取无人机作为所述施工现场的视觉传感器；
所述无人机路径子模块，用于将BIM模型中已对齐的施工平面布置图与公开的地图对齐得到航线规划图，其中，所述航线规划图中包括施工作业区域、高风险作业区域和无人机飞行风险区域；根据所述航线规划图确定无人机飞行路径和飞行高度；
所述无人机存放子模块，用于存储无人机。
4.根据权利要求1所述的施工安全风险监控的无人机管理系统，其特征在于，所述数据采集模块包括摄像装置、云台、系留飞艇、遥控单元和图传单元；
其中，所述摄像装置用于对所述施工现场进行实时监控；
所述云台用于对所述摄像装置的镜头进行姿态校准，保证镜头的稳定；
所述系留飞艇，用于为所述摄像装置提供安装位置；
所述遥控单元，用于遥控所述摄像装置的镜头的转向；
所述图传单元，用于实时传输所述摄像装置采集的图像数据至地面工控机中。
5.根据权利要求4所述的施工安全风险监控的无人机管理系统，其特征在于，所述校准模块包括颜色校准模块，摄像装置校准模块和BIM系统对齐模块；
所述颜色校准模块，用于采用完美反射算法对所述图像数据进行颜色校准；
所述摄像装置校准模块，用于采用多个定位色块对所述摄像装置的位置进行校准；
所述BIM系统对齐模块，用于将校准后的图像数据插入BIM系统中预设的施工平面布置图中，并将所述图像数据与所述预设的施工平面布置图进行数据对齐。
6.根据权利要求5所述的施工安全风险监控的无人机管理系统，其特征在于，
所述颜色校准模块具体用于：
在RGB空间中遍历图像数据中每个图像中每一个像素点，计算点(X i ,Y j )的像素和C ij ：
C ij = R ij +G ij +B ij
找到图像中C ij 最大的点C m ，得到其RGB值R m ,G m ,B m ，按照C值大小计算分布在前的预设数 量的像素点的RGB均值
Figure 12782DEST_PATH_IMAGE003
，计算图像的各像素增益系数：
Figure 295864DEST_PATH_IMAGE004
从而得到各像素最后的RGB值：
Figure 7468DEST_PATH_IMAGE005
。
7.根据权利要求6所述的施工安全风险监控的无人机管理系统，其特征在于，所述摄像装置校准模块用于：
在BIM系统内的施工平面布置图中设置三块定位色块，其中，每个色块的中心设置一面镜子，其中，定位色块包括正方形塑料板；
在所述系留飞艇升空后，通过遥控单元调整所述摄像装置，使得三个定位色块均位于画面中，并分布于[(0,0), (2871,1536)], [(2871,0), (5742, 1536)], [(0, 1536),(2871, 3072)], [(2871, 1536), (5742, 3072)]四部分，并保持色块之间的连线与画面框平齐；
将RGB画面转化为HSV画面，并在所述四部分画面中寻找符合预设要求的像素块，并记录其水平方向的最大值和最小值对应的像素块坐标，并将两个像素块坐标加和求平均，获得三个定位色块中心点坐标，记录为定位色块原始坐标；其中，所述预设要求包括：
H ∊ [125, 155], S ∊ [43, 255], V ∊ [46, 255]
每隔预设时间间隔重新计算所述三个定位色块的中心点坐标，并计算与所述原始坐标之间的差值；
当所述差值超出预设值，或者缺少任一个定位色块的中心点坐标时，输出报警提示，提示需要重新进行校准。
8.根据权利要求1所述的施工安全风险监控的无人机管理系统，其特征在于，所述数据映射模块具体用于：
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并以可视化的方式获得施工作业区域及其对应的图纸信息、工程机械所在区域和塔吊覆盖半径。
9.一种施工安全风险监控的无人机管理方法，其特征在于，包括：
通过摄像装置采集施工现场的图像数据；
对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险；
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
10.一种施工安全风险监控的无人机管理装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
通过摄像装置采集施工现场的图像数据；
对所述摄像装置及其采集的图像数据进行校准，并将所述图像数据与预设的施工平面布置图中的数据进行对齐，以得到处理后的图像数据；
对所述处理后的图像数据进行识别，以确定施工现场的作业进度、高风险作业区域和无人机飞行风险；
将所述施工现场的作业进度、高风险作业区域和无人机飞行风险区域映射至BIM系统，并进行展示。
CN202210340308.5A 2022-04-02 2022-04-02 施工安全风险监控的无人机管理系统、方法及装置 Active CN114489143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210340308.5A CN114489143B (zh) 2022-04-02 2022-04-02 施工安全风险监控的无人机管理系统、方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210340308.5A CN114489143B (zh) 2022-04-02 2022-04-02 施工安全风险监控的无人机管理系统、方法及装置

Publications (2)

Publication Number Publication Date
CN114489143A true CN114489143A (zh) 2022-05-13
CN114489143B CN114489143B (zh) 2022-07-15

Family

ID=81488936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210340308.5A Active CN114489143B (zh) 2022-04-02 2022-04-02 施工安全风险监控的无人机管理系统、方法及装置

Country Status (1)

Country Link
CN (1) CN114489143B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050842A (zh) * 2023-02-01 2023-05-02 东华理工大学 城市地下工程施工安全风险动态控制方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107667366A (zh) * 2015-03-24 2018-02-06 开利公司 用于捕获和分析多维建筑物信息的系统和方法
CN108648269A (zh) * 2018-05-11 2018-10-12 北京建筑大学 三维建筑物模型的单体化方法和系统
CN110991282A (zh) * 2019-11-21 2020-04-10 深圳市赛为智能股份有限公司 基于无人机的施工安全管理方法、装置及计算机设备
CN112561989A (zh) * 2020-12-23 2021-03-26 清华大学 一种建造场景下吊装对象的识别方法
CN112862965A (zh) * 2021-02-19 2021-05-28 武汉理工大学 一种边坡开挖智能监控方法及系统
CN112907389A (zh) * 2021-04-09 2021-06-04 北京中安瑞力科技有限公司 一种地陆空天一体化智能工地系统及管理方法
CN113012292A (zh) * 2021-04-28 2021-06-22 昭通亮风台信息科技有限公司 一种基于无人机航拍的ar远程施工监控方法及系统
US20220044538A1 (en) * 2020-08-06 2022-02-10 Saudi Arabian Oil Company Infrastructure construction digital integrated twin (icdit)

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107667366A (zh) * 2015-03-24 2018-02-06 开利公司 用于捕获和分析多维建筑物信息的系统和方法
CN108648269A (zh) * 2018-05-11 2018-10-12 北京建筑大学 三维建筑物模型的单体化方法和系统
CN110991282A (zh) * 2019-11-21 2020-04-10 深圳市赛为智能股份有限公司 基于无人机的施工安全管理方法、装置及计算机设备
US20220044538A1 (en) * 2020-08-06 2022-02-10 Saudi Arabian Oil Company Infrastructure construction digital integrated twin (icdit)
CN112561989A (zh) * 2020-12-23 2021-03-26 清华大学 一种建造场景下吊装对象的识别方法
CN112862965A (zh) * 2021-02-19 2021-05-28 武汉理工大学 一种边坡开挖智能监控方法及系统
CN112907389A (zh) * 2021-04-09 2021-06-04 北京中安瑞力科技有限公司 一种地陆空天一体化智能工地系统及管理方法
CN113012292A (zh) * 2021-04-28 2021-06-22 昭通亮风台信息科技有限公司 一种基于无人机航拍的ar远程施工监控方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050842A (zh) * 2023-02-01 2023-05-02 东华理工大学 城市地下工程施工安全风险动态控制方法及系统
CN116050842B (zh) * 2023-02-01 2023-08-04 东华理工大学 一种城市地下工程施工安全风险动态控制方法及系统

Also Published As

Publication number Publication date
CN114489143B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN112633535A (zh) 一种基于无人机图像的光伏电站智能巡检方法及系统
CN109900280A (zh) 一种基于自主导航的畜禽信息感知机器人与地图构建方法
CN114727063B (zh) 施工现场的路径安全监测系统、方法及装置
CN106249751A (zh) 一种倾斜三维航测数据的采集系统、采集方法及控制终端
CN115311592B (zh) 一种基于计算机视觉技术的施工现场物料安全评估系统
CN113298035A (zh) 基于图像识别的无人机电力杆塔检测及自主巡航方法
CN110832494A (zh) 一种语义生成方法、设备、飞行器及存储介质
CN213302860U (zh) 无人机三维可视化避障系统
CN110706273B (zh) 一种基于无人机的实时塌方区域面积的测量方法
CN114489143B (zh) 施工安全风险监控的无人机管理系统、方法及装置
CN113378754B (zh) 一种工地裸土监测方法
CN108871409A (zh) 一种故障检测方法和系统
CN114905512A (zh) 一种智能巡检机器人全景追踪及避障方法及系统
CN115451964A (zh) 基于多模态混合特征的船舶场景同时建图与定位方法
CN115345945A (zh) 利用无人机多目视觉重建高速公路的自动巡检方法及系统
CN111753645A (zh) 一种光伏电站的巡检方法、巡检装置以及存储介质
Tan et al. An adaptive crack inspection method for building surface based on BIM, UAV and edge computing
CN114727064B (zh) 施工安全宏观监控系统及方法
CN115373416B (zh) 一种铁路电力贯通线智能巡检方法
CN115890677B (zh) 一种用于标准化笼养鸡舍的捡死鸡机器人及其方法
CN115454138B (zh) 一种基于无人机图像识别技术的施工违章判定方法和系统
CN116978139A (zh) 一种基于北斗技术的无人机智能巡检系统及方法
CN110163139A (zh) 城市三维数字化信息采集更新扫描系统
CN116027339A (zh) 一种基于激光雷达的矿山井下建图与定位方法
CN114092805A (zh) 一种基于建筑模型的机器狗识别裂痕方法

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