CN114493291A - 一种高填方质量智能检测方法及系统 - Google Patents

一种高填方质量智能检测方法及系统 Download PDF

Info

Publication number
CN114493291A
CN114493291A CN202210103979.XA CN202210103979A CN114493291A CN 114493291 A CN114493291 A CN 114493291A CN 202210103979 A CN202210103979 A CN 202210103979A CN 114493291 A CN114493291 A CN 114493291A
Authority
CN
China
Prior art keywords
detection
recording
record
acquiring
high fill
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
CN202210103979.XA
Other languages
English (en)
Other versions
CN114493291B (zh
Inventor
孙丽丽
刘爱军
董能平
王海荣
张健
毛国奇
孙志超
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.)
China Railway Beijing Engineering Group Co Ltd
Original Assignee
China Railway Beijing Engineering Group Co Ltd
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 China Railway Beijing Engineering Group Co Ltd filed Critical China Railway Beijing Engineering Group Co Ltd
Priority to CN202210103979.XA priority Critical patent/CN114493291B/zh
Publication of CN114493291A publication Critical patent/CN114493291A/zh
Application granted granted Critical
Publication of CN114493291B publication Critical patent/CN114493291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种高填方质量智能检测方法及系统，其中，方法包括：步骤S1：获取高填方施工完成的目标区域的现场信息；步骤S2：基于现场信息，制定适宜的高填方质量检测对策；步骤S3：基于高填方质量检测对策，对目标区域进行高填方质量检测，获得检测数据；步骤S4：基于检测数据，确定检测结果，并进行输出。本发明的高填方质量智能检测方法及系统，基于高填方施工完成的目标区域的现场信息，制定适宜的高填方质量检测对策，基于高填方质量检测对策，对目标区域进行高填方质量检测，人工只需布置监测机器，监测仪器自动回传数据进行汇总，无需定时记录监测仪器产生的数据，极大程度上减少了人力成本，提升了便捷性。

Description

一种高填方质量智能检测方法及系统
技术领域
本发明涉及工程检测技术领域，特别涉及一种高填方质量智能检测方法及系统。
背景技术
目前，高填方(例如：机场跑道高填方施工)施工完成后，需要进行质量检测(例如：表层沉降监测和边坡稳定性监测等)，传统质量检测需要大量人力完成，检测数据的汇总也比较繁琐；
因此，亟需一种解决办法。
发明内容
本发明目的之一在于提供了一种高填方质量智能检测方法及系统，基于高填方施工完成的目标区域的现场信息，制定适宜的高填方质量检测对策，基于高填方质量检测对策，对目标区域进行高填方质量检测，人工只需布置监测机器，监测仪器自动回传数据进行汇总，无需定时记录监测仪器产生的数据，极大程度上减少了人力成本，提升了便捷性。
本发明实施例提供的一种高填方质量智能检测方法，包括：
步骤S1：获取高填方施工完成的目标区域的现场信息；
步骤S2：基于所述现场信息，制定适宜的高填方质量检测对策；
步骤S3：基于所述高填方质量检测对策，对所述目标区域进行高填方质量检测，获得检测数据；
步骤S4：基于所述检测数据，确定检测结果，并进行输出。
优选的，所述步骤S2：基于所述现场信息，制定适宜的高填方质量检测对策，包括：
将所述现场信息输入至预设的完整性分析模型，获得分析结果，所述分析结果包括：至少一个缺失项；
获取对应于所述缺失项的补充信息，将所述现场信息和所述补充信息输入至预设的高填方质量检测对策制定模型，获得适宜的高填方质量检测对策，完成制定。
优选的，所述步骤S4中，基于所述检测数据，确定检测结果，包括：
对所述检测数据进行数据拆分，获得多个第一数据项；
获取所述第一数据项对应于所述目标区域内的第一产生位置；
对所述第一数据项进行依次特征提取，获得多个第一特征；
每次对所述第一数据项进行特征提取时，获取预设的可疑特征库，将新产生的所述第一特征与所述可疑特征中的第二特征进行匹配，若匹配符合，将对应所述第一数据项作为第二数据项，同时，将匹配符合的第二特征作为第三特征；
获取所述第二数据项对应的第一检测类型；
从所述高填方质量检测对策提取对应于所述第一检测类型的第一检测分布图；
选取所述第二数据项对应的第一产生位置，并作为第二产生位置；
确定所述第一检测分布图中对应于所述第二产生位置的第三产生位置；
尝试获取所述第三特征对应的第一需求信息，所述第一需求信息包括：至少一个可疑范围和所述可疑范围与所述第二产生位置之间的第一位置关系；
若尝试获取成功，在所述第一检测图上基于所述第三产生位置、可疑范围和所述第一位置关系，绘制第一检测区域；
若尝试获取失败，在所述第一检测图上以所述第三产生位置为圆心，预设的半径长度为半径绘制作一个圆，并作为第一检测区域；
获取所述第一检测区域内包含的多个第一检测点位，同时，将所述第一检测点位产生的所述第一数据项作为第三数据项；
获取所述第三特征对应的第二需求信息，所述第二需求信息包括：需要辅助进行判定的至少一个第二检测类型和对应于所述第二检测类型的调节因子；
从所述高填方质量检测对策提取对应于所述第二检测类型的第二检测分布图；
确定所述第二检测分布图中对应于所述第一检测区域的第二检测区域，同时，基于所述调节因子对所述第二检测区域进行相应调节，获得第三检测区域；
获取所述第三检测区域内包含的多个第二检测点位，同时，将所述第二检测点位产生的所述第一数据项作为第四数据项；
获取所述第三特征对应的异常判定模型，将所述第三数据项和所述第四数据项输入至所述异常判定模型，获得异常判定结果；
对所述第一数据项进行特征提取结束后，汇总所述异常判定结果，获得检测结果，完成确定。
优选的，对所述第一数据项进行依次特征提取，包括：
获取所述目标区域进行高填方施工的施工记录；
对所述施工记录进行记录拆分，获得多个第一记录项；
获取记录所述第一记录项的记录人、记录位置和对应记录时刻；
基于预设的记录现场库，确定所述记录时刻前和/或后预设的时间段内产生的发生在所述记录位置的多个第一记录现场，同时，获取所述第一记录现场的产生时刻；
建立第一时间轴，基于所述产生时刻，将所述第一记录现场在所述时间轴上展开，获得第二时间轴；
从所述第二时间轴的起点向终点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第二记录现场；
从所述第二时间轴的终点向起点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第三记录现场；
将所述第二记录现场、第三记录现场以及所述第二时间轴上所述第二记录现场和所述第三记录现场之间的所述第一记录现场进行融合处理，获得记录现场动态模型；
获取所述第一记录项对应的记录目标，同时，获取所述记录目标对应的标准信息，所述标准信息包括：标准记录动态行为以及标准位置关系；
识别所述记录现场动态模型中对应于所述记录目标的记录目标动态模型，同时，识别所述记录现场动态模型中对应于所述记录人的第一记录人动态模型；
确定所述记录目标动态模型与所述第一记录人动态模型之间的第二位置关系；
提取所述第一记录人动态模型表征的第一记录动态行为；
将所述第二位置关系与所述标准位置关系进行匹配，获取第一匹配度；
将所述第一记录动态行为与所述标准记录动态行为进行匹配，获取第二匹配度；
若所述第一匹配度小于等于预设的第一匹配度阈值和/或所述第二匹配度小于等于预设的第二匹配度阈值，尝试识别所述记录现场动态模型中所述第一记录人动态模型周边预设的位置范围内的第二记录人动态模型；
若尝试识别失败，剔除对应所述第一记录项；
若尝试识别成功，获取所述第二记录人动态模型对应的身份信息；
基于预设的指导人员身份信息库，对所述身份信息进行指导人员身份确认；
若指导人员身份确认失败，剔除对应所述第一记录项；
若指导人员身份确认成功，确定所述记录目标动态模型与所述第二记录人动态模型之间的第三位置关系；
提取所述第二记录人动态模型表征的第二记录动态行为；
将所述第三位置关系与所述标准位置关系进行匹配，获取第三匹配度；
将所述第二记录动态行为与所述标准记录动态行为进行匹配，获取第四匹配度；
若所述第三匹配度小于等于预设的第三匹配度阈值和/或所述第四匹配度小于等于预设的第四匹配度阈值，剔除对应所述第一记录项；
当所述第一记录项中需要剔除的所述第一记录项均被剔除后，将剔除剩余所述第一记录项作为第二记录项；
将所述第二记录项全部输入至预设的区域异常概率分析模型，获得对应于所述目标区域内多个子区域的异常概率；
将所述子区域按照对应所述异常概率从大到小进行排序，获得子区域序列；
从所述子区域序列的起点向终点开始进行依次遍历，优先对所述第一产生位置属于遍历到的所述子区域内的对应所述第一数据项进行特征提取。
优选的，输出所述检测结果时，将所述检测结果发送至预先绑定的多个用户客户端。
本发明实施例提供的一种高填方质量智能检测系统，包括：
获取模块，用于获取高填方施工完成的目标区域的现场信息；
制定模块，用于基于所述现场信息，制定适宜的高填方质量检测对策；
检测模块，用于基于所述高填方质量检测对策，对所述目标区域进行高填方质量检测，获得检测数据；
输出模块，用于基于所述检测数据，确定检测结果，并进行输出。
优选的，所述制定模块执行如下操作：
将所述现场信息输入至预设的完整性分析模型，获得分析结果，所述分析结果包括：至少一个缺失项；
获取对应于所述缺失项的补充信息，将所述现场信息和所述补充信息输入至预设的高填方质量检测对策制定模型，获得适宜的高填方质量检测对策，完成制定。
优选的，所述输出模块执行如下操作：
对所述检测数据进行数据拆分，获得多个第一数据项；
获取所述第一数据项对应于所述目标区域内的第一产生位置；
对所述第一数据项进行依次特征提取，获得多个第一特征；
每次对所述第一数据项进行特征提取时，获取预设的可疑特征库，将新产生的所述第一特征与所述可疑特征中的第二特征进行匹配，若匹配符合，将对应所述第一数据项作为第二数据项，同时，将匹配符合的第二特征作为第三特征；
获取所述第二数据项对应的第一检测类型；
从所述高填方质量检测对策提取对应于所述第一检测类型的第一检测分布图；
选取所述第二数据项对应的第一产生位置，并作为第二产生位置；
确定所述第一检测分布图中对应于所述第二产生位置的第三产生位置；
尝试获取所述第三特征对应的第一需求信息，所述第一需求信息包括：至少一个可疑范围和所述可疑范围与所述第二产生位置之间的第一位置关系；
若尝试获取成功，在所述第一检测图上基于所述第三产生位置、可疑范围和所述第一位置关系，绘制第一检测区域；
若尝试获取失败，在所述第一检测图上以所述第三产生位置为圆心，预设的半径长度为半径绘制作一个圆，并作为第一检测区域；
获取所述第一检测区域内包含的多个第一检测点位，同时，将所述第一检测点位产生的所述第一数据项作为第三数据项；
获取所述第三特征对应的第二需求信息，所述第二需求信息包括：需要辅助进行判定的至少一个第二检测类型和对应于所述第二检测类型的调节因子；
从所述高填方质量检测对策提取对应于所述第二检测类型的第二检测分布图；
确定所述第二检测分布图中对应于所述第一检测区域的第二检测区域，同时，基于所述调节因子对所述第二检测区域进行相应调节，获得第三检测区域；
获取所述第三检测区域内包含的多个第二检测点位，同时，将所述第二检测点位产生的所述第一数据项作为第四数据项；
获取所述第三特征对应的异常判定模型，将所述第三数据项和所述第四数据项输入至所述异常判定模型，获得异常判定结果；
对所述第一数据项进行特征提取结束后，汇总所述异常判定结果，获得检测结果，完成确定。
优选的，所述输出模块执行如下操作：
获取所述目标区域进行高填方施工的施工记录；
对所述施工记录进行记录拆分，获得多个第一记录项；
获取记录所述第一记录项的记录人、记录位置和对应记录时刻；
基于预设的记录现场库，确定所述记录时刻前和/或后预设的时间段内产生的发生在所述记录位置的多个第一记录现场，同时，获取所述第一记录现场的产生时刻；
建立第一时间轴，基于所述产生时刻，将所述第一记录现场在所述时间轴上展开，获得第二时间轴；
从所述第二时间轴的起点向终点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第二记录现场；
从所述第二时间轴的终点向起点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第三记录现场；
将所述第二记录现场、第三记录现场以及所述第二时间轴上所述第二记录现场和所述第三记录现场之间的所述第一记录现场进行融合处理，获得记录现场动态模型；
获取所述第一记录项对应的记录目标，同时，获取所述记录目标对应的标准信息，所述标准信息包括：标准记录动态行为以及标准位置关系；
识别所述记录现场动态模型中对应于所述记录目标的记录目标动态模型，同时，识别所述记录现场动态模型中对应于所述记录人的第一记录人动态模型；
确定所述记录目标动态模型与所述第一记录人动态模型之间的第二位置关系；
提取所述第一记录人动态模型表征的第一记录动态行为；
将所述第二位置关系与所述标准位置关系进行匹配，获取第一匹配度；
将所述第一记录动态行为与所述标准记录动态行为进行匹配，获取第二匹配度；
若所述第一匹配度小于等于预设的第一匹配度阈值和/或所述第二匹配度小于等于预设的第二匹配度阈值，尝试识别所述记录现场动态模型中所述第一记录人动态模型周边预设的位置范围内的第二记录人动态模型；
若尝试识别失败，剔除对应所述第一记录项；
若尝试识别成功，获取所述第二记录人动态模型对应的身份信息；
基于预设的指导人员身份信息库，对所述身份信息进行指导人员身份确认；
若指导人员身份确认失败，剔除对应所述第一记录项；
若指导人员身份确认成功，确定所述记录目标动态模型与所述第二记录人动态模型之间的第三位置关系；
提取所述第二记录人动态模型表征的第二记录动态行为；
将所述第三位置关系与所述标准位置关系进行匹配，获取第三匹配度；
将所述第二记录动态行为与所述标准记录动态行为进行匹配，获取第四匹配度；
若所述第三匹配度小于等于预设的第三匹配度阈值和/或所述第四匹配度小于等于预设的第四匹配度阈值，剔除对应所述第一记录项；
当所述第一记录项中需要剔除的所述第一记录项均被剔除后，将剔除剩余所述第一记录项作为第二记录项；
将所述第二记录项全部输入至预设的区域异常概率分析模型，获得对应于所述目标区域内多个子区域的异常概率；
将所述子区域按照对应所述异常概率从大到小进行排序，获得子区域序列；
从所述子区域序列的起点向终点开始进行依次遍历，优先对所述第一产生位置属于遍历到的所述子区域内的对应所述第一数据项进行特征提取。
优选的，所述输出模块执行如下操作：
将所述检测结果发送至预先绑定的多个用户客户端。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种高填方质量智能检测方法的流程图；
图2为本发明实施例中又一高填方质量智能检测方法的流程图。
图3为本发明实施例中一种高填方质量智能检测系统的示意图；
图4为本发明实施例中高填方施工过程中碾压过程的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种高填方质量智能检测方法，如图1所示，包括：
步骤S1：获取高填方施工完成的目标区域的现场信息；
步骤S2：基于所述现场信息，制定适宜的高填方质量检测对策；
步骤S3：基于所述高填方质量检测对策，对所述目标区域进行高填方质量检测，获得检测数据；
步骤S4：基于所述检测数据，确定检测结果，并进行输出。
上述技术方案的工作原理及有益效果为：
获取高填方施工完成的目标区域(例如：机场跑道高填方施工现场某区域)的现场信息(区域面积、高填方施工量等)；基于现场信息，制定适宜的高填方质量检测对策(布置监测仪器，设定监测仪器的监测周期，例如：在断面上埋设用于沉降观测的水准仪DS1、水准仪DS3，表层沉降监测自土石方施工完工开始监测，道面施工前，开始监测的前3天每天1次，半个月内每3天1次，一个半月内每周1次，一个半月后每半个月1次；道面施工后，半个月内每3天1次，一个半月内每10天1次，一个半月后每月1次)；基于高填方质量检测对策，对目标区域行高填方质量检测，获得检测数据(即监测仪器回传的数据)；对检测数据进行分析，输出检测结果；
本发明实施例基于高填方施工完成的目标区域的现场信息，制定适宜的高填方质量检测对策，基于高填方质量检测对策，对目标区域进行高填方质量检测，人工只需布置监测机器，监测仪器自动回传数据进行汇总，无需定时记录监测仪器产生的数据，极大程度上减少了人力成本，提升了便捷性。
本发明实施例提供了一种高填方质量智能检测方法，如图2所示，所述步骤S2：基于所述现场信息，制定适宜的高填方质量检测对策，包括：
步骤S201：将所述现场信息输入至预设的完整性分析模型，获得分析结果，所述分析结果包括：至少一个缺失项；
步骤S202：获取对应于所述缺失项的补充信息，将所述现场信息和所述补充信息输入至预设的高填方质量检测对策制定模型，获得适宜的高填方质量检测对策，完成制定。
上述技术方案的工作原理及有益效果为：
获取现场信息后，需要输入至预设的完整性分析模型(利用机器学习算法对大量人工对现场信息的完整性进行分析的记录)，获得至少一个缺失项(现场信息中需要补充的信息)；获取对应于缺失项的补充信息(工作人员补充收集的信息)，将现场信息和补充信息一并输入至预设的高填方质量检测对策制定模型(利用机器学习算法对大量人工基于完整的现场信息制定高填方质量检测对策的记录进行学习后生成的模型)，获得高填方质量检测对策，完成制定；
本发明实施例获取现场信息后，首先确定完整性，及时进行补充，基于完整的现场信息制定适宜的高填方质量检测对策，更加合理。
本发明实施例提供了一种高填方质量智能检测方法，所述步骤S4中，基于所述检测数据，确定检测结果，包括：
对所述检测数据进行数据拆分，获得多个第一数据项；
获取所述第一数据项对应于所述目标区域内的第一产生位置；
对所述第一数据项进行依次特征提取，获得多个第一特征；
每次对所述第一数据项进行特征提取时，获取预设的可疑特征库，将新产生的所述第一特征与所述可疑特征中的第二特征进行匹配，若匹配符合，将对应所述第一数据项作为第二数据项，同时，将匹配符合的第二特征作为第三特征；
获取所述第二数据项对应的第一检测类型；
从所述高填方质量检测对策提取对应于所述第一检测类型的第一检测分布图；
选取所述第二数据项对应的第一产生位置，并作为第二产生位置；
确定所述第一检测分布图中对应于所述第二产生位置的第三产生位置；
尝试获取所述第三特征对应的第一需求信息，所述第一需求信息包括：至少一个可疑范围和所述可疑范围与所述第二产生位置之间的第一位置关系；
若尝试获取成功，在所述第一检测图上基于所述第三产生位置、可疑范围和所述第一位置关系，绘制第一检测区域；
若尝试获取失败，在所述第一检测图上以所述第三产生位置为圆心，预设的半径长度为半径绘制作一个圆，并作为第一检测区域；
获取所述第一检测区域内包含的多个第一检测点位，同时，将所述第一检测点位产生的所述第一数据项作为第三数据项；
获取所述第三特征对应的第二需求信息，所述第二需求信息包括：需要辅助进行判定的至少一个第二检测类型和对应于所述第二检测类型的调节因子；
从所述高填方质量检测对策提取对应于所述第二检测类型的第二检测分布图；
确定所述第二检测分布图中对应于所述第一检测区域的第二检测区域，同时，基于所述调节因子对所述第二检测区域进行相应调节，获得第三检测区域；
获取所述第三检测区域内包含的多个第二检测点位，同时，将所述第二检测点位产生的所述第一数据项作为第四数据项；
获取所述第三特征对应的异常判定模型，将所述第三数据项和所述第四数据项输入至所述异常判定模型，获得异常判定结果；
对所述第一数据项进行特征提取结束后，汇总所述异常判定结果，获得检测结果，完成确定。
上述技术方案的工作原理及有益效果为：
由于质量检测的周期较长，检测数据属于动态数据(定时更新)；将检测数据拆分成多个第一数据项，将第一数据项提取出的第一特征与预设的可疑特征库(包含大量疑似出现高填方质量问题的特征的数据库)中的第二特征进行匹配，若匹配符合，说明对应第二产生位置可能存在质量问题，确定对应第二数据项对应的第一检测类型(例如：水平位移检测)，从高填方质量检测对策中提取第一检测类型对应的第一检测分布图(例如：包含目标区域内多个水平位移检测点的三维图)，确定第一检测分布图上对应于第二产生位置的第三产生位置；尝试获取匹配符合的第三特征对应的第一需求信息，第一需求信息包含可疑范围(例如：若第三特征为某个断面中某个位置水平位移量异常，则可以推断整个断面中其它位置水平位移量也可能异常，可疑范围则为整个断面)和第一位置关系；若尝试获取成功，说明第三特征可以辅助确定可疑范围，基于第三产生位置、可疑范围和所述第一位置关系，绘制第一检测区域；若尝试获取失败，说明第三特征不能确定辅助确定可疑范围，需要大范围深入确定，绘制圆形的第一检测区域；确定第一检测区域内的第一检测点位(水平位移检测点)，确定第一检测点位对应的第三数据项；获取第三特征对应的第二需求信息，第二需求信息包含需要辅助进行判定的第二检测类型(例如：第一检测类型为水平位移检测，需要确定该可能异常的位置是否异常，需要垂直位移检测，第二检测类型即为垂直位移检测)和调节因子(调节因子为常数)；获取第二检测类型对应的第二检测分布图，确定第二检测区域，基于调节因子对第二检测区域进行调节(例如：由于辅助进行判定的第二检测类型不一定需要相同大的范围，调节因子即为0.2，即缩放至第二检测区域的0.2倍)，获得第三检测区域；确定第三检测区域内包含的多个第二检测点位(例如：垂直位移检测点)，确定第二检测点位对应的第四数据项；确定第三特征对应的异常判定模型(利用机器学习算法对大量人工基于可疑特征对更多的补充信息进行异常判定的记录进行学习后生成的模型)，获得异常判定结果；汇总异常判定结果即获得检测结果；
本发明实施例设置可疑特征库，当存在第一特征与第二特征匹配时，进行更深入异常判定，提升异常判定效率，节省异常判定资源；基于匹配符合的第三特征对应的第一需求信息，准确确定第一检测区域，提升了异常判定的效率；基于匹配符合的第三特征对应的第二需求信息，确定需要辅助进行判定的第二检测类型和调节因子，精准确定适宜的第三检测区域，提升了异常判定的效率。
本发明实施例提供了一种高填方质量智能检测方法，还包括：
定时对所述可疑特征库进行重整；
其中，对所述可疑特征库进行重整，包括：
获取预设的可疑特征测试库，从所述可疑特征测试库中选取一个可疑特征测试项，所述可疑特征测试项包括：被测试的第四特征和对应多个测试记录项，所述测试记录项包括：至少一个测试人员、测试方法和测试结果值；
获取所述测试人对应的人员权重，同时，获取所述测试方法对应的方法权重；
基于所述人员权重、方法权重和所述测试结果值计算剔除需求度，计算公式如下：
Figure BDA0003493221670000141
其中，σ为所述剔除需求度，γt为所述第四特征对应的第t个测试记录项中的测试结果值，βt为所述第四特征对应的第t个测试记录项中的测试方法对应的方法权重，αt,j为所述第四特征对应的第t个测试记录项中的第j个测试人员对应的人员权重，Zt为所述第四特征对应的第t个测试记录项中的测试人员的总数目，O为所述第四特征对应的测试记录项的总数目；
若所述剔除需求度大于等于预设的剔除需求度阈值，确定所述可疑特征库是否存在对应所述第四特征，若是，剔除所述可疑特征库中存在的对应所述第四特征；
若所述剔除需求度小于所述剔除需求度阈值，确定所述可疑特征库是否存在对应所述第四特征，若否，将对应所述第四特征补充至所述可疑特征库中。
上述技术方案的工作原理及有益效果为：
对可疑特征库进行重整时，从预设的可疑特征测试库(对可疑特征进行测试的记录的数据库)选取一个可疑特征测试项，可疑特征测试项包含被测试的第四特征、测试人员、测试方法和测试结果值(测试结果值越小，越说明被测试的可疑特征不能作为质量问题可疑特征)；获取测试人员的人员权重(人员权重越大，其经验程度越高)，获取测试方法的方法权重(方法权重越大，使用该测试方法获得的测试结果越具备可靠性)，基于人员权重、方法权重和测试结果值计算剔除需求度，剔除需求度越大，需要剔除相应第四特征；
本发明实施例对可疑特征库进行重整，保证可疑特征库的可利用性，提升可疑特征的发现效率；
公式中，测试结果值γt与剔除需求度呈反比，人员权重αt,j与剔除需求度呈正比，方法权重βt与剔除需求度呈正比，设置合理。
本发明实施例提供了一种高填方质量智能检测方法，对所述第一数据项进行依次特征提取，包括：
获取所述目标区域进行高填方施工的施工记录；
对所述施工记录进行记录拆分，获得多个第一记录项；
获取记录所述第一记录项的记录人、记录位置和对应记录时刻；
基于预设的记录现场库，确定所述记录时刻前和/或后预设的时间段内产生的发生在所述记录位置的多个第一记录现场，同时，获取所述第一记录现场的产生时刻；
建立第一时间轴，基于所述产生时刻，将所述第一记录现场在所述时间轴上展开，获得第二时间轴；
从所述第二时间轴的起点向终点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第二记录现场；
从所述第二时间轴的终点向起点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第三记录现场；
将所述第二记录现场、第三记录现场以及所述第二时间轴上所述第二记录现场和所述第三记录现场之间的所述第一记录现场进行融合处理，获得记录现场动态模型；
获取所述第一记录项对应的记录目标，同时，获取所述记录目标对应的标准信息，所述标准信息包括：标准记录动态行为以及标准位置关系；
识别所述记录现场动态模型中对应于所述记录目标的记录目标动态模型，同时，识别所述记录现场动态模型中对应于所述记录人的第一记录人动态模型；
确定所述记录目标动态模型与所述第一记录人动态模型之间的第二位置关系；
提取所述第一记录人动态模型表征的第一记录动态行为；
将所述第二位置关系与所述标准位置关系进行匹配，获取第一匹配度；
将所述第一记录动态行为与所述标准记录动态行为进行匹配，获取第二匹配度；
若所述第一匹配度小于等于预设的第一匹配度阈值和/或所述第二匹配度小于等于预设的第二匹配度阈值，尝试识别所述记录现场动态模型中所述第一记录人动态模型周边预设的位置范围内的第二记录人动态模型；
若尝试识别失败，剔除对应所述第一记录项；
若尝试识别成功，获取所述第二记录人动态模型对应的身份信息；
基于预设的指导人员身份信息库，对所述身份信息进行指导人员身份确认；
若指导人员身份确认失败，剔除对应所述第一记录项；
若指导人员身份确认成功，确定所述记录目标动态模型与所述第二记录人动态模型之间的第三位置关系；
提取所述第二记录人动态模型表征的第二记录动态行为；
将所述第三位置关系与所述标准位置关系进行匹配，获取第三匹配度；
将所述第二记录动态行为与所述标准记录动态行为进行匹配，获取第四匹配度；
若所述第三匹配度小于等于预设的第三匹配度阈值和/或所述第四匹配度小于等于预设的第四匹配度阈值，剔除对应所述第一记录项；
当所述第一记录项中需要剔除的所述第一记录项均被剔除后，将剔除剩余所述第一记录项作为第二记录项；
将所述第二记录项全部输入至预设的区域异常概率分析模型，获得对应于所述目标区域内多个子区域的异常概率；
将所述子区域按照对应所述异常概率从大到小进行排序，获得子区域序列；
从所述子区域序列的起点向终点开始进行依次遍历，优先对所述第一产生位置属于遍历到的所述子区域内的对应所述第一数据项进行特征提取。
上述技术方案的工作原理及有益效果为：
对所述第一数据项进行依次特征提取时，获取目标区域进行高填方施工的施工记录(例如：如图4所示，监测原地面碾压是否合格、监测强夯施工是否合格、发生不合格事件修整记录等)；将施工记录拆分成多个第一记录项，每一个第一记录项均对应记录人、记录位置和记录时刻；基于预设的记录现场库(包含大量记录现场的数据库，记录现场可以为通过摄像机采集的现场图像，也可以为记录人手持设备中毫米波雷达传感器采集的周边三维信息)，确定对应的第一记录现场，将第一记录现场设置于第一时间轴上，获得第二时间轴；识别第一记录现场中是否存在记录人(若记录现场为现场图像，则基于人脸识别技术实现，若记录现场为三维信息，即基于轮廓识别技术，识别记录人的三维轮廓来实现)；将存在记录人的第一记录现场进行融合，获得记录现场动态模型；获取第一记录项对应的记录目标(例如：监测强夯机布置和运行)，获取记录目标对应的标准信息，标准信息包含标准记录动态信息(记录人监测强夯机布置和运行应产生的行为，例如：绕强夯机一周)和标准位置关系(例如：记录人与强夯机之间直线距离不得超过可视距离)；确定记录目标动态模型中实际的第二位置关系和第一记录动态行为(基于行为识别技术实现)；若第一匹配度较小和/或第二匹配度较小，说明记录人记录行为不合格，理应剔除对应第一记录项；但是，实际记录场景中，现场可能存在指导人指导新来的记录人(“老带新”)，即尝试识别第二记录人动态模型，若尝试识别失败，说明记录人仅是记录行为不合格，剔除对应第一记录项；若尝试识别成功，获取第二记录人动态模型对应的身份信息(与识别第一记录现场中是否存在记录人同理)，基于预设的指导人员身份信息库(包含大量具有指导资格的人员的身份信息)，对第二记录人动态模型进行指导人员身份确认，若确认识别，剔除对应第一记录项，若确认成功，确定其第三位置关系和对应第二记录动态行为；若第三匹配度较小和/或第四匹配度较小，说明指导人记录行为也不合格，剔除对应第一记录项；将剔除剩余的第二记录项输入预设的区域异常概率分析模型(利用机器学习算法对大量人工基于高填方施工记录进行异常概率分析预测的记录进行学习后生成的模型)，获得多个子区域的异常概率，优先对第一产生位置属于较大异常概率对应的子区域内的对应第一数据项进行特征提取；
本发明实施例基于施工记录预测子区域的异常概率，优先对第一产生位置属于较大异常概率对应的子区域内的对应第一数据项进行特征提取，极大程度升提升了可疑异常的发现效率；同时，在获取施工记录时，对第一记录项进行严格筛选，提升了施工记录的获取质量，提升了子区域的异常概率预测的精准性；另外，对第一记录项进行严格筛选时，考虑到存在“老带新”的特殊情形，设置更加智能合理。
本发明实施例提供了一种高填方质量智能检测方法，输出所述检测结果时，将所述检测结果发送至预先绑定的多个用户客户端。
上述技术方案的工作原理及有益效果为：
输出检测结果时，将检测结果发送至预先绑定的多个用户客户端(例如：智能手机、平板等)即可。
本发明实施例提供了一种高填方质量智能检测系统，如图3所示，包括：
获取模块1，用于获取高填方施工完成的目标区域的现场信息；
制定模块2，用于基于所述现场信息，制定适宜的高填方质量检测对策；
检测模块3，用于基于所述高填方质量检测对策，对所述目标区域进行高填方质量检测，获得检测数据；
输出模块4，用于基于所述检测数据，确定检测结果，并进行输出。
上述技术方案的工作原理及有益效果为：
获取高填方施工完成的目标区域(例如：机场跑道高填方施工现场某区域)的现场信息(区域面积、高填方施工量等)；基于现场信息，制定适宜的高填方质量检测对策(布置监测仪器，设定监测仪器的监测周期，例如：在断面上埋设用于沉降观测的水准仪DS1、水准仪DS3，表层沉降监测自土石方施工完工开始监测，道面施工前，开始监测的前3天每天1次，半个月内每3天1次，一个半月内每周1次，一个半月后每半个月1次；道面施工后，半个月内每3天1次，一个半月内每10天1次，一个半月后每月1次)；基于高填方质量检测对策，对目标区域行高填方质量检测，获得检测数据(即监测仪器回传的数据)；对检测数据进行分析，输出检测结果；
本发明实施例基于高填方施工完成的目标区域的现场信息，制定适宜的高填方质量检测对策，基于高填方质量检测对策，对目标区域进行高填方质量检测，人工只需布置监测机器，监测仪器自动回传数据进行汇总，无需定时记录监测仪器产生的数据，极大程度上减少了人力成本，提升了便捷性。
本发明实施例提供了一种高填方质量智能检测系统，所述制定模块2执行如下操作：
将所述现场信息输入至预设的完整性分析模型，获得分析结果，所述分析结果包括：至少一个缺失项；
获取对应于所述缺失项的补充信息，将所述现场信息和所述补充信息输入至预设的高填方质量检测对策制定模型，获得适宜的高填方质量检测对策，完成制定。
上述技术方案的工作原理及有益效果为：
获取现场信息后，需要输入至预设的完整性分析模型(利用机器学习算法对大量人工对现场信息的完整性进行分析的记录)，获得至少一个缺失项(现场信息中需要补充的信息)；获取对应于缺失项的补充信息(工作人员补充收集的信息)，将现场信息和补充信息一并输入至预设的高填方质量检测对策制定模型(利用机器学习算法对大量人工基于完整的现场信息制定高填方质量检测对策的记录进行学习后生成的模型)，获得高填方质量检测对策，完成制定；
本发明实施例获取现场信息后，首先确定完整性，及时进行补充，基于完整的现场信息制定适宜的高填方质量检测对策，更加合理。
本发明实施例提供了一种高填方质量智能检测系统，所述输出模块4执行如下操作：
对所述检测数据进行数据拆分，获得多个第一数据项；
获取所述第一数据项对应于所述目标区域内的第一产生位置；
对所述第一数据项进行依次特征提取，获得多个第一特征；
每次对所述第一数据项进行特征提取时，获取预设的可疑特征库，将新产生的所述第一特征与所述可疑特征中的第二特征进行匹配，若匹配符合，将对应所述第一数据项作为第二数据项，同时，将匹配符合的第二特征作为第三特征；
获取所述第二数据项对应的第一检测类型；
从所述高填方质量检测对策提取对应于所述第一检测类型的第一检测分布图；
选取所述第二数据项对应的第一产生位置，并作为第二产生位置；
确定所述第一检测分布图中对应于所述第二产生位置的第三产生位置；
尝试获取所述第三特征对应的第一需求信息，所述第一需求信息包括：至少一个可疑范围和所述可疑范围与所述第二产生位置之间的第一位置关系；
若尝试获取成功，在所述第一检测图上基于所述第三产生位置、可疑范围和所述第一位置关系，绘制第一检测区域；
若尝试获取失败，在所述第一检测图上以所述第三产生位置为圆心，预设的半径长度为半径绘制作一个圆，并作为第一检测区域；
获取所述第一检测区域内包含的多个第一检测点位，同时，将所述第一检测点位产生的所述第一数据项作为第三数据项；
获取所述第三特征对应的第二需求信息，所述第二需求信息包括：需要辅助进行判定的至少一个第二检测类型和对应于所述第二检测类型的调节因子；
从所述高填方质量检测对策提取对应于所述第二检测类型的第二检测分布图；
确定所述第二检测分布图中对应于所述第一检测区域的第二检测区域，同时，基于所述调节因子对所述第二检测区域进行相应调节，获得第三检测区域；
获取所述第三检测区域内包含的多个第二检测点位，同时，将所述第二检测点位产生的所述第一数据项作为第四数据项；
获取所述第三特征对应的异常判定模型，将所述第三数据项和所述第四数据项输入至所述异常判定模型，获得异常判定结果；
对所述第一数据项进行特征提取结束后，汇总所述异常判定结果，获得检测结果，完成确定。
上述技术方案的工作原理及有益效果为：
由于质量检测的周期较长，检测数据属于动态数据(定时更新)；将检测数据拆分成多个第一数据项，将第一数据项提取出的第一特征与预设的可疑特征库(包含大量疑似出现高填方质量问题的特征的数据库)中的第二特征进行匹配，若匹配符合，说明对应第二产生位置可能存在质量问题，确定对应第二数据项对应的第一检测类型(例如：水平位移检测)，从高填方质量检测对策中提取第一检测类型对应的第一检测分布图(例如：包含目标区域内多个水平位移检测点的三维图)，确定第一检测分布图上对应于第二产生位置的第三产生位置；尝试获取匹配符合的第三特征对应的第一需求信息，第一需求信息包含可疑范围(例如：若第三特征为某个断面中某个位置水平位移量异常，则可以推断整个断面中其它位置水平位移量也可能异常，可疑范围则为整个断面)和第一位置关系；若尝试获取成功，说明第三特征可以辅助确定可疑范围，基于第三产生位置、可疑范围和所述第一位置关系，绘制第一检测区域；若尝试获取失败，说明第三特征不能确定辅助确定可疑范围，需要大范围深入确定，绘制圆形的第一检测区域；确定第一检测区域内的第一检测点位(水平位移检测点)，确定第一检测点位对应的第三数据项；获取第三特征对应的第二需求信息，第二需求信息包含需要辅助进行判定的第二检测类型(例如：第一检测类型为水平位移检测，需要确定该可能异常的位置是否异常，需要垂直位移检测，第二检测类型即为垂直位移检测)和调节因子(调节因子为常数)；获取第二检测类型对应的第二检测分布图，确定第二检测区域，基于调节因子对第二检测区域进行调节(例如：由于辅助进行判定的第二检测类型不一定需要相同大的范围，调节因子即为0.2，即缩放至第二检测区域的0.2倍)，获得第三检测区域；确定第三检测区域内包含的多个第二检测点位(例如：垂直位移检测点)，确定第二检测点位对应的第四数据项；确定第三特征对应的异常判定模型(利用机器学习算法对大量人工基于可疑特征对更多的补充信息进行异常判定的记录进行学习后生成的模型)，获得异常判定结果；汇总异常判定结果即获得检测结果；
本发明实施例设置可疑特征库，当存在第一特征与第二特征匹配时，进行更深入异常判定，提升异常判定效率，节省异常判定资源；基于匹配符合的第三特征对应的第一需求信息，准确确定第一检测区域，提升了异常判定的效率；基于匹配符合的第三特征对应的第二需求信息，确定需要辅助进行判定的第二检测类型和调节因子，精准确定适宜的第三检测区域，提升了异常判定的效率。
本发明实施例提供了一种高填方质量智能检测系统，还包括：
重整模块，用于定时对所述可疑特征库进行重整；
所述重整模块执行如下操作：
获取预设的可疑特征测试库，从所述可疑特征测试库中选取一个可疑特征测试项，所述可疑特征测试项包括：被测试的第四特征和对应多个测试记录项，所述测试记录项包括：至少一个测试人员、测试方法和测试结果值；
获取所述测试人对应的人员权重，同时，获取所述测试方法对应的方法权重；
基于所述人员权重、方法权重和所述测试结果值计算剔除需求度，计算公式如下：
Figure BDA0003493221670000221
其中，σ为所述剔除需求度，γt为所述第四特征对应的第t个测试记录项中的测试结果值，βt为所述第四特征对应的第t个测试记录项中的测试方法对应的方法权重，αt,j为所述第四特征对应的第t个测试记录项中的第j个测试人员对应的人员权重，Zt为所述第四特征对应的第t个测试记录项中的测试人员的总数目，O为所述第四特征对应的测试记录项的总数目；
若所述剔除需求度大于等于预设的剔除需求度阈值，确定所述可疑特征库是否存在对应所述第四特征，若是，剔除所述可疑特征库中存在的对应所述第四特征；
若所述剔除需求度小于所述剔除需求度阈值，确定所述可疑特征库是否存在对应所述第四特征，若否，将对应所述第四特征补充至所述可疑特征库中。
上述技术方案的工作原理及有益效果为：
对可疑特征库进行重整时，从预设的可疑特征测试库(对可疑特征进行测试的记录的数据库)选取一个可疑特征测试项，可疑特征测试项包含被测试的第四特征、测试人员、测试方法和测试结果值(测试结果值越小，越说明被测试的可疑特征不能作为质量问题可疑特征)；获取测试人员的人员权重(人员权重越大，其经验程度越高)，获取测试方法的方法权重(方法权重越大，使用该测试方法获得的测试结果越具备可靠性)，基于人员权重、方法权重和测试结果值计算剔除需求度，剔除需求度越大，需要剔除相应第四特征；
本发明实施例对可疑特征库进行重整，保证可疑特征库的可利用性，提升可疑特征的发现效率；
公式中，测试结果值γt与剔除需求度呈反比，人员权重αt,j与剔除需求度呈正比，方法权重βt与剔除需求度呈正比，设置合理。
本发明实施例提供了一种高填方质量智能检测系统，所述输出模块4执行如下操作：
获取所述目标区域进行高填方施工的施工记录；
对所述施工记录进行记录拆分，获得多个第一记录项；
获取记录所述第一记录项的记录人、记录位置和对应记录时刻；
基于预设的记录现场库，确定所述记录时刻前和/或后预设的时间段内产生的发生在所述记录位置的多个第一记录现场，同时，获取所述第一记录现场的产生时刻；
建立第一时间轴，基于所述产生时刻，将所述第一记录现场在所述时间轴上展开，获得第二时间轴；
从所述第二时间轴的起点向终点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第二记录现场；
从所述第二时间轴的终点向起点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第三记录现场；
将所述第二记录现场、第三记录现场以及所述第二时间轴上所述第二记录现场和所述第三记录现场之间的所述第一记录现场进行融合处理，获得记录现场动态模型；
获取所述第一记录项对应的记录目标，同时，获取所述记录目标对应的标准信息，所述标准信息包括：标准记录动态行为以及标准位置关系；
识别所述记录现场动态模型中对应于所述记录目标的记录目标动态模型，同时，识别所述记录现场动态模型中对应于所述记录人的第一记录人动态模型；
确定所述记录目标动态模型与所述第一记录人动态模型之间的第二位置关系；
提取所述第一记录人动态模型表征的第一记录动态行为；
将所述第二位置关系与所述标准位置关系进行匹配，获取第一匹配度；
将所述第一记录动态行为与所述标准记录动态行为进行匹配，获取第二匹配度；
若所述第一匹配度小于等于预设的第一匹配度阈值和/或所述第二匹配度小于等于预设的第二匹配度阈值，尝试识别所述记录现场动态模型中所述第一记录人动态模型周边预设的位置范围内的第二记录人动态模型；
若尝试识别失败，剔除对应所述第一记录项；
若尝试识别成功，获取所述第二记录人动态模型对应的身份信息；
基于预设的指导人员身份信息库，对所述身份信息进行指导人员身份确认；
若指导人员身份确认失败，剔除对应所述第一记录项；
若指导人员身份确认成功，确定所述记录目标动态模型与所述第二记录人动态模型之间的第三位置关系；
提取所述第二记录人动态模型表征的第二记录动态行为；
将所述第三位置关系与所述标准位置关系进行匹配，获取第三匹配度；
将所述第二记录动态行为与所述标准记录动态行为进行匹配，获取第四匹配度；
若所述第三匹配度小于等于预设的第三匹配度阈值和/或所述第四匹配度小于等于预设的第四匹配度阈值，剔除对应所述第一记录项；
当所述第一记录项中需要剔除的所述第一记录项均被剔除后，将剔除剩余所述第一记录项作为第二记录项；
将所述第二记录项全部输入至预设的区域异常概率分析模型，获得对应于所述目标区域内多个子区域的异常概率；
将所述子区域按照对应所述异常概率从大到小进行排序，获得子区域序列；
从所述子区域序列的起点向终点开始进行依次遍历，优先对所述第一产生位置属于遍历到的所述子区域内的对应所述第一数据项进行特征提取。
上述技术方案的工作原理及有益效果为：
对所述第一数据项进行依次特征提取时，获取目标区域进行高填方施工的施工记录(例如：例如：如图4所示，监测原地面碾压是否合格、监测强夯施工是否合格、发生不合格事件修整记录等)；将施工记录拆分成多个第一记录项，每一个第一记录项均对应记录人、记录位置和记录时刻；基于预设的记录现场库(包含大量记录现场的数据库，记录现场可以为通过摄像机采集的现场图像，也可以为记录人手持设备中毫米波雷达传感器采集的周边三维信息)，确定对应的第一记录现场，将第一记录现场设置于第一时间轴上，获得第二时间轴；识别第一记录现场中是否存在记录人(若记录现场为现场图像，则基于人脸识别技术实现，若记录现场为三维信息，即基于轮廓识别技术，识别记录人的三维轮廓来实现)；将存在记录人的第一记录现场进行融合，获得记录现场动态模型；获取第一记录项对应的记录目标(例如：监测强夯机布置和运行)，获取记录目标对应的标准信息，标准信息包含标准记录动态信息(记录人监测强夯机布置和运行应产生的行为，例如：绕强夯机一周)和标准位置关系(例如：记录人与强夯机之间直线距离不得超过可视距离)；确定记录目标动态模型中实际的第二位置关系和第一记录动态行为(基于行为识别技术实现)；若第一匹配度较小和/或第二匹配度较小，说明记录人记录行为不合格，理应剔除对应第一记录项；但是，实际记录场景中，现场可能存在指导人指导新来的记录人(“老带新”)，即尝试识别第二记录人动态模型，若尝试识别失败，说明记录人仅是记录行为不合格，剔除对应第一记录项；若尝试识别成功，获取第二记录人动态模型对应的身份信息(与识别第一记录现场中是否存在记录人同理)，基于预设的指导人员身份信息库(包含大量具有指导资格的人员的身份信息)，对第二记录人动态模型进行指导人员身份确认，若确认识别，剔除对应第一记录项，若确认成功，确定其第三位置关系和对应第二记录动态行为；若第三匹配度较小和/或第四匹配度较小，说明指导人记录行为也不合格，剔除对应第一记录项；将剔除剩余的第二记录项输入预设的区域异常概率分析模型(利用机器学习算法对大量人工基于高填方施工记录进行异常概率分析预测的记录进行学习后生成的模型)，获得多个子区域的异常概率，优先对第一产生位置属于较大异常概率对应的子区域内的对应第一数据项进行特征提取；
本发明实施例基于施工记录预测子区域的异常概率，优先对第一产生位置属于较大异常概率对应的子区域内的对应第一数据项进行特征提取，极大程度升提升了可疑异常的发现效率；同时，在获取施工记录时，对第一记录项进行严格筛选，提升了施工记录的获取质量，提升了子区域的异常概率预测的精准性；另外，对第一记录项进行严格筛选时，考虑到存在“老带新”的特殊情形，设置更加智能合理。
本发明实施例提供了一种高填方质量智能检测系统，所述输出模块4执行如下操作：
将所述检测结果发送至预先绑定的多个用户客户端。
上述技术方案的工作原理及有益效果为：
输出检测结果时，将检测结果发送至预先绑定的多个用户客户端(例如：智能手机、平板等)即可。
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 (10)

1.一种高填方质量智能检测方法，其特征在于，包括：
步骤S1：获取高填方施工完成的目标区域的现场信息；
步骤S2：基于所述现场信息，制定适宜的高填方质量检测对策；
步骤S3：基于所述高填方质量检测对策，对所述目标区域进行高填方质量检测，获得检测数据；
步骤S4：基于所述检测数据，确定检测结果，并进行输出。
2.如权利要求1所述的一种高填方质量智能检测方法，其特征在于，所述步骤S2：基于所述现场信息，制定适宜的高填方质量检测对策，包括：
将所述现场信息输入至预设的完整性分析模型，获得分析结果，所述分析结果包括：至少一个缺失项；
获取对应于所述缺失项的补充信息，将所述现场信息和所述补充信息输入至预设的高填方质量检测对策制定模型，获得适宜的高填方质量检测对策，完成制定。
3.如权利要求1所述的一种高填方质量智能检测方法，其特征在于，所述步骤S4中，基于所述检测数据，确定检测结果，包括：
对所述检测数据进行数据拆分，获得多个第一数据项；
获取所述第一数据项对应于所述目标区域内的第一产生位置；
对所述第一数据项进行依次特征提取，获得多个第一特征；
每次对所述第一数据项进行特征提取时，获取预设的可疑特征库，将新产生的所述第一特征与所述可疑特征中的第二特征进行匹配，若匹配符合，将对应所述第一数据项作为第二数据项，同时，将匹配符合的第二特征作为第三特征；
获取所述第二数据项对应的第一检测类型；
从所述高填方质量检测对策提取对应于所述第一检测类型的第一检测分布图；
选取所述第二数据项对应的第一产生位置，并作为第二产生位置；
确定所述第一检测分布图中对应于所述第二产生位置的第三产生位置；
尝试获取所述第三特征对应的第一需求信息，所述第一需求信息包括：至少一个可疑范围和所述可疑范围与所述第二产生位置之间的第一位置关系；
若尝试获取成功，在所述第一检测图上基于所述第三产生位置、可疑范围和所述第一位置关系，绘制第一检测区域；
若尝试获取失败，在所述第一检测图上以所述第三产生位置为圆心，预设的半径长度为半径绘制作一个圆，并作为第一检测区域；
获取所述第一检测区域内包含的多个第一检测点位，同时，将所述第一检测点位产生的所述第一数据项作为第三数据项；
获取所述第三特征对应的第二需求信息，所述第二需求信息包括：需要辅助进行判定的至少一个第二检测类型和对应于所述第二检测类型的调节因子；
从所述高填方质量检测对策提取对应于所述第二检测类型的第二检测分布图；
确定所述第二检测分布图中对应于所述第一检测区域的第二检测区域，同时，基于所述调节因子对所述第二检测区域进行相应调节，获得第三检测区域；
获取所述第三检测区域内包含的多个第二检测点位，同时，将所述第二检测点位产生的所述第一数据项作为第四数据项；
获取所述第三特征对应的异常判定模型，将所述第三数据项和所述第四数据项输入至所述异常判定模型，获得异常判定结果；
对所述第一数据项进行特征提取结束后，汇总所述异常判定结果，获得检测结果，完成确定。
4.如权利要求3所述的一种高填方质量智能检测方法，其特征在于，对所述第一数据项进行依次特征提取，包括：
获取所述目标区域进行高填方施工的施工记录；
对所述施工记录进行记录拆分，获得多个第一记录项；
获取记录所述第一记录项的记录人、记录位置和对应记录时刻；
基于预设的记录现场库，确定所述记录时刻前和/或后预设的时间段内产生的发生在所述记录位置的多个第一记录现场，同时，获取所述第一记录现场的产生时刻；
建立第一时间轴，基于所述产生时刻，将所述第一记录现场在所述时间轴上展开，获得第二时间轴；
从所述第二时间轴的起点向终点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第二记录现场；
从所述第二时间轴的终点向起点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第三记录现场；
将所述第二记录现场、第三记录现场以及所述第二时间轴上所述第二记录现场和所述第三记录现场之间的所述第一记录现场进行融合处理，获得记录现场动态模型；
获取所述第一记录项对应的记录目标，同时，获取所述记录目标对应的标准信息，所述标准信息包括：标准记录动态行为以及标准位置关系；
识别所述记录现场动态模型中对应于所述记录目标的记录目标动态模型，同时，识别所述记录现场动态模型中对应于所述记录人的第一记录人动态模型；
确定所述记录目标动态模型与所述第一记录人动态模型之间的第二位置关系；
提取所述第一记录人动态模型表征的第一记录动态行为；
将所述第二位置关系与所述标准位置关系进行匹配，获取第一匹配度；
将所述第一记录动态行为与所述标准记录动态行为进行匹配，获取第二匹配度；
若所述第一匹配度小于等于预设的第一匹配度阈值和/或所述第二匹配度小于等于预设的第二匹配度阈值，尝试识别所述记录现场动态模型中所述第一记录人动态模型周边预设的位置范围内的第二记录人动态模型；
若尝试识别失败，剔除对应所述第一记录项；
若尝试识别成功，获取所述第二记录人动态模型对应的身份信息；
基于预设的指导人员身份信息库，对所述身份信息进行指导人员身份确认；
若指导人员身份确认失败，剔除对应所述第一记录项；
若指导人员身份确认成功，确定所述记录目标动态模型与所述第二记录人动态模型之间的第三位置关系；
提取所述第二记录人动态模型表征的第二记录动态行为；
将所述第三位置关系与所述标准位置关系进行匹配，获取第三匹配度；
将所述第二记录动态行为与所述标准记录动态行为进行匹配，获取第四匹配度；
若所述第三匹配度小于等于预设的第三匹配度阈值和/或所述第四匹配度小于等于预设的第四匹配度阈值，剔除对应所述第一记录项；
当所述第一记录项中需要剔除的所述第一记录项均被剔除后，将剔除剩余所述第一记录项作为第二记录项；
将所述第二记录项全部输入至预设的区域异常概率分析模型，获得对应于所述目标区域内多个子区域的异常概率；
将所述子区域按照对应所述异常概率从大到小进行排序，获得子区域序列；
从所述子区域序列的起点向终点开始进行依次遍历，优先对所述第一产生位置属于遍历到的所述子区域内的对应所述第一数据项进行特征提取。
5.如权利要求1所述的一种高填方质量智能检测方法，其特征在于，输出所述检测结果时，将所述检测结果发送至预先绑定的多个用户客户端。
6.一种高填方质量智能检测系统，其特征在于，包括：
获取模块，用于获取高填方施工完成的目标区域的现场信息；
制定模块，用于基于所述现场信息，制定适宜的高填方质量检测对策；
检测模块，用于基于所述高填方质量检测对策，对所述目标区域进行高填方质量检测，获得检测数据；
输出模块，用于基于所述检测数据，确定检测结果，并进行输出。
7.如权利要求6所述的一种高填方质量智能检测系统，其特征在于，所述制定模块执行如下操作：
将所述现场信息输入至预设的完整性分析模型，获得分析结果，所述分析结果包括：至少一个缺失项；
获取对应于所述缺失项的补充信息，将所述现场信息和所述补充信息输入至预设的高填方质量检测对策制定模型，获得适宜的高填方质量检测对策，完成制定。
8.如权利要求6所述的一种高填方质量智能检测系统，其特征在于，所述输出模块执行如下操作：
对所述检测数据进行数据拆分，获得多个第一数据项；
获取所述第一数据项对应于所述目标区域内的第一产生位置；
对所述第一数据项进行依次特征提取，获得多个第一特征；
每次对所述第一数据项进行特征提取时，获取预设的可疑特征库，将新产生的所述第一特征与所述可疑特征中的第二特征进行匹配，若匹配符合，将对应所述第一数据项作为第二数据项，同时，将匹配符合的第二特征作为第三特征；
获取所述第二数据项对应的第一检测类型；
从所述高填方质量检测对策提取对应于所述第一检测类型的第一检测分布图；
选取所述第二数据项对应的第一产生位置，并作为第二产生位置；
确定所述第一检测分布图中对应于所述第二产生位置的第三产生位置；
尝试获取所述第三特征对应的第一需求信息，所述第一需求信息包括：至少一个可疑范围和所述可疑范围与所述第二产生位置之间的第一位置关系；
若尝试获取成功，在所述第一检测图上基于所述第三产生位置、可疑范围和所述第一位置关系，绘制第一检测区域；
若尝试获取失败，在所述第一检测图上以所述第三产生位置为圆心，预设的半径长度为半径绘制作一个圆，并作为第一检测区域；
获取所述第一检测区域内包含的多个第一检测点位，同时，将所述第一检测点位产生的所述第一数据项作为第三数据项；
获取所述第三特征对应的第二需求信息，所述第二需求信息包括：需要辅助进行判定的至少一个第二检测类型和对应于所述第二检测类型的调节因子；
从所述高填方质量检测对策提取对应于所述第二检测类型的第二检测分布图；
确定所述第二检测分布图中对应于所述第一检测区域的第二检测区域，同时，基于所述调节因子对所述第二检测区域进行相应调节，获得第三检测区域；
获取所述第三检测区域内包含的多个第二检测点位，同时，将所述第二检测点位产生的所述第一数据项作为第四数据项；
获取所述第三特征对应的异常判定模型，将所述第三数据项和所述第四数据项输入至所述异常判定模型，获得异常判定结果；
对所述第一数据项进行特征提取结束后，汇总所述异常判定结果，获得检测结果，完成确定。
9.如权利要求8所述的一种高填方质量智能检测系统，其特征在于，所述输出模块执行如下操作：
获取所述目标区域进行高填方施工的施工记录；
对所述施工记录进行记录拆分，获得多个第一记录项；
获取记录所述第一记录项的记录人、记录位置和对应记录时刻；
基于预设的记录现场库，确定所述记录时刻前和/或后预设的时间段内产生的发生在所述记录位置的多个第一记录现场，同时，获取所述第一记录现场的产生时刻；
建立第一时间轴，基于所述产生时刻，将所述第一记录现场在所述时间轴上展开，获得第二时间轴；
从所述第二时间轴的起点向终点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第二记录现场；
从所述第二时间轴的终点向起点开始进行依次遍历，识别遍历到的所述第一记录现场中是否存在所述记录人，若是，停止遍历，同时，将对应所述第一记录现场作为第三记录现场；
将所述第二记录现场、第三记录现场以及所述第二时间轴上所述第二记录现场和所述第三记录现场之间的所述第一记录现场进行融合处理，获得记录现场动态模型；
获取所述第一记录项对应的记录目标，同时，获取所述记录目标对应的标准信息，所述标准信息包括：标准记录动态行为以及标准位置关系；
识别所述记录现场动态模型中对应于所述记录目标的记录目标动态模型，同时，识别所述记录现场动态模型中对应于所述记录人的第一记录人动态模型；
确定所述记录目标动态模型与所述第一记录人动态模型之间的第二位置关系；
提取所述第一记录人动态模型表征的第一记录动态行为；
将所述第二位置关系与所述标准位置关系进行匹配，获取第一匹配度；
将所述第一记录动态行为与所述标准记录动态行为进行匹配，获取第二匹配度；
若所述第一匹配度小于等于预设的第一匹配度阈值和/或所述第二匹配度小于等于预设的第二匹配度阈值，尝试识别所述记录现场动态模型中所述第一记录人动态模型周边预设的位置范围内的第二记录人动态模型；
若尝试识别失败，剔除对应所述第一记录项；
若尝试识别成功，获取所述第二记录人动态模型对应的身份信息；
基于预设的指导人员身份信息库，对所述身份信息进行指导人员身份确认；
若指导人员身份确认失败，剔除对应所述第一记录项；
若指导人员身份确认成功，确定所述记录目标动态模型与所述第二记录人动态模型之间的第三位置关系；
提取所述第二记录人动态模型表征的第二记录动态行为；
将所述第三位置关系与所述标准位置关系进行匹配，获取第三匹配度；
将所述第二记录动态行为与所述标准记录动态行为进行匹配，获取第四匹配度；
若所述第三匹配度小于等于预设的第三匹配度阈值和/或所述第四匹配度小于等于预设的第四匹配度阈值，剔除对应所述第一记录项；
当所述第一记录项中需要剔除的所述第一记录项均被剔除后，将剔除剩余所述第一记录项作为第二记录项；
将所述第二记录项全部输入至预设的区域异常概率分析模型，获得对应于所述目标区域内多个子区域的异常概率；
将所述子区域按照对应所述异常概率从大到小进行排序，获得子区域序列；
从所述子区域序列的起点向终点开始进行依次遍历，优先对所述第一产生位置属于遍历到的所述子区域内的对应所述第一数据项进行特征提取。
10.如权利要求6所述的一种高填方质量智能检测系统，其特征在于，所述输出模块执行如下操作：
将所述检测结果发送至预先绑定的多个用户客户端。
CN202210103979.XA 2022-01-28 2022-01-28 一种高填方质量智能检测方法及系统 Active CN114493291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210103979.XA CN114493291B (zh) 2022-01-28 2022-01-28 一种高填方质量智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210103979.XA CN114493291B (zh) 2022-01-28 2022-01-28 一种高填方质量智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN114493291A true CN114493291A (zh) 2022-05-13
CN114493291B CN114493291B (zh) 2022-11-01

Family

ID=81476296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210103979.XA Active CN114493291B (zh) 2022-01-28 2022-01-28 一种高填方质量智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN114493291B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587978A (zh) * 2022-10-08 2023-01-10 盐城工学院 一种基于深度学习的地板革贴合压纹在线检测系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838882A (zh) * 2014-03-31 2014-06-04 国网上海市电力公司 调度能量管理系统遥测数据查找及数据补充方法
JP2015162095A (ja) * 2014-02-27 2015-09-07 中国電力株式会社 地すべり保全管理システムおよび地すべり保全管理方法
CN107941197A (zh) * 2017-11-20 2018-04-20 重庆交通职业学院 分层分布远程铁路路基沉降变形实时监测和控制系统
CN108700468A (zh) * 2017-09-29 2018-10-23 深圳市大疆创新科技有限公司 对象检测方法、对象检测终端及计算机可读介质
CN111024922A (zh) * 2019-09-25 2020-04-17 中国铁道科学研究院集团有限公司铁道建筑研究所 高速铁路路基压实质量连续检测系统和方法
CN111122664A (zh) * 2020-01-03 2020-05-08 重庆交通大学 一种高填方地基整体质量评价方法
JP2020126443A (ja) * 2019-02-05 2020-08-20 株式会社日立製作所 対策推薦装置及び対策推薦方法
CN112252292A (zh) * 2020-10-15 2021-01-22 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法
CN112650782A (zh) * 2020-12-30 2021-04-13 湖南虹康规划勘测咨询有限公司 一种大数据地理信息可视化方法、系统以及存储介质
CN112750280A (zh) * 2020-12-21 2021-05-04 武汉达梦数据技术有限公司 一种复合式地质灾害专业监测预警方法和装置
CN113065267A (zh) * 2021-03-25 2021-07-02 广东粤海珠三角供水有限公司 一种隧洞裂缝检测及安全评价系统
CN113269522A (zh) * 2021-05-19 2021-08-17 江苏星月测绘科技股份有限公司 一种基于bim技术的建筑智能化管理方法及系统
WO2021189904A1 (zh) * 2020-10-09 2021-09-30 平安科技（深圳）有限公司 数据异常检测方法、装置、电子设备及存储介质
CN113888005A (zh) * 2021-10-20 2022-01-04 深圳市深筑国际建筑设计有限公司 一种建筑设计动态流程管理系统及方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015162095A (ja) * 2014-02-27 2015-09-07 中国電力株式会社 地すべり保全管理システムおよび地すべり保全管理方法
CN103838882A (zh) * 2014-03-31 2014-06-04 国网上海市电力公司 调度能量管理系统遥测数据查找及数据补充方法
CN108700468A (zh) * 2017-09-29 2018-10-23 深圳市大疆创新科技有限公司 对象检测方法、对象检测终端及计算机可读介质
CN107941197A (zh) * 2017-11-20 2018-04-20 重庆交通职业学院 分层分布远程铁路路基沉降变形实时监测和控制系统
JP2020126443A (ja) * 2019-02-05 2020-08-20 株式会社日立製作所 対策推薦装置及び対策推薦方法
CN111024922A (zh) * 2019-09-25 2020-04-17 中国铁道科学研究院集团有限公司铁道建筑研究所 高速铁路路基压实质量连续检测系统和方法
CN111122664A (zh) * 2020-01-03 2020-05-08 重庆交通大学 一种高填方地基整体质量评价方法
WO2021189904A1 (zh) * 2020-10-09 2021-09-30 平安科技（深圳）有限公司 数据异常检测方法、装置、电子设备及存储介质
CN112252292A (zh) * 2020-10-15 2021-01-22 河北工业大学 一种基于人工神经网络的高速公路压实度实时监测方法
CN112750280A (zh) * 2020-12-21 2021-05-04 武汉达梦数据技术有限公司 一种复合式地质灾害专业监测预警方法和装置
CN112650782A (zh) * 2020-12-30 2021-04-13 湖南虹康规划勘测咨询有限公司 一种大数据地理信息可视化方法、系统以及存储介质
CN113065267A (zh) * 2021-03-25 2021-07-02 广东粤海珠三角供水有限公司 一种隧洞裂缝检测及安全评价系统
CN113269522A (zh) * 2021-05-19 2021-08-17 江苏星月测绘科技股份有限公司 一种基于bim技术的建筑智能化管理方法及系统
CN113888005A (zh) * 2021-10-20 2022-01-04 深圳市深筑国际建筑设计有限公司 一种建筑设计动态流程管理系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张鹏飞: "智能监测系统在固结法大面积软基处理监测中的应用", 《广东土木与建筑》 *
杨超等: "高填方工程监测信息化集成技术研究", 《工程勘察》 *
郑利平等: "黄土高填方工程监测信息可视化", 《系统仿真学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587978A (zh) * 2022-10-08 2023-01-10 盐城工学院 一种基于深度学习的地板革贴合压纹在线检测系统

Also Published As

Publication number Publication date
CN114493291B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN114049565B (zh) 基于遥感影像和dem数据的地质灾害判识方法和装置
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
EP3635619A1 (en) System and method for construction 3d modeling and analysis
CN107977656A (zh) 一种行人重识别方法及系统
CN110427962A (zh) 一种测试方法、电子设备及计算机可读存储介质
CN114493291B (zh) 一种高填方质量智能检测方法及系统
CN110717449A (zh) 车辆年检人员的行为检测方法、装置和计算机设备
CN107223257A (zh) 测试方法、测试服务器及系统
CN111372042B (zh) 故障检测方法、装置、计算机设备和存储介质
CN111191696B (zh) 一种基于深度学习算法的钢筋分层方法及系统
CN106815830A (zh) 图像的缺陷检测方法
Lang et al. Pavement cracking detection and classification based on 3d image using multiscale clustering model
CN111259903A (zh) 识别表计示数方法、装置、可读存储介质和计算机设备
CN111444833B (zh) 果实测产方法、装置、计算机设备及存储介质
CN110689028A (zh) 现场图测评方法、现场勘查记录测评方法及其装置
CN114240928B (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
CN114693554B (zh) 一种大数据图像处理方法及系统
CN115938009A (zh) 一种智能电子巡检定位方法及系统
CN115775092A (zh) 基于数字孪生技术的施工过程安全风险管控系统
CN115861895A (zh) 一种磷酸铁锂生产现场的物料追踪方法及系统
CN113378619B (zh) 保险业务数据处理方法、装置、电子设备和存储介质
CN115116119A (zh) 一种基于数字图像处理技术的人脸识别系统
CN114255388A (zh) 一种地震采集接收装置埋置质量人工智能自动检测方法
CN116883755B (zh) 一种乡村建设环境监测方法、系统、设备及存储介质
CN114419080B (zh) 一种幕墙巡检系统和方法

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