CN114511718A - 一种建筑施工用物料智能管理方法及系统 - Google Patents

Abstract

本发明涉及建筑物料管理技术领域，具体涉及一种建筑施工用物料智能管理方法及系统，采集每次施工使用前的物料图像作为标准图像，再采集施工使用后的物料图像，预处理得到图像中的每类物料，获取标准图像中每类物料的字典矩阵和稀疏矩阵及施工使用后的物料图像中每类物料的字典矩阵和稀疏矩阵，计算施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性，确定出施工使用后的物料图像中每类物料与标准图像中每类物料的对应关系，计算施工使用后的物料图像中每类物料的稀疏矩阵与标准图像中对应的该类物料的稀疏矩阵的相似性，根据相似性得到每种类别物料的使用情况，方法智能且准确度高。

Description

一种建筑施工用物料智能管理方法及系统

技术领域

本申请涉及建筑物料管理领域，具体涉及一种建筑施工用物料智能管理方法及系统。

背景技术

在整个建筑施工项目的过程中，涉及到建筑物料的种类较多，对于物料的使用情况现有的物料管理方法通过人工记录不同时间不同物料的使用量，该方法往往会因人为因素产生记录偏差，如虚报、漏报、错报等情况。

因此，需要一种智能化的物料管理方法及系统，通过图像处理和数据分析计算出施工中使用的物料类别和该物料类别的使用量，得到真实的数据，避免了人工记录时存在的误差情况，方法智能且精准。

发明内容

本发明提供一种建筑施工用物料智能管理方法及系统，解决人工记录物料使用情况时存在误差的问题，采用如下技术方案：

采集每次施工使用物料前后的物料图像，并将施工使用前的物料图像作为标准图像；

对标准图像进行实例分割得到标准图像中的物料类别；

对施工使用后的物料图像基于像素点灰度值相似性进行聚类，得到施工使用后的物料图像中的物料类别；

通过K-SVD算法获得标准图像中每类物料的字典矩阵和稀疏矩阵及施工使用后的物料图像中每类物料的字典矩阵和稀疏矩阵；

计算施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性；

将施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性作为权重，进行KM匹配确定出施工使用后的物料图像中每类物料与标准图像中对应的物料类别；

计算施工使用后的物料图像中每类物料的稀疏矩阵与标准图像中对应的该类物料的稀疏矩阵的相似性，根据稀疏矩阵的相似性大小与阈值进行对比得到每类物料的使用情况；

将每种类别物料的使用情况与记录信息对比判断记录信息是否正确。

所述基于像素点灰度值相似性进行聚类，得到施工使用后的物料图像中的物料类别的方法为：

根据费歇尔准则，利用类间方差最大，类内方差最小的原则对每次施工使用物料后的物料图像的灰度图进行多阈值分割，得到不同的灰度级，得到物料图像的灰度图对应的灰度级图像；

在灰度级图像上，根据同一灰度级的所有像素点的坐标数据进行密度聚类，将灰度级图像的像素点分为不同类别；

对灰度级图中所有类别像素点的连通域数量进行统计，选择连通域数量为1的类别作为候选背景类；

计算候选背景类中每个类别的最大最小横坐标和最大最小纵坐标围成的矩形的面积，选择所述面积最大的连通域对应类别作为背景类别；

除背景类区域之外的其它不同类别像素点的连通域为不同类别的物料。

所述施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性的计算方法为：

计算施工使用后的物料图像中每类物料的字典矩阵的每一列向量和标准图像中每类物料的字典矩阵的每一列向量的余弦相似度；

将余弦相似度作为施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵的每一列的权重值；

根据权重值进行KM匹配，得到施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵对应的最佳匹配列；

将施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵对应的最佳匹配列的权重值进行累加；

将累加值作为施工使用后的物料图像中每类物料的字典矩阵和标准图像中每类物料的字典矩阵的相似性。

所述施工使用后的物料图像中每类物料的稀疏矩阵与标准图像中对应的该类物料的稀疏矩阵的相似性的计算方法为：

计算施工使用后的物料图像中每类物料的稀疏矩阵的每一行向量和标准图像中对应的该类物料的稀疏矩阵的每一行向量的余弦相似度；

将余弦相似度作为施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的每一行的权重值；

根据权重值进行KM匹配，得到施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的最佳匹配行；

将施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的最佳匹配行的权重值进行累加；

将累加值作为施工使用后的物料图像中每类物料的稀疏矩阵和标准图像中对应的该类物料的稀疏矩阵的相似性。

所述每类物料的使用情况的获得方法如下：

采集不同视角下的标准图像和施工使用后的物料图像；

计算每个视角下的施工使用后的物料图像中的物料类别和标准图像中该类物料的稀疏矩阵的相似性，只要有一个视角下的稀疏矩阵相似性小于阈值，则该物料被使用，该物料使用量大小为1减去稀疏矩阵相似性的值。

所述对标准图像进行实例分割的方法为：

实例分割网络的数据集为侧视采集的物料图像数据集；标签为M+1类，包括背景和不同类别的物料，其中M为图像中的物料类别总数；给图像中所有像素标注上对应标签，标注背景像素值为0，物料类别为

，则每类物料的像素点的像素值分别为

；loss函数为交叉熵损失函数。

本技术方案还提供一种建筑施工用物料智能管理系统，其特征在于，包括图像采集模块，图像处理模块，数据匹配模块和判断模块：

所述图像采集模块通过不同视角的摄像机采集到物料图像；

所述图像处理模块：对每次采集的不同视角的施工使用物料前的物料图像，进行实例分割，得到不同类别的物料图像，并对每类物料区域图像进行标记得到区域标号-物料类别名称对照表；

对每次采集的不同视角的施工使用物料后的物料图像，对该图像基于像素点灰度值相似性进行聚类，根据聚类得到的每一类像素点的连通域数量和连通域面积大小得到每次施工使用物料后的物料图像中不同类别的物料区域图像；

所述数据匹配模块：

通过K-SVD算法获得施工使用物料前的物料图像中每类物料的字典矩阵和稀疏矩阵及施工使用物料后的物料图像中每类物料的字典矩阵和稀疏矩阵；

计算施工使用物料后的物料图像中每类物料的字典矩阵与施工使用物料前的物料图像中每类物料的字典矩阵的相似性；

将施工使用物料后的物料图像中每类物料的字典矩阵与施工使用物料前的物料图像中每类物料的字典矩阵的相似性作为权重，进行KM匹配确定出施工使用物料后的物料图像中每类物料与施工使用物料前的物料图像中每类物料的对应关系；

计算施工使用物料后的物料图像中每类物料的稀疏矩阵与施工使用物料前的物料图像中对应的该类物料的稀疏矩阵的相似性，根据稀疏矩阵的相似性大小与阈值进行对比得到每类物料的使用情况；

所述判断模块：

将每种类别物料的使用情况与记录信息对比判断记录信息是否正确。

本发明的有益效果是：

通过不同视角的相机采集每次施工使用物料前的物料图像和每次施工使用物料后的物料图像，并将每次施工使用物料前的物料图像作为标准图像，进行预处理得到图像中的每类物料，通过K-SVD算法分别获得标准图像每类物料的字典矩阵和稀疏矩阵和施工使用后的物料图像每类物料的字典矩阵和稀疏矩阵，利用KM匹配计算施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性，确定出施工使用后的物料图像中的每类物料与标准图像中每类物料的对应关系，计算施工使用后的物料图像中每类物料的稀疏矩阵与标准图像中对应的该类物料的稀疏矩阵的相似性，根据相似性得到每种类别物料的使用情况，将每种类别物料的使用情况与记录信息对比判断记录信息是否正确，方法智能且准确度高。

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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种建筑施工用物料智能管理方法流程示意图；

图2是本发明的一种建筑施工用物料智能管理方法的物料堆放场景示意图；

图3是本发明的一种建筑施工用物料智能管理方法的系统结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种建筑施工用物料智能管理方法及系统的实施例，如图1所示，包括：

步骤一：采集每次施工使用物料前后的物料图像，并将施工使用前的物料图像作为标准图像；对标准图像进行实例分割得到标准图像中的物料类别；对施工使用后的物料图像基于像素点灰度值相似性进行聚类，得到施工使用后的物料图像中的物料类别；

该步骤的目的是采集物料图像，包括每次施工使用物料前后的图像，并对其进行预处理识别出图像中的背景和不同种类的物料。

需要说明的是，物料堆放太多，如图2所示，往往会产生遮挡问题，因此需要采集不同位置的物料图像，通过在物料堆放的不同位置安装摄像头来采集不同视角的物料图像。

其中，通过预处理对标准图像和施工使用后的物料图像中的物料进行分类的方法为：

1.对标准图像中的物料进行分类的方法为：

对标准图像进行实例分割，得到标准图像中不同类别的物料区域图像；

其中，实例分割网络相关内容如下：

数据集为侧视采集的物料图像数据集，物料的样式为多种多样的；标签为M+1类，背景和不同物料，其中M为图像中的物料类别总数，该方式为像素级分类，需要给图像中所有像素标注上对应标签；标注背景像素值为0，物料类别为

，则每类物料的像素点的像素值分别为

，物料类别为1的像素点像素点为1，物料类别为2的像素点像素点为2，以此类推；网络所用loss函数为交叉熵损失函数。

2.对施工使用后的物料图像中的物料进行分类的方法为：

（1）对施工使用后的物料图像基于像素点灰度值相似性进行聚类，得到施工使用后的物料图像的灰度级图像并且将灰度级图像中的像素点分为不同类别；

其中，基于像素点灰度值相似性进行聚类的方法为：

a.同一物料区域的灰度值相近，通过多阈值分割，即根据费歇尔准则，利用类间方差最大，类内方差最小的原则对每次施工使用物料后的物料图像的灰度图进行多阈值分割，得到不同的灰度级，得到物料图像的灰度图对应的灰度级图像，灰度级图像中每个像素点的灰度值为原始像素点所在灰度级的灰度均值；

b.在灰度级图像上，根据同一灰度级的所有像素点的坐标数据进行密度聚类，将灰度级图像的像素点分为不同类别,进而得到所有灰度级的聚类类别，将其作为不同的物料类别。

（2）对灰度级图中所有类别像素点的连通域数量进行统计，选择连通域数量为1的类别作为候选背景类；

计算候选背景类中每个类别的最大最小横坐标和最大最小纵坐标围成的矩形的面积，选择所述面积最大的连通域对应类别作为背景区域；

需要说明的是，对不同角度的施工使用后的物料图像进行灰度值聚类，得到图像中的所有物料类别和背景类别。所述背景类别的分布范围最广，同时背景类别是单连通域，而其它物料类别往往是多个连通域，通过该特性对背景类别进行提取。

（3）除背景类区域之外的其它不同类别像素点的连通域为不同类别的物料。

步骤二：通过K-SVD算法获得标准图像中每类物料的字典矩阵和稀疏矩阵及施工使用后的物料图像中每类物料的字典矩阵和稀疏矩阵；

该步骤的目的是，将图像分解为字典矩阵和稀疏矩阵表示。

本实施例通过K-SVD得到标准图像中每类物料的字典矩阵和施工使用后的物料图像中每类物料的字典矩阵，K-SVD是一种字典表示方法，将原来的图像矩阵分解为字典矩阵和稀疏编码矩阵的乘积。

字典矩阵表示的是图像的特征，稀疏编码矩阵表示的是图像中的信息通过不同特征的怎样的组合方法得到。可以用三维坐标系（X,Y,Z三个单位向量）来表征它们，这三个向量通过组合可以表示所有的三维向量，它们就是我们的字典，再搭配上每个三维向量的x，y，z组合方式（稀疏编码），也就可以还原成那一堆三维向量了。

步骤三：计算施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性；将施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性作为权重，进行KM匹配确定出施工使用后的物料图像中每类物料与标准图像中对应的物料类别；

该步骤的目的是，在得到不同物料类别的字典矩阵后，计算不同物料类别与标准类别字典矩阵的相似性，选择所述相似性最大的标准字典对应的类别序号作为对应序号，通过所述对应序号和对照表得到不同物料类别的名称。

其中，施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性的计算方法为：

在K-SVD分解过程中，对字典矩阵的每一列进行更新，因此计算施工使用后的物料图像中每类物料与标准图像中每类物料的字典矩阵的不同列的相似性作为字典矩阵相似性，过程如下：

（1）计算施工使用后的物料图像中每类物料的字典矩阵的每一列向量和标准图像中每类物料的字典矩阵的每一列向量的余弦相似度；

（2）将余弦相似度作为施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵的每一列的权重值；

（3）根据权重值进行KM匹配，得到施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵对应的最佳匹配列；

（4）将施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵对应的最佳匹配列的权重值进行累加；

（5）将累加值作为施工使用后的物料图像中每类物料的字典矩阵和标准图像中每类物料的字典矩阵的相似性。

进一步的，将施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵之间的字典相似性作为权值，根据权值进行KM匹配得到最佳匹配，进而得到施工使用后的物料图像中每类物料与标准图像中每类物料的对应关系。

其中，施工使用后的物料图像中每类物料的名称的获取方法为：

根据施工使用后的物料图像中每类物料与标准图像中每类物料的对应关系，查找区域标号-物料类别对照表，得到了施工使用后的物料图像中每类物料的名称。

需要说明的是，为何要使用KM匹配，而不是直接使用施工使用后的物料图像中的物料位置与标准图像中对应物料位置的物料名称作为施工使用后的物料图像中对应位置的每类物料的名称，是由于在使用过程中，某种物料可能用完，原来的位置被其它物料代替。

步骤四：计算施工使用后的物料图像中每类物料的稀疏矩阵与标准图像中对应的该类物料的稀疏矩阵的相似性，根据稀疏矩阵的相似性大小与阈值进行对比得到每类物料的使用情况；将每种类别物料的使用情况与记录信息对比判断记录信息是否正确。

该步骤的目的是，在步骤三种得到施工使用后的物料图像中每类物料类别名称后，计算实际稀疏矩阵与标准稀疏矩阵的相似性，相似性越大，说明此次物料使用过程中该物料未曾动用，相似性越小，说明此次物料使用过程中该物料经过了动用。

需要说明的是，在物料使用过程中，字典表示的是物料的基本特征，只要物料还存在，字典矩阵就保持不变，物料的形状等特征发生了变化，对应的稀疏矩阵也会发生相应的变化。

其中，施工使用后的物料图像中每类物料的稀疏矩阵与标准图像中对应的该类物料的稀疏矩阵的相似性的计算方法如下：

在K-SVD分解过程中，对稀疏矩阵的每一行进行更新，因此计算施工使用后的物料图像中每种物料与标准图像中对应的该物料的稀疏矩阵的不同行的最大相似性匹配值作为稀疏矩阵相似性，过程如下：

（1）计算施工使用后的物料图像中每类物料的稀疏矩阵的每一行向量和标准图像中对应的该类物料的稀疏矩阵的每一行向量的余弦相似度；

（2）将余弦相似度作为施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的每一行的权重值；

（3）根据权重值进行KM匹配，得到施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的最佳匹配行；

（4）将施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的最佳匹配行的权重值进行累加；

（5）将累加值作为施工使用后的物料图像中每类物料的稀疏矩阵和标准图像中对应的该类物料的稀疏矩阵的相似性。

其中，每类物料的使用情况的获取方法为：

对不同视角下的稀疏矩阵相似性进行计算，只要有一个视角下的稀疏矩阵相似性小于0.8的，认为在该次过程中使用了该物料，将1减去相似度作为物料使用百分比。

其中，将每种类别物料的使用情况与记录信息对比判断记录信息是否正确的方法为：

将每种类别物料的使用情况与记录信息进行对比，是否物料使用名称一致，有误遗漏，用量是否准确，与记录信息进行核对。

本技术方案还提供了另一种建筑施工用物料智能管理系统的实施例，如图3所示，包括图像采集模块S101，图像处理模块S102，数据匹配模块S103，判断模块S104：

该系统实施例执行步骤为：

1.图像采集模块S101通过不同视角的摄像机采集到物料图像，将物料图像发送给图像处理模块S102；

2.图像处理模块S102对每次采集的不同视角的施工使用物料前的物料图像，进行实例分割，得到不同类别的物料图像，并对每类物料区域图像进行标记得到区域标号-物料类别名称对照表；对每次采集的不同视角的施工使用物料后的物料图像，对该图像基于像素点灰度值相似性进行聚类，根据聚类得到的每一类像素点的连通域数量和连通域面积大小得到每次施工使用物料后的物料图像中不同类别的物料区域图像；

3.数据匹配模块S103通过K-SVD算法获得施工使用物料前的物料图像中每类物料的字典矩阵和稀疏矩阵及施工使用物料后的物料图像中每类物料的字典矩阵和稀疏矩阵；

计算施工使用物料后的物料图像中每类物料的字典矩阵与施工使用物料前的物料图像中每类物料的字典矩阵的相似性；

将施工使用物料后的物料图像中每类物料的字典矩阵与施工使用物料前的物料图像中每类物料的字典矩阵的相似性作为权重，进行KM匹配确定出施工使用物料后的物料图像中每类物料与施工使用物料前的物料图像中每类物料的对应关系；

计算施工使用物料后的物料图像中每类物料的稀疏矩阵与施工使用物料前的物料图像中对应的该类物料的稀疏矩阵的相似性，根据稀疏矩阵的相似性大小与阈值进行对比得到每类物料的使用情况,并将每类物料的使用情况发送至判断模块；

4.判断模块S104将每种类别物料的使用情况与记录信息对比判断记录信息是否正确。

以上所述仅为本发明的较佳实施例而已，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 (7)

1.一种建筑施工用物料智能管理方法，其特征在于，包括：

采集每次施工使用物料前后的物料图像，并将施工使用前的物料图像作为标准图像；

对标准图像进行实例分割得到标准图像中的物料类别；

对施工使用后的物料图像基于像素点灰度值相似性进行聚类，得到施工使用后的物料图像中的物料类别；

通过K-SVD算法获得标准图像中每类物料的字典矩阵和稀疏矩阵及施工使用后的物料图像中每类物料的字典矩阵和稀疏矩阵；

计算施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性；

将施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性作为权重，进行KM匹配确定出施工使用后的物料图像中每类物料与标准图像中对应的物料类别；

计算施工使用后的物料图像中每类物料的稀疏矩阵与标准图像中对应的该类物料的稀疏矩阵的相似性，根据稀疏矩阵的相似性大小与阈值进行对比得到每类物料的使用情况；

将每种类别物料的使用情况与记录信息对比判断记录信息是否正确。

2.根据权利要求1所述的一种建筑施工用物料智能管理方法，其特征在于，所述基于像素点灰度值相似性进行聚类，得到施工使用后的物料图像中的物料类别的方法为：

根据费歇尔准则，利用类间方差最大，类内方差最小的原则对每次施工使用物料后的物料图像的灰度图进行多阈值分割，得到不同的灰度级，得到物料图像的灰度图对应的灰度级图像；

在灰度级图像上，根据同一灰度级的所有像素点的坐标数据进行密度聚类，将灰度级图像的像素点分为不同类别；

对灰度级图中所有类别像素点的连通域数量进行统计，选择连通域数量为1的类别作为候选背景类；

计算候选背景类中每个类别的最大最小横坐标和最大最小纵坐标围成的矩形的面积，选择所述面积最大的连通域对应类别作为背景类别；

除背景类区域之外的其它不同类别像素点的连通域为不同类别的物料。

3.根据权利要求1所述的一种建筑施工用物料智能管理方法，其特征在于，所述施工使用后的物料图像中每类物料的字典矩阵与标准图像中每类物料的字典矩阵的相似性的计算方法为：

计算施工使用后的物料图像中每类物料的字典矩阵的每一列向量和标准图像中每类物料的字典矩阵的每一列向量的余弦相似度；

将余弦相似度作为施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵的每一列的权重值；

根据权重值进行KM匹配，得到施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵对应的最佳匹配列；

将施工使用后的物料图像中每类物料的字典矩阵的每一列和标准图像中每类物料的字典矩阵对应的最佳匹配列的权重值进行累加；

将累加值作为施工使用后的物料图像中每类物料的字典矩阵和标准图像中每类物料的字典矩阵的相似性。

4.根据权利要求1所述的一种建筑施工用物料智能管理方法，其特征在于，所述施工使用后的物料图像中每类物料的稀疏矩阵与标准图像中对应的该类物料的稀疏矩阵的相似性的计算方法为：

计算施工使用后的物料图像中每类物料的稀疏矩阵的每一行向量和标准图像中对应的该类物料的稀疏矩阵的每一行向量的余弦相似度；

将余弦相似度作为施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的每一行的权重值；

根据权重值进行KM匹配，得到施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的最佳匹配行；

将施工使用后的物料图像中每类物料的稀疏矩阵的每一行和标准图像中对应的该类物料的稀疏矩阵的最佳匹配行的权重值进行累加；

将累加值作为施工使用后的物料图像中每类物料的稀疏矩阵和标准图像中对应的该类物料的稀疏矩阵的相似性。

5.根据权利要求1所述的一种建筑施工用物料智能管理方法，其特征在于，所述每类物料的使用情况的获得方法如下：

采集不同视角下的标准图像和施工使用后的物料图像；

计算每个视角下的施工使用后的物料图像中的物料类别和标准图像中该类物料的稀疏矩阵的相似性，只要有一个视角下的稀疏矩阵相似性小于阈值，则该物料被使用，该物料使用量大小为1减去稀疏矩阵相似性的值。

6.根据权利要求1所述的一种建筑施工用物料智能管理方法，其特征在于，所述对标准图像进行实例分割的方法为：

实例分割网络的数据集为侧视采集的物料图像数据集；标签为M+1类，包括背景和不同类别的物料，其中M为图像中的物料类别总数；给图像中所有像素标注上对应标签，标注背景像素值为0，物料类别为

，则每类物料的像素点的像素值分别为

；loss函数为交叉熵损失函数。

7.一种建筑施工用物料智能管理系统，其特征在于，包括图像采集模块，图像处理模块，数据匹配模块和判断模块：

所述图像采集模块通过不同视角的摄像机采集到物料图像；

所述图像处理模块：对每次采集的不同视角的施工使用物料前的物料图像，进行实例分割，得到不同类别的物料图像，并对每类物料区域图像进行标记得到区域标号-物料类别名称对照表；

对每次采集的不同视角的施工使用物料后的物料图像，对该图像基于像素点灰度值相似性进行聚类，根据聚类得到的每一类像素点的连通域数量和连通域面积大小得到每次施工使用物料后的物料图像中不同类别的物料区域图像；

所述数据匹配模块：

通过K-SVD算法获得施工使用物料前的物料图像中每类物料的字典矩阵和稀疏矩阵及施工使用物料后的物料图像中每类物料的字典矩阵和稀疏矩阵；

计算施工使用物料后的物料图像中每类物料的字典矩阵与施工使用物料前的物料图像中每类物料的字典矩阵的相似性；

将施工使用物料后的物料图像中每类物料的字典矩阵与施工使用物料前的物料图像中每类物料的字典矩阵的相似性作为权重，进行KM匹配确定出施工使用物料后的物料图像中每类物料与施工使用物料前的物料图像中每类物料的对应关系；

计算施工使用物料后的物料图像中每类物料的稀疏矩阵与施工使用物料前的物料图像中对应的该类物料的稀疏矩阵的相似性，根据稀疏矩阵的相似性大小与阈值进行对比得到每类物料的使用情况；

所述判断模块：

将每种类别物料的使用情况与记录信息对比判断记录信息是否正确。

Images