CN115761362A - 基于特征融合的施工阶段智能识别模型、方法及装置 - Google Patents

Abstract

本发明实施例公开了一种基于特征融合的施工阶段智能识别模型、方法及装置。其中，施工阶段确定模型的训练方法包括：获取施工现场图像数据集；确定施工现场图像数据集中的各施工现场图像的标注结果以及与各施工现场图像对应的识别结果；识别结果包括：目标种类、位置或者数目；将各标注结果以及各识别结果输入至目标深度学习模型中进行训练，得到施工阶段确定模型。本发明实施例的方案，可以在快速地对施工阶段进行确定的同时，提升了施工阶段智能识别算法的准确率，节约了大量的人力成本以及经济成本。

Description

基于特征融合的施工阶段智能识别模型、方法及装置

技术领域

本发明实施例涉及建筑施工信息管理技术领域，尤其涉及一种基于特征融合的施工阶段智能识别模型、方法及装置。

背景技术

目前，建筑工程施工项目采用传统进度检查方式，即通过人工巡检形成的进度报告来反馈现场进度信息，这种方式对巡检人员来说耗时费力，对进度管理人员来说分析现场信息工作量大，监管效率较低，难以及时处理施工阶段问题。还有研究表明，缺乏及时的现场信息是工程项目风险发生的主导因素。

因此，如何快速且准确地对施工阶段进行确定，是业内研究的重点问题。

发明内容

本发明实施例提供了一种基于特征融合的施工阶段智能识别模型、方法及装置，在快速地对施工阶段进行确定的同时，提升了施工阶段智能识别算法的准确率，节约了大量的人力成本以及经济成本。

根据本发明实施例的一方面，提供了一种施工阶段确定模型的训练方法，包括：

获取施工现场图像数据集；

确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果；所述识别结果包括：目标种类、位置或者数目；

将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行训练，得到施工阶段确定模型。

根据本发明实施例的另一方面，提供了一种施工阶段确定方法，包括：

在目标时刻获取至少一张目标施工现场图像，并确定与各所述目标施工现场图像对应的识别结果；

将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至施工阶段确定模型中，得到与各所述目标施工现场图像对应的分类结果；其中，所述施工阶段确定模型由本发明实施例中任一实施例所述的施工阶段确定模型的训练方法训练得到；

根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段。

根据本发明实施例的另一方面，提供了一种施工阶段确定模型的训练装置，包括：

获取模块，用于获取施工现场图像数据集；

确定模块，用于确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果；所述识别结果包括：目标种类、位置或者数目；

训练模块，用于将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行迭代训练，得到施工阶段确定模型。

根据本发明实施例的另一方面，提供了一种施工阶段确定装置，包括：

识别结果确定模块，用于在目标时刻获取至少一张目标施工现场图像，并确定与各所述目标施工现场图像对应的识别结果；

分类结果确定模块，用于将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至施工阶段确定模型中，得到与各所述目标施工现场图像对应的分类结果；其中，所述施工阶段确定模型由本发明实施例中任一实施例所述的施工阶段确定模型的训练方法训练得到；

施工阶段确定模块，用于根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段。

根据本发明实施例的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例任一实施例所述的施工阶段确定模型的训练方法，或者施工阶段确定方法。

根据本发明实施例的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例任一实施例所述的施工阶段确定模型的训练方法，或者施工阶段确定方法。

本发明实施例的技术方案，通过获取施工现场图像数据集；确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果；所述识别结果包括：目标种类、位置或者数目；将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行训练，得到施工阶段确定模型，可以在快速地对施工阶段进行确定的同时，提升了施工阶段智能识别算法的准确率，节约了大量的人力成本以及经济成本。

应当理解，本部分所描述的内容并非旨在标识本发明实施例的实施例的关键或重要特征，也不用于限制本发明实施例的范围。本发明实施例的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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实施例的一些实施例，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种施工阶段确定模型的训练方法的流程图；

图2是根据本发明实施例二提供的一种施工阶段确定方法的流程图；

图3是根据本发明实施例二提供的一种施工阶段确定的示意图；

图4是根据本发明实施例三提供的一种施工阶段确定模型的训练装置的结构示意图；

图5是根据本发明实施例四提供的一种施工阶段确定装置的结构示意图；

图6是实现本发明实施例的施工阶段确定模型的训练或者施工阶段确定方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例方案，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实施例一部分的实施例，而不是全部的实施例。基于本发明实施例中的实施例，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，都应当属于本发明实施例保护的范围。

需要说明的是，本发明实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明实施例的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是根据本发明实施例一提供的一种施工阶段确定模型的训练方法的流程图，本实施例可适用于对识别工地现场的施工阶段的模型进行训练以确定施工阶段的情况，该方法可以由施工阶段确定模型的训练装置来执行，该施工阶段确定模型的训练装置可以采用硬件和/或软件的形式实现，该施工阶段确定模型的训练装置可配置于计算机、服务器或者平板电脑等电子设备中。具体的，参考图1，该方法具体包括如下步骤：

步骤110、获取施工现场图像数据集。

在本实施例中，施工现场可以为建筑工地的施工现场或者桥梁施工现场等，本实施例中对其不加以限定。

在本实施例的一个可选实现方式中，可以每间隔十分钟、十五分钟或者二十分钟(本实施例中对其不加以限定)获取一次施工现场的图像，从而得到多张施工现场图像，进而得到施工现场图像数据集。

可以理解的是，施工现场图像数据集中可以包含多张施工现场图像，例如，500张、5000张或者50000张等，本实施例中对其不加以限定。

步骤120、确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果。

其中，所述识别结果包括：目标种类、位置或者数目。

其中，目标种类可以为关键材料或者关键设备，本实施例中对其不加以限定；其中，所述关键材料可以包括下述至少一项：钢筋、混凝土、木模板、砖块、脚手架以及木材；所述关键设备可以包括下述至少一项：塔吊、卡车、起重机、压路机、装载机、推土机、挖掘机、混凝土泵车、混凝土搅拌机、打桩机以及手推车。可以理解的是，在本实施例中识别结果用于确定各施工现场图像中是否包含关键材料和/或关键设备，其可以用向量的形式进行表示。

在本实施例的一个可选实现方式中，在获取到施工现场图像数据集之后，可以进一步的确定施工现场图像数据集中的各施工现场图像的标注结果以及与各施工现场图像对应的识别结果。

在本实施例的一个可选实现方式中，在获取到施工现场图像数据集之后，可以基于与获取到的施工现场图像数据集对应的施工档案对施工现场图像数据集中的各施工现场图像进行人工标注；也可以基于与获取到的施工现场图像数据集对应的施工档案生成标注程序，通过生成的标注程序对各施工现场图像进行自动标注，以确定与各施工现场图像对应的标注结果，即确定与各施工现场图像对应的施工阶段。

进一步的，可以获取与各施工现场图像对应的识别结果，例如，可以识别各施工现场图像中是否包含关键材料或者关键设备，以及各关键材料或者关键设备的位置或者数量等。

可选的，在本实施例中，确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果，可以包括：基于与所述施工现场图像数据集对应的施工档案，分别对所述施工现场图像数据集中的各施工现场图像进行标注，得到各所述标注结果；将所述施工现场图像数据集中的各施工现场图像依次输入至训练得到的目标识别深度学习模型中，得到各所述识别结果；

在具体实现中，可以查询与所述施工现场图像数据集对应的施工档案及可以获取与获取图像的施工现场对应的施工档案，并根据获取到的施工档案，通过相关工作人员或者生成相应的标注程序，分别对所述施工现场图像数据集中的各施工现场图像进行标注，从而得到各所述标注结果；同时，也可以依次将获取到的施工现场图像数据集中的各施工现场图像依次输入至训练得到的目标识别深度学习模型中，从而得到各所述识别结果。

可选的，在本实施例中，目标识别深度学习模型可以通过下述步骤训练得到：获取施工现场开源训练集；将所述施工现场开源训练集输入至第一深度学习网络中进行训练，得到目标识别深度学习模型。

其中，第一深度学习网络可以为Faster R-CNN、YOLO v2、Mask R-CNN或者Spiking-YOLO等深度学习网络，本实施例中对其不加以限定。

在本实施例的一个可选实现方式中，可以从相关网站或者云服务器中获取施工现场开源训练集，再将获取到的施工现场开源训练集输入至第一深度学习网络中进行迭代训练，得到目标识别深度学习模型。在本实施例中，施工现场开源训练集可以包括面向建筑领域深度学习的施工现场图像数据集SODA，也可以包括用于检测建筑工地移动物体的数据集MOCS，本实施例中对其不加以限定。

步骤130、将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行训练，得到施工阶段确定模型。

其中，目标深度学习模型可以为ResNet-50、Xception或者DenseNet等，本实施例中对其不加以限定。

在本实施例的一个可选实现方式中，在得到施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果之后，可以进一步的将获取到的标注结果以及识别结果同时输入至目标深度学习模型中进行迭代训练，并在迭代停止之后，得到施工阶段确定模型。

可选的，在本实施例中，将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行迭代训练，得到施工阶段确定模型，可以包括：依次通过所述目标深度学习模型对各所述施工现场图像进行特征提取，得到与各所述施工现场图像对应的全连接向量；分别将各所述全连接向量与各所述识别结果进行叠加，得到叠加向量；根据各所述叠加向量确定各所述施工现场图像的分类结果；当达到设定停止条件时，停止迭代训练，得到所述施工阶段确定模型。

本实施例的方案，通过将全连接向量与识别结果向量进行叠加，并根据叠加后的向量确定与施工现场图像对应的分类结果，可以更加准确地对施工现场图像进行分类，为后续准确地确定施工阶段提供依据。

其中，停止条件可以为预设的次数条件，也可以为预设的准确率条件，本实施例中对其不加以限定。示例性的，若预设的迭代次数为5万次，则进行5万次迭代训练之后，会自动停止对目标深度学习模型的迭代训练；若预设的准确率为99.99％，则当准确率达到99.99％时，会自动停止对目标深度学习模型的迭代训练，从而得到最终的施工阶段确定模型。

在本实施例的一个可选实现方式中，在得到施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果之后，可以依次通过目标深度学习模型的特征提取层提取各施工现场图像的图像特征，从而得到与各施工现场图像对应的全连接向量；并分别将得到的各全连接向量与各识别结果对应的向量进行叠加，从而得到与每个施工现场图像对应的叠加向量。

进一步的，可以根据叠加向量确定各施工现场图像的分类结果；示例性的，可以分别对各叠加向量进行反卷积，从而得到各施工现场图像的分类结果；可以理解的是，在本实施例中，与各施工现场图像对应的分类结果可以为等同施工阶段数目的概率值，例如，与第一施工现场图像对应的分类结果可以为“第一施工阶段0.98，第二施工阶段0.02”，即第一施工现场图像为第一施工阶段的概率为0.98，为第二施工阶段的概率为0.02。

进一步的，当达到设定的停止条件时，停止对目标深度学习模型的迭代训练，从而得到最终的施工阶段确定模型。

本实施例的技术方案，通过获取施工现场图像数据集；确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果；所述识别结果包括：目标种类、位置或者数目；将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行训练，得到施工阶段确定模型，可以在快速地对施工阶段进行确定的同时，提升了施工阶段智能识别算法的准确率，节约了大量的人力成本以及经济成本。

实施例二

图2是根据本发明实施例二提供的一种施工阶段确定方法的流程图，本实施例可适用于对工地现场的施工阶段进行快速且准确地确定的情况，该方法可以由施工阶段确定装置来执行，该施工阶段确定装置可以采用硬件和/或软件的形式实现，该施工阶段确定装置可配置于计算机、服务器或者平板电脑等电子设备中。具体的，参考图2，该方法具体包括如下步骤：

步骤210、在目标时刻获取至少一张目标施工现场图像，并确定与各所述目标施工现场图像对应的识别结果。

其中，目标时刻可以为任一时刻，例如，上午十点、中午十二点或者下午四点半等，本实施例中对其不加以限定。目标施工现场可以为建筑工地的施工现场或者桥梁施工现场等，本实施例中对其也不加以限定。

在本实施例的一个可选实现方式中，可以每间隔十分钟、十五分钟或者二十分钟(本实施例中对其不加以限定)获取一次目标施工现场的图像，从而实现十分钟或者十五分钟对目标施工现场的施工阶段进行一次确定。

在本实施例的一个可选实现方式中，可以通过目标施工现场内安装的摄像头或者监控设备采集目标时刻下目标施工现场的多张图像(也可以为一张，本实施例中对其不加以限定)。

在本实施例的一个可选实现方式中，在获取到目标时刻下目标施工现场的至少一张目标施工现场图像之后，可以进一步的确定与各目标施工现场图像对应的识别结果；示例性的，可以确定各目标施工现场图像中是否包含钢筋、混凝土或者砖块等建筑材料，也可以确定各目标施工现场图像中是否包含塔吊、推土机或者手推车等建筑设备，本实施例中对其不加以限定。

在本实施例的一个可选实现方式中，在获取到目标时刻下目标施工现场的至少一张目标施工现场图像之后，可以进一步的将获取到的各目标施工现场图像输入至训练好的目标识别深度学习模型中(训练过程在上述实施例中已进行描述，在本实施例中不再进行赘述)，例如，Faster R-CNN、YOLO v2、Mask R-CNN或者Spiking-YOLO等，通过目标识别深度学习模型得到与各目标施工现场图像对应的识别结果。

步骤220、将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至施工阶段确定模型中，得到与各所述目标施工现场图像对应的分类结果。

其中，所述施工阶段确定模型由上述任一实施例中涉及到的施工阶段确定模型的训练方法训练得到。

在本实施例的一个可选实现方式中，在得到各目标施工现场图像以及与各目标施工现场图像对应的识别结果之后，可以进一步的将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至上述实施例中训练得到的施工阶段确定模型中，从而得到与各所述目标施工现场图像对应的分类结果。

在本实施例的一个可选实现方式中，在确定得到与各目标施工现场图像对应的识别结果之后，可以进一步的将与各目标施工现场图像对应的识别结果以及各目标施工现场图像同时输入至预先训练得到的施工阶段确定模型中，例如，ResNet-50、Xception或者DenseNet等，从而得到与各所述目标施工现场图像对应的分类结果，即确定与各所述目标施工现场图像对应的施工阶段。

在本实施例的另一个可选实现方式中，可以预先设定与不同的建筑材料以及建筑设备匹配的施工阶段，例如，与钢筋、混凝土以及塔吊对应第一施工阶段；与木模板以及手推车对应第二施工阶段等，本实施例中对其不加以限定；进一步的，可以分别根据各目标施工现场图像的识别结果确定与各目标施工现场图像对应的分类结果，即根据预先设定与不同的建筑材料以及建筑设备匹配的施工阶段确定与各目标施工现场图像对应的施工阶段；示例性的，可以确定与各目标施工现场图像中的第一施工现场图像和第二施工现场图像对应的施工阶段为第一施工阶段，与其他施工现场图像对应的施工阶段为第二施工阶段。

步骤230、根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段。

其中，分类结果为等同施工阶段数目的多个概率值。

在本实施例的一个可选实现方式中，在确定与各目标施工现场图像对应的分类结果之后，可以进一步的根据得到的各分类结果，确定目标施工现场在目标时刻下的施工进度。

在本实施例的一个可选实现方式中，可以对各分类结果进行统计，根据统计结果确定在目标时刻下目标施工现场的施工阶段。示例性的，若在目标时刻下共获取到10张目标施工现场图像，根据步骤120确定这10张施工现场图像中至少8张的分类结果以高于0.9的概率确定为第一施工阶段，则可以确定载目标时刻下目标施工现场的施工阶段为第一施工阶段。

本实施例中涉及到的施工阶段可以包括土方工程、钢筋工程、模板工程、混凝土工程等，本实施例中对其不加以限定。

可以理解的是，在本实施例中获取到的分类结果可以为等同施工阶段数目的概率值；示例性的，针对第一施工现场图像，目标分类深度学习模型输出的与其对应的分类结果可以为“土方工程0.95、钢筋工程0.01、模板工程0.02、混凝土工程0.02”。

在本实施例的一个可选实现方式中，若获取到的目标施工现场图像中仅包含第一施工现场图像，则可以按照设定顺序(例如，从大到小)，将各概率值进行排序，根据排序结果确定在目标时刻下目标施工现场的施工阶段，在本例子中，在目标时刻下目标施工现场的施工阶段可以为土方工程施工阶段。

在本实施例的另一个可选实现方式中，若获取到的目标施工现场图像中包含多张图像，则可以先确定与每张图像的分类结果对应的施工阶段，在进一步的对各施工阶段的数量进行统计，示例性的，若共包含10张目标施工现场图像，其中与9张图像的分类结果对应的施工阶段为第一阶段，那么可以确定在目标时刻下目标施工现场的施工阶段可以为第一施工阶段。

在本实施例的一个具体例子中，对800张(共四类)含分类标签的施工现场图像以4：1的比例划分为训练集和验证集，仅采用ResNet50网络进行训练后，验证集上的准确率最高为73％，且模型出现了明显的过拟合现象。主要原因为施工过程是连续的，施工阶段是离散的，导致时间上临近的不同施工阶段，包含的施工现场图像相似程度很高，分类模型对这些施工现场图像的区分性能较差。为提高分类准确率，在基于ResNet50提取得到的最后一层得到的全连接向量上叠加目标施工现场图像中的识别结果，作为分类全连接层的输入信息。选用Faster RCNN作为目标识别网络模型，采用了开源的MOCS和SODA数据集进行训练，Faster RCNN训练后的验证集mAP@0.5达到68.62％。改进后的分类网络结构为先采用ResNet50的特征提取层获得施工现场图像的全连接向量，同时利用Faster RCNN进行目标识别，并对识别目标的结果进行数量信息编码，后将全连接向量进行叠加后的向量与目标识别结果的编码向量进行拼接，作为最后全连接层的输入，输出得到各分类结果的概率值向量。最终，在原条件下得到的验证集准确率最高为90％；可见通过本实施例所提供的方案训练得到的施工阶段确定模型可以极大地提升施工阶段的识别准确率。

本实施例的方案，通过在目标时刻获取至少一张目标施工现场图像，并确定与各所述目标施工现场图像对应的识别结果；将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至施工阶段确定模型中，得到与各所述目标施工现场图像对应的分类结果；根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段，可以快速地确定施工阶段，并且所确定的施工阶段与实际的施工阶段的一致性较高，即施工阶段确定准确率相较于现有方法有了显著提升，并且可以节约大量的人力成本，提升管理效率。

为了更好地理解本发明实施例中涉及到的施工阶段确定方法，图3是根据本发明实施例二提供的一种施工阶段确定的示意图，其主要包括：

310、施工现场图像数据集。

320、标注训练集。

330、识别训练集。

340、施工阶段确定模型。

350、目标识别深度学习模型。

360、确定施工阶段分类结果。

370、确定目标种类、数目以及位置。

为了更好地理解本发明实施例中涉及到的施工阶段确定方法，下面采用一个具体例子对施工阶段确定方法进行描述，其主要包括如下步骤：

步骤101、建立施工现场目标识别深度学习模型，其中所述施工现场目标识别深度学习模型使用施工现场开源训练集进行训练，可以识别所输入的施工现场图像中是否包含关键材料和关键设备。

在本实施例中，步骤101可以包括如下步骤：

步骤10101、确定用于辅助对施工现场图像按施工阶段进行分类的关键材料和关键设备。

步骤10102、获取关键材料和关键设备的目标识别开源数据集。

步骤10103、基于Faster-RCNN模型，使用关键材料和关键设备的目标识别开源数据集进行训练。

步骤10104、部署已训练完成的模型，能够对施工现场实时图像进行关键材料和关键设备的目标识别，将所含目标的数量输出为向量形式。

步骤102、建立施工现场图像分类深度学习模型，其中所述施工现场图像分类深度学习模型使用施工现场图像输入，同时输入施工现场目标识别深度学习模型识别施工现场图像所得到的是否包含关键材料和关键设备的信息，可以对施工现场图像按施工阶段进行划分。

在本实施例中，步骤102可以包括如下步骤：

步骤10201、获取施工现场图像并标注施工阶段。

步骤10202、将施工现场图像输入施工现场目标识别深度学习模型，得到所含关键材料和关键设备目标数量的向量。

步骤10203、基于ResNet模型，输入已标注施工阶段的施工现场图像和所含关键材料和关键设备目标数量的向量进行有监督训练，输出为施工现场图像属于某一施工阶段的概率。

步骤10204、部署已训练完成的模型，能够对施工现场实时图像按施工阶段进行分类。

步骤103、输出施工进度识别结果。

在本实施例中，步骤103可以包括如下步骤：

步骤10301、通过现场移动设备间隔15-30分钟拍摄多张施工现场实时图像。

步骤10302、施工现场图像分类深度学习模型根据多张施工现场的实时图像输出多个分类结果，根据概率加权计算最终分类结果。

步骤10303、对最终分类结果进行可视化。

本发明实施例提供的方法可用于施工进度识别的自动识别，及时迅速地反馈进度信息，该方法为建筑施工管理效率的提高提供了新路径，同时也极大地提升了施工阶段智能识别算法的准确率。

实施例三

图4是根据本发明实施例三提供的一种施工阶段确定模型的训练装置的结构示意图，该装置可以执行上述任一实施例中涉及到的施工阶段确定模型的训练方法，参考图4，该装置主要包括：获取模块410、确定模块420以及训练模块430。

获取模块410，用于获取施工现场图像数据集；

确定模块420，用于确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果；所述识别结果包括：目标种类、位置或者数目；

训练模块430，用于将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行迭代训练，得到施工阶段确定模型。

本实施例的方案，通过获取模块施工现场图像数据集；通过确定模块确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果；所述识别结果包括：目标种类、位置或者数目；通过训练模块将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行迭代训练，得到施工阶段确定模型，可以在快速地对施工阶段进行确定的同时，提升了确定施工阶段的准确率，节约了大量的人力成本以及经济成本。

在本实施例的一个可选实现方式中，确定模块420，具体用于依次通过所述目标深度学习模型对各所述施工现场图像进行特征提取，得到与各所述施工现场图像对应的全连接向量；

分别将各所述全连接向量与各所述识别结果进行叠加，得到叠加向量；

根据各所述叠加向量确定各所述施工现场图像的分类结果；

当达到设定停止条件时，停止迭代训练，得到所述施工阶段确定模型。

在本实施例的一个可选实现方式中，训练模块430，具体用于

基于与所述施工现场图像数据集对应的施工档案，分别对所述施工现场图像数据集中的各施工现场图像进行标注，得到各所述标注结果；

将所述施工现场图像数据集中的各施工现场图像依次输入至训练得到的目标识别深度学习模型中，得到各所述识别结果；

其中，所述识别结果用于确定各所述施工现场图像中是否包含关键材料和/或关键设备；

所述关键材料包括下述至少一项：钢筋、混凝土、木模板、砖块、脚手架以及木材；

所述关键设备包括下述至少一项：塔吊、卡车、起重机、压路机、装载机、推土机、挖掘机、混凝土泵车、混凝土搅拌机、打桩机以及手推车。

在本实施例的一个可选实现方式中，所述目标识别深度学习模型通过下述步骤训练得到：

获取施工现场开源训练集；

将所述施工现场开源训练集输入至第一深度学习网络中进行训练，得到目标识别深度学习模型。

本发明实施例所提供的施工阶段确定模型的训练装置可执行本发明实施例任意实施例所提供的施工阶段确定模型的训练方法，具备执行方法相应的功能模块和有益效果。

实施例四

图5是根据本发明实施例四提供的一种施工阶段确定装置的结构示意图，该装置可以用于执行上述任一实施例中涉及到的施工阶段确定方法，参考图5，该装置包括：

识别结果确定模块510，用于在目标时刻获取至少一张目标施工现场图像，并确定与各所述目标施工现场图像对应的识别结果；

分类结果确定模块520，用于将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至施工阶段确定模型中，得到与各所述目标施工现场图像对应的分类结果；其中，所述施工阶段确定模型由上述任一实施例所述的施工阶段确定模型的训练方法训练得到；

施工阶段确定模块530，用于根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段。

本实施例的方案，通过识别结果确定模块在目标时刻获取至少一张目标施工现场图像，并确定与各所述目标施工现场图像对应的识别结果；如果分类结果确定模块将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至施工阶段确定模型中，得到与各所述目标施工现场图像对应的分类结果；通过施工阶段确定模块根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段，可以快速地确定施工阶段，并且所确定的施工阶段与实际的施工阶段的一致性较高，即施工阶段确定准确率相较于现有方法有了显著提升，并且可以节约大量的人力成本，提升管理效率。

其中，所述分类结果为等同施工阶段数目的多个概率值；

在本实施例的一个可选实现方式中，施工阶段确定模块530，具体用于按照设定顺序对各所述概率值进行排序，根据排序结果确定在所述目标时刻下的施工阶段。

本发明实施例所提供的施工阶段确定装置可执行本发明实施例任意实施例所提供的施工阶段确定方法，具备执行方法相应的功能模块和有益效果。

实施例四

图6示出了可以用来实施本发明实施例的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明实施例的实现。

如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如施工阶段确定模型的训练方法，或者施工阶段确定方法。

在一些实施例中，施工阶段确定模型的训练方法，或者施工阶段确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的施工阶段确定模型的训练方法，或者施工阶段确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行施工阶段确定模型的训练方法，或者施工阶段确定方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明实施例的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明实施例中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明实施例的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明实施例保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明实施例的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明实施例保护范围之内。

Claims (10)

1.一种施工阶段确定模型的训练方法，其特征在于，包括：

获取施工现场图像数据集；

确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果；所述识别结果包括：目标种类、位置或者数目；

将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行训练，得到施工阶段确定模型。

2.根据权利要求1所述的方法，其特征在于，所述将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行迭代训练，得到施工阶段确定模型，包括：

依次通过所述目标深度学习模型对各所述施工现场图像进行特征提取，得到与各所述施工现场图像对应的全连接向量；

分别将各所述全连接向量与各所述识别结果进行叠加，得到叠加向量；

根据各所述叠加向量确定各所述施工现场图像的分类结果；

当达到设定停止条件时，停止迭代训练，得到所述施工阶段确定模型。

3.根据权利要求1所述的方法，其特征在于，所述确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果，包括：

基于与所述施工现场图像数据集对应的施工档案，分别对所述施工现场图像数据集中的各施工现场图像进行标注，得到各所述标注结果；

将所述施工现场图像数据集中的各施工现场图像依次输入至训练得到的目标识别深度学习模型中，得到各所述识别结果；

其中，所述识别结果用于确定各所述施工现场图像中是否包含关键材料和/或关键设备；

所述关键材料包括下述至少一项：钢筋、混凝土、木模板、砖块、脚手架以及木材；

所述关键设备包括下述至少一项：塔吊、卡车、起重机、压路机、装载机、推土机、挖掘机、混凝土泵车、混凝土搅拌机、打桩机以及手推车。

4.根据权利要求3所述的方法，其特征在于，所述目标识别深度学习模型通过下述步骤训练得到：

获取施工现场开源训练集；

将所述施工现场开源训练集输入至第一深度学习网络中进行训练，得到目标识别深度学习模型。

5.一种施工阶段确定方法，其特征在于，包括：

在目标时刻获取至少一张目标施工现场图像，并确定与各所述目标施工现场图像对应的识别结果；

将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至施工阶段确定模型中，得到与各所述目标施工现场图像对应的分类结果；其中，所述施工阶段确定模型由权利要求1-4中任一项所述的施工阶段确定模型的训练方法训练得到；

根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段。

6.根据权利要求5所述的方法，其特征在于，所述分类结果为等同施工阶段数目的多个概率值；

所述根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段，包括：

按照设定顺序对各所述概率值进行排序，根据排序结果确定在所述目标时刻下的施工阶段。

7.一种施工阶段确定模型的训练装置，其特征在于，包括：

获取模块，用于获取施工现场图像数据集；

确定模块，用于确定所述施工现场图像数据集中的各施工现场图像的标注结果以及与各所述施工现场图像对应的识别结果；所述识别结果包括：目标种类、位置或者数目；

训练模块，用于将各所述标注结果以及各所述识别结果输入至目标深度学习模型中进行迭代训练，得到施工阶段确定模型。

8.一种施工阶段确定装置，其特征在于，包括：

识别结果确定模块，用于在目标时刻获取至少一张目标施工现场图像，并确定与各所述目标施工现场图像对应的识别结果；

分类结果确定模块，用于将各所述目标施工现场图像以及与各所述目标施工现场图像对应的识别结果输入至施工阶段确定模型中，得到与各所述目标施工现场图像对应的分类结果；其中，所述施工阶段确定模型由权利要求1-4中任一项所述的施工阶段确定模型的训练方法训练得到；

施工阶段确定模块，用于根据各所述分类结果，确定在所述目标时刻下目标施工现场的施工阶段。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的施工阶段确定模型的训练方法，或者权利要求5或6中任一项所述的施工阶段确定方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的施工阶段确定模型的训练方法，或者权利要求5或6中任一项所述的施工阶段确定方法。

Images