CN116612389A - 一种建筑施工进度管理方法及系统 - Google Patents

一种建筑施工进度管理方法及系统 Download PDF

Info

Publication number
CN116612389A
CN116612389A CN202310889790.2A CN202310889790A CN116612389A CN 116612389 A CN116612389 A CN 116612389A CN 202310889790 A CN202310889790 A CN 202310889790A CN 116612389 A CN116612389 A CN 116612389A
Authority
CN
China
Prior art keywords
sequence
pixel
gray
pixel point
image
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
CN202310889790.2A
Other languages
English (en)
Other versions
CN116612389B (zh
Inventor
刘振龙
孙超
唐永建
董春海
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.)
Qingjian International Group Co Ltd
Original Assignee
Qingjian International 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 Qingjian International Group Co Ltd filed Critical Qingjian International Group Co Ltd
Priority to CN202310889790.2A priority Critical patent/CN116612389B/zh
Publication of CN116612389A publication Critical patent/CN116612389A/zh
Application granted granted Critical
Publication of CN116612389B publication Critical patent/CN116612389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种建筑施工进度管理方法及系统，包括：对灰度图像进行分块处理得到图像块，根据图像块得到像素差异序列与数字序列，根据像素差异序列与数字序列得到重要性；根据重要性与序列段长度得到灰度变化连续特征；根据灰度变化连续特征与像素灰度序列长度得到重要程度；根据LBP值得到纹理变化特征；根据纹理变化特征得到精准重要程度；根据精准重要程度得到裁减阈值的调整系数；根据调整系数得到调整后的裁减阈值；根据调整后的裁减阈值得到增强图像，并进行建筑施工进度管理。本发明图像细节的可视性，防止图像细节过于突出，令图像整体更加平滑，防止图像过度平滑。

Description

一种建筑施工进度管理方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种建筑施工进度管理方法及系统。
背景技术
建筑施工进度管理是指对工程项目进行施工管理时，按照施工合同的进度要求，对工程项目进行全面、准确的监控，获取实际施工进度，分析工程项目实际进度与规划进度的差异，及时发现施工进度出现偏差的原因，并解决施工中的问题，将工期控制在计划范围之内。
实际施工进度的实时监测需要利用传感器、监控设备等技术手段对施工现场进行实时监测，收集施工的各项数据，如施工进度、人员活动、材料使用情况等。然而由于各种原因，建筑施工中通常会存在长时间的夜间作业，而夜间监控设备采集的施工现场作业图像存在照度低的问题，影响施工数据采集的准确性。
CLAHE算法是一种常用的夜间图像增强方法，能够有效地增强图像的对比度，使得图像更加清晰、明亮。但CLAHE算法中裁减阈值的选取对增强效果有较大影响，若裁减阈值选择不当，会出现图过度增强或者增强较弱的问题。
本发明通过分析夜间建筑施工现场监控图像的特征，自适应获取各图像块的裁减阈值，由此利用CLAHE算法进行图像增强处理，获取高质量的监控图像，进而准确的分析出实际施工进度，实现建筑施工进度管理。
发明内容
本发明提供一种建筑施工进度管理方法及系统，以解决现有的问题。
本发明的一种建筑施工进度管理方法及系统采用如下技术方案：
本发明提供了一种建筑施工进度管理方法，该方法包括以下步骤：
采集夜间建筑施工场地图像，预处理得到灰度图像以及对应像素点的LBP值；
对灰度图像进行分块处理得到若干图像块；将每个像素点在每张灰度图像中的灰度值按照时间顺序排序后所构成的序列记为像素灰度序列，将像素灰度序列中相邻数据的差值绝对值记为第一绝对值，将若干第一绝对值按时间顺序排序后所构成的序列记为像素差异序列，根据像素差异序列的第一绝对值得到每个像素点对应的数字序列以及若干序列段；根据像素差异序列的第一绝对值与数字序列的序列段得到每个像素点对应数字序列中序列段的重要性；根据重要性与序列段的长度得到每个像素点在连续帧内的灰度变化连续特征；根据灰度变化连续特征与像素灰度序列的长度得到每个像素点的重要程度；
根据LBP值得到每个像素点的像素灰度序列中每一类灰度值对应像素点的纹理变化特征；
根据纹理变化特征与重要程度得到每个像素点的精准重要程度；根据精准重要程度得到每个图像块裁减阈值的调整系数；根据调整系数得到每个图像块调整后的裁减阈值；
根据每个图像块调整后的裁减阈值进行图像增强得到若干增强图像，根据增强图像进行建筑施工进度管理。
优选的，根据像素差异序列的第一绝对值得到每个像素点对应的数字序列以及若干序列段，包括的具体方法为：
将像素差异序列中所有数值不为0的第一绝对值记为数字1，将像素差异序列中所有数值为0的第一绝对值记为数字0，将数字1与数字0按照像素差异序列排序顺序排列后所构成的序列记为数字序列，将数字序列中连续出现1的数据段记为序列段。
优选的，所述根据像素差异序列的第一绝对值与数字序列的序列段得到每个像素点对应数字序列中序列段的重要性，包括的具体方法为：
对于任意一个像素点，式中，wq表示像素点对应数字序列中第q个序列段的重要性；表示第q个序列段在像素点的像素差异序列对应数据段上第一绝对值的均值；Dq表示第q个序列段的长度；255表示灰度的值域范围中的最大值。
优选的，所述根据重要性与序列段的长度得到每个像素点在连续帧内的灰度变化连续特征，包括的具体方法为：
对于任意一个像素点，式中，C表示像素点在连续帧内的灰度变化连续特征；wj表示像素点对应数字序列中第j个序列段的重要性；n表示像素点对应数字序列中序列段的数量；Dj表示第j个序列段的长度；D1表示像素点对应数字序列中数字1的数量；t表示像素灰度序列的长度；Norm（）表示线性归一化。
优选的，所述根据灰度变化连续特征与像素灰度序列的长度得到每个像素点的重要程度，包括的具体方法为：
对于任意一个像素点，式中，B表示像素点的重要程度；C表示像素点在连续帧内的灰度变化连续特征；t表示像素灰度序列的长度；A2表示像素点的灰度值；A2i表示像素灰度序列中除像素点外第i个像素点的灰度值。
优选的，所述根据LBP值得到每个像素点的像素灰度序列中每一类灰度值对应像素点的纹理变化特征，包括的具体方法为：
将每个像素点在每张灰度图像中的LBP值按照时间顺序排序后所构成的序列记为LBP序列，将像素灰度序列中连续出现相同灰度值的序列记为连续段，若任意两个连续段之间不存在其他灰度值，则将这两个连续段记为两个连续相邻段；
对于任意一个像素点，式中，Wx表示像素点的像素灰度序列中第x类灰度值对应像素点的纹理变化特征；qx表示像素点的像素灰度序列中第x类灰度值连续相邻段的数量；表示像素点的像素灰度序列中第x类灰度值中第d个连续相邻段的长度；Gx表示像素点的像素灰度序列中第x类灰度值对应像素点的数量；t表示像素灰度序列的长度；Vx表示像素点的像素灰度序列中第x类灰度值对应在LBP序列中的方差；exp（）表示以自然常数为底的指数函数。
优选的，所述根据纹理变化特征与重要程度得到每个像素点的精准重要程度，包括的具体方法为：
对于任意一个像素点，式中，B1表示像素点的精准重要程度；y表示像素点的像素灰度序列中灰度值种类数量；Wx表示像素点的像素灰度序列中第x类灰度值对应像素点的纹理变化特征；V1表示像素点的LBP序列中的方差；B表示像素点的重要程度；Norm[]表示线性归一化。
优选的，所述根据精准重要程度得到每个图像块裁减阈值的调整系数，包括的具体方法为：
对于任意一个图像块，式中，R表示图像块裁减阈值的调整系数；H表示图像块的灰度值均值；Q表示图像块的梯度均值；BZ1表示图像的精准重要程度均值；Norm[]表示线性归一化；exp（）表示以自然常数为底的指数函数。
优选的，所述根据调整系数得到每个图像块调整后的裁减阈值，包括的具体方法为：
对于任意一个图像块，式中，P表示图像块调整后的裁减阈值；R表示图像块裁减阈值的调整系数；U表示图像块所属图像中图像块的数量；Y表示图像块内的灰度值种类数量。
本发明提供了一种建筑施工进度管理系统，该系统包括图像及LBP值采集模块、重要程度获取模块、裁减阈值调整模块以及建筑施工进度管理模块，其中：
图像及LBP值采集模块，采集夜间建筑施工场地图像，预处理得到灰度图像以及对应像素点的LBP值；
重要程度获取模块，对灰度图像进行分块处理得到若干图像块；将每个像素点在每张灰度图像中的灰度值按照时间顺序排序后所构成的序列记为像素灰度序列，将像素灰度序列中相邻数据的差值绝对值记为第一绝对值，将若干第一绝对值按时间顺序排序后所构成的序列记为像素差异序列，根据像素差异序列的第一绝对值得到每个像素点对应的数字序列以及若干序列段；根据像素差异序列的第一绝对值与数字序列的序列段得到每个像素点对应数字序列中序列段的重要性；根据重要性与序列段的长度得到每个像素点在连续帧内的灰度变化连续特征；根据灰度变化连续特征与像素灰度序列的长度得到每个像素点的重要程度；
裁减阈值调整模块，根据LBP值得到每个像素点的像素灰度序列中每一类灰度值对应像素点的纹理变化特征；根据纹理变化特征与重要程度得到每个像素点的精准重要程度；根据精准重要程度得到每个图像块裁减阈值的调整系数；根据调整系数得到每个图像块调整后的裁减阈值；
建筑施工进度管理模块，根据每个图像块调整后的裁减阈值进行图像增强得到若干增强图像，根据增强图像进行建筑施工进度管理。
本发明的技术方案的有益效果是：通过分析图像分割的各图像块在连续帧内的灰度变化和纹理变化，计算各图像块的重要程度，再根据各图像块内的细节特征，获取各图像块的裁减阈值的调整系数，进行自适应裁减阈值，利用CLAHE算法进行图像增强，相较于现有技术，本发明提高了图像细节的可视性，防止图像细节过于突出，令图像整体更加平滑，防止图像过度平滑，导致图像细节更加模糊。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种建筑施工进度管理方法的步骤流程图；
图2为本发明的一种建筑施工进度管理系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种建筑施工进度管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种建筑施工进度管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种建筑施工进度管理方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集夜间建筑施工场地图像，预处理得到灰度图像以及对应像素点的LBP值。
需要说明的是，CLAHE算法是一种常用的夜间图像增强方法，能够有效地增强图像的对比度，使得图像更加清晰、明亮。但CLAHE算法中裁减阈值的选取对增强效果有较大影响，若裁减阈值选择不当，会出现图过度增强或者增强较弱的问题；为了解决这一问题，本实施例提出了一种通过分析夜间建筑施工现场监控图像的特征，自适应获取各图像块的裁减阈值，由此利用CLAHE算法进行图像增强处理，获取高质量的监控图像，进而准确的分析出实际施工进度，实现建筑施工进度管理的建筑施工进度管理方法。
具体的，为了实现本实施例提出的一种建筑施工进度管理方法，首先需要采集图像，具体过程为：获取近一周夜间建筑施工场地的监测视频作为历史监测视频，从历史监测视频中每一分钟截取一帧图像，并记为历史夜间建筑施工场地图像，并将夜间建筑施工场地图像进行线性灰度化处理，得到若干灰度图像，将灰度图像输入计算机软件得到灰度图像中每个像素点的LBP值。其中线性灰度化是公知技术，本实施例不进行叙述。
至此，获取夜间建筑施工场地图像的若干灰度图像以及对应灰度图像中每个像素点的LBP值。
步骤S002：对灰度图像进行分块处理得到若干图像块，根据图像块的灰度差异得到像素点对应数字序列中序列段的重要性；根据重要性得到像素点在连续帧内的灰度变化连续特征；根据灰度变化连续特征得到所有像素点的重要程度。
需要说明的是，已知建筑施工进度管理需要利用高清晰度摄像头对建筑施工现场进行实时监控，并通过数字化处理、分析和识别技术，提取并分析出建筑物施工过程中的各个关键节点和指标，以实现对施工进度的精准掌控和管理。但由于各种原因，建筑施工中通常会存在长时间的夜间作业，而夜间监控设备采集的施工现场作业图像存在照度低的问题，影响施工数据采集的准确性。因此对于夜间建筑施工现场监控图像的增强，是保障施工进度的精准掌控和管理关键之一，由于当前场景中主要采集数据为施工进度、人员活动、材料使用情况等，其在监控视频中一直处于变化状态，故当图像块内的景物在某一时间段内处于持续变化状态时，说明该图像块较为重要，需要较大的对比度增强。
具体的，本实施例以任意一张灰度图像为例进行叙述，将灰度图像分割为同等大小100块图像块，其中每块图像块位置并不重叠，且每块图像块中存在若干像素点；本实施例以所有图像块中的任意一个像素点为例进行叙述，将像素点在每张灰度图像中的灰度值按照时间顺序排序后所构成的序列记为像素灰度序列，将像素灰度序列中相邻数据的差值绝对值记为第一绝对值，其中像素灰度序列中存在若干第一绝对值，像素灰度序列的长度与灰度图像数量一致；获取若干第一绝对值，将若干第一绝对值按时间顺序排序后所构成的序列记为像素差异序列，其中像素差异序列中存在若干第一绝对值，同一个像素点的像素灰度序列的长度比像素差异序列的长度更长；将像素差异序列中所有数值不为0的第一绝对值记为数字1，将像素差异序列中所有数值为0的第一绝对值记为数字0，将数字1与数字0按照像素差异序列排序顺序排列后所构成的序列记为数字序列，将数字序列中连续出现1的数据段记为序列段，例如：数字序列00110100111中存在2个序列段，第一个序列段11的长度为2，第二个序列段111的长度为3。其中每个像素点都对应一个数字序列，且数字序列的长度与像素差异序列的长度一致，排序顺序也一致，一个第一绝对值对应一个数字1或0。
进一步的，获取像素点的重要程度的获取方法为：
首先，像素点对应数字序列中序列段的重要性的计算公式为：
式中，wq表示该像素点对应数字序列中第q个序列段的重要性；表示第q个序列段在该像素点的像素差异序列对应数据段上第一绝对值的均值；Dq表示第q个序列段的长度；255表示灰度的值域范围中的最大值。
获取其他像素点对应数字序列中序列段的重要性；获取所有像素点对应数字序列中序列段的重要性。
进一步的，像素点在连续帧内的灰度变化连续特征的计算公式为：
式中，C表示该像素点在连续帧内的灰度变化连续特征；wj表示该像素点对应数字序列中第j个序列段的重要性，其值越大，说明该局部特征越重要；n表示该像素点对应数字序列中序列段的数量；Dj表示第j个序列段的长度；D1表示该像素点对应数字序列中数字1的数量，即连续帧内灰度值发生变化的总时长；t表示像素灰度序列的长度；Norm（）表示线性归一化。
获取其他像素点在连续帧内的灰度变化连续特征；获取所有像素点在连续帧内的灰度变化连续特征。
进一步的，像素点的重要程度的计算公式为：
式中，B表示该像素点的重要程度；C表示该像素点在连续帧内的灰度变化连续特征；t表示像素灰度序列的长度；A2表示该像素点的灰度值；A2i表示像素灰度序列中除该像素点外第i个像素点的灰度值；表示其它帧相对与初始帧在该像素点上的灰度变化大小。
获取其他像素点的重要程度；获取所有像素点的重要程度。
至此，通过上述方法得到所有像素点的重要程度。
步骤S003：根据LBP值得到每个像素点的像素灰度序列中每一类灰度值对应像素点的纹理变化特征；根据纹理变化特征得到每个像素点的精准重要程度；根据精准重要程度得到每个图像块裁减阈值的调整系数；根据调整系数得到每个图像块调整后的裁减阈值。
需要说明的是，由于施工现场夜间光照环境复杂多变，像素点在连续帧内的灰度变化可能是由光照环境变化引起，同时也可能由物体运动引起,因此导致获取的重要程度包含了物体运动与光照环境变化两个方面；而在实际监测过程中，已知像素点的LBP值表示其纹理特征，由于光照环境变化是干扰因素，且物体运动时像素点的纹理会发生变化，产生相应变化特征，所以可根据连续帧内像素点的纹理变化特征，计算校正系数，从而获取精准的重要程度。
具体的，将每个像素点在每张灰度图像中的LBP值按照时间顺序排序后所构成的序列记为LBP序列，将像素灰度序列中连续出现相同灰度值的序列记为连续段，若任意两个连续段之间不存在其他灰度值，则将这两个连续段记为两个连续相邻段，例如：在像素灰度序列“10 10 5 44 44 8 8 5 10 10”中，存在两个连续相邻段，分别为“44 44”，“8 8”。
本实施例以该像素点的像素灰度序列中第x类灰度值为例进行叙述，其中该像素点的像素灰度序列中第x类灰度值对应像素点的纹理变化特征的计算公式为：
式中，Wx表示该像素点的像素灰度序列中第x类灰度值对应像素点的纹理变化特征；qx表示该像素点的像素灰度序列中第x类灰度值连续相邻段的数量；表示该像素点的像素灰度序列中第x类灰度值中第d个连续相邻段的长度，其值越大，说明该局部连续性越好；Gx表示该像素点的像素灰度序列中第x类灰度值对应像素点的数量；t表示像素灰度序列的长度；Vx表示该像素点的像素灰度序列中第x类灰度值对应在LBP序列中的方差；exp[]表示以自然常数为底的指数函数，本实施例采用exp[-]函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数；当Gx=1时，Wx=1；当Gx＞1，。
另外需要说明的是，若该像素点的像素灰度序列中第x类灰度值连续相邻段的数量为0时，则Wx=1。
获取该像素点的像素灰度序列中其他类灰度值对应像素点的纹理变化特征；获取该像素点的像素灰度序列中所有类灰度值对应像素点的纹理变化特征；获取每个像素点的像素灰度序列中所有类灰度值对应像素点的纹理变化特征。
进一步的，根据像素点的像素灰度序列中所有类灰度值对应像素点的纹理变化特征得到该像素点的精准重要程度，其中该像素点的精准重要程度的计算公式为：
式中，B1表示该像素点的精准重要程度；y表示该像素点的像素灰度序列中灰度值种类数量；Wx表示该像素点的像素灰度序列中第x类灰度值对应像素点的纹理变化特征；V1表示该像素点的LBP序列中的方差；B表示该像素点的重要程度；Norm[]表示线性归一化。
获取其他像素点的精准重要程度；获取所有像素点的精准重要程度。
进一步的，预设一个裁减阈值调整系数取值范围[T1,T2]，其中本实施例以T1=0.5、T2=1.5为例进行叙述，本实施例不进行具体限定，其中T1、T2可根据具体实施情况而定；本实施例以任意一个灰度图像中任意一个图像块为例进行叙述，该图像块裁减阈值的调整系数的计算公式为：
式中，R表示该图像块裁减阈值的调整系数；H表示该图像块的灰度值均值；Q表示该图像块的梯度均值；BZ1表示该图像的精准重要程度均值；255表示灰度的值域范围中的最大值；1.5表示预设的裁减阈值调整系数值域范围的最大值；exp（）表示以自然常数为底的指数函数，本实施例采用exp(-)函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数。
获取其他图像块裁减阈值的调整系数；获取所有图像块裁减阈值的调整系数。
进一步的，该图像块调整后的裁减阈值的计算公式为：
式中，P表示该图像块调整后的裁减阈值；R表示该图像块裁减阈值的调整系数；U表示该图像块所属图像中图像块的数量；Y表示该图像块内的灰度值种类数量。
获取该灰度图像中其他图像块调整后的裁减阈值；获取该灰度图像中所有图像块调整后的裁减阈值；获取每个灰度图像中所有图像块调整后的裁减阈值。
至此，获取每个灰度图像中所有图像块调整后的裁减阈值。
步骤S004：根据每个图像块调整后的裁减阈值进行图像增强，并进行建筑施工进度管理。
具体的，根据每个灰度图像中所有图像块调整后的裁减阈值进行CLAHE算法增强，得到若干增强图像；然后将所有增强图像信息上传到云端数据平台，再利用计算机视觉技术，对所有增强图像进行自动识别和分析，提取出建筑施工过程中的关键节点和指标，通过计算机系统分析得出施工进度的当前状态、预测的完成时间等关键指标，以及相应的提醒和警报信息。将分析和处理后的数据反馈给工程管理人员，让工程管理人员实时了解施工进度、发现问题并做出相应调整，以确保按照计划完成施工任务，将工期控制在计划范围之内。由此实现建筑施工进度管理；其中CLAHE算法是公知技术，本实施例不进行叙述。
通过以上步骤，完成建筑施工进度管理。
请参阅图2，其示出了本发明一个实施例提供的一种建筑施工进度管理系统的结构框图，该系统包括以下模块：
图像及LBP值采集模块101，采集夜间建筑施工场地图像，预处理得到灰度图像以及对应像素点的LBP值；
重要程度获取模块102，对灰度图像进行分块处理得到若干图像块；将每个像素点在每张灰度图像中的灰度值按照时间顺序排序后所构成的序列记为像素灰度序列，将像素灰度序列中相邻数据的差值绝对值记为第一绝对值，将若干第一绝对值按时间顺序排序后所构成的序列记为像素差异序列，根据像素差异序列的第一绝对值得到每个像素点对应的数字序列以及若干序列段；根据像素差异序列的第一绝对值与数字序列的序列段得到每个像素点对应数字序列中序列段的重要性；根据重要性与序列段的长度得到每个像素点在连续帧内的灰度变化连续特征；根据灰度变化连续特征与像素灰度序列的长度得到每个像素点的重要程度；
裁减阈值调整模块103，根据LBP值得到每个像素点的像素灰度序列中每一类灰度值对应像素点的纹理变化特征；根据纹理变化特征与重要程度得到每个像素点的精准重要程度；根据精准重要程度得到每个图像块裁减阈值的调整系数；根据调整系数得到每个图像块调整后的裁减阈值；
建筑施工进度管理模块104，根据每个图像块调整后的裁减阈值进行图像增强得到若干增强图像，根据增强图像进行建筑施工进度管理。
本实施例通过分析图像分割的各图像块在连续帧内的灰度变化和纹理变化，计算各图像块的重要程度，再根据各图像块内的细节特征，获取各图像块的裁减阈值的调整系数，进行自适应裁减阈值，利用CLAHE算法进行图像增强，相较于现有技术，本发明提高了图像细节的可视性，防止图像细节过于突出，令图像整体更加平滑，防止图像过度平滑，导致图像细节更加模糊。
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 (10)

1.一种建筑施工进度管理方法，其特征在于，该方法包括以下步骤：
采集夜间建筑施工场地图像，预处理得到灰度图像以及对应像素点的LBP值；
对灰度图像进行分块处理得到若干图像块；将每个像素点在每张灰度图像中的灰度值按照时间顺序排序后所构成的序列记为像素灰度序列，将像素灰度序列中相邻数据的差值绝对值记为第一绝对值，将若干第一绝对值按时间顺序排序后所构成的序列记为像素差异序列，根据像素差异序列的第一绝对值得到每个像素点对应的数字序列以及若干序列段；根据像素差异序列的第一绝对值与数字序列的序列段得到每个像素点对应数字序列中序列段的重要性；根据重要性与序列段的长度得到每个像素点在连续帧内的灰度变化连续特征；根据灰度变化连续特征与像素灰度序列的长度得到每个像素点的重要程度；
根据LBP值得到每个像素点的像素灰度序列中每一类灰度值对应像素点的纹理变化特征；
根据纹理变化特征与重要程度得到每个像素点的精准重要程度；根据精准重要程度得到每个图像块裁减阈值的调整系数；根据调整系数得到每个图像块调整后的裁减阈值；
根据每个图像块调整后的裁减阈值进行图像增强得到若干增强图像，根据增强图像进行建筑施工进度管理。
2.根据权利要求1所述一种建筑施工进度管理方法，其特征在于，所述根据像素差异序列的第一绝对值得到每个像素点对应的数字序列以及若干序列段，包括的具体方法为：
将像素差异序列中所有数值不为0的第一绝对值记为数字1，将像素差异序列中所有数值为0的第一绝对值记为数字0，将数字1与数字0按照像素差异序列排序顺序排列后所构成的序列记为数字序列，将数字序列中连续出现1的数据段记为序列段。
3.根据权利要求1所述一种建筑施工进度管理方法，其特征在于，所述根据像素差异序列的第一绝对值与数字序列的序列段得到每个像素点对应数字序列中序列段的重要性，包括的具体方法为：
对于任意一个像素点，式中，wq表示像素点对应数字序列中第q个序列段的重要性；/>表示第q个序列段在像素点的像素差异序列对应数据段上第一绝对值的均值；Dq表示第q个序列段的长度；255表示灰度的值域范围中的最大值。
4.根据权利要求1所述一种建筑施工进度管理方法，其特征在于，所述根据重要性与序列段的长度得到每个像素点在连续帧内的灰度变化连续特征，包括的具体方法为：
对于任意一个像素点，式中，C表示像素点在连续帧内的灰度变化连续特征；wj表示像素点对应数字序列中第j个序列段的重要性；n表示像素点对应数字序列中序列段的数量；Dj表示第j个序列段的长度；D1表示像素点对应数字序列中数字1的数量；t表示像素灰度序列的长度；Norm（）表示线性归一化。
5.根据权利要求1所述一种建筑施工进度管理方法，其特征在于，所述根据灰度变化连续特征与像素灰度序列的长度得到每个像素点的重要程度，包括的具体方法为：
对于任意一个像素点，式中，B表示像素点的重要程度；C表示像素点在连续帧内的灰度变化连续特征；t表示像素灰度序列的长度；A2表示像素点的灰度值；A2i表示像素灰度序列中除像素点外第i个像素点的灰度值。
6.根据权利要求1所述一种建筑施工进度管理方法，其特征在于，所述根据LBP值得到每个像素点的像素灰度序列中每一类灰度值对应像素点的纹理变化特征，包括的具体方法为：
将每个像素点在每张灰度图像中的LBP值按照时间顺序排序后所构成的序列记为LBP序列，将像素灰度序列中连续出现相同灰度值的序列记为连续段，若任意两个连续段之间不存在其他灰度值，则将这两个连续段记为两个连续相邻段；
对于任意一个像素点，式中，Wx表示像素点的像素灰度序列中第x类灰度值对应像素点的纹理变化特征；qx表示像素点的像素灰度序列中第x类灰度值连续相邻段的数量；/>表示像素点的像素灰度序列中第x类灰度值中第d个连续相邻段的长度；Gx表示像素点的像素灰度序列中第x类灰度值对应像素点的数量；t表示像素灰度序列的长度；Vx表示像素点的像素灰度序列中第x类灰度值对应在LBP序列中的方差；exp（）表示以自然常数为底的指数函数。
7.根据权利要求6所述一种建筑施工进度管理方法，其特征在于，所述根据纹理变化特征与重要程度得到每个像素点的精准重要程度，包括的具体方法为：
对于任意一个像素点，式中，B1表示像素点的精准重要程度；y表示像素点的像素灰度序列中灰度值种类数量；Wx表示像素点的像素灰度序列中第x类灰度值对应像素点的纹理变化特征；V1表示像素点的LBP序列中的方差；B表示像素点的重要程度；Norm[]表示线性归一化。
8.根据权利要求1所述一种建筑施工进度管理方法，其特征在于，所述根据精准重要程度得到每个图像块裁减阈值的调整系数，包括的具体方法为：
对于任意一个图像块，式中，R表示图像块裁减阈值的调整系数；H表示图像块的灰度值均值；Q表示图像块的梯度均值；BZ1表示图像的精准重要程度均值；Norm[]表示线性归一化；exp（）表示以自然常数为底的指数函数。
9.根据权利要求1所述一种建筑施工进度管理方法，其特征在于，所述根据调整系数得到每个图像块调整后的裁减阈值，包括的具体方法为：
对于任意一个图像块，式中，P表示图像块调整后的裁减阈值；R表示图像块裁减阈值的调整系数；U表示图像块所属图像中图像块的数量；Y表示图像块内的灰度值种类数量。
10.一种建筑施工进度管理系统，其特征在于，该系统包括以下模块：
图像及LBP值采集模块，采集夜间建筑施工场地图像，预处理得到灰度图像以及对应像素点的LBP值；
重要程度获取模块，对灰度图像进行分块处理得到若干图像块；将每个像素点在每张灰度图像中的灰度值按照时间顺序排序后所构成的序列记为像素灰度序列，将像素灰度序列中相邻数据的差值绝对值记为第一绝对值，将若干第一绝对值按时间顺序排序后所构成的序列记为像素差异序列，根据像素差异序列的第一绝对值得到每个像素点对应的数字序列以及若干序列段；根据像素差异序列的第一绝对值与数字序列的序列段得到每个像素点对应数字序列中序列段的重要性；根据重要性与序列段的长度得到每个像素点在连续帧内的灰度变化连续特征；根据灰度变化连续特征与像素灰度序列的长度得到每个像素点的重要程度；
裁减阈值调整模块，根据LBP值得到每个像素点的像素灰度序列中每一类灰度值对应像素点的纹理变化特征；根据纹理变化特征与重要程度得到每个像素点的精准重要程度；根据精准重要程度得到每个图像块裁减阈值的调整系数；根据调整系数得到每个图像块调整后的裁减阈值；
建筑施工进度管理模块，根据每个图像块调整后的裁减阈值进行图像增强得到若干增强图像，根据增强图像进行建筑施工进度管理。
CN202310889790.2A 2023-07-20 2023-07-20 一种建筑施工进度管理方法及系统 Active CN116612389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310889790.2A CN116612389B (zh) 2023-07-20 2023-07-20 一种建筑施工进度管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310889790.2A CN116612389B (zh) 2023-07-20 2023-07-20 一种建筑施工进度管理方法及系统

Publications (2)

Publication Number Publication Date
CN116612389A true CN116612389A (zh) 2023-08-18
CN116612389B CN116612389B (zh) 2023-09-19

Family

ID=87683964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310889790.2A Active CN116612389B (zh) 2023-07-20 2023-07-20 一种建筑施工进度管理方法及系统

Country Status (1)

Country Link
CN (1) CN116612389B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883411A (zh) * 2023-09-08 2023-10-13 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923703A (zh) * 2010-08-27 2010-12-22 北京工业大学 基于语义的细缝裁剪和非均匀映射相结合的图像自适应方法
US20140147042A1 (en) * 2012-11-27 2014-05-29 Chenyang Ge Device for uniformly enhancing images
CN104361096A (zh) * 2014-11-20 2015-02-18 合肥工业大学 一种基于特征富集区域集合的图像检索方法
CN105528784A (zh) * 2015-12-02 2016-04-27 沈阳东软医疗系统有限公司 一种前景背景分割的方法和装置
CN111325152A (zh) * 2020-02-19 2020-06-23 北京工业大学 一种基于深度学习的交通标志识别方法
WO2021164550A1 (zh) * 2020-02-18 2021-08-26 Oppo广东移动通信有限公司 图像分类方法及装置
WO2022048051A1 (zh) * 2020-09-02 2022-03-10 厦门理工学院 一种基于北斗的工程车尾气排放监控追踪系统
CN116309671A (zh) * 2023-05-23 2023-06-23 浩珂科技有限公司 一种土工合成织物质量检测系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923703A (zh) * 2010-08-27 2010-12-22 北京工业大学 基于语义的细缝裁剪和非均匀映射相结合的图像自适应方法
US20140147042A1 (en) * 2012-11-27 2014-05-29 Chenyang Ge Device for uniformly enhancing images
CN104361096A (zh) * 2014-11-20 2015-02-18 合肥工业大学 一种基于特征富集区域集合的图像检索方法
CN105528784A (zh) * 2015-12-02 2016-04-27 沈阳东软医疗系统有限公司 一种前景背景分割的方法和装置
WO2021164550A1 (zh) * 2020-02-18 2021-08-26 Oppo广东移动通信有限公司 图像分类方法及装置
CN111325152A (zh) * 2020-02-19 2020-06-23 北京工业大学 一种基于深度学习的交通标志识别方法
WO2022048051A1 (zh) * 2020-09-02 2022-03-10 厦门理工学院 一种基于北斗的工程车尾气排放监控追踪系统
CN116309671A (zh) * 2023-05-23 2023-06-23 浩珂科技有限公司 一种土工合成织物质量检测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘美;薛新松;刘广文;刘智;才华;: "对比度增强的彩色图像灰度化算法", 长春理工大学学报(自然科学版), no. 05 *
孔栋;黄江亮;孙亮;钟志伟;孙一帆;: "多车道复杂环境下前方车辆检测算法", 河南科技大学学报(自然科学版), no. 02 *
王举辉;王英永;: "基于灰度图像的人脸预处理系统的设计", 山东理工大学学报(自然科学版), no. 03 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883411A (zh) * 2023-09-08 2023-10-13 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统
CN116883411B (zh) * 2023-09-08 2023-12-19 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统

Also Published As

Publication number Publication date
CN116612389B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN107316307B (zh) 一种基于深度卷积神经网络的中医舌图像自动分割方法
CN107256225B (zh) 一种基于视频分析的热度图生成方法及装置
CN110415230B (zh) 一种基于深度学习的ct切片图像语义分割系统及方法
CN104992189B (zh) 基于深度学习网络模型的鱼群异常行为识别方法
CN116612389B (zh) 一种建筑施工进度管理方法及系统
CN108648211B (zh) 一种基于深度学习的小目标检测方法、装置、设备和介质
KR20150107579A (ko) 화상 처리 장치 및 화상 처리 방법
CN108182421A (zh) 视频分割方法和装置
CN108334878B (zh) 视频图像检测方法、装置、设备及可读存储介质
CN102663397B (zh) 一种小麦出苗的自动检测方法
CN116229335A (zh) 基于图像数据的畜禽养殖场环境识别方法
Lakshmi et al. Tooth decay prediction and classification from X-ray images using deep CNN
JP7350208B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN112749654A (zh) 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置
CN112818821A (zh) 基于可见光和红外光的人脸采集源检测方法和装置
CN115239508A (zh) 基于人工智能的场景规划调整方法、装置、设备及介质
Muñoz-Benavent et al. Impact evaluation of deep learning on image segmentation for automatic bluefin tuna sizing
CN111931698B (zh) 基于小型训练集的图像深度学习网络构建方法及装置
CN113327263A (zh) 一种基于图像视觉的鱼群活跃度监测方法
CN116912265A (zh) 一种遥感图像分割方法和系统
KR20210028966A (ko) 작물 이미지의 병해충 검출 방법 및 장치
Setiyono et al. A new approach algorithm for counting of vehicles moving based on image processing
Yuan et al. Estimation population density built on multilayer convolutional neural network
CN117079197B (zh) 一种智慧工地管理方法及系统
CN117274112B (zh) 一种智能化全景监视方法及系统

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