CN116630752B - 基于ai算法的施工现场目标对象识别方法及装置 - Google Patents
基于ai算法的施工现场目标对象识别方法及装置 Download PDFInfo
- Publication number
- CN116630752B CN116630752B CN202310912084.5A CN202310912084A CN116630752B CN 116630752 B CN116630752 B CN 116630752B CN 202310912084 A CN202310912084 A CN 202310912084A CN 116630752 B CN116630752 B CN 116630752B
- Authority
- CN
- China
- Prior art keywords
- image information
- image
- target
- information
- recognition model
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 191
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims description 177
- 238000012360 testing method Methods 0.000 claims description 69
- 238000000605 extraction Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 18
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005553 drilling Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000004035 construction material Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AI算法的施工现场目标对象识别方法及装置,该方法包括:获取施工现场对应的第一多维度现场信息及施工现场对应的第二多维度需求信息;根据第一多维度现场信息及第二多维度需求信息从所有待选区域中选择满足针对目标对象的图像采集需求的目标区域;根据第一多维度现场信息及第二多维度需求信息生成目标区域对应的图像采集控制参数;控制目标区域对应的图像采集装置基于图像采集控制参数采集目标区域的图像集合;对图像集合进行信息提取,得到图像信息集合;将图像信息集合输入至目标识别模型中进行识别,得到目标识别结果。可见,实施本发明能够提高目标识别结果中目标对象的识别准确性,从而有利于提高管理目标对象的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于AI算法的施工现场目标对象识别方法及装置。
背景技术
当前,建筑工程的施工现场中存在诸多需要进行安全管理的目标对象,例如:施工人员、施工材料以及施工设备等。因此在对施工现场进行施工之前,需要先对施工现场中的目标对象进行勘察。
然而,在实际生活中,现阶段的施工现场基本依靠人为进行勘察(例如:人工识别、纸质记录、现场人员以点代面检查验收等),一旦对施工现场中的目标对象进行误识别,容易导致对目标对象实施不恰当的管理策略,从而可能会引发安全事故。可见,提出一种提高施工现场中目标对象的识别准确性的技术方案显得尤为重要。
发明内容
本发明提供了一种基于AI算法的施工现场目标对象识别方法及装置,能够提高施工现场中的目标对象的识别准确性,从而有利于提高管理目标对象的准确性,进而有利于减少施工现场安全事故的发生。
为了解决上述技术问题,本发明第一方面公开了一种基于AI算法的施工现场目标对象识别方法,所述方法包括:
获取施工现场对应的第一多维度现场信息以及所述施工现场对应的第二多维度需求信息,所述第一多维度现场信息至少包括待识别的目标对象所在的多个待选区域中每个所述待选区域对应的区域信息,每个所述待选区域对应的区域信息至少包括每个所述待选区域的三维区域形状信息、施工面积、施工人员、施工时间、施工设备及所述施工设备对应的施工控制参数中的一种或多种的组合;所述第二多维度需求信息至少包括所述目标对象在每个所述待选区域中的施工进度需求及施工效果需求;
根据所述第一多维度现场信息及所述第二多维度需求信息从所有所述待选区域中选择能够满足针对所述目标对象的图像采集需求的目标区域;以及,根据所述第一多维度现场信息及所述第二多维度需求信息,生成所述目标区域对应的图像采集控制参数;
控制所述目标区域对应的图像采集装置基于所述图像采集控制参数采集所述目标区域的图像集合,所述图像集合包括至少一个图像;
对所述图像集合中的所有所述图像进行信息提取,得到图像信息集合,所述图像信息集合包括所有所述图像中每个所述图像的图像信息;
将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果,所述目标识别结果包括所述目标对象。
作为一种可选的实施方式,在本发明第一方面中,在所述将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果之前,所述方法还包括:
获取训练图像信息集合,所述训练图像信息集合包括所有训练图像中每个所述训练图像的训练图像信息,且所述训练图像集合是从参考施工现场中采集到的,且所述参考施工现场与所述施工现场的相似度大于或等于预设相似度;
根据所有所述训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到所述初始识别模型的训练结果;
判断所述初始识别模型的训练结果是否满足预设训练条件;
若判断出所述初始识别模型的训练结果不满足所述预设训练条件,则对所述初始识别模型的模型参数进行优化,得到优化后的初始识别模型,并触发执行所述的根据所有所述训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到所述初始识别模型的训练结果的操作以及触发执行所述的判断所述初始识别模型的训练结果是否满足预设训练条件的操作;
若判断出所述初始识别模型的训练结果满足所述预设训练条件,则将所述初始识别模型确定为目标识别模型,所述目标识别模型用于对所述施工现场中目标区域的图像执行图像识别操作。
作为一种可选的实施方式,在本发明第一方面中,所述判断所述初始识别模型的训练结果是否满足预设训练条件,包括:
获取测试图像信息集合,所述测试图像信息集合包括多个测试图像的测试图像信息;
根据所有所述测试图像的测试图像信息以及所述初始识别模型的训练结果,对所述初始识别模型进行测试,得到所述初始识别模型的模型测试参数,所述初始识别模型的模型测试参数包括所述初始识别模型的准确率、所述初始识别模型的精确率、所述初始识别模型的召回率以及所述初始识别模型的F1值中的一种或多种的组合;
判断所述初始识别模型的模型测试参数中的所有子参数是否均大于或等于预先确定出的子参数阈值;
若判断出所述初始识别模型的模型测试参数中的所有子参数均大于或等于预先确定出的子参数阈值,则确定所述初始识别模型的训练结果满足预设训练条件;
若判断出所述初始识别模型的模型测试参数的所有子参数中存在小于预先确定出的子参数阈值的至少一个目标子参数,则确定所述初始识别模型的训练结果件不满足所述预设训练条件。
作为一种可选的实施方式,在本发明第一方面中,所述目标识别结果还包括所述目标对象的相关状态信息,其中,所述目标对象的相关状态信息包括所述目标对象的当前位置、所述目标对象的面积、所述目标对象的形状以及所述目标对象的数量中的一种或多种的组合;
以及,所述图像采集装置的图像采集控制参数包括所述图像采集装置的装置控制参数和/或所述图像采集装置的采集控制参数;
其中,所述图像采集装置的装置控制参数包括所述图像采集装置的旋转角度、所述图像采集装置的移动方向、所述图像采集装置的移动速度以及所述图像采集装置的照明参数中的一种或多种的组合;
以及,所述图像采集装置的采集控制参数包括所述图像采集装置的采集模式、所述图像采集装置的位置、在相应位置时所述图像采集装置的采集区域、采集角度、采集面积以及采集数量中的一种或多种的组合,其中,所述采集模式包括图片采集模式和/或录像采集模式。
作为一种可选的实施方式,在本发明第一方面中,所述将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果,包括:
当所述图像信息集合包括多个图像信息时,计算所述图像信息集合中任意两个所述图像信息之间的信息相似度;
基于所述图像信息集合中所有所述图像信息之间的信息相似度,对所有所述图像信息进行分组,得到至少一个图像信息组,每个所述图像信息组包括一个或多个图像信息;
对于每个所述图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息;
将所有所述目标图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果。
作为一种可选的实施方式,在本发明第一方面中,对于每个所述图像信息组,当该图像信息组包括多个图像信息时,所述对于每个所述图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息,包括:
根据预设的分类算法,对所有所述图像信息组进行分类,得到第一类信息组集合及第二类信息组集合,所述第一类信息组集合为空或者所述第一类信息组集合包括至少一个所述图像信息组,所述第二类信息组集合为空或者所述第二类信息组集合包括至少一个所述图像信息组,且所述第一类信息组集合与所述第二类信息组集合不同时为空;
当所述第一类信息组集合不为空时,对于所述第一类信息组集合中的每个所述图像信息组,从该图像信息组的所有图像信息中选择其中一个,作为该图像信息组的目标图像信息;
当所述第二类信息组集合不为空时,对于所述第二类信息组集合中的每个所述图像信息组,对该图像信息组中的所有图像信息进行融合增强处理,得到该图像信息组的目标图像信息。
作为一种可选的实施方式,在本发明第一方面中,在所述将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果之前,所述方法还包括:
获取相邻图像信息集合,所述相邻图像信息集合中的所有相邻图像信息是从相邻区域的相邻图像集合内的所有相邻图像中提取出的,且所述相邻区域的区域位置与所述目标区域的区域位置相邻;
对于每个所述相邻图像信息,判断该相邻图像信息中是否存在与至少一个所述目标对象相关联的关联信息;
若判断出该相邻图像信息中存在与至少一个所述目标对象相关联的关联信息,则将该相邻图像信息添加至所述图像信息集合中。
本发明第二方面公开了一种基于AI算法的施工现场目标对象识别装置,所述装置包括:
获取模块,用于获取施工现场对应的第一多维度现场信息以及所述施工现场对应的第二多维度需求信息,所述第一多维度现场信息至少包括待识别的目标对象所在的多个待选区域中每个所述待选区域对应的区域信息,每个所述待选区域对应的区域信息至少包括每个所述待选区域的三维区域形状信息、施工面积、施工人员、施工时间、施工设备及所述施工设备对应的施工控制参数中的一种或多种的组合;所述第二多维度需求信息至少包括所述目标对象在每个所述待选区域中的施工进度需求及施工效果需求;
选择模块,用于根据所述第一多维度现场信息及所述第二多维度需求信息从所有所述待选区域中选择能够满足针对所述目标对象的图像采集需求的目标区域;
生成模块,用于根据所述第一多维度现场信息及所述第二多维度需求信息,生成所述目标区域对应的图像采集控制参数;
控制模块,用于控制所述目标区域对应的图像采集装置基于所述图像采集控制参数采集所述目标区域的图像集合,所述图像集合包括至少一个图像;
提取模块,用于对所述图像集合中的所有所述图像进行信息提取,得到图像信息集合,所述图像信息集合包括所有所述图像中每个所述图像的图像信息;
识别模块,用于将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果,所述目标识别结果包括所述目标对象。
作为一种可选的实施方式,在本发明第二方面中,所述获取模块,还用于在所述识别模块将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果之前,获取训练图像信息集合,所述训练图像信息集合包括所有训练图像中每个所述训练图像的训练图像信息,且所述训练图像集合是从参考施工现场中采集到的,且所述参考施工现场与所述施工现场的相似度大于或等于预设相似度;
以及,所述装置还包括:
训练模块,用于根据所有所述训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到所述初始识别模型的训练结果;
第一判断模块,用于判断所述初始识别模型的训练结果是否满足预设训练条件;
优化模块,用于若所述第一判断模块判断出所述初始识别模型的训练结果不满足所述预设训练条件,则对所述初始识别模型的模型参数进行优化,得到优化后的初始识别模型,并触发所述训练模块执行所述的根据所有所述训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到所述初始识别模型的训练结果的操作以及触发所述第一判断模块执行所述的判断所述初始识别模型的训练结果是否满足预设训练条件的操作;
确定模块,用于若所述第一判断模块判断出所述初始识别模型的训练结果满足所述预设训练条件,则将所述初始识别模型确定为目标识别模型,所述目标识别模型用于对所述施工现场中目标区域的图像执行图像识别操作。
作为一种可选的实施方式,在本发明第二方面中,所述第一判断模块判断所述初始识别模型的训练结果是否满足预设训练条件的方式具体包括:
获取测试图像信息集合,所述测试图像信息集合包括多个测试图像的测试图像信息;
根据所有所述测试图像的测试图像信息以及所述初始识别模型的训练结果,对所述初始识别模型进行测试,得到所述初始识别模型的模型测试参数,所述初始识别模型的模型测试参数包括所述初始识别模型的准确率、所述初始识别模型的精确率、所述初始识别模型的召回率以及所述初始识别模型的F1值中的一种或多种的组合;
判断所述初始识别模型的模型测试参数中的所有子参数是否均大于或等于预先确定出的子参数阈值;
若判断出所述初始识别模型的模型测试参数中的所有子参数均大于或等于预先确定出的子参数阈值,则确定所述初始识别模型的训练结果满足预设训练条件;
若判断出所述初始识别模型的模型测试参数的所有子参数中存在小于预先确定出的子参数阈值的至少一个目标子参数,则确定所述初始识别模型的训练结果件不满足所述预设训练条件。
作为一种可选的实施方式,在本发明第二方面中,所述目标识别结果还包括所述目标对象的相关状态信息,其中,所述目标对象的相关状态信息包括所述目标对象的当前位置、所述目标对象的面积、所述目标对象的形状以及所述目标对象的数量中的一种或多种的组合;
以及,所述图像采集装置的图像采集控制参数包括所述图像采集装置的装置控制参数和/或所述图像采集装置的采集控制参数;
其中,所述图像采集装置的装置控制参数包括所述图像采集装置的旋转角度、所述图像采集装置的移动方向、所述图像采集装置的移动速度以及所述图像采集装置的照明参数中的一种或多种的组合;
以及,所述图像采集装置的采集控制参数包括所述图像采集装置的采集模式、所述图像采集装置的位置、在相应位置时所述图像采集装置的采集区域、采集角度、采集面积以及采集数量中的一种或多种的组合,其中,所述采集模式包括图片采集模式和/或录像采集模式。
作为一种可选的实施方式,在本发明第二方面中,所述识别模块将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果的方式具体包括:
当所述图像信息集合包括多个图像信息时,计算所述图像信息集合中任意两个所述图像信息之间的信息相似度;
基于所述图像信息集合中所有所述图像信息之间的信息相似度,对所有所述图像信息进行分组,得到至少一个图像信息组,每个所述图像信息组包括一个或多个图像信息;
对于每个所述图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息;
将所有所述目标图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果。
作为一种可选的实施方式,在本发明第二方面中,对于每个所述图像信息组,当该图像信息组包括多个图像信息时,所述识别模块对于每个所述图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息的方式具体包括:
根据预设的分类算法,对所有所述图像信息组进行分类,得到第一类信息组集合及第二类信息组集合,所述第一类信息组集合为空或者所述第一类信息组集合包括至少一个所述图像信息组,所述第二类信息组集合为空或者所述第二类信息组集合包括至少一个所述图像信息组,且所述第一类信息组集合与所述第二类信息组集合不同时为空;
当所述第一类信息组集合不为空时,对于所述第一类信息组集合中的每个所述图像信息组,从该图像信息组的所有图像信息中选择其中一个,作为该图像信息组的目标图像信息;
当所述第二类信息组集合不为空时,对于所述第二类信息组集合中的每个所述图像信息组,对该图像信息组中的所有图像信息进行融合增强处理,得到该图像信息组的目标图像信息。
作为一种可选的实施方式,在本发明第二方面中,所述获取模块,还用于在所述识别模块将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果之前,获取相邻图像信息集合,所述相邻图像信息集合中的所有相邻图像信息是从相邻区域的相邻图像集合内的所有相邻图像中提取出的,且所述相邻区域的区域位置与所述目标区域的区域位置相邻;
以及,所述装置还包括:
第二判断模块,用于对于每个所述相邻图像信息,判断该相邻图像信息中是否存在与至少一个所述目标对象相关联的关联信息;
添加模块,用于若所述第二判断模块判断出该相邻图像信息中存在与至少一个所述目标对象相关联的关联信息,则将该相邻图像信息添加至所述图像信息集合中。
本发明第三方面公开了另一种基于AI算法的施工现场目标对象识别装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于AI算法的施工现场目标对象识别方法。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于AI算法的施工现场目标对象识别方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息,第一多维度现场信息至少包括待识别的目标对象所在的多个待选区域中每个待选区域对应的区域信息,每个待选区域对应的区域信息至少包括每个待选区域的三维区域形状信息、施工面积、施工人员、施工时间、施工设备及施工设备对应的施工控制参数中的一种或多种的组合;第二多维度需求信息至少包括目标对象在每个待选区域中的施工进度需求及施工效果需求;根据第一多维度现场信息及第二多维度需求信息从所有待选区域中选择能够满足针对目标对象的图像采集需求的目标区域;以及,根据第一多维度现场信息及第二多维度需求信息,生成目标区域对应的图像采集控制参数;控制目标区域对应的图像采集装置基于图像采集控制参数采集目标区域的图像集合,图像集合包括至少一个图像;对图像集合中的所有图像进行信息提取,得到图像信息集合,图像信息集合包括所有图像中每个图像的图像信息;将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果,目标识别结果包括目标对象。可见,实施本发明能够根据获取到的施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息,从所有待选区域中准确地选择能够满足针对目标对象的图像采集需求的目标区域,及根据第一多维度现场信息及第二多维度需求信息准确地生成目标区域对应的图像采集控制参数,并控制目标区域对应的图像采集装置基于图像采集控制参数准确地采集目标区域的图像集合,对准确采集出的图像集合进行信息提取,得到图像信息集合,能够提高图像信息集合的提取准确性,将准确提取出的图像信息集合输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果,能够提高目标识别结果中目标对象的识别准确性,从而有利于提高管理目标对象的准确性,进而有利于减少施工现场中安全事故的发生。
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是本发明实施例公开的一种基于AI算法的施工现场目标对象识别方法的流程示意图;
图2是本发明实施例公开的另一种基于AI算法的施工现场目标对象识别方法的流程示意图;
图3是本发明实施例公开的一种基于AI算法的施工现场目标对象识别装置的结构示意图;
图4是本发明实施例公开的另一种基于AI算法的施工现场目标对象识别装置的结构示意图;
图5是本发明实施例公开的又一种基于AI算法的施工现场目标对象识别装置的结构示意图。
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作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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于AI算法的施工现场目标对象识别方法及装置,能够根据获取到的施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息,从所有待选区域中准确地选择能够满足针对目标对象的图像采集需求的目标区域,及根据第一多维度现场信息及第二多维度需求信息准确地生成目标区域对应的图像采集控制参数,并控制目标区域对应的图像采集装置基于图像采集控制参数准确地采集目标区域的图像集合,对准确采集出的图像集合进行信息提取,得到图像信息集合,能够提高图像信息集合的提取准确性,将准确提取出的图像信息集合输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果,能够提高目标识别结果中目标对象的识别准确性,从而有利于提高管理目标对象的准确性,进而有利于减少施工现场中安全事故的发生。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于AI算法的施工现场目标对象识别方法的流程示意图。其中,图1所描述的基于AI算法的施工现场目标对象识别方法可以应用于基于AI算法的施工现场目标对象识别装置中,其中,该装置可以包括基于AI算法的施工现场目标对象识别设备或者基于AI算法的施工现场目标对象识别服务器,其中,基于AI算法的施工现场目标对象识别服务器可以包括云端服务器或者本地服务器,本发明实施例不做限定。如图1所示,该基于AI算法的施工现场目标对象识别方法可以包括以下操作:
101、获取施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息。
本发明实施例中,施工现场可以包括进行工业和民用项目的房屋建筑、土木工程、设备安装、管线敷设等施工活动时,经批准占用的施工场地,也可以包括人类进行安全生产、文明工作、建设的场所,还可以包括陆地,海上以及空中的一切能够进行施工工作的地域,本发明实施例不做限定。
本发明实施例中,可选的,第一多维度现场信息至少可以包括待识别的目标对象(例如:孔位、安全帽等)所在的多个待选区域中每个待选区域对应的区域信息。其中,每个待选区域对应的区域信息至少可以包括每个待选区域的三维区域形状信息、施工面积、施工人员、施工时间、施工设备及施工设备对应的施工控制参数中的一种或多种的组合。其中,施工控制参数可以包括设备施工速度、设备施工面积、设备施工方向、设备施工角度以及设备施工时间中的一种或多种的组合。可选的,第二多维度需求信息至少可以包括目标对象在每个待选区域中的施工进度需求及施工效果需求,本发明实施例不做限定。
举例来说,施工进度需求可以包括在指定日期(例如:30天)内完成该指定日期对应的施工进度(例如:总施工工程中的三分之一)对应的需求,施工效果需求可以包括施工进度完成程度对应的需求,也可以包括施工速度对应的需求,还可以包括施工质量对应的需求。其中,施工进度完成程度对应的需求及施工速度对应的需求可以是通过上述施工进度需求确定出的,本发明实施例不做限定。
102、根据第一多维度现场信息及第二多维度需求信息从所有待选区域中选择能够满足针对目标对象的图像采集需求的目标区域。
本发明实施例中,可选的,图像采集需求可以包括图像数量对应的采集需求,也可以包括图像类型的采集需求,还可以包括目标对象的面积在图像面积的占比对应的采集需求。其中,图像类型可以包括图片类型或者视频类型,本发明实施例不做限定。
103、根据第一多维度现场信息及第二多维度需求信息,生成目标区域对应的图像采集控制参数。
需要说明的是,步骤102和步骤103无先后顺序,即,可以先执行步骤102再执行步骤103,也可以先执行步骤103再执行步骤102,还可以同时执行步骤102及步骤103,本发明实施例不做限定。
104、控制目标区域对应的图像采集装置基于图像采集控制参数采集目标区域的图像集合。
本发明实施例中,图像集合可以包括至少一个图像。
105、对图像集合中的所有图像进行信息提取,得到图像信息集合。
本发明实施例中,图像信息集合可以包括所有图像中每个图像的图像信息。
本发明实施例中,可选的,对图像集合中的所有图像进行信息提取,得到图像信息集合,可以包括:
将图像集合中的每个图像输入至信息提取模型中进行信息提取,得到该图像的图像信息;
根据所有图像的图像信息,构建图像信息集合。
本发明实施例中,可选的,信息提取模型是将获取到的目标对象的对象信息输入至预设的机器学习模型中进行训练后得到的模型。可选的,目标对象的对象信息可以包括目标对象的对象标识、目标对象的形状、目标对象的尺寸、目标对象的表面积、目标对象的体积以及目标对象的数量中的一种或多种的组合,本发明实施例不做限定。
可见,该可选的实施例能够将图像集合中的所有图像输入至通过目标对象的对象信息训练出的信息提取模型中进行信息提取,得到所有图像的图像信息,能够提高图像信息的提取准确性和可靠性,从而有利于提高后续对准确提取出的图像信息进行识别的准确性。
106、将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果。
本发明实施例中,可选的,目标识别结果可以包括目标对象。可选的,目标识别模型可以是通过对预先确定出的AI算法中的机器学习模型进行训练后得到的模型。可选的,机器学习模型可以包括随机森林模型、支持向量机模型以及神经网络模型等中的一种或多种的组合,本发明实施例不做限定。
举例来说,当机器学习模型包括多种时,可以从训练好的所有机器学习模型中选择其中一个,作为目标识别模型。
可见,本发明实施例所描述的基于AI算法的施工现场目标对象识别方法能够根据获取到的施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息,从所有待选区域中准确地选择能够满足针对目标对象的图像采集需求的目标区域,及根据第一多维度现场信息及第二多维度需求信息准确地生成目标区域对应的图像采集控制参数,并控制目标区域对应的图像采集装置基于图像采集控制参数准确地采集目标区域的图像集合,对准确采集出的图像集合进行信息提取,得到图像信息集合,能够提高图像信息集合的提取准确性,将准确提取出的图像信息集合输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果,能够提高目标识别结果中目标对象的识别准确性,从而有利于提高管理目标对象的准确性,进而有利于减少施工现场中安全事故的发生。
在一个可选的实施例中,上述步骤106的将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果之前,该方法还可以包括:
获取预先训练好的多个识别模型;
对于每个识别模型,对该识别模型进行测试,得到该识别模型的ROC曲线;
对于每个识别模型,根据该识别模型的ROC曲线,计算该ROC曲线的曲线下面积;
从所有识别模型中筛选出ROC曲线的曲线下面积最大的其中一个,作为目标识别模型。
本发明实施例中,ROC曲线是受试者工作特征曲线,又称为感受性曲线(同一曲线上各点反映着相同的感受性,它们都是对同一信号刺激的反应)。受试者工作特征曲线就是以假阳性概率(0 positive rate)为横轴,真阳性(1 positive rate)为纵轴所组成的坐标图,和受试者在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。
可见,该可选的实施例能够对预先训练好的多个识别模型进行测试,得到每个识别模型的ROC曲线,并对所有识别模型的ROC曲线进行计算,得到所有ROC曲线的曲线下面积,从所有识别模型中选择出曲线下面积最大的目标识别模型,能够提高目标识别模型的选择准确性,从而有利于提高目标识别模型的目标识别结果的识别准确性。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于AI算法的施工现场目标对象识别方法的流程示意图。其中,图2所描述的基于AI算法的施工现场目标对象识别方法可以应用于基于AI算法的施工现场目标对象识别装置中,其中,该装置可以包括基于AI算法的施工现场目标对象识别设备或者基于AI算法的施工现场目标对象识别服务器,其中,基于AI算法的施工现场目标对象识别服务器可以包括云端服务器或者本地服务器,本发明实施例不做限定。如图2所示,该基于AI算法的施工现场目标对象识别方法可以包括以下操作:
201、获取施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息。
202、根据第一多维度现场信息及第二多维度需求信息从所有待选区域中选择能够满足针对目标对象的图像采集需求的目标区域。
203、根据第一多维度现场信息及第二多维度需求信息,生成目标区域对应的图像采集控制参数。
204、控制目标区域对应的图像采集装置基于图像采集控制参数采集目标区域的图像集合。
205、对图像集合中的所有图像进行信息提取,得到图像信息集合。
206、获取训练图像信息集合。
本发明实施例中,可选的,训练图像信息集合可以包括所有训练图像中每个训练图像的训练图像信息。其中,训练图像集合是从参考施工现场中采集到的,且参考施工现场与施工现场的相似度大于或等于预设相似度。可选的,参考施工现场与施工现场的相似度可以是从获取到的参考施工现场对应的第三多维度现场信息和施工现场对应的第一多维度信息中计算出的。可选的,预设相似度可以是80%,也可以是90%,还可以是设定好的其他数值,本发明实施例不做限定。
207、根据所有训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到初始识别模型的训练结果。
本发明实施例中,可选的,初始识别模型可以是上述机器学习模型。可选的,初始识别模型的训练结果可以包括初始识别模型中训练样本的样本数量、初始识别模型的图像识别速度以及初始识别模型的识别内容中的一种或多种的组合。可选的,初始识别模型的识别内容可以包括图像颜色、图像尺寸、图像像素以及图像中的标识物中的一种或多种的组合,本发明实施例不做限定。
208、判断初始识别模型的训练结果是否满足预设训练条件。
本发明实施例中,预设训练条件可以包括确定出的初始识别模型的模型测试参数对应的条件,本发明实施例不做限定。
209、若判断出初始识别模型的训练结果不满足预设训练条件,则对初始识别模型的模型参数进行优化,得到优化后的初始识别模型,并触发执行上述步骤207。
本发明实施例中,可选的,初始识别模型的模型参数可以包括初始识别模型的模型学习率参数、初始识别模型的模型深度参数、初始识别模型的模型宽度参数、初始识别模型的训练轮数以及初始识别模型的训练数据量中的一种或多种的组合,本发明实施例不做限定。
210、若判断出初始识别模型的训练结果满足预设训练条件,则将初始识别模型确定为目标识别模型。
本发明实施例中,目标识别模型用于对施工现场中目标区域的图像执行图像识别操作。
211、将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果。
本发明实施例中,针对步骤201-步骤205及步骤211的其它描述,请参照实施例一中针对步骤101-步骤106的详细描述,本发明实施例不再赘述。
可见,本发明实施例所描述的基于AI算法的施工现场目标对象识别方法能够根据获取到的施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息,从所有待选区域中准确地选择能够满足针对目标对象的图像采集需求的目标区域,及根据第一多维度现场信息及第二多维度需求信息准确地生成目标区域对应的图像采集控制参数,并控制目标区域对应的图像采集装置基于图像采集控制参数准确地采集目标区域的图像集合,对准确采集出的图像集合进行信息提取,得到图像信息集合,能够提高图像信息集合的提取准确性,将准确提取出的图像信息集合输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果,能够提高目标识别结果中目标对象的识别准确性,从而有利于提高管理目标对象的准确性,进而有利于减少施工现场中安全事故的发生。此外,还能够在对图像信息集合进行识别之间,根据获取到的训练图像信息集合,对预先确定出的初始识别模型进行训练,得到初始识别模型的训练结果,并判断初始识别模型的训练结果是否满足预设训练条件,得到第一判断结果,以及根据第一判断结果,智能化地选择先对初始识别模型的模型参数进行优化再执行训练操作和判断操作,或者选择直接将初始识别模型确定为目标识别模型,能够提高初始识别模型的优化操作或确定操作的选择多样性和灵活性。
在一个可选的实施例中,在上述步骤208中的判断初始识别模型的训练结果是否满足预设训练条件,可以包括:
获取测试图像信息集合;
根据所有测试图像的测试图像信息以及初始识别模型的训练结果,对初始识别模型进行测试,得到初始识别模型的模型测试参数;
判断初始识别模型的模型测试参数中的所有子参数是否均大于或等于预先确定出的子参数阈值;
若判断出初始识别模型的模型测试参数中的所有子参数均大于或等于预先确定出的子参数阈值,则确定初始识别模型的训练结果满足预设训练条件;
若判断出初始识别模型的模型测试参数的所有子参数中存在小于预先确定出的子参数阈值的至少一个目标子参数,则确定初始识别模型的训练结果件不满足预设训练条件。
本发明实施例中,可选的,测试图像信息集合可以包括多个测试图像的测试图像信息。可选的,初始识别模型的模型测试参数可以包括初始识别模型的准确率、初始识别模型的精确率、初始识别模型的召回率以及初始识别模型的F1值中的一种或多种的组合。可选的,预先确定出的子参数阈值可以是0.8,也可以是0.85,还可以是设定好的其它数值,本发明实施例不做限定。
举例来说,假设初始识别模型的模型测试参数包括准确率、精确率、召回率以及F1值,需要同时满足准确率大于或等于预设准确率,精确率大于或等于预设精确率、召回率大于或等于预设召回率,以及F1值大于或等于预设F1值,此时才能确定初始识别模型的训练结果满足预设训练条件;若上述准确率、精确率、召回率以及F1值中存在至少一个目标子参数小于该目标子参数对应的子参数阈值,则确定初始识别模型的训练结果不满足预设训练条件。可选的,预设准确率、预设精确率、预设召回率以及预设F1值可以是同一个数值(例如:预设准确率的数值=预设精确率的数值),也可以是不同的数值(例如,预设准确率为0.8,预设精确率为0.82),本发明实施例不做限定。
可见,该可选的实施例能够通过获取到的测试图像信息集合以及上述初始识别模型的训练结果,对初始识别模型进行测试,得到初始识别模型的模型测试参数,并判断初始识别模型的模型测试参数中的所有子参数是否均大于或等于预先确定出的子参数阈值,得到第二判断结果,以及当第二判断结果为是时,确定初始识别模型的训练结果满足预设训练条件,当第二判断结果为否时,确定初始识别模型的训练结果不满足预设训练条件,能够提高对初始识别模型的训练结果的确定准确性,从而有利于通过准确确定出的训练结果提高后续对初始识别模型的优化操作或确定操作的选择准确性。
在另一个可选的实施例中,可选的,目标识别结果还可以包括目标对象的相关状态信息。其中,目标对象的相关状态信息可以包括目标对象的当前位置、目标对象的面积、目标对象的形状以及目标对象的数量中的一种或多种的组合。可选的,图像采集装置的图像采集控制参数可以包括图像采集装置的装置控制参数和/或图像采集装置的采集控制参数。进一步可选的,图像采集装置的装置控制参数可以包括图像采集装置的旋转角度、图像采集装置的移动方向、图像采集装置的移动速度以及图像采集装置的照明参数中的一种或多种的组合。进一步可选的,图像采集装置的采集控制参数可以包括图像采集装置的采集模式、图像采集装置的位置、在相应位置时图像采集装置的采集区域、采集角度、采集面积以及采集数量中的一种或多种的组合。其中,采集模式可以包括图片采集模式和/或录像采集模式,本发明实施例不做限定。
可选的,可以通过目标对象的相关状态信息与上述目标对象的对象信息进行比较,得到目标对象的比较结果,再从预先确定出的数据库(该数据库存储有多个初始对象的初始状态信息与该初始对象的初始对象信息之间的初始比较结果,且每个初始比较结果均存在对应的对象工作情况)中筛选出与目标对象的比较结果相匹配的目标比较结果,再将该目标比较结果对应的对象工作情况确定为目标对象的工作情况。这样做能够通过目标对象的相关状态信息与上述目标对象的对象信息之间的比较结果,准确地确定出目标对象的工作情况,从而有利于提高目标对象地管理准确性。
可见,该可选的实施例能够获取多样化的目标对象的相关状态信息,根据多样化的相关状态信息,对目标对象进行对应的管理,能够提高对目标对象的管理准确性,从而有利于减少安全事故的发生;以及通过多样化的图像采集控制参数控制目标区域对应的图像采集装置采集目标区域的的图像集合,能够提高对图像采集装置控制的精准性,从而有利于提高对图像集合的采集精准性。
在又一个可选的实施例中,上述步骤211中的将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果,可以包括:
当图像信息集合可以包括多个图像信息时,计算图像信息集合中任意两个图像信息之间的信息相似度;
基于图像信息集合中所有图像信息之间的信息相似度,对所有图像信息进行分组,得到至少一个图像信息组;
对于每个图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息;
将所有目标图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果。
本发明实施例中,可选的,每个图像信息组可以包括一个或多个图像信息。
本发明实施例中,可选的,信息相似度可以包括图像像素的相似度、图像类型的相似度以及图像中目标对象的所占面积的相似度中的一种或多种的组合,本发明实施例不做限定。
本发明实施例中,基于图像信息集合中所有图像信息之间的信息相似度,对所有图像信息进行分组,得到至少一个图像信息组,可以包括:
判断第一图像信息和第二图像信息之间的信息相似度是否大于或等于预设相似度,第一图像信息及第二图像信息均为图像信息集合中的任一图像信息且第一图像信息及第二图像信息不为同一个图像信息;
若判断出第一图像信息和第二图像信息之间的信息相似度大于或等于预设相似度,则将第一图像信息和第二图像信息划分为同一个图像信息组;
若判断出第一图像信息和第二图像信息之间的信息相似度小于预设相似度,则将第一图像信息和第二图像信息划分为不同的图像信息组。
本发明实施例中,预设相似度可以是80%,也可以是90%,还可以是设定好的其它任意数值,本发明实施例不做限定。
可见,该可选的实施例能够通过对图像信息集合中所有图像信息之间的信息相似度进行相似度判断,对所有图像信息进行分组,能够提高图像信息组的分组准确性和可靠性,从而有利于后续对每个图像信息组中目标图像信息的确定准确性。
可见,该可选的实施例能够通过计算出的所有图像信息中任意两个图像信息之间的信息相似度,对所有图像信息进行分组,得到至少一个图像信息组,能够提高图像信息组的分组准确性,以及根据每个图像信息组内的所有图像信息,确定出该图像信息组的目标图像信息,并将所有目标图像信息输入至目标识别模型中进行识别,能够提高识别出目标识别结果的速度和准确性,从而有利于提高目标识别结果中目标对象的管理准确性。
在该可选的实施例中,作为一种可选的实施例,对于每个图像信息组,当该图像信息组可以包括多个图像信息时,对于每个图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息,可以包括:
根据预设的分类算法,对所有图像信息组进行分类,得到第一类信息组集合及第二类信息组集合;
当第一类信息组集合不为空时,对于第一类信息组集合中的每个图像信息组,从该图像信息组的所有图像信息中选择其中一个,作为该图像信息组的目标图像信息;
当第二类信息组集合不为空时,对于第二类信息组集合中的每个图像信息组,对该图像信息组中的所有图像信息进行融合增强处理,得到该图像信息组的目标图像信息。
本发明实施例中,可选的,上述预设的分类算法可以是图像信息组中所有图像信息之间的信息相似度对应的分类算法。可选的,第一类信息组集合中的所有图像信息之间的信息相似度处于第一预设相似度区间内,第二类信息组集合中的所有图像信息之间的信息相似度处于第二预设相似度区间内,其中,第一预设相似度区间的区间最小值大于第二预设相似度区间的区间最大值,本发明实施例不做限定。
本发明实施例中,可选的,第一类信息组集合为空或者第一类信息组集合可以包括至少一个图像信息组,第二类信息组集合为空或者第二类信息组集合可以包括至少一个图像信息组,且第一类信息组集合与第二类信息组集合不同时为空。举例来说,当第一类信息组集合包括一个图像信息组时,第二类信息组集合包括的图像信息组为所有图像信息组中除了上述第一类信息组集合中的图像信息组之外的所有剩余图像信息组,本发明实施例不做限定。
可见,该可选的实施方式能够对分类后得到第一类信息组集合中每个图像信息组中的所有图像信息执行信息选择操作,以及对第二类信息组集合中每个图像信息组中的所有图像信息执行融合增强操作,得到每个图像信息组的目标图像信息,能够提高目标图像信息的确定准确性,从而有利于提高识别出目标识别结果的准确性。
在又一个可选的实施例中,在上述步骤211中的将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果之前,该方法还可以包括:
获取相邻图像信息集合;
对于每个相邻图像信息,判断该相邻图像信息中是否存在与至少一个目标对象相关联的关联信息;
若判断出该相邻图像信息中存在与至少一个目标对象相关联的关联信息,则将该相邻图像信息添加至图像信息集合中。
本发明实施例中,可选的,相邻图像信息集合中的所有相邻图像信息是从相邻区域的相邻图像集合内的所有相邻图像中提取出的,且相邻区域的区域位置与目标区域的区域位置相邻。
本发明实施例中,可选的,目标对象相关联的关联信息可以包括目标对象对应的施工人员的动作信息。可选的,施工人员的动作信息可以包括施工人员的施工速度、施工角度、施工深度以及施工面积中的一种或多种的组合,本发明实施例不做限定。
举例来说,假设目标对象是孔位,则目标对象相关联的关联信息可以包括钻孔人员的动作信息。其中,钻孔人员的动作信息可以包括钻孔速度、钻孔力度、钻孔角度、钻孔深度以及钻孔面积中的一种或多种的组合。
可见,该可选的实施例能够判断获取到的相邻图像信息中是否存在至少一个目标对象相关联的关联信息,并在判断出存在时,将该相邻图像信息添加至图像信息集合中,能够提高图像信息集合中包含的信息丰富程度,从而有利于提高后续通过图像信息集合识别出目标识别结果的精准性。
实施例三
请参阅图3,图3是本发明实施例公开的一种基于AI算法的施工现场目标对象识别装置的结构示意图。其中,图3所描述的基于AI算法的施工现场目标对象识别装置可以包括基于AI算法的施工现场目标对象识别设备或者基于AI算法的施工现场目标对象识别服务器,其中,基于AI算法的施工现场目标对象识别服务器可以包括云端服务器或者本地服务器,本发明实施例不做限定。如图3所示,该基于AI算法的施工现场目标对象识别装置可以包括:
获取模块301,用于获取施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息,第一多维度现场信息至少可以包括待识别的目标对象所在的多个待选区域中每个待选区域对应的区域信息,每个待选区域对应的区域信息至少可以包括每个待选区域的三维区域形状信息、施工面积、施工人员、施工时间、施工设备及施工设备对应的施工控制参数中的一种或多种的组合;第二多维度需求信息至少可以包括目标对象在每个待选区域中的施工进度需求及施工效果需求。
选择模块302,用于根据第一多维度现场信息及第二多维度需求信息从所有待选区域中选择能够满足针对目标对象的图像采集需求的目标区域。
生成模块303,用于根据第一多维度现场信息及第二多维度需求信息,生成目标区域对应的图像采集控制参数。
控制模块304,用于控制目标区域对应的图像采集装置基于图像采集控制参数采集目标区域的图像集合,图像集合可以包括至少一个图像。
提取模块305,用于对图像集合中的所有图像进行信息提取,得到图像信息集合,图像信息集合可以包括所有图像中每个图像的图像信息。
识别模块306,用于将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果,目标识别结果可以包括目标对象。
可见,本发明实施例所描述的基于AI算法的施工现场目标对象识别装置能够根据获取到的施工现场对应的第一多维度现场信息以及施工现场对应的第二多维度需求信息,从所有待选区域中准确地选择能够满足针对目标对象的图像采集需求的目标区域,及根据第一多维度现场信息及第二多维度需求信息准确地生成目标区域对应的图像采集控制参数,并控制目标区域对应的图像采集装置基于图像采集控制参数准确地采集目标区域的图像集合,对准确采集出的图像集合进行信息提取,得到图像信息集合,能够提高图像信息集合的提取准确性,将准确提取出的图像信息集合输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果,能够提高目标识别结果中目标对象的识别准确性,从而有利于提高管理目标对象的准确性,进而有利于减少施工现场中安全事故的发生。
在一个可选的实施例中,获取模块301,还用于在识别模块306将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果之前,获取训练图像信息集合,训练图像信息集合可以包括所有训练图像中每个训练图像的训练图像信息,且训练图像集合是从参考施工现场中采集到的,且参考施工现场与施工现场的相似度大于或等于预设相似度;
以及,如图4所示,该装置还可以包括:
训练模块307,用于根据所有训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到初始识别模型的训练结果;
第一判断模块308,用于判断初始识别模型的训练结果是否满足预设训练条件;
优化模块309,用于若第一判断模块308判断出初始识别模型的训练结果不满足预设训练条件,则对初始识别模型的模型参数进行优化,得到优化后的初始识别模型,并触发训练模块307执行上述的根据所有训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到初始识别模型的训练结果的操作以及触发第一判断模块308执行上述的判断初始识别模型的训练结果是否满足预设训练条件的操作;
确定模块310,用于若第一判断模块308判断出初始识别模型的训练结果满足预设训练条件,则将初始识别模型确定为目标识别模型,目标识别模型用于对施工现场中目标区域的图像执行图像识别操作。
可见,该可选的实施例能够在对图像信息集合进行识别之间,根据获取到的训练图像信息集合,对预先确定出的初始识别模型进行训练,得到初始识别模型的训练结果,并判断初始识别模型的训练结果是否满足预设训练条件,得到第一判断结果,以及根据第一判断结果,智能化地选择先对初始识别模型的模型参数进行优化再执行训练操作和判断操作,或者选择直接将初始识别模型确定为目标识别模型,能够提高初始识别模型的优化操作或确定操作的选择多样性和灵活性。
在该可选的实施例中,作为一种可选的实施方式,第一判断模块308判断初始识别模型的训练结果是否满足预设训练条件的方式具体可以包括:
获取测试图像信息集合,测试图像信息集合可以包括多个测试图像的测试图像信息;
根据所有测试图像的测试图像信息以及初始识别模型的训练结果,对初始识别模型进行测试,得到初始识别模型的模型测试参数,初始识别模型的模型测试参数可以包括初始识别模型的准确率、初始识别模型的精确率、初始识别模型的召回率以及初始识别模型的F1值中的一种或多种的组合;
判断初始识别模型的模型测试参数中的所有子参数是否均大于或等于预先确定出的子参数阈值;
若判断出初始识别模型的模型测试参数中的所有子参数均大于或等于预先确定出的子参数阈值,则确定初始识别模型的训练结果满足预设训练条件;
若判断出初始识别模型的模型测试参数的所有子参数中存在小于预先确定出的子参数阈值的至少一个目标子参数,则确定初始识别模型的训练结果件不满足预设训练条件。
可见,该可选的实施方式能够通过获取到的测试图像信息集合以及上述初始识别模型的训练结果,对初始识别模型进行测试,得到初始识别模型的模型测试参数,并判断初始识别模型的模型测试参数中的所有子参数是否均大于或等于预先确定出的子参数阈值,得到第二判断结果,以及当第二判断结果为是时,确定初始识别模型的训练结果满足预设训练条件,当第二判断结果为否时,确定初始识别模型的训练结果不满足预设训练条件,能够提高对初始识别模型的训练结果的确定准确性,从而有利于通过准确确定出的训练结果提高后续对初始识别模型的优化操作或确定操作的选择准确性。
在另一个可选的实施例中,可选的,目标识别结果还可以包括目标对象的相关状态信息,其中,目标对象的相关状态信息可以包括目标对象的当前位置、目标对象的面积、目标对象的形状以及目标对象的数量中的一种或多种的组合。可选的,图像采集装置的图像采集控制参数可以包括图像采集装置的装置控制参数和/或图像采集装置的采集控制参数。进一步可选的,图像采集装置的装置控制参数可以包括图像采集装置的旋转角度、图像采集装置的移动方向、图像采集装置的移动速度以及图像采集装置的照明参数中的一种或多种的组合。进一步可选的,图像采集装置的采集控制参数可以包括图像采集装置的采集模式、图像采集装置的位置、在相应位置时图像采集装置的采集区域、采集角度、采集面积以及采集数量中的一种或多种的组合。其中,采集模式可以包括图片采集模式和/或录像采集模式,本发明实施例不做限定。
可见,该可选的实施例能够获取多样化的目标对象的相关状态信息,根据多样化的相关状态信息,对目标对象进行对应的管理,能够提高对目标对象的管理准确性,从而有利于减少安全事故的发生;以及通过多样化的图像采集控制参数控制目标区域对应的图像采集装置采集目标区域的的图像集合,能够提高对图像采集装置控制的精准性,从而有利于提高对图像集合的采集精准性。
在又一个可选的实施例中,识别模块306将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果的方式具体可以包括:
当图像信息集合可以包括多个图像信息时,计算图像信息集合中任意两个图像信息之间的信息相似度;
基于图像信息集合中所有图像信息之间的信息相似度,对所有图像信息进行分组,得到至少一个图像信息组,每个图像信息组可以包括一个或多个图像信息;
对于每个图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息;
将所有目标图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果。
可见,该可选的实施例能够通过计算出的所有图像信息中任意两个图像信息之间的信息相似度,对所有图像信息进行分组,得到至少一个图像信息组,能够提高图像信息组的分组准确性,以及根据每个图像信息组内的所有图像信息,确定出该图像信息组的目标图像信息,并将所有目标图像信息输入至目标识别模型中进行识别,能够提高识别出目标识别结果的速度和准确性,从而有利于提高目标识别结果中目标对象的管理准确性。
在该可选的实施例中,作为一种可选的实施方式,对于每个图像信息组,当该图像信息组可以包括多个图像信息时,识别模块306对于每个图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息的方式具体可以包括:
根据预设的分类算法,对所有图像信息组进行分类,得到第一类信息组集合及第二类信息组集合,第一类信息组集合为空或者第一类信息组集合可以包括至少一个图像信息组,第二类信息组集合为空或者第二类信息组集合可以包括至少一个图像信息组,且第一类信息组集合与第二类信息组集合不同时为空;
当第一类信息组集合不为空时,对于第一类信息组集合中的每个图像信息组,从该图像信息组的所有图像信息中选择其中一个,作为该图像信息组的目标图像信息;
当第二类信息组集合不为空时,对于第二类信息组集合中的每个图像信息组,对该图像信息组中的所有图像信息进行融合增强处理,得到该图像信息组的目标图像信息。
可见,该可选的实施方式能够对分类后得到第一类信息组集合中每个图像信息组中的所有图像信息执行信息选择操作,以及对第二类信息组集合中每个图像信息组中的所有图像信息执行融合增强操作,得到每个图像信息组的目标图像信息,能够提高目标图像信息的确定准确性,从而有利于提高识别出目标识别结果的准确性。
在又一个可选的实施例中,获取模块301,还用于在识别模块306将图像信息集合中的所有图像的图像信息输入至训练好的目标识别模型中进行识别,得到目标识别模型的目标识别结果之前,获取相邻图像信息集合,相邻图像信息集合中的所有相邻图像信息是从相邻区域的相邻图像集合内的所有相邻图像中提取出的,且相邻区域的区域位置与目标区域的区域位置相邻;
以及,如图4所示,该装置还可以包括:
第二判断模块311,用于对于每个相邻图像信息,判断该相邻图像信息中是否存在与至少一个目标对象相关联的关联信息;
添加模块312,用于若第二判断模块判断出该相邻图像信息中存在与至少一个目标对象相关联的关联信息,则将该相邻图像信息添加至图像信息集合中。
可见,该可选的实施例能够判断获取到的相邻图像信息中是否存在至少一个目标对象相关联的关联信息,并在判断出存在时,将该相邻图像信息添加至图像信息集合中,能够提高图像信息集合中包含的信息丰富程度,从而有利于提高后续通过图像信息集合识别出目标识别结果的精准性。
实施例四
请参阅图5,图5是本发明实施例公开的又一种基于AI算法的施工现场目标对象识别装置的结构示意图。如图5所示,该基于AI算法的施工现场目标对象识别装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,执行本发明实施例一或本发明实施例二所描述的基于AI算法的施工现场目标对象识别方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一或本发明实施例二所描述的基于AI算法的施工现场目标对象识别方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于AI算法的施工现场目标对象识别方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于AI算法的施工现场目标对象识别方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种基于AI算法的施工现场目标对象识别方法,其特征在于,所述方法包括:
获取施工现场对应的第一多维度现场信息以及所述施工现场对应的第二多维度需求信息,所述第一多维度现场信息至少包括待识别的目标对象所在的多个待选区域中每个所述待选区域对应的区域信息,每个所述待选区域对应的区域信息至少包括每个所述待选区域的三维区域形状信息、施工面积、施工人员、施工时间、施工设备及所述施工设备对应的施工控制参数中的一种或多种的组合;所述第二多维度需求信息至少包括所述目标对象在每个所述待选区域中的施工进度需求及施工效果需求;
根据所述第一多维度现场信息及所述第二多维度需求信息从所有所述待选区域中选择能够满足针对所述目标对象的图像采集需求的目标区域;以及,根据所述第一多维度现场信息及所述第二多维度需求信息,生成所述目标区域对应的图像采集控制参数;
控制所述目标区域对应的图像采集装置基于所述图像采集控制参数采集所述目标区域的图像集合,所述图像集合包括至少一个图像;
对所述图像集合中的所有所述图像进行信息提取,得到图像信息集合,所述图像信息集合包括所有所述图像中每个所述图像的图像信息;
将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果,所述目标识别结果包括所述目标对象;
其中,所述将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果,包括:
当所述图像信息集合包括多个图像信息时,计算所述图像信息集合中任意两个所述图像信息之间的信息相似度;
基于所述图像信息集合中所有所述图像信息之间的信息相似度,对所有所述图像信息进行分组,得到至少一个图像信息组,每个所述图像信息组包括一个或多个图像信息;
对于每个所述图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息;
将所有所述目标图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果;
其中,对于每个所述图像信息组,当该图像信息组包括多个图像信息时,所述对于每个所述图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息,包括:
根据预设的分类算法,对所有所述图像信息组进行分类,得到第一类信息组集合及第二类信息组集合,所述第一类信息组集合为空或者所述第一类信息组集合包括至少一个所述图像信息组,所述第二类信息组集合为空或者所述第二类信息组集合包括至少一个所述图像信息组,且所述第一类信息组集合与所述第二类信息组集合不同时为空;
当所述第一类信息组集合不为空时,对于所述第一类信息组集合中的每个所述图像信息组,从该图像信息组的所有图像信息中选择其中一个,作为该图像信息组的目标图像信息;
当所述第二类信息组集合不为空时,对于所述第二类信息组集合中的每个所述图像信息组,对该图像信息组中的所有图像信息进行融合增强处理,得到该图像信息组的目标图像信息。
2.根据权利要求1所述的基于AI算法的施工现场目标对象识别方法,其特征在于,在所述将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果之前,所述方法还包括:
获取训练图像信息集合,所述训练图像信息集合包括所有训练图像中每个所述训练图像的训练图像信息,且所述训练图像集合是从参考施工现场中采集到的,且所述参考施工现场与所述施工现场的相似度大于或等于预设相似度;
根据所有所述训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到所述初始识别模型的训练结果;
判断所述初始识别模型的训练结果是否满足预设训练条件;
若判断出所述初始识别模型的训练结果不满足所述预设训练条件,则对所述初始识别模型的模型参数进行优化,得到优化后的初始识别模型,并触发执行所述的根据所有所述训练图像的训练图像信息,对预先确定出的初始识别模型进行训练,得到所述初始识别模型的训练结果的操作以及触发执行所述的判断所述初始识别模型的训练结果是否满足预设训练条件的操作;
若判断出所述初始识别模型的训练结果满足所述预设训练条件,则将所述初始识别模型确定为目标识别模型,所述目标识别模型用于对所述施工现场中目标区域的图像执行图像识别操作。
3.根据权利要求2所述的基于AI算法的施工现场目标对象识别方法,其特征在于,所述判断所述初始识别模型的训练结果是否满足预设训练条件,包括:
获取测试图像信息集合,所述测试图像信息集合包括多个测试图像的测试图像信息;
根据所有所述测试图像的测试图像信息以及所述初始识别模型的训练结果,对所述初始识别模型进行测试,得到所述初始识别模型的模型测试参数,所述初始识别模型的模型测试参数包括所述初始识别模型的准确率、所述初始识别模型的精确率、所述初始识别模型的召回率以及所述初始识别模型的F1值中的一种或多种的组合;
判断所述初始识别模型的模型测试参数中的所有子参数是否均大于或等于预先确定出的子参数阈值;
若判断出所述初始识别模型的模型测试参数中的所有子参数均大于或等于预先确定出的子参数阈值,则确定所述初始识别模型的训练结果满足预设训练条件;
若判断出所述初始识别模型的模型测试参数的所有子参数中存在小于预先确定出的子参数阈值的至少一个目标子参数,则确定所述初始识别模型的训练结果件不满足所述预设训练条件。
4.根据权利要求1-3任一项所述的基于AI算法的施工现场目标对象识别方法,其特征在于,所述目标识别结果还包括所述目标对象的相关状态信息,其中,所述目标对象的相关状态信息包括所述目标对象的当前位置、所述目标对象的面积、所述目标对象的形状以及所述目标对象的数量中的一种或多种的组合;
以及,所述图像采集装置的图像采集控制参数包括所述图像采集装置的装置控制参数和/或所述图像采集装置的采集控制参数;
其中,所述图像采集装置的装置控制参数包括所述图像采集装置的旋转角度、所述图像采集装置的移动方向、所述图像采集装置的移动速度以及所述图像采集装置的照明参数中的一种或多种的组合;
以及,所述图像采集装置的采集控制参数包括所述图像采集装置的采集模式、所述图像采集装置的位置、在相应位置时所述图像采集装置的采集区域、采集角度、采集面积以及采集数量中的一种或多种的组合,其中,所述采集模式包括图片采集模式和/或录像采集模式。
5.根据权利要求1-3任一项所述的基于AI算法的施工现场目标对象识别方法,其特征在于,在所述将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果之前,所述方法还包括:
获取相邻图像信息集合,所述相邻图像信息集合中的所有相邻图像信息是从相邻区域的相邻图像集合内的所有相邻图像中提取出的,且所述相邻区域的区域位置与所述目标区域的区域位置相邻;
对于每个所述相邻图像信息,判断该相邻图像信息中是否存在与至少一个所述目标对象相关联的关联信息;
若判断出该相邻图像信息中存在与至少一个所述目标对象相关联的关联信息,则将该相邻图像信息添加至所述图像信息集合中。
6.一种基于AI算法的施工现场目标对象识别装置,其特征在于,所述装置包括:
获取模块,用于获取施工现场对应的第一多维度现场信息以及所述施工现场对应的第二多维度需求信息,所述第一多维度现场信息至少包括待识别的目标对象所在的多个待选区域中每个所述待选区域对应的区域信息,每个所述待选区域对应的区域信息至少包括每个所述待选区域的三维区域形状信息、施工面积、施工人员、施工时间、施工设备及所述施工设备对应的施工控制参数中的一种或多种的组合;所述第二多维度需求信息至少包括所述目标对象在每个所述待选区域中的施工进度需求及施工效果需求;
选择模块,用于根据所述第一多维度现场信息及所述第二多维度需求信息从所有所述待选区域中选择能够满足针对所述目标对象的图像采集需求的目标区域;
生成模块,用于根据所述第一多维度现场信息及所述第二多维度需求信息,生成所述目标区域对应的图像采集控制参数;
控制模块,用于控制所述目标区域对应的图像采集装置基于所述图像采集控制参数采集所述目标区域的图像集合,所述图像集合包括至少一个图像;
提取模块,用于对所述图像集合中的所有所述图像进行信息提取,得到图像信息集合,所述图像信息集合包括所有所述图像中每个所述图像的图像信息;
识别模块,用于将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果,所述目标识别结果包括所述目标对象;
其中,所述识别模块将所述图像信息集合中的所有所述图像的图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果的方式具体包括:
当所述图像信息集合包括多个图像信息时,计算所述图像信息集合中任意两个所述图像信息之间的信息相似度;
基于所述图像信息集合中所有所述图像信息之间的信息相似度,对所有所述图像信息进行分组,得到至少一个图像信息组,每个所述图像信息组包括一个或多个图像信息;
对于每个所述图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息;
将所有所述目标图像信息输入至训练好的目标识别模型中进行识别,得到所述目标识别模型的目标识别结果;
其中,对于每个所述图像信息组,当该图像信息组包括多个图像信息时,所述识别模块对于每个所述图像信息组,根据该图像信息组的所有图像信息,确定该图像信息组的目标图像信息的方式具体包括:
根据预设的分类算法,对所有所述图像信息组进行分类,得到第一类信息组集合及第二类信息组集合,所述第一类信息组集合为空或者所述第一类信息组集合包括至少一个所述图像信息组,所述第二类信息组集合为空或者所述第二类信息组集合包括至少一个所述图像信息组,且所述第一类信息组集合与所述第二类信息组集合不同时为空;
当所述第一类信息组集合不为空时,对于所述第一类信息组集合中的每个所述图像信息组,从该图像信息组的所有图像信息中选择其中一个,作为该图像信息组的目标图像信息;
当所述第二类信息组集合不为空时,对于所述第二类信息组集合中的每个所述图像信息组,对该图像信息组中的所有图像信息进行融合增强处理,得到该图像信息组的目标图像信息。
7.一种基于AI算法的施工现场目标对象识别装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-5任一项所述的基于AI算法的施工现场目标对象识别方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-5任一项所述的基于AI算法的施工现场目标对象识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912084.5A CN116630752B (zh) | 2023-07-25 | 2023-07-25 | 基于ai算法的施工现场目标对象识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912084.5A CN116630752B (zh) | 2023-07-25 | 2023-07-25 | 基于ai算法的施工现场目标对象识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630752A CN116630752A (zh) | 2023-08-22 |
CN116630752B true CN116630752B (zh) | 2023-11-17 |
Family
ID=87638635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310912084.5A Active CN116630752B (zh) | 2023-07-25 | 2023-07-25 | 基于ai算法的施工现场目标对象识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630752B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160109761A (ko) * | 2015-03-13 | 2016-09-21 | 서울대학교산학협력단 | 건설현장 맞춤형 이미지 분석기술을 활용한 중장비/근로자 인식 및 추적 방법 및 시스템 |
CN110738582A (zh) * | 2019-10-11 | 2020-01-31 | 广州肖宁道路工程技术研究事务所有限公司 | 基于无人机的沥青路面压实方法、装置、计算机设备 |
CN111932201A (zh) * | 2020-07-27 | 2020-11-13 | 上海地矿工程勘察有限公司 | 一种轨道交通施工监测方法、系统、存储介质及智能终端 |
CN112036755A (zh) * | 2020-09-02 | 2020-12-04 | 张海军 | 一种建筑工程质量检测的监管方法及系统 |
EP3938919A1 (en) * | 2019-04-02 | 2022-01-19 | Buildots Ltd. | Determining position of an image capture device |
CN114219687A (zh) * | 2021-11-02 | 2022-03-22 | 三峡大学 | 融合人机视觉的施工安全隐患智能识别方法 |
WO2022077237A1 (zh) * | 2020-10-13 | 2022-04-21 | 深圳市大疆创新科技有限公司 | 无人机测绘方法、装置及无人机 |
CN115578693A (zh) * | 2022-11-09 | 2023-01-06 | 广东电网有限责任公司 | 一种基于显著性神经网络模型的施工安全预警方法和装置 |
CN116259003A (zh) * | 2023-01-06 | 2023-06-13 | 苏州同企人工智能科技有限公司 | 施工场景中施工类别识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11381726B2 (en) * | 2019-09-14 | 2022-07-05 | Constru Ltd | Generating tasks from images of construction sites |
-
2023
- 2023-07-25 CN CN202310912084.5A patent/CN116630752B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160109761A (ko) * | 2015-03-13 | 2016-09-21 | 서울대학교산학협력단 | 건설현장 맞춤형 이미지 분석기술을 활용한 중장비/근로자 인식 및 추적 방법 및 시스템 |
EP3938919A1 (en) * | 2019-04-02 | 2022-01-19 | Buildots Ltd. | Determining position of an image capture device |
CN110738582A (zh) * | 2019-10-11 | 2020-01-31 | 广州肖宁道路工程技术研究事务所有限公司 | 基于无人机的沥青路面压实方法、装置、计算机设备 |
CN111932201A (zh) * | 2020-07-27 | 2020-11-13 | 上海地矿工程勘察有限公司 | 一种轨道交通施工监测方法、系统、存储介质及智能终端 |
CN112036755A (zh) * | 2020-09-02 | 2020-12-04 | 张海军 | 一种建筑工程质量检测的监管方法及系统 |
WO2022077237A1 (zh) * | 2020-10-13 | 2022-04-21 | 深圳市大疆创新科技有限公司 | 无人机测绘方法、装置及无人机 |
CN114219687A (zh) * | 2021-11-02 | 2022-03-22 | 三峡大学 | 融合人机视觉的施工安全隐患智能识别方法 |
CN115578693A (zh) * | 2022-11-09 | 2023-01-06 | 广东电网有限责任公司 | 一种基于显著性神经网络模型的施工安全预警方法和装置 |
CN116259003A (zh) * | 2023-01-06 | 2023-06-13 | 苏州同企人工智能科技有限公司 | 施工场景中施工类别识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
视觉辅助在大型半潜式起重船施工进度监测中的应用;冯书丽;《舰船科学技术》;第42卷(第7A期);第205-207页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630752A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102418596B1 (ko) | 소규모 학습 데이터 셋 기반 딥러닝 시스템과 이를 이용한 딥러닝 학습방법 | |
CN110503099B (zh) | 基于深度学习的信息识别方法及相关设备 | |
CN109903053B (zh) | 一种基于传感器数据进行行为识别的反欺诈方法 | |
CN111813997A (zh) | 入侵分析方法、装置、设备及存储介质 | |
CN114155614B (zh) | 一种作业现场反违章行为识别方法及系统 | |
CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
CN111263955A (zh) | 一种目标对象的移动轨迹确定方法和装置 | |
CN106529470A (zh) | 一种基于多级深度卷积神经网络的手势识别方法 | |
CN117058446B (zh) | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 | |
CN116189063B (zh) | 一种用于智能视频监控的关键帧优化方法及装置 | |
CN113869110A (zh) | 物品检测方法、装置、终端及计算机可读存储介质 | |
CN116630752B (zh) | 基于ai算法的施工现场目标对象识别方法及装置 | |
CN115797970B (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
CN115685825A (zh) | 建筑荷载沉降点监测系统和方法 | |
CN115690514A (zh) | 图像识别方法及相关设备 | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别系统 | |
CN112990350B (zh) | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 | |
CN113837091A (zh) | 识别方法、装置、电子设备及计算机可读存储介质 | |
CN104035866B (zh) | 基于系统调用分析的软件行为评估方法和装置 | |
CN116740819B (zh) | 基于ai算法的施工现场中施工异常行为的识别方法及装置 | |
CN116977919B (zh) | 一种着装规范的识别方法、系统、存储介质和电子设备 | |
CN115376275B (zh) | 一种基于图像处理的施工安全告警方法及系统 | |
CN113537262B (zh) | 数据分析方法、装置、设备和可读存储介质 | |
CN118037700A (zh) | 基于深度学习的线路铁塔建设实时图像分析系统 |
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 |