CN116758111A - 基于ai算法的施工现场目标物追踪方法及装置 - Google Patents

基于ai算法的施工现场目标物追踪方法及装置 Download PDF

Info

Publication number
CN116758111A
CN116758111A CN202311048048.5A CN202311048048A CN116758111A CN 116758111 A CN116758111 A CN 116758111A CN 202311048048 A CN202311048048 A CN 202311048048A CN 116758111 A CN116758111 A CN 116758111A
Authority
CN
China
Prior art keywords
tracking
target object
target
determining
dynamic
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
CN202311048048.5A
Other languages
English (en)
Other versions
CN116758111B (zh
Inventor
杨栋
曹荣
余东林
陈兆应
王正平
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.)
Zhongtong Information Service Co ltd
Original Assignee
Zhongtong Information Service 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 Zhongtong Information Service Co ltd filed Critical Zhongtong Information Service Co ltd
Priority to CN202311048048.5A priority Critical patent/CN116758111B/zh
Publication of CN116758111A publication Critical patent/CN116758111A/zh
Application granted granted Critical
Publication of CN116758111B publication Critical patent/CN116758111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (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物追踪方法及装置，该方法包括：在识别出目标物后，对目标物进行分析，得到目标物的特殊标识信息；对目标物所在的区域范围进行实时图像采集，得到图像采集结果；以特殊标识信息作为标记对象，通过预先设定好的追踪模型在图像采集结果中进行追踪，并对基于追踪模型的追踪结果进行实时标记，以实现目标物的动态追踪。可见，本发明能够对目标物进行分析得到特殊标识信息，并将特殊标识信息作为标记对象在图像采集结果进行实时标记实现实时追踪，能够提高特殊标识信息的针对性和匹配性，进而提高基于特殊标识信息的目标物标记结果的准确性和可靠性，从而提高目标物的动态追踪准确性及动态追踪可靠性。

Description

基于AI算法的施工现场目标物追踪方法及装置
技术领域
本发明涉及施工现场监测领域，尤其涉及一种基于AI算法的施工现场目标物追踪方法及装置。
背景技术
随着城市建设速度的加快及施工规模的不断增大，使得施工难度不断加大、施工技术逐渐复杂化，因此，在项目建设过程中需要时常对施工现场进行检查和管理，具体的，是对施工现场中的施工人员、施工设备进行追踪监测。
当前，针对施工现场中的施工人员、施工设备的追踪监测方式主要为管理人员人为通过肉眼及主观意识对施工人员、施工设备进行追踪监测，并将肉眼观看到的图像自主转换为追踪监测信息，追踪监测信息容易受人为主观性影响，所得到的追踪监测结果的准确性和可靠性低。可见，提供一种新的针对施工现场的施工人员、施工设备的追踪方式以提高追踪准确性和追踪可靠性显得尤为重要。
发明内容
本发明内容所要解决的技术问题在于，提供一种基于AI算法的施工现场目标物追踪方法及装置，能够提高施工现场的目标物的追踪准确性及追踪可靠性。
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物追踪方法，所述方法包括：
在识别出目标物后，对所述目标物进行分析，得到所述目标物的特殊标识信息；
对所述目标物所在的区域范围进行实时图像采集，得到图像采集结果；
以所述特殊标识信息作为标记对象，通过预先设定好的追踪模型在所述图像采集结果中进行追踪，并对基于所述追踪模型的追踪结果进行实时标记，以实现所述目标物的动态追踪。
作为一种可选的实施方式，在本发明第一方面中，所述对所述目标物进行分析，得到所述目标物的特殊标识信息，包括：
根据所述目标物所处区域范围的环境信息，确定处于所述区域范围中的至少一个主体对象，所有所述主体对象包括所述目标物；
根据所有所述主体对象，确定所述目标物的区别特征，并根据所有所述区别特征，确定所述目标物对应的第一区分度；
确定所述目标物所处区域范围的追踪需求，并根据所述追踪需求，确定所述目标物对应的第二区分度；
根据所述第一区分度及所述第二区分度，确定所述目标物对应的追踪标识类型，并根据所述追踪标识类型及所述目标物对应的属性，对所述目标物进行分析，得到所述目标物的特殊标识信息；
其中，所述追踪标识类型包括第一标识类型或者第二标识类型；所述第一标识类型对应的标识区分度大于所述第二标识类型对应的标识区分度。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述追踪需求，确定所述目标物对应的第二区分度，包括：
根据所述追踪需求，确定所述目标物对应的追踪目的；
根据所述追踪需求及所述追踪目的，确定所述目标物对应的追踪要求；
根据所述追踪目的及所述追踪要求，分析所述目标物对应的第二区分度；
以及，所述根据所述第一区分度及所述第二区分度，确定所述目标物对应的追踪标识类型，包括：
根据所述第一区分度及所述第二区分度，分析所述目标物的标识区分度；
当所述目标物的标识区分度大于等于标识区分度阈值时，确定所述目标物对应的追踪标识类型包括所述第一标识类型；
当所述目标物的标识区分度小于标识区分度阈值时，确定所述目标物对应的追踪标识类型包括所述第二标识类型。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述追踪标识类型及所述目标物对应的属性，对所述目标物进行分析，得到所述目标物的特殊标识信息，包括：
确定所述目标物所在的区域范围对应的区域情况；所述区域情况包括处于所述区域范围中的对象密集情况和/或对象分布情况，所述对象密集情况包括对象类型密集情况和/或对象数量密集情况；
根据所述追踪标识类型、所述目标物对应的属性及所述区域情况，分析与所述目标物相匹配的目标标识集合，所述目标标识集合包括一个或多个目标标识；
对于每一所述目标标识，对所述目标物进行分析，得到该目标标识对应的标识信息，并根据所有所述目标标识对应的标识信息，确定所述目标物的特殊标识信息；
以及，所述根据所述追踪标识类型、所述目标物对应的属性及所述区域情况，分析与所述目标物相匹配的目标标识集合，包括：
根据所述追踪标识类型及所述区域情况，分析所述目标物对应的追踪影响因子情况，所述追踪影响因子情况包括追踪影响因子类型情况和/或追踪影响因子数量情况；
根据所述追踪影响因子情况，确定所述目标物对应的目标标识数量，并根据所述目标标识数量及所述追踪影响因子情况，从预设的标识集合中确定出至少一个相匹配的目标标识；
根据所有所述目标标识确定出与所述目标物相匹配的目标标识集合。
作为一种可选的实施方式，在本发明第一方面中，在所述以所述特殊标识信息作为标记对象，通过预先设定好的追踪模型在所述图像采集结果中进行追踪，并对基于所述追踪模型的追踪结果进行实时标记，以实现所述目标物的动态追踪之后，所述方法还包括：
当存在与所述目标物存在关联关系的智能施工设备时，确定所述目标物对应的动态追踪结果；
根据所述动态追踪结果，判断所述目标物是否满足预设的协同控制条件；
当判断结果为是时，根据所述动态追踪结果，生成所述智能施工设备的控制参数，以实现所述目标物与所述智能施工设备的协同控制。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述动态追踪结果，判断所述目标物是否满足预设的协同控制条件，包括：
根据所述动态追踪结果，确定所述目标物与所述智能施工设备间的位置关系，并判断所述位置关系是否满足预设的位置要求；
当判断出所述位置关系满足所述位置要求时，确定所述目标物满足预设的协同控制条件；
当判断出所述位置关系不满足所述位置要求时，根据所述动态追踪结果，分析所述目标物针对目标参数的实际动态变化情况，并根据所述实际动态变化情况，预测所述目标参数对应的动态变化趋势；
根据所述实际动态变化情况及所述动态变化趋势，判断所述目标物是否满足预设的动态触发条件；
当判断出所述目标物满足所述动态触发条件时，确定所述目标物满足预设的协同控制条件；
当判断出所述目标物不满足所述动态触发条件时，确定所述目标物不满足预设的协同控制条件；
以及，所述根据所述实际动态变化情况及所述动态变化趋势，判断所述目标物是否满足预设的动态触发条件，包括：
根据所述实际动态变化情况，确定所述目标参数对应的实际变化曲线，并判断所述实际变化曲线是否与预设变化曲线相匹配；
当判断出所述实际变化曲线与所述预设变化曲线相匹配时，确定所述目标物满足预设的动态触发条件；
当判断出所述实际变化曲线与所述预设变化曲线不匹配时，根据所述动态变化趋势，分析所述目标参数的预测变化特征，并判断所述预测变化特征是否处于预设变化特征集合中；
当判断出所述预测变化特征处于所述预设变化特征集合中时，确定所述目标物满足预设的动态触发条件；
当判断出所述预测变化特征不处于所述预设变化特征集合中时，确定所述目标物不满足预设的动态触发条件。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述动态追踪结果，生成所述智能施工设备的控制参数，包括：
确定出所述目标物与所述智能施工设备的历史交互数据，并根据所述目标物与所述智能施工设备所对应的关联关系、所述动态追踪结果及所述历史交互数据，分析所述智能施工设备的第一协同控制需求；
根据所述智能施工设备对应的实时运行信息及实时控制信息，确定所述智能施工设备的第二协同控制需求；
根据所述第一协同控制需求及所述第二协同控制需求，分析所述智能施工设备对应的预测协同控制需求；
根据所述预测协同控制需求，生成所述智能施工设备的控制参数。
本发明第二方面公开了一种基于AI算法的施工现场目标物追踪装置，所述装置包括：
分析模块，用于在识别出目标物后，对所述目标物进行分析，得到所述目标物的特殊标识信息；
图像采集模块，用于对所述目标物所在的区域范围进行实时图像采集，得到图像采集结果；
追踪模块，以所述特殊标识信息作为标记对象，通过预先设定好的追踪模型在所述图像采集结果中进行追踪，并对基于所述追踪模型的追踪结果进行实时标记，以实现所述目标物的动态追踪。
作为一种可选的实施方式，在本发明第二方面中，所述分析模块对所述目标物进行分析，得到所述目标物的特殊标识信息的方式具体包括：
根据所述目标物所处区域范围的环境信息，确定处于所述区域范围中的至少一个主体对象，所有所述主体对象包括所述目标物；
根据所有所述主体对象，确定所述目标物的区别特征，并根据所有所述区别特征，确定所述目标物对应的第一区分度；
确定所述目标物所处区域范围的追踪需求，并根据所述追踪需求，确定所述目标物对应的第二区分度；
根据所述第一区分度及所述第二区分度，确定所述目标物对应的追踪标识类型，并根据所述追踪标识类型及所述目标物对应的属性，对所述目标物进行分析，得到所述目标物的特殊标识信息；
其中，所述追踪标识类型包括第一标识类型或者第二标识类型；所述第一标识类型对应的标识区分度大于所述第二标识类型对应的标识区分度。
作为一种可选的实施方式，在本发明第二方面中，所述分析模块根据所述追踪需求，确定所述目标物对应的第二区分度的方式具体包括：
根据所述追踪需求，确定所述目标物对应的追踪目的；
根据所述追踪需求及所述追踪目的，确定所述目标物对应的追踪要求；
根据所述追踪目的及所述追踪要求，分析所述目标物对应的第二区分度；
以及，所述分析模块根据所述第一区分度及所述第二区分度，确定所述目标物对应的追踪标识类型的方式具体包括：
根据所述第一区分度及所述第二区分度，分析所述目标物的标识区分度；
当所述目标物的标识区分度大于等于标识区分度阈值时，确定所述目标物对应的追踪标识类型包括所述第一标识类型；
当所述目标物的标识区分度小于标识区分度阈值时，确定所述目标物对应的追踪标识类型包括所述第二标识类型。
作为一种可选的实施方式，在本发明第二方面中，所述分析模块根据所述追踪标识类型及所述目标物对应的属性，对所述目标物进行分析，得到所述目标物的特殊标识信息的方式具体包括：
确定所述目标物所在的区域范围对应的区域情况；所述区域情况包括处于所述区域范围中的对象密集情况和/或对象分布情况，所述对象密集情况包括对象类型密集情况和/或对象数量密集情况；
根据所述追踪标识类型、所述目标物对应的属性及所述区域情况，分析与所述目标物相匹配的目标标识集合，所述目标标识集合包括一个或多个目标标识；
对于每一所述目标标识，对所述目标物进行分析，得到该目标标识对应的标识信息，并根据所有所述目标标识对应的标识信息，确定所述目标物的特殊标识信息；
以及，所述分析模块根据所述追踪标识类型、所述目标物对应的属性及所述区域情况，分析与所述目标物相匹配的目标标识集合的方式具体包括：
根据所述追踪标识类型及所述区域情况，分析所述目标物对应的追踪影响因子情况，所述追踪影响因子情况包括追踪影响因子类型情况和/或追踪影响因子数量情况；
根据所述追踪影响因子情况，确定所述目标物对应的目标标识数量，并根据所述目标标识数量及所述追踪影响因子情况，从预设的标识集合中确定出至少一个相匹配的目标标识；
根据所有所述目标标识确定出与所述目标物相匹配的目标标识集合。
作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：
协同控制模块，用于在所述追踪模块以所述特殊标识信息作为标记对象，通过预先设定好的追踪模型在所述图像采集结果中进行追踪，并对基于所述追踪模型的追踪结果进行实时标记，以实现所述目标物的动态追踪之后，当存在与所述目标物存在关联关系的智能施工设备时，确定所述目标物对应的动态追踪结果；
根据所述动态追踪结果，判断所述目标物是否满足预设的协同控制条件；
当判断结果为是时，根据所述动态追踪结果，生成所述智能施工设备的控制参数，以实现所述目标物与所述智能施工设备的协同控制。
作为一种可选的实施方式，在本发明第二方面中，所述协同控制模块根据所述动态追踪结果，判断所述目标物是否满足预设的协同控制条件的方式具体包括：
根据所述动态追踪结果，确定所述目标物与所述智能施工设备间的位置关系，并判断所述位置关系是否满足预设的位置要求；
当判断出所述位置关系满足所述位置要求时，确定所述目标物满足预设的协同控制条件；
当判断出所述位置关系不满足所述位置要求时，根据所述动态追踪结果，分析所述目标物针对目标参数的实际动态变化情况，并根据所述实际动态变化情况，预测所述目标参数对应的动态变化趋势；
根据所述实际动态变化情况及所述动态变化趋势，判断所述目标物是否满足预设的动态触发条件；
当判断出所述目标物满足所述动态触发条件时，确定所述目标物满足预设的协同控制条件；
当判断出所述目标物不满足所述动态触发条件时，确定所述目标物不满足预设的协同控制条件；
以及，所述协同控制模块根据所述实际动态变化情况及所述动态变化趋势，判断所述目标物是否满足预设的动态触发条件的方式具体包括：
根据所述实际动态变化情况，确定所述目标参数对应的实际变化曲线，并判断所述实际变化曲线是否与预设变化曲线相匹配；
当判断出所述实际变化曲线与所述预设变化曲线相匹配时，确定所述目标物满足预设的动态触发条件；
当判断出所述实际变化曲线与所述预设变化曲线不匹配时，根据所述动态变化趋势，分析所述目标参数的预测变化特征，并判断所述预测变化特征是否处于预设变化特征集合中；
当判断出所述预测变化特征处于所述预设变化特征集合中时，确定所述目标物满足预设的动态触发条件；
当判断出所述预测变化特征不处于所述预设变化特征集合中时，确定所述目标物不满足预设的动态触发条件。
作为一种可选的实施方式，在本发明第二方面中，所述协同控制模块根据所述动态追踪结果，生成所述智能施工设备的控制参数的方式具体包括：
确定出所述目标物与所述智能施工设备的历史交互数据，并根据所述目标物与所述智能施工设备所对应的关联关系、所述动态追踪结果及所述历史交互数据，分析所述智能施工设备的第一协同控制需求；
根据所述智能施工设备对应的实时运行信息及实时控制信息，确定所述智能施工设备的第二协同控制需求；
根据所述第一协同控制需求及所述第二协同控制需求，分析所述智能施工设备对应的预测协同控制需求；
根据所述预测协同控制需求，生成所述智能施工设备的控制参数。
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物追踪装置，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一种基于AI算法的施工现场目标物追踪方法。
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一种基于AI算法的施工现场目标物追踪方法。
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，在识别出目标物后，对该目标物进行分析，得到该目标物的特殊标识信息；对该目标物所在的区域范围进行实时图像采集，得到图像采集结果；以该特殊标识信息作为标记对象，通过预先设定好的追踪模型在该图像采集结果中进行追踪，并对基于该追踪模型的追踪结果进行实时标记，以实现该目标物的动态追踪。可见，本发明能够对目标物进行分析得到目标物的特殊标识信息，并将目标物的特殊标识信息作为标记对象在图像采集结果进行实时标记以实现目标物的动态追踪，有利于提高确定出的特殊标识信息的针对性和匹配性，进而有利于提高基于特殊标识信息的目标物标记结果的准确性和可靠性，从而有利于提高目标物的动态追踪准确性及动态追踪可靠性。
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物追踪方法的流程示意图；
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物追踪方法的流程示意图；
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物追踪装置的结构示意图；
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物追踪装置的结构示意图；
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物追踪装置的结构示意图。
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物追踪方法及装置，能够对目标物进行分析得到目标物的特殊标识信息，并将目标物的特殊标识信息作为标记对象在图像采集结果进行实时标记以实现目标物的动态追踪，有利于提高确定出的特殊标识信息的针对性和匹配性，进而有利于提高基于特殊标识信息的目标物标记结果的准确性和可靠性，从而有利于提高目标物的动态追踪准确性及动态追踪可靠性。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物追踪方法的流程示意图。其中，图1所描述的方法可以应用于基于AI算法的施工现场目标物追踪装置，其中，该装置可以包括服务器，其中，服务器包括本地服务器或者云服务器，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物追踪方法包括以下操作：
101、在识别出目标物后，对目标物进行分析，得到目标物的特殊标识信息。
可选的，目标物包括任何处于施工现场中的主体和/或与施工现场有关联关系的主体，举例说明：处于施工现场中的人员或动物、在场外负责监控施工现场的人员、处于施工现场中的设备、处于施工现场中的施工物（如施工泥沙等）、影响施工现场的施工情况的场外设备等，此处不再一一举例赘述。
102、对目标物所在的区域范围进行实时图像采集，得到图像采集结果。
可选的，目标物所在的区域范围可以是施工现场，也可以是与施工现场有关联的其它区域，本发明实施例不做限定。
103、以特殊标识信息作为标记对象，通过预先设定好的追踪模型在图像采集结果中进行追踪，并对基于追踪模型的追踪结果进行实时标记，以实现目标物的动态追踪。
可选的，上述目标物的动态追踪，举例说明：以特殊标识信息作为标记对象，对每一实时图像进行标记得到每一实时图像的标记结果，根据所有实时图像的标记图像确定出目标物的动态追踪结果，本发明实施例不做限定。
可选的，可以是不同实时图像所对应的特殊标识信息不同，也可以是不同实时图像皆为同一特殊标识信息，本发明实施例不做限定。
可见，实施本发明实施例所描述的基于AI算法的施工现场目标物追踪方法能够对目标物进行分析得到目标物的特殊标识信息，并将目标物的特殊标识信息作为标记对象在图像采集结果进行实时标记以实现目标物的动态追踪，有利于提高确定出的特殊标识信息的针对性和匹配性，进而有利于提高基于特殊标识信息的目标物标记结果的准确性和可靠性，从而有利于提高目标物的动态追踪准确性及动态追踪可靠性。
在一个可选的实施例中，上述对目标物进行分析，得到目标物的特殊标识信息，可以包括：
根据目标物所处区域范围的环境信息，确定处于区域范围中的至少一个主体对象，所有主体对象包括目标物；
根据所有主体对象，确定目标物的区别特征，并根据所有区别特征，确定目标物对应的第一区分度；
确定目标物所处区域范围的追踪需求，并根据追踪需求，确定目标物对应的第二区分度；
根据第一区分度及第二区分度，确定目标物对应的追踪标识类型，并根据追踪标识类型及目标物对应的属性，对目标物进行分析，得到目标物的特殊标识信息；
其中，追踪标识类型包括第一标识类型或者第二标识类型；第一标识类型对应的标识区分度大于第二标识类型对应的标识区分度。
进一步可选的，上述根据目标物所处区域范围的环境信息，确定处于区域范围中的至少一个主体对象，可以包括：
根据目标物所处区域范围的环境信息，确定区域范围对应的环境图像，并确定环境图像中所存在的图像主体对象；根据所有图像主体对象，确定处于区域范围中的至少一个主体对象；或者，
根据目标物所处区域范围的环境信息，分析区域范围的当前场景信息；根据当前场景信息，分析当前场景所需的场景主体对象；根据所有场景主体对象，确定处于区域范围中的至少一个主体对象。
可选的，上述主体对象，可以是按照不同划分条件进行类群划分，也可以是按照个体进行划分，本发明实施例不做限定。
可选的，上述主体对象及目标物，举例说明：比如施工现场中有多个人员，若目标物是多个人员中的某一人员，则目标物需要较高的第一区分度；又比如施工现场中有一个人员及至少一个施工设备，若目标物是该人员，则目标物不需要较高的第一区分度，其它情况同理可得，此处不再一一举例赘述。
进一步可选的，上述根据所有区别特征，确定目标物对应的第一区分度，可以包括：
根据所有区别特征，确定所有区别特征对应的特征情况，特征情况包括特征数量情况和/或特征专属性情况；
根据特征情况，确定目标物对应的第一区分度。
进一步可选的，上述根据特征情况，确定目标物对应的第一区分度，可以包括：
当特征情况包括特征数量情况时，根据特征数量情况，确定目标物对应的第一区分度；其中，当特征数量情况用于表示所有区别特征对应的特征数量大于等于预设的特征数量阈值时第一区分度小于等于预设的第一区分度阈值，当特征数量情况用于表示所有区别特征对应的特征数量小于预设的特征数量阈值时第一区分度大于预设的第一区分度阈值；
当特征情况包括特征专属性情况时，根据特征专属性情况，确定目标物对应的第一区分度；其中，当特征专属性情况用于表示所有区别特征对应的专属性大于等于预设的专属性阈值时第一区分度小于等于预设的第一区分度阈值，当特征专属性情况用于表示所有区别特征对应的专属性小于预设的专属性阈值时第一区分度大于预设的第一区分度阈值。
可选的，上述根据特征情况，确定目标物对应的第一区分度，举例说明：针对特征情况包括特征数量情况，当目标物在施工现场中存在较多的区别特征时所需的第一区分度较低，当目标物在施工现场中存在较少的区别特征时所需的第一区分度较高，也可以理解为目标物的区别特征较多时更容易区分出目标物与其它主体对象，目标物的特殊标识可以并非必须是专属类型；针对特征情况包括特征专属性情况，当目标物的区别特征在施工现场中是独一无二的，也即检测到该区别特征则能确认目标物时，所需的第一区分度则较低，当通过区别特征在施工现场中对目标物进行识别较容易识别错误时则专属性较低，所需的第一区分度较高，其它情况同理可得，此处不再一一举例赘述。
可选的，上述第一标识类型所对应的标识可以理解为更具针对性、一对一的标识，举例说明：针对目标物为人员、动物时，第一标识类型所对应的标识可以是五官标识、瞳孔标识、专属习惯标识、专属工作号码标识、专属身体检测参数、声音标识、言语标识、指纹标识、虹膜标识等；针对目标物为物品时，第一标识类型可以是物品的专属检测参数标识、物品的专属号码标识等，此处不再一一举例赘述。
可选的，上述第二标识类型所对应的标识可以理解为区分性较低的标识，举例说明：针对目标物为人员、动物时，第二标识类型所对应的标识可以是性别标识、所涉及施工领域的标识、施工权限级别的标识等；针对目标物为物品时，第二标识类型所对应的标识可以是所涉及施工领域的标识、施工权限级别的标识、非专属的检测参数标识等，此处不再一一举例赘述。
可见，该可选的实施例能够根据区别特征确定出第一区分度并根据追踪需求确定出第二区分度，根据第一区分度及第二区分度确定出追踪标识类型，进而确定出目标物的特殊标识信息，有利于提高特殊标识信息确定方式的全面性和合理性，以及还有利于提高特殊标识信息的确定参数的多样性，进而有利于提高确定出的特殊标识信息的准确性和可靠性，从而有利于提高后续基于特殊标识信息的目标物标记准确性和标记可靠性。
在另一个可选的实施例中，上述根据追踪需求，确定目标物对应的第二区分度，可以包括：
根据追踪需求，确定目标物对应的追踪目的；
根据追踪需求及追踪目的，确定目标物对应的追踪要求；
根据追踪目的及追踪要求，分析目标物对应的第二区分度。
可选的，上述追踪需求，可以包括但不限于追踪时长需求、追踪方式需求、追踪间隔需求、追踪效果需求、追踪结果需求、追踪过程需求、追踪用处需求、追踪限制内容需求、追踪精准度需求、追踪效率需求、追踪合理性需求、追踪便捷性需求、追踪实时性需求等中的一种或多种，本发明实施例不做限定。
可选的，上述追踪要求，可以包括但不限于追踪时长要求、追踪方式要求、追踪间隔要求、追踪效果要求、追踪结果要求、追踪过程要求、追踪限制要求、追踪精准度要求、追踪效率要求、追踪合理性要求、追踪便捷性要求、追踪实时性要求等中的一种或多种，本发明实施例不做限定。
可见，该可选的实施例能够根据确定出的追踪目的及追踪要求分析出目标物的第二区分度，有利于提高第二区分度确定方式的合理性和全面性，进而有利于提高第二区分度的确定参数的多样性和合理性，从而有利于提高确定出的第二区分度的准确性和可靠性。
在又一个可选的实施例中，上述根据第一区分度及第二区分度，确定目标物对应的追踪标识类型，可以包括：
根据第一区分度及第二区分度，分析目标物的标识区分度；
当目标物的标识区分度大于等于标识区分度阈值时，确定目标物对应的追踪标识类型包括第一标识类型；
当目标物的标识区分度小于标识区分度阈值时，确定目标物对应的追踪标识类型包括第二标识类型。
可选的，上述根据第一区分度及第二区分度，分析目标物的标识区分度，可以包括但不限于：计算第一区分度及第二区分度的平均值作为目标物的标识区分度、取第一区分度及第二区分度中数值高的目标区分度作为目标物的标识区分度、取第一区分度及第二区分度中数值低的目标区分度作为目标物的标识区分度、根据权重设定条件确定第一区分度及第二区分度所对应的权重值并根据权重值和第一区分度和第二区分度计算目标物的标识区分度等中的一种或多种，本发明实施例不做限定。
可见，该可选的实施例能够根据第一区分度及第二区分度确定出目标物的标识区分度，并根据标识区分度与标识区分度阈值的大小关系确定目标物的追踪标识类型，有利于提高追踪标识类型确定方式的全面性和合理性，进而有利于提高确定出的追踪标识类型的准确性和可靠性。
在又一个可选的实施例中，上述根据追踪标识类型及目标物对应的属性，对目标物进行分析，得到目标物的特殊标识信息，可以包括：
确定目标物所在的区域范围对应的区域情况；区域情况包括处于区域范围中的对象密集情况和/或对象分布情况，对象密集情况包括对象类型密集情况和/或对象数量密集情况；
根据追踪标识类型、目标物对应的属性及区域情况，分析与目标物相匹配的目标标识集合，目标标识集合包括一个或多个目标标识；
对于每一目标标识，对目标物进行分析，得到该目标标识对应的标识信息，并根据所有目标标识对应的标识信息，确定目标物的特殊标识信息。
可选的，上述对象类型密集情况可以理解为处于区域范围中的一个或多个主体对象所对应的类型情况以及该类型的密集情况，本发明实施例不做限定。
可选的，上述对象数量密集情况可以理解为处于区域范围中的一个或多个对象聚集子区域的数量情况以及该对象聚集子区域的密集情况，本发明实施例不做限定。
可选的，上述对象分布情况可以理解为处于区域范围中的一个或多个主体对象在区域范围中的位置分布情况和/或按照其它划分条件的分布情况，进一步的，其它划分条件可以包括但不限于施工负责领域划分条件、施工等级划分条件、施工负责设备划分条件、施工年限划分条件、施工职位划分条件及其它涉及施工相关信息的划分条件等中的一种或多种，本发明实施例不做限定。
可见，该可选的实施例能够确定出与目标物相匹配的一个或多个目标标识，并确定每一目标标识对应的标识信息进而确定出目标物的特殊标识信息，有利于提高确定出的目标标识的标识信息的多样性和全面性，进而有利于提高确定出的目标物的特殊标识信息的全面性和准确性，从而有利于提高特殊标识信息的特殊性和针对性。
在又一个可选的实施例中，上述根据追踪标识类型、目标物对应的属性及区域情况，分析与目标物相匹配的目标标识集合，可以包括：
根据追踪标识类型及区域情况，分析目标物对应的追踪影响因子情况，追踪影响因子情况包括追踪影响因子类型情况和/或追踪影响因子数量情况；
根据追踪影响因子情况，确定目标物对应的目标标识数量，并根据目标标识数量及追踪影响因子情况，从预设的标识集合中确定出至少一个相匹配的目标标识；
根据所有目标标识确定出与目标物相匹配的目标标识集合。
可选的，上述追踪影响因子可以理解为：会对动态追踪目标物的追踪精准性、追踪效率产生影响的因子，本发明实施例不做限定。
可选的，上述根据追踪影响因子情况，确定目标物对应的目标标识数量，可以理解为：当追踪影响因子类型情况及追踪影响因子数量情况用于表示受追踪影响程度越高，则目标物对应的目标标识数量越多，进一步的，所选择出的目标标识的抵抗影响力也要更强，本发明实施例不做限定。
可见，该可选的实施例能够确定出目标物的追踪影响因子情况，并根据目标标识数量及追踪影响因子情况确定出目标标识集合，有利于提高目标标识集合确定方式的全面性和合理性，进而有利于提高确定出的相匹配的目标标识的合理性、准确性和可靠性，从而有利于提高确定出的目标标识集合的准确性和可靠性。
实施例二
请参阅图2，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物追踪方法的流程示意图。其中，图2所描述的方法可以应用于基于AI算法的施工现场目标物追踪装置，其中，该装置可以包括服务器，其中，服务器包括本地服务器或者云服务器，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物追踪方法包括以下操作：
201、在识别出目标物后，对目标物进行分析，得到目标物的特殊标识信息。
202、对目标物所在的区域范围进行实时图像采集，得到图像采集结果。
203、以特殊标识信息作为标记对象，通过预先设定好的追踪模型在图像采集结果中进行追踪，并对基于追踪模型的追踪结果进行实时标记，以实现目标物的动态追踪。
204、当存在与目标物存在关联关系的智能施工设备时，确定目标物对应的动态追踪结果。
可选的，上述关联关系可以包括但不限于交互关系、施工功能的关联关系、施工操作的关联关系、施工人员的关联关系、施工设备的关联关系、施工物的关联关系及其它与施工相关的关系等中的一种或多种，本发明实施例不做限定。
进一步可选的，上述动态追踪结果可以理解为：对基于追踪模型的追踪结果进行实时标记所得到的实时标记结果，并通过所有实时标记结果得到目标物对应的动态追踪结果，本发明实施例不做限定。
205、根据动态追踪结果，判断目标物是否满足预设的协同控制条件。
进一步可选的，当判断出目标物不满足协同控制条件时，再次执行步骤204，或者，再次执行步骤201，本发明实施例不做限定。
206、当判断结果为是时，根据动态追踪结果，生成智能施工设备的控制参数，以实现目标物与智能施工设备的协同控制。
进一步可选的，根据控制参数，控制智能施工设备执行相匹配的操作，本发明实施例不做限定，
本发明实施例中，针对步骤201-步骤203的其它描述，请参照实施例一中针对步骤101-步骤103的其他详细描述，本发明实施例不再赘述。
可见，本发明实施例能够对目标物进行分析得到目标物的特殊标识信息，并将目标物的特殊标识信息作为标记对象在图像采集结果进行实时标记以实现目标物的动态追踪，有利于提高确定出的特殊标识信息的针对性和匹配性，进而有利于提高基于特殊标识信息的目标物标记结果的准确性和可靠性，从而有利于提高目标物的动态追踪准确性及动态追踪可靠性；以及，还能够提供智能施工设备的协同控制方式，根据目标物的动态追踪结果生成智能施工设备的控制参数，有利于提高动态追踪结果的功能性和应用性，以及还有利于提高智能施工设备的协同控制方式的全面性和合理性，进而有利于提高确定出的智能施工设备的控制参数的准确性和可靠性，从而有利于提高智能施工设备的协同控制准确性和协同控制可靠性。
在一个可选的实施例中，上述根据动态追踪结果，判断目标物是否满足预设的协同控制条件，可以包括：
根据动态追踪结果，确定目标物与智能施工设备间的位置关系，并判断位置关系是否满足预设的位置要求；
当判断出位置关系满足位置要求时，确定目标物满足预设的协同控制条件；
当判断出位置关系不满足位置要求时，根据动态追踪结果，分析目标物针对目标参数的实际动态变化情况，并根据实际动态变化情况，预测目标参数对应的动态变化趋势；
根据实际动态变化情况及动态变化趋势，判断目标物是否满足预设的动态触发条件；
当判断出目标物满足动态触发条件时，确定目标物满足预设的协同控制条件；
当判断出目标物不满足动态触发条件时，确定目标物不满足预设的协同控制条件。
进一步可选的，上述位置关系满足位置要求的情况可以包括但不限于：目标物与智能施工设备的方位关系满足方位要求、目标物与智能施工设备的间隔距离处于间隔距离要求范围内、目标物的实时位置处于智能施工设备对应的触发协同控制区域内等中的一种或多种，本发明实施例不做限定。
可选的，目标参数可以包括但不限于路线参数、行为参数、动作参数及其它涉及动态变化的参数等中的一种或多种，本发明实施例不做限定。
可选的，上述实际动态变化情况及上述动态变化趋势，举例说明：比如针对目标参数包括路线参数时，实际动态变化情况可以是目标物的实际动态路线，动态变化趋势可以是目标物的下一时段的预测路线；又比如针对目标参数包括行为动作参数，实际动态变化情况可以是目标物的实际行为动作，动态变化趋势可以是目标物的下一时段的预测行为动作，其它情况同理可得，此处不再一一举例赘述。
可见，该可选的实施例能够根据位置要求及动态触发要求两个层面确定目标物的协同控制条件满足情况，有利于提高协同控制条件满足情况确定方式的合理性和全面性，进而有利于提高确定出的协同控制条件满足情况的准确性和可靠性，从而有利于提高后续目标物与智能施工设备的协同控制及时性和协同控制可靠性。
在另一个可选的实施例中，上述根据实际动态变化情况及动态变化趋势，判断目标物是否满足预设的动态触发条件，包括：
根据实际动态变化情况，确定目标参数对应的实际变化曲线，并判断实际变化曲线是否与预设变化曲线相匹配；
当判断出实际变化曲线与预设变化曲线相匹配时，确定目标物满足预设的动态触发条件；
当判断出实际变化曲线与预设变化曲线不匹配时，根据动态变化趋势，分析目标参数的预测变化特征，并判断预测变化特征是否处于预设变化特征集合中；
当判断出预测变化特征处于预设变化特征集合中时，确定目标物满足预设的动态触发条件；
当判断出预测变化特征不处于预设变化特征集合中时，确定目标物不满足预设的动态触发条件。
可选的，上述判断实际变化曲线是否与预设变化曲线相匹配，举例说明：针对目标参数为路线参数时，当目标物的实际路线与预设的标准路线相同则实际变化曲线与预设变化曲线相匹配，当目标物的实际路线与预设的标准路线不同则实际变化曲线与预设变化曲线不匹配，针对目标参数为行为参数、动作参数同理可得，此处不再一一以举例赘述。
可选的，上述判断预测变化特征是否处于预设变化特征集合中，举例说明：比如针对目标参数为路线参数时，当目标物的下一时刻的预测到达位置处于预设的目标位置时，确定预测变化特征处于预设变化特征集合；又比如针对目标参数为动作参数时，当目标物的下一时刻的预测动作与预设的目标动作相同时，确定预测变化特征处于预设变化特征集合，针对行为参数及其它情况同理可得，此处不再一一举例赘述。
可见，该可选的实施例能够根据变化曲线及变化特征两个层面确定目标物的动态触发条件满足情况，有利于提高动态触发条件满足情况确定方式的合理性和全面性，进而有利于提高确定出的动态触发条件满足情况的准确性和可靠性。
在又一个可选的实施例中，上述根据动态追踪结果，生成智能施工设备的控制参数，可以包括：
确定出目标物与智能施工设备的历史交互数据，并根据目标物与智能施工设备所对应的关联关系、动态追踪结果及历史交互数据，分析智能施工设备的第一协同控制需求；
根据智能施工设备对应的实时运行信息及实时控制信息，确定智能施工设备的第二协同控制需求；
根据第一协同控制需求及第二协同控制需求，分析智能施工设备对应的预测协同控制需求；
根据预测协同控制需求，生成智能施工设备的控制参数。
可选的，上述第一协同控制需求、上述第二协同控制需求及上述预测协同控制需求，举例说明：第一协同控制需求可以为智能施工设备的计划下达指令的协同控制操作，第二协同控制需求可以为智能施工设备的已下达指令的协同控制操作，预测协同控制需求可以为综合计划下达指令的协同控制操作及已下达指令的协同控制操作所对应的最终协同控制操作，本发明实施例不做限定。
可选的，上述根据第一协同控制需求及第二协同控制需求，分析智能施工设备对应的预测协同控制需求，可以包括：
根据第一协同控制需求及第二协同控制需求，确定对立控制信息，对立控制信息包括冲突控制信息和/或重复控制信息；
根据对立控制信息，确定相匹配的应对控制信息；
根据应对控制信息、第一协同控制需求及第二协同控制需求，分析智能施工设备对应的预测协同控制需求。
可见，该可选的实施例能够根据确定出的智能施工设备的第一协同控制需求及第二协同控制需求确定出预测协同控制需求，进一步生成智能施工设备的控制参数，有利于提高确定出的预测协同控制需求的完整性和准确性，进而有利于提高生成的控制参数的精准性和可靠性，从而有利于提高基于控制参数的智能施工设备的控制准确性和控制可靠性。
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物追踪装置的结构示意图。其中，图3所描述的装置可以包括服务器，其中，服务器包括本地服务器或者云服务器，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物追踪装置可以包括：
分析模块301，用于在识别出目标物后，对目标物进行分析，得到目标物的特殊标识信息。
图像采集模块302，用于对目标物所在的区域范围进行实时图像采集，得到图像采集结果。
追踪模块303，以特殊标识信息作为标记对象，通过预先设定好的追踪模型在图像采集结果中进行追踪，并对基于追踪模型的追踪结果进行实时标记，以实现目标物的动态追踪。
可见，实施图3所描述的基于AI算法的施工现场目标物追踪装置能够对目标物进行分析得到目标物的特殊标识信息，并将目标物的特殊标识信息作为标记对象在图像采集结果进行实时标记以实现目标物的动态追踪，有利于提高确定出的特殊标识信息的针对性和匹配性，进而有利于提高基于特殊标识信息的目标物标记结果的准确性和可靠性，从而有利于提高目标物的动态追踪准确性及动态追踪可靠性。
在另一个可选的实施例中，分析模块301对目标物进行分析，得到目标物的特殊标识信息的方式具体包括：
根据目标物所处区域范围的环境信息，确定处于区域范围中的至少一个主体对象，所有主体对象包括目标物；
根据所有主体对象，确定目标物的区别特征，并根据所有区别特征，确定目标物对应的第一区分度；
确定目标物所处区域范围的追踪需求，并根据追踪需求，确定目标物对应的第二区分度；
根据第一区分度及第二区分度，确定目标物对应的追踪标识类型，并根据追踪标识类型及目标物对应的属性，对目标物进行分析，得到目标物的特殊标识信息；
其中，追踪标识类型包括第一标识类型或者第二标识类型；第一标识类型对应的标识区分度大于第二标识类型对应的标识区分度。
可见，实施图4所描述的装置能够根据区别特征确定出第一区分度并根据追踪需求确定出第二区分度，根据第一区分度及第二区分度确定出追踪标识类型，进而确定出目标物的特殊标识信息，有利于提高特殊标识信息确定方式的全面性和合理性，以及还有利于提高特殊标识信息的确定参数的多样性，进而有利于提高确定出的特殊标识信息的准确性和可靠性，从而有利于提高后续基于特殊标识信息的目标物标记准确性和标记可靠性。
在另一个可选的实施例中，分析模块301根据追踪需求，确定目标物对应的第二区分度的方式具体包括：
根据追踪需求，确定目标物对应的追踪目的；
根据追踪需求及追踪目的，确定目标物对应的追踪要求；
根据追踪目的及追踪要求，分析目标物对应的第二区分度。
可见，实施图4所描述的装置还能够根据确定出的追踪目的及追踪要求分析出目标物的第二区分度，有利于提高第二区分度确定方式的合理性和全面性，进而有利于提高第二区分度的确定参数的多样性和合理性，从而有利于提高确定出的第二区分度的准确性和可靠性。
在又一个可选的实施例中，分析模块301根据第一区分度及第二区分度，确定目标物对应的追踪标识类型的方式具体包括：
根据第一区分度及第二区分度，分析目标物的标识区分度；
当目标物的标识区分度大于等于标识区分度阈值时，确定目标物对应的追踪标识类型包括第一标识类型；
当目标物的标识区分度小于标识区分度阈值时，确定目标物对应的追踪标识类型包括第二标识类型。
可见，实施图4所描述的装置还能够根据第一区分度及第二区分度确定出目标物的标识区分度，并根据标识区分度与标识区分度阈值的大小关系确定目标物的追踪标识类型，有利于提高追踪标识类型确定方式的全面性和合理性，进而有利于提高确定出的追踪标识类型的准确性和可靠性。
在又一个可选的实施例中，分析模块301根据追踪标识类型及目标物对应的属性，对目标物进行分析，得到目标物的特殊标识信息的方式具体包括：
确定目标物所在的区域范围对应的区域情况；区域情况包括处于区域范围中的对象密集情况和/或对象分布情况，对象密集情况包括对象类型密集情况和/或对象数量密集情况；
根据追踪标识类型、目标物对应的属性及区域情况，分析与目标物相匹配的目标标识集合，目标标识集合包括一个或多个目标标识；
对于每一目标标识，对目标物进行分析，得到该目标标识对应的标识信息，并根据所有目标标识对应的标识信息，确定目标物的特殊标识信息。
可见，实施图4所描述的装置还能够确定出与目标物相匹配的一个或多个目标标识，并确定每一目标标识对应的标识信息进而确定出目标物的特殊标识信息，有利于提高确定出的目标标识的标识信息的多样性和全面性，进而有利于提高确定出的目标物的特殊标识信息的全面性和准确性，从而有利于提高特殊标识信息的特殊性和针对性。
在又一个可选的实施例中，分析模块301根据追踪标识类型、目标物对应的属性及区域情况，分析与目标物相匹配的目标标识集合的方式具体包括：
根据追踪标识类型及区域情况，分析目标物对应的追踪影响因子情况，追踪影响因子情况包括追踪影响因子类型情况和/或追踪影响因子数量情况；
根据追踪影响因子情况，确定目标物对应的目标标识数量，并根据目标标识数量及追踪影响因子情况，从预设的标识集合中确定出至少一个相匹配的目标标识；
根据所有目标标识确定出与目标物相匹配的目标标识集合。
可见，实施图4所描述的装置还能够确定出目标物的追踪影响因子情况，并根据目标标识数量及追踪影响因子情况确定出目标标识集合，有利于提高目标标识集合确定方式的全面性和合理性，进而有利于提高确定出的相匹配的目标标识的合理性、准确性和可靠性，从而有利于提高确定出的目标标识集合的准确性和可靠性。
在又一个可选的实施例中，如图4所示，该装置还可以包括：
协同控制模块304，用于在追踪模块303以特殊标识信息作为标记对象，通过预先设定好的追踪模型在图像采集结果中进行追踪，并对基于追踪模型的追踪结果进行实时标记，以实现目标物的动态追踪之后，当存在与目标物存在关联关系的智能施工设备时，确定目标物对应的动态追踪结果；
根据动态追踪结果，判断目标物是否满足预设的协同控制条件；
当判断结果为是时，根据动态追踪结果，生成智能施工设备的控制参数，以实现目标物与智能施工设备的协同控制。
可见，实施图4所描述的装置还能够提供智能施工设备的协同控制方式，根据目标物的动态追踪结果生成智能施工设备的控制参数，有利于提高动态追踪结果的功能性和应用性，以及还有利于提高智能施工设备的协同控制方式的全面性和合理性，进而有利于提高确定出的智能施工设备的控制参数的准确性和可靠性，从而有利于提高智能施工设备的协同控制准确性和协同控制可靠性。
在又一个可选的实施例中，协同控制模块304根据动态追踪结果，判断目标物是否满足预设的协同控制条件的方式具体包括：
根据动态追踪结果，确定目标物与智能施工设备间的位置关系，并判断位置关系是否满足预设的位置要求；
当判断出位置关系满足位置要求时，确定目标物满足预设的协同控制条件；
当判断出位置关系不满足位置要求时，根据动态追踪结果，分析目标物针对目标参数的实际动态变化情况，并根据实际动态变化情况，预测目标参数对应的动态变化趋势；
根据实际动态变化情况及动态变化趋势，判断目标物是否满足预设的动态触发条件；
当判断出目标物满足动态触发条件时，确定目标物满足预设的协同控制条件；
当判断出目标物不满足动态触发条件时，确定目标物不满足预设的协同控制条件。
可见，实施图4所描述的装置还能够根据位置要求及动态触发要求两个层面确定目标物的协同控制条件满足情况，有利于提高协同控制条件满足情况确定方式的合理性和全面性，进而有利于提高确定出的协同控制条件满足情况的准确性和可靠性，从而有利于提高后续目标物与智能施工设备的协同控制及时性和协同控制可靠性。
在又一个可选的实施例中，协同控制模块304根据实际动态变化情况及动态变化趋势，判断目标物是否满足预设的动态触发条件的方式具体包括：
根据实际动态变化情况，确定目标参数对应的实际变化曲线，并判断实际变化曲线是否与预设变化曲线相匹配；
当判断出实际变化曲线与预设变化曲线相匹配时，确定目标物满足预设的动态触发条件；
当判断出实际变化曲线与预设变化曲线不匹配时，根据动态变化趋势，分析目标参数的预测变化特征，并判断预测变化特征是否处于预设变化特征集合中；
当判断出预测变化特征处于预设变化特征集合中时，确定目标物满足预设的动态触发条件；
当判断出预测变化特征不处于预设变化特征集合中时，确定目标物不满足预设的动态触发条件。
可见，实施图4所描述的装置还能够根据变化曲线及变化特征两个层面确定目标物的动态触发条件满足情况，有利于提高动态触发条件满足情况确定方式的合理性和全面性，进而有利于提高确定出的动态触发条件满足情况的准确性和可靠性。
在又一个可选的实施例中，协同控制模块304根据动态追踪结果，生成智能施工设备的控制参数的方式具体包括：
确定出目标物与智能施工设备的历史交互数据，并根据目标物与智能施工设备所对应的关联关系、动态追踪结果及历史交互数据，分析智能施工设备的第一协同控制需求；
根据智能施工设备对应的实时运行信息及实时控制信息，确定智能施工设备的第二协同控制需求；
根据第一协同控制需求及第二协同控制需求，分析智能施工设备对应的预测协同控制需求；
根据预测协同控制需求，生成智能施工设备的控制参数。
可见，实施图4所描述的装置还能够根据确定出的智能施工设备的第一协同控制需求及第二协同控制需求确定出预测协同控制需求，进一步生成智能施工设备的控制参数，有利于提高确定出的预测协同控制需求的完整性和准确性，进而有利于提高生成的控制参数的精准性和可靠性，从而有利于提高基于控制参数的智能施工设备的控制准确性和控制可靠性。
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物追踪装置的结构示意图。其中，图5所描述的装置可以包括服务器，其中，服务器包括本地服务器或者云服务器，本发明实施例不做限定。如图5所示，该装置可以包括：
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；
进一步的，还可以包括与处理器402耦合的输入接口403以及输出接口404；
其中，处理器402调用存储器401中存储的可执行程序代码，用于执行实施例一或实施例二所描述的基于AI算法的施工现场目标物追踪方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的基于AI算法的施工现场目标物追踪方法中的步骤。
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所描述的基于AI算法的施工现场目标物追踪方法中的步骤。
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物追踪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 (10)

1.一种基于AI算法的施工现场目标物追踪方法，其特征在于，所述方法包括：
在识别出目标物后，对所述目标物进行分析，得到所述目标物的特殊标识信息；
对所述目标物所在的区域范围进行实时图像采集，得到图像采集结果；
以所述特殊标识信息作为标记对象，通过预先设定好的追踪模型在所述图像采集结果中进行追踪，并对基于所述追踪模型的追踪结果进行实时标记，以实现所述目标物的动态追踪。
2.根据权利要求1所述的基于AI算法的施工现场目标物追踪方法，其特征在于，所述对所述目标物进行分析，得到所述目标物的特殊标识信息，包括：
根据所述目标物所处区域范围的环境信息，确定处于所述区域范围中的至少一个主体对象，所有所述主体对象包括所述目标物；
根据所有所述主体对象，确定所述目标物的区别特征，并根据所有所述区别特征，确定所述目标物对应的第一区分度；
确定所述目标物所处区域范围的追踪需求，并根据所述追踪需求，确定所述目标物对应的第二区分度；
根据所述第一区分度及所述第二区分度，确定所述目标物对应的追踪标识类型，并根据所述追踪标识类型及所述目标物对应的属性，对所述目标物进行分析，得到所述目标物的特殊标识信息；
其中，所述追踪标识类型包括第一标识类型或者第二标识类型；所述第一标识类型对应的标识区分度大于所述第二标识类型对应的标识区分度。
3.根据权利要求2所述的基于AI算法的施工现场目标物追踪方法，其特征在于，所述根据所述追踪需求，确定所述目标物对应的第二区分度，包括：
根据所述追踪需求，确定所述目标物对应的追踪目的；
根据所述追踪需求及所述追踪目的，确定所述目标物对应的追踪要求；
根据所述追踪目的及所述追踪要求，分析所述目标物对应的第二区分度；
以及，所述根据所述第一区分度及所述第二区分度，确定所述目标物对应的追踪标识类型，包括：
根据所述第一区分度及所述第二区分度，分析所述目标物的标识区分度；
当所述目标物的标识区分度大于等于标识区分度阈值时，确定所述目标物对应的追踪标识类型包括所述第一标识类型；
当所述目标物的标识区分度小于标识区分度阈值时，确定所述目标物对应的追踪标识类型包括所述第二标识类型。
4.根据权利要求2或3所述的基于AI算法的施工现场目标物追踪方法，其特征在于，所述根据所述追踪标识类型及所述目标物对应的属性，对所述目标物进行分析，得到所述目标物的特殊标识信息，包括：
确定所述目标物所在的区域范围对应的区域情况；所述区域情况包括处于所述区域范围中的对象密集情况和/或对象分布情况，所述对象密集情况包括对象类型密集情况和/或对象数量密集情况；
根据所述追踪标识类型、所述目标物对应的属性及所述区域情况，分析与所述目标物相匹配的目标标识集合，所述目标标识集合包括一个或多个目标标识；
对于每一所述目标标识，对所述目标物进行分析，得到该目标标识对应的标识信息，并根据所有所述目标标识对应的标识信息，确定所述目标物的特殊标识信息；
以及，所述根据所述追踪标识类型、所述目标物对应的属性及所述区域情况，分析与所述目标物相匹配的目标标识集合，包括：
根据所述追踪标识类型及所述区域情况，分析所述目标物对应的追踪影响因子情况，所述追踪影响因子情况包括追踪影响因子类型情况和/或追踪影响因子数量情况；
根据所述追踪影响因子情况，确定所述目标物对应的目标标识数量，并根据所述目标标识数量及所述追踪影响因子情况，从预设的标识集合中确定出至少一个相匹配的目标标识；
根据所有所述目标标识确定出与所述目标物相匹配的目标标识集合。
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物追踪方法，其特征在于，在所述以所述特殊标识信息作为标记对象，通过预先设定好的追踪模型在所述图像采集结果中进行追踪，并对基于所述追踪模型的追踪结果进行实时标记，以实现所述目标物的动态追踪之后，所述方法还包括：
当存在与所述目标物存在关联关系的智能施工设备时，确定所述目标物对应的动态追踪结果；
根据所述动态追踪结果，判断所述目标物是否满足预设的协同控制条件；
当判断结果为是时，根据所述动态追踪结果，生成所述智能施工设备的控制参数，以实现所述目标物与所述智能施工设备的协同控制。
6.根据权利要求5所述的基于AI算法的施工现场目标物追踪方法，其特征在于，所述根据所述动态追踪结果，判断所述目标物是否满足预设的协同控制条件，包括：
根据所述动态追踪结果，确定所述目标物与所述智能施工设备间的位置关系，并判断所述位置关系是否满足预设的位置要求；
当判断出所述位置关系满足所述位置要求时，确定所述目标物满足预设的协同控制条件；
当判断出所述位置关系不满足所述位置要求时，根据所述动态追踪结果，分析所述目标物针对目标参数的实际动态变化情况，并根据所述实际动态变化情况，预测所述目标参数对应的动态变化趋势；
根据所述实际动态变化情况及所述动态变化趋势，判断所述目标物是否满足预设的动态触发条件；
当判断出所述目标物满足所述动态触发条件时，确定所述目标物满足预设的协同控制条件；
当判断出所述目标物不满足所述动态触发条件时，确定所述目标物不满足预设的协同控制条件；
以及，所述根据所述实际动态变化情况及所述动态变化趋势，判断所述目标物是否满足预设的动态触发条件，包括：
根据所述实际动态变化情况，确定所述目标参数对应的实际变化曲线，并判断所述实际变化曲线是否与预设变化曲线相匹配；
当判断出所述实际变化曲线与所述预设变化曲线相匹配时，确定所述目标物满足预设的动态触发条件；
当判断出所述实际变化曲线与所述预设变化曲线不匹配时，根据所述动态变化趋势，分析所述目标参数的预测变化特征，并判断所述预测变化特征是否处于预设变化特征集合中；
当判断出所述预测变化特征处于所述预设变化特征集合中时，确定所述目标物满足预设的动态触发条件；
当判断出所述预测变化特征不处于所述预设变化特征集合中时，确定所述目标物不满足预设的动态触发条件。
7.根据权利要求5所述的基于AI算法的施工现场目标物追踪方法，其特征在于，所述根据所述动态追踪结果，生成所述智能施工设备的控制参数，包括：
确定出所述目标物与所述智能施工设备的历史交互数据，并根据所述目标物与所述智能施工设备所对应的关联关系、所述动态追踪结果及所述历史交互数据，分析所述智能施工设备的第一协同控制需求；
根据所述智能施工设备对应的实时运行信息及实时控制信息，确定所述智能施工设备的第二协同控制需求；
根据所述第一协同控制需求及所述第二协同控制需求，分析所述智能施工设备对应的预测协同控制需求；
根据所述预测协同控制需求，生成所述智能施工设备的控制参数。
8.一种基于AI算法的施工现场目标物追踪装置，其特征在于，所述装置包括：
分析模块，用于在识别出目标物后，对所述目标物进行分析，得到所述目标物的特殊标识信息；
图像采集模块，用于对所述目标物所在的区域范围进行实时图像采集，得到图像采集结果；
追踪模块，以所述特殊标识信息作为标记对象，通过预先设定好的追踪模型在所述图像采集结果中进行追踪，并对基于所述追踪模型的追踪结果进行实时标记，以实现所述目标物的动态追踪。
9.一种基于AI算法的施工现场目标物追踪装置，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1-7任一项所述的基于AI算法的施工现场目标物追踪方法。
10.一种计算机存储介质，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1-7任一项所述的基于AI算法的施工现场目标物追踪方法。
CN202311048048.5A 2023-08-21 2023-08-21 基于ai算法的施工现场目标物追踪方法及装置 Active CN116758111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311048048.5A CN116758111B (zh) 2023-08-21 2023-08-21 基于ai算法的施工现场目标物追踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311048048.5A CN116758111B (zh) 2023-08-21 2023-08-21 基于ai算法的施工现场目标物追踪方法及装置

Publications (2)

Publication Number Publication Date
CN116758111A true CN116758111A (zh) 2023-09-15
CN116758111B CN116758111B (zh) 2023-11-17

Family

ID=87951888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311048048.5A Active CN116758111B (zh) 2023-08-21 2023-08-21 基于ai算法的施工现场目标物追踪方法及装置

Country Status (1)

Country Link
CN (1) CN116758111B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117573801A (zh) * 2023-11-02 2024-02-20 北京赛西科技发展有限责任公司 针对标准文件的可视化建模方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140105454A1 (en) * 2012-10-15 2014-04-17 Olympus Imaging Corp. Tracking apparatus
CN104853150A (zh) * 2015-02-11 2015-08-19 居锦武 一种多摄像机目标协同跟踪技术
CN106033613A (zh) * 2015-03-16 2016-10-19 北京大学 目标跟踪方法及装置
CN109218673A (zh) * 2018-09-20 2019-01-15 国网江苏省电力公司泰州供电公司 基于人工智能实现配电网施工安全协同管理控制的系统及方法
CN109657575A (zh) * 2018-12-05 2019-04-19 国网安徽省电力有限公司检修分公司 室外施工人员智能视频跟踪算法
CN112084939A (zh) * 2020-09-08 2020-12-15 深圳市润腾智慧科技有限公司 图像特征数据管理方法、装置、计算机设备及存储介质
CN112949511A (zh) * 2021-03-08 2021-06-11 中国建筑一局(集团)有限公司 一种基于机器学习和图像识别的施工现场人员管理方法
CN113192107A (zh) * 2021-05-06 2021-07-30 上海锵玫人工智能科技有限公司 一种目标识别追踪方法及机器人
US20220108546A1 (en) * 2019-06-17 2022-04-07 Huawei Technologies Co., Ltd. Object detection method and apparatus, and computer storage medium
CN115035160A (zh) * 2022-06-08 2022-09-09 北京哈崎机器人科技有限公司 一种基于视觉跟随的目标追踪方法、装置、设备及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140105454A1 (en) * 2012-10-15 2014-04-17 Olympus Imaging Corp. Tracking apparatus
CN104853150A (zh) * 2015-02-11 2015-08-19 居锦武 一种多摄像机目标协同跟踪技术
CN106033613A (zh) * 2015-03-16 2016-10-19 北京大学 目标跟踪方法及装置
CN109218673A (zh) * 2018-09-20 2019-01-15 国网江苏省电力公司泰州供电公司 基于人工智能实现配电网施工安全协同管理控制的系统及方法
CN109657575A (zh) * 2018-12-05 2019-04-19 国网安徽省电力有限公司检修分公司 室外施工人员智能视频跟踪算法
US20220108546A1 (en) * 2019-06-17 2022-04-07 Huawei Technologies Co., Ltd. Object detection method and apparatus, and computer storage medium
CN112084939A (zh) * 2020-09-08 2020-12-15 深圳市润腾智慧科技有限公司 图像特征数据管理方法、装置、计算机设备及存储介质
CN112949511A (zh) * 2021-03-08 2021-06-11 中国建筑一局(集团)有限公司 一种基于机器学习和图像识别的施工现场人员管理方法
CN113192107A (zh) * 2021-05-06 2021-07-30 上海锵玫人工智能科技有限公司 一种目标识别追踪方法及机器人
CN115035160A (zh) * 2022-06-08 2022-09-09 北京哈崎机器人科技有限公司 一种基于视觉跟随的目标追踪方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马少雄 等: "基于工地场景的深度学习目标跟踪算法", 《电子学报》, vol. 48, no. 9, pages 1665 - 1671 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117573801A (zh) * 2023-11-02 2024-02-20 北京赛西科技发展有限责任公司 针对标准文件的可视化建模方法及装置

Also Published As

Publication number Publication date
CN116758111B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN116758111B (zh) 基于ai算法的施工现场目标物追踪方法及装置
CN110751022A (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN111126153B (zh) 基于深度学习的安全监测方法、系统、服务器及存储介质
CN111290370B (zh) 一种自动驾驶性能检测方法和装置
US12066299B2 (en) Method, device and system for perceiving multi-site roadbed network and terminal
CN110706247A (zh) 一种目标跟踪方法、装置及系统
CN117006002B (zh) 基于数字孪生的海上风力发电机监测方法及系统
CN117671603B (zh) 用于三维立体测距装置的输电线路多维环境监测方法
CN117615359B (zh) 基于多种规则引擎的蓝牙数据传输方法及系统
CN117828309B (zh) 一种多源数据融合测距的变电站安全预警方法
CN116596722A (zh) 一种智慧社区风险防控系统及风险防控方法
CN117077854B (zh) 基于传感器网络的楼宇能耗监控方法及系统
CN113435800A (zh) 基于大数据的标注任务执行方法、装置、电子设备及介质
CN115409472B (zh) 一种智慧办案流程管理方法、系统及电子设备
CN116645612A (zh) 一种森林资源资产确定方法及系统
CN116052417A (zh) 一种行驶预测方法、装置、设备和可读存储介质
CN113447037A (zh) 行程偏航检测方法及装置
CN112434648A (zh) 一种墙体形状变化检测方法及系统
CN112434650A (zh) 一种多光谱图像建筑物变化检测方法及系统
CN116016609B (zh) 一种区域洪涝的智能监测方法及装置
CN118094455B (zh) 一种车辆异常行为状态检测方法及装置
CN117475367B (zh) 基于多规则协调的污水图像处理方法及系统
CN118313547A (zh) 基于物联网的智慧城市数据分析方法及装置
CN117458711B (zh) 一种基于物联网的电网调度工作监测管理系统
CN118297575A (zh) 基于物联网的城市设备智能维护方法及装置

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