CN117035419B - 企业项目实施智能管理系统及方法 - Google Patents
企业项目实施智能管理系统及方法 Download PDFInfo
- Publication number
- CN117035419B CN117035419B CN202311031231.4A CN202311031231A CN117035419B CN 117035419 B CN117035419 B CN 117035419B CN 202311031231 A CN202311031231 A CN 202311031231A CN 117035419 B CN117035419 B CN 117035419B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- site
- training
- video
- semantic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 89
- 238000010276 construction Methods 0.000 claims abstract description 55
- 230000008447 perception Effects 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 94
- 238000007726 management method Methods 0.000 claims description 85
- 239000013598 vector Substances 0.000 claims description 73
- 238000001514 detection method Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
一种企业项目实施智能管理系统及方法,其通过摄像头采集企业项目实施现场监控视频;对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征;基于所述企业项目实施现场感知语义特征,确定是否存在施工风险点。这样,能够避免人工操作和决策带来的低效率和低准确性的问题,并且通过实时自动进行施工风险点检测的方式来确保监测反馈的及时性和有效性,以做出相应地应对措施来提升项目管理的效率和质量。
Description
技术领域
本申请涉及智能化管理技术领域,并且更具体地,涉及一种企业项目实施智能管理系统及方法。
背景技术
随着全球经济的发展,越来越多的企业将业务转向项目驱动型组织。项目成为实现战略目标、推动创新和变革的重要手段。企业项目实施管理应运而生,以满足项目管理的需求。
企业项目实施管理是指在组织内部或跨组织之间进行的项目实施过程中,对项目进行规划、组织、协调和控制的一系列活动。它涉及到项目的目标设定、资源分配、进度管控、风险管理、团队协作等方面,旨在确保项目能够按时、按质、按成本完成,并实现预期的商业价值。
然而,传统的企业项目实施管理方案通常依赖于人工操作和决策,包括计划编制、进度跟踪和风险评估等,这种依赖性容易引入人为错误和偏差,同时也需要大量的人力资源和时间投入。并且,传统方案往往以周期性的报告为基础进行决策和控制,这意味着项目进展和问题的反馈有一定的延迟,无法及时发现和解决潜在的风险和问题。此外,传统方案在风险管理方面存在一定的局限性。风险评估和应对往往基于经验和主观判断,缺乏科学的方法和数据支持。这可能导致项目在面临风险时无法及时做出有效的应对措施。
因此,期望一种企业项目实施智能管理系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种企业项目实施智能管理系统及方法,其通过摄像头采集企业项目实施现场监控视频;对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征;基于所述企业项目实施现场感知语义特征,确定是否存在施工风险点。这样,能够避免人工操作和决策带来的低效率和低准确性的问题,并且通过实时自动进行施工风险点检测的方式来确保监测反馈的及时性和有效性,以做出相应地应对措施来提升项目管理的效率和质量。
第一方面,提供了一种企业项目实施智能管理系统,其包括:
实施现场视频采集模块,用于通过摄像头采集企业项目实施现场监控视频;
企业项目实施现场特征分析模块,用于对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征;
施工风险点检测模块,用于基于所述企业项目实施现场感知语义特征,确定是否存在施工风险点。
第二方面,提供了一种企业项目实施智能管理方法,其包括:
通过摄像头采集企业项目实施现场监控视频;
对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征;
基于所述企业项目实施现场感知语义特征,确定是否存在施工风险点。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,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为根据本申请实施例的企业项目实施智能管理系统的框图。
图2为根据本申请实施例的企业项目实施智能管理系统中所述企业项目实施现场特征分析模块的框图。
图3为根据本申请实施例的企业项目实施智能管理方法的流程图。
图4为根据本申请实施例的企业项目实施智能管理方法架构的示意图。
图5为根据本申请实施例的企业项目实施智能管理系统的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
企业项目实施管理是指在组织内部或跨组织之间进行的项目实施过程中,对项目进行规划、组织、协调和控制的一系列活动,涉及到项目的目标设定、资源分配、进度管控、风险管理、团队协作等方面,旨在确保项目能够按时、按质、按成本完成,并实现预期的商业价值。
企业项目实施管理的目标是有效地管理和控制项目,以实现组织的战略目标和利益。企业项目实施管理包括:
项目规划:在项目启动阶段,制定项目计划,明确项目的目标、范围、时间、成本、质量、风险等方面的要求和约束条件。
资源分配:根据项目计划,合理分配项目所需的人力、物力、财力等资源,确保项目能够按计划进行。
进度管控:监督和控制项目的进度,及时发现和解决进度偏差,确保项目按时完成。
成本控制:对项目的成本进行管理和控制,包括预算编制、成本核算、成本控制和成本变更管理等,以确保项目按预算完成。
质量管理:制定项目质量管理计划,设定质量目标和标准,监督和控制项目的质量,确保项目交付的成果符合质量要求。
风险管理:识别、评估和应对项目风险,制定风险管理计划,采取相应的措施降低风险对项目的影响。
问题解决和决策:及时发现和解决项目中的问题和障碍,做出决策来推动项目的进展。
团队协作:组建项目团队,建立有效的沟通和协作机制,促进团队成员之间的合作和协调。
监督和评估:对项目进行监督和评估,定期进行项目绩效评估和项目回顾,总结经验教训,提高项目管理的能力和效率。
企业项目实施管理通常借助项目管理方法和工具来支持实施,如项目管理软件、项目管理流程、项目管理知识体系等。同时,随着技术的发展,数字化和智能化的项目管理工具和方法也得到了广泛应用,提升了项目管理的效率和质量。然而,传统方案通常依赖于人工操作和决策,包括计划编制、进度跟踪和风险评估等,这种依赖性容易引入人为错误和偏差,同时也需要大量的人力资源和时间投入。传统方案往往以周期性的报告为基础进行决策和控制,这意味着项目进展和问题的反馈有一定的延迟,这样就无法及时发现和解决潜在的风险和问题,导致项目进度延误或出现其他不可预见的情况。传统方案在风险管理方面存在一定的局限性,风险评估和应对往往基于经验和主观判断,缺乏科学的方法和数据支持,这可能导致项目在面临风险时无法及时做出有效的应对措施,增加项目失败的风险。传统方案通常缺乏实时监控和分析的能力,无法及时获取项目的最新状态和进展情况,这使得项目管理人员无法做出及时的决策和调整,影响项目的整体效率和质量。传统方案中,项目相关的信息和数据往往分散在不同的系统和部门中,形成信息孤岛,这给项目团队的协作和沟通带来困难,影响项目的协同效能。
传统的企业项目实施管理方案在人工操作和决策依赖、延迟的反馈和问题解决、有限的风险管理方法、缺乏实时监控和分析能力以及信息孤岛和协作困难等方面存在弊端,需要通过引入智能化的解决方案来提升项目管理的效率和质量。
因此,在本申请中,提供一种企业项目实施智能管理系统。
在本申请的一个实施例中,图1为根据本申请实施例的企业项目实施智能管理系统的框图。如图1所示,根据本申请实施例的企业项目实施智能管理系统100,包括:实施现场视频采集模块110,用于通过摄像头采集企业项目实施现场监控视频;企业项目实施现场特征分析模块120,用于对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征;施工风险点检测模块130,用于基于所述企业项目实施现场感知语义特征,确定是否存在施工风险点。
在所述实施现场视频采集模块110中,确保摄像头的位置和角度能够全面覆盖项目实施现场,以捕捉到关键的施工活动和环境信息。确保视频采集设备的稳定性和可靠性,以确保视频的质量和连续性。还需要注意保护隐私和数据安全,确保视频采集过程符合相关法律法规和隐私政策。其中,实施现场视频采集模块可以提供实时的项目实施现场信息,为后续的分析和决策提供数据基础,减少对人工观察和记录的依赖,提高数据的准确性和全面性。
在所述企业项目实施现场特征分析模块120中,对采集到的视频进行图像处理和分析,提取出关键的特征信息,如施工活动、物体位置、运动轨迹等。使用计算机视觉和图像识别等技术,对视频进行特征提取和分析,以得到准确的感知语义特征。考虑到实时性要求,特征分析算法需要具备高效的计算能力,能够在实时或近实时的条件下进行分析和处理。其中,企业项目实施现场特征分析模块可以从视频中提取出有用的语义特征,如施工活动的进展情况、工人的安全行为等,为后续的施工风险点检测和决策提供准确的数据支持。
在所述施工风险点检测模块130中,基于企业项目实施现场感知语义特征,建立相应的风险点检测算法和模型,能够识别和定位潜在的施工风险点。对不同类型的施工风险点进行分类和识别,如高处作业、电气安全、材料堆放等,以便进行针对性的风险管理和控制。确保检测算法的准确性和可靠性,避免误报和漏报的情况发生。其中,施工风险点检测模块可以通过分析实施现场感知语义特征,及时发现和识别施工现场的潜在风险点,帮助项目管理人员采取相应的措施来降低风险,提高施工安全和质量。
通过以上三个模块的协同工作,企业项目实施智能管理系统可以实现实时监控、自动化决策支持、实时反馈和问题解决等功能,提高项目管理的效率和质量,降低风险和成本。
具体地,所述实施现场视频采集模块110,用于通过摄像头采集企业项目实施现场监控视频。针对上述技术问题,本申请的技术构思为通过摄像头采集企业项目实施现场监控视频,并在后端引入数据处理和分析算法来进行实时现场监控视频的分析,以此来自动进行施工风险点的评估检测,通过这样的方式,能够避免人工操作和决策带来的低效率和低准确性的问题,并且通过实时自动进行施工风险点检测的方式来确保监测反馈的及时性和有效性,以做出相应地应对措施来提升项目管理的效率和质量。
具体地,在本申请的技术方案中,首先,获取由摄像头采集的企业项目实施现场监控视频。通过实时采集现场监控视频,可以实时监控项目实施现场的情况,包括施工活动、工人行为、设备运行等,这使得管理人员可以及时了解项目进展和现场状况,并及时发现潜在的风险点。采集到的视频可以进行回放和分析,帮助管理人员详细了解项目实施过程中的细节和关键环节,通过仔细观察和分析视频,可以发现可能存在的施工风险点,如不安全的工作行为、设备故障等。通过视频采集,可以提供客观的数据支持来评估施工风险点的存在,视频可以作为证据,帮助管理人员进行准确的判断和决策,避免主观判断和偏差。通过对视频进行图像处理和分析,结合相关的算法和模型,可以自动检测和识别施工风险点,如高风险区域、不安全的工作行为等,这大大提高了风险点检测的效率和准确性。
通过摄像头采集企业项目实施现场监控视频可以提供实时监控和感知、视频回放和分析、提供客观数据支持以及基于图像处理和分析算法的施工风险检测等作用,有助于确定是否存在施工风险点,并及时采取相应的措施进行风险管理和控制。
具体地,所述企业项目实施现场特征分析模块120,用于对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征。图2为根据本申请实施例的企业项目实施智能管理系统中所述企业项目实施现场特征分析模块的框图。如图2所示,所述企业项目实施现场特征分析模块120,包括:实施现场视频切分单元121,用于对所述企业项目实施现场监控视频进行视频切分以得到多个企业项目实施现场监控视频片段;稀疏化采样单元122,用于分别对所述多个企业项目实施现场监控视频片段进行稀疏化采样以得到多个企业项目实施现场监控稀疏化视频片段;视频片段语义特征提取单元123,用于通过基于深度神经网络模型的视频语义编码器分别对所述多个企业项目实施现场监控稀疏化视频片段进行特征提取以得到多个企业项目实施现场特征图;实施现场视频语义特征全感知单元124,用于对所述多个企业项目实施现场特征图进行关联编码以得到企业项目实施现场感知语义特征向量作为所述企业项目实施现场感知语义特征。
其中,所述深度神经网络模型为三维卷积神经网络模型。
应可以理解,企业项目实施现场监控视频通常是连续录制的长时间视频,包含大量冗余和无关信息。因此,在本申请的技术方案中,进一步对所述企业项目实施现场监控视频进行视频切分以得到多个企业项目实施现场监控视频片段。通过将视频切分为多个片段,可以减少数据量和计算复杂度,提高数据处理的效率。并且,企业项目实施过程中可能存在一些关键事件或阶段,例如施工开始、设备安装、质量检查等。通过视频切分,可以将这些关键事件所在的时间段提取出来,便于后续的分析和监控。
然后,考虑到由于所述企业项目实施现场监控视频通常包含大量的冗余信息,例如连续帧之间的相似性。而对于长时间的视频数据,完整地处理每一帧可能会消耗大量的计算资源和时间。因此,在本申请的技术方案中,进一步分别对所述多个企业项目实施现场监控视频片段进行稀疏化采样以得到多个企业项目实施现场监控稀疏化视频片段。应可以理解,稀疏化采样可以根据特定的策略选择性地采样帧,以保留企业项目实施现场的关键信息和特征。例如,可以根据企业项目实施现场的施工变化或事件发生等规则进行采样,确保重要的场景和动态变化得到充分的表示。通过稀疏化采样,可以降低计算复杂度,提高数据处理和分析的效率。
进一步地,考虑到由于所述多个企业项目实施现场监控稀疏化视频片段中都存在有关于企业项目实施现场在局部时间段内的阶段性动态语义特征信息。因此,在本申请的技术方案中,将所述多个企业项目实施现场监控稀疏化视频片段分别通过基于三维卷积神经网络模型的视频语义编码器中进行编码,以提取出所述各个企业项目实施现场监控稀疏化视频片段中有关于企业项目实施现场的局部时序动态语义特征信息,从而得到多个企业项目实施现场特征图。
接着,还考虑到所述各个企业项目实施现场特征图通常是高维的特征数据,包含大量的像素语义特征信息,并且由于卷积运算的固有局限性,纯CNN的方法很难学习明确的全局和远程语义信息交互。因此,在本申请的技术方案中,进一步再将所述多个企业项目实施现场特征图分别通过特征全感知模块以得到多个企业项目实施现场全感知特征向量。通过所述特征全感知模块,可以将所述各个企业项目实施现场特征图转化为维度较低的特征向量,减少数据的维度,从而降低计算复杂度和存储需求,防止过拟合。同时,所述特征全感知模块能够进行所述各个企业项目实施现场特征图的全局感知,以捕捉到所述各个企业项目实施现场特征图中的全局实施现场语义特征信息,以便于更好地表示企业项目实施现场的视觉信息,并用于后续的分析和决策。
在本申请的一个实施例中,所述实施现场视频语义特征全感知单元,包括:实施现场特征全感知子单元,用于将所述多个企业项目实施现场特征图分别通过特征全感知模块以得到多个企业项目实施现场全感知特征向量;实施现场感知语义关联编码单元,用于将所述多个企业项目实施现场全感知特征向量通过基于转换器模块的视频语义上下文编码器以得到企业项目实施现场感知语义特征向量。
进而,由于所述企业项目实施现场的各个监控视频片段的局部时序语义特征之间在时间维度上具有着基于整体的时序语义关联关系。因此,为了能够进行所述企业项目实施现场的时序全局语义感知,以更准确地进行施工风险点的检测,在本申请的技术方案中,进一步再将所述多个企业项目实施现场全感知特征向量通过基于转换器模块的视频语义上下文编码器中进行编码,以提取出所述各个企业项目实施现场监控视频片段中有关于现场施工局部时序语义特征基于时序全局的上下文关联特征信息,从而得到企业项目实施现场感知语义特征向量。
具体地,所述施工风险点检测模块130,用于:将所述企业项目实施现场感知语义特征向量通过分类器以得到分类结果,所述分类结果用于表示是否存在施工风险点。通过使用分类器对感知语义特征向量进行分类,可以自动判断是否存在施工风险点,分类器可以基于已有的训练数据和机器学习算法进行训练,从而学习识别不同类型的施工风险点。这样可以实现自动化的施工风险点检测,减少了对人工判断的依赖,提高了检测的准确性和效率。
分类器可以通过学习大量的样本数据,识别出与施工风险点相关的特征模式,通过将感知语义特征向量输入分类器,可以利用分类器的判别能力来准确识别潜在的施工风险点,有助于提高风险识别的准确性,避免漏报或误报的情况发生。通过将感知语义特征向量输入分类器,可以实现实时的风险点评估,一旦感知到施工风险点,分类器可以迅速给出相应的分类结果,提醒项目管理人员采取相应的措施进行风险管理和控制,有助于及时应对潜在的风险,减少事故发生的可能性。
将企业项目实施现场感知语义特征向量通过分类器进行分类可以实现自动化施工风险点检测、提高风险识别准确性、实时风险点评估和数据驱动的决策支持等有益效果,提升企业项目实施管理的效率和质量。
继而,再将所述企业项目实施现场感知语义特征向量通过分类器以得到分类结果,所述分类结果用于表示是否存在施工风险点。也就是说,利用所述企业项目实施现场时序全局感知语义特征来进行分类处理,从而进行施工风险点的自动检测,通过这样的方式,能够避免人工操作和决策带来的低效率和低准确性的问题,并且通过实时自动进行施工风险点检测的方式来确保监测反馈的及时性和有效性,以做出相应地应对措施来提升项目智能管理的效率和质量。
在本申请的一个实施例中,所述企业项目实施智能管理系统,还包括用于对所述基于三维卷积神经网络模型的视频语义编码器、所述特征全感知模块、所述基于转换器模块的视频语义上下文编码器和所述分类器进行训练的训练模块。所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括企业项目实施现场训练监控视频,以及,所述是否存在施工风险点的真实值;训练视频切分单元,用于对所述企业项目实施现场训练监控视频进行视频切分以得到多个训练企业项目实施现场监控视频片段;训练稀疏化采样单元,用于分别对所述多个训练企业项目实施现场监控视频片段进行稀疏化采样以得到多个训练企业项目实施现场监控稀疏化视频片段;训练视频片段语义特征提取单元,用于将所述多个训练企业项目实施现场监控稀疏化视频片段分别通过所述基于三维卷积神经网络模型的视频语义编码器以得到多个训练企业项目实施现场特征图;训练特征全感知单元,用于将所述多个训练企业项目实施现场特征图分别通过所述特征全感知模块以得到多个训练企业项目实施现场全感知特征向量;训练实施现场语义特征关联编码单元,用于将所述多个训练企业项目实施现场全感知特征向量通过所述基于转换器模块的视频语义上下文编码器以得到训练企业项目实施现场感知语义特征向量;分类损失单元,用于将所述训练企业项目实施现场感知语义特征向量通过所述分类器以得到分类损失函数值;模型训练单元,用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于三维卷积神经网络模型的视频语义编码器、所述特征全感知模块、所述基于转换器模块的视频语义上下文编码器和所述分类器进行训练,其中,在所述训练过程的每一轮迭代中,对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化。
特别地,在本申请的技术方案中,将所述多个企业项目实施现场监控稀疏化视频片段分别通过基于三维卷积神经网络模型的视频语义编码器时,所述基于三维卷积神经网络模型的视频语义编码器会提取企业项目实施现场监控稀疏化视频片段的图像帧在三维卷积核尺度下的局部时序关联的图像语义特征以得到所述多个企业项目实施现场特征图,并进一步地分别对所述多个企业项目实施现场特征图进行逐像素级全连接编码由此使得所述多个企业项目实施现场全感知特征向量在其特征值粒度下具有遵循局部时序关联图像语义特征分布的超分辨率表达特性。而将所述多个企业项目实施现场全感知特征向量通过基于转换器模块的视频语义上下文编码器时,所述企业项目实施现场感知语义特征向量进一步表达各个企业项目实施现场全感知特征向量的近程-远程双向全时域上下文关联特征,由此使得所述企业项目实施现场感知语义特征向量除了所述多个企业项目实施现场全感知特征向量的特征值粒度的局部时序关联图像语义特征表达维度之外,还具有所述多个企业项目实施现场全感知特征向量的向量间近程-远程双向全时域上下文关联特征表达维度,也就是,所述企业项目实施现场感知语义特征向量具有多维度上下文下的超分辨率表达特性,这会影响其通过分类器进行分类时的训练效率。
因此,在将所述企业项目实施现场感知语义特征向量通过分类器进行分类器的训练时,在每次迭代中,对所述企业项目实施现场感知语义特征向量,例如记为Vc,进行权重空间的细粒度密度预测搜索优化,表示为:以如下优化公式对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练企业项目实施现场感知语义特征向量;其中,所述优化公式为:
其中,是M1和M2分别是上次和本次迭代的权重矩阵,Vc是所述训练企业项目实施现场感知语义特征向量,和/>分别表示特征向量V1和V2的全局均值,且Vb是偏置向量,⊙表示按位置点乘,/>表示向量加法,/>表示矩阵乘法,min(·)表示最小值,V'c是所述优化训练企业项目实施现场感知语义特征向量。
这里,针对所述企业项目实施现场感知语义特征向量在多维度上下文下的超分辨率表达特性,所述权重空间的细粒度密度预测搜索优化可以通过所述企业项目实施现场感知语义特征向量的投影的向量空间的前馈序列化映射,在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时,降低权重搜索空间内的所述企业项目实施现场感知语义特征向量的表示的总序列复杂性(overall sequential complexity),从而提升分类器的训练效率。这样,能够实时进行施工风险点的自动检测,确保监测反馈的及时性和有效性,以帮助企业实现对项目实施现场的实时监控和风险预警,提升项目智能管理的效率和质量。
综上,基于本申请实施例的企业项目实施智能管理系统100被阐明,通过摄像头采集企业项目实施现场监控视频,并在后端引入数据处理和分析算法来进行实时现场监控视频的分析,以此来自动进行施工风险点的评估检测,通过这样的方式,能够避免人工操作和决策带来的低效率和低准确性的问题,并且通过实时自动进行施工风险点检测的方式来确保监测反馈的及时性和有效性,以做出相应地应对措施来提升项目管理的效率和质量。
如上所述,根据本申请实施例的企业项目实施智能管理系统100可以实现在各种终端设备中,例如用于企业项目实施智能管理的服务器等。在一个示例中,根据本申请实施例的企业项目实施智能管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该企业项目实施智能管理系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该企业项目实施智能管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该企业项目实施智能管理系统100与该终端设备也可以是分立的设备,并且该企业项目实施智能管理系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,图3为根据本申请实施例的企业项目实施智能管理方法的流程图。图4为根据本申请实施例的企业项目实施智能管理方法架构的示意图。如图3和图4所示,所述企业项目实施智能管理方法,包括:210,通过摄像头采集企业项目实施现场监控视频;220,对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征;230,基于所述企业项目实施现场感知语义特征,确定是否存在施工风险点。
具体地,在所述企业项目实施智能管理方法中,对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征,包括:对所述企业项目实施现场监控视频进行视频切分以得到多个企业项目实施现场监控视频片段;分别对所述多个企业项目实施现场监控视频片段进行稀疏化采样以得到多个企业项目实施现场监控稀疏化视频片段;通过基于深度神经网络模型的视频语义编码器分别对所述多个企业项目实施现场监控稀疏化视频片段进行特征提取以得到多个企业项目实施现场特征图;对所述多个企业项目实施现场特征图进行关联编码以得到企业项目实施现场感知语义特征向量作为所述企业项目实施现场感知语义特征。
本领域技术人员可以理解,上述企业项目实施智能管理方法中的各个步骤的具体操作已经在上面参考图1到图2的企业项目实施智能管理系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为根据本申请实施例的企业项目实施智能管理系统的应用场景图。如图5所示,在该应用场景中,首先,通过摄像头采集企业项目实施现场监控视频(例如,如图5中所示意的C);然后,将获取的企业项目实施现场监控视频输入至部署有企业项目实施智能管理算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于企业项目实施智能管理算法对所述企业项目实施现场监控视频进行处理,以确定是否存在施工风险点。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种企业项目实施智能管理系统,其特征在于,包括:
实施现场视频采集模块,用于通过摄像头采集企业项目实施现场监控视频;
企业项目实施现场特征分析模块,用于对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征;
施工风险点检测模块,用于基于所述企业项目实施现场感知语义特征,确定是否存在施工风险点;
其中,所述企业项目实施智能管理系统,还包括用于对基于三维卷积神经网络模型的视频语义编码器、特征全感知模块、基于转换器模块的视频语义上下文编码器和分类器进行训练的训练模块;
其中,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括企业项目实施现场训练监控视频,以及,所述是否存在施工风险点的真实值;
训练视频切分单元,用于对所述企业项目实施现场训练监控视频进行视频切分以得到多个训练企业项目实施现场监控视频片段;
训练稀疏化采样单元,用于分别对所述多个训练企业项目实施现场监控视频片段进行稀疏化采样以得到多个训练企业项目实施现场监控稀疏化视频片段;
训练视频片段语义特征提取单元,用于将所述多个训练企业项目实施现场监控稀疏化视频片段分别通过所述基于三维卷积神经网络模型的视频语义编码器以得到多个训练企业项目实施现场特征图;
训练特征全感知单元,用于将所述多个训练企业项目实施现场特征图分别通过所述特征全感知模块以得到多个训练企业项目实施现场全感知特征向量;
训练实施现场语义特征关联编码单元,用于将所述多个训练企业项目实施现场全感知特征向量通过所述基于转换器模块的视频语义上下文编码器以得到训练企业项目实施现场感知语义特征向量;
分类损失单元,用于将所述训练企业项目实施现场感知语义特征向量通过所述分类器以得到分类损失函数值;
模型训练单元,用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于三维卷积神经网络模型的视频语义编码器、所述特征全感知模块、所述基于转换器模块的视频语义上下文编码器和所述分类器进行训练,其中,在训练过程的每一轮迭代中,对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化;
其中,在训练过程的每一轮迭代中,以如下优化公式对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练企业项目实施现场感知语义特征向量;
其中,所述优化公式为:
其中,是M1和M2分别是上次和本次迭代的权重矩阵,Vc是所述训练企业项目实施现场感知语义特征向量,和/>分别表示特征向量V1和V2的全局均值,且Vb是偏置向量,⊙表示按位置点乘,/>表示向量加法,/>表示矩阵乘法,min(·)表示最小值,V′c是所述优化训练企业项目实施现场感知语义特征向量。
2.根据权利要求1所述的企业项目实施智能管理系统,其特征在于,所述企业项目实施现场特征分析模块,包括:
实施现场视频切分单元,用于对所述企业项目实施现场监控视频进行视频切分以得到多个企业项目实施现场监控视频片段;
稀疏化采样单元,用于分别对所述多个企业项目实施现场监控视频片段进行稀疏化采样以得到多个企业项目实施现场监控稀疏化视频片段;
视频片段语义特征提取单元,用于通过基于深度神经网络模型的视频语义编码器分别对所述多个企业项目实施现场监控稀疏化视频片段进行特征提取以得到多个企业项目实施现场特征图;
实施现场视频语义特征全感知单元,用于对所述多个企业项目实施现场特征图进行关联编码以得到企业项目实施现场感知语义特征向量作为所述企业项目实施现场感知语义特征。
3.根据权利要求2所述的企业项目实施智能管理系统,其特征在于,所述深度神经网络模型为三维卷积神经网络模型。
4.根据权利要求3所述的企业项目实施智能管理系统,其特征在于,所述实施现场视频语义特征全感知单元,包括:
实施现场特征全感知子单元,用于将所述多个企业项目实施现场特征图分别通过特征全感知模块以得到多个企业项目实施现场全感知特征向量;
实施现场感知语义关联编码单元,用于将所述多个企业项目实施现场全感知特征向量通过基于转换器模块的视频语义上下文编码器以得到企业项目实施现场感知语义特征向量。
5.根据权利要求4所述的企业项目实施智能管理系统,其特征在于,所述施工风险点检测模块,用于:将所述企业项目实施现场感知语义特征向量通过分类器以得到分类结果,所述分类结果用于表示是否存在施工风险点。
6.一种企业项目实施智能管理方法,其特征在于,包括:
通过摄像头采集企业项目实施现场监控视频;
对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征;
基于所述企业项目实施现场感知语义特征,确定是否存在施工风险点;
其中,所述企业项目实施智能管理方法,还包括用于对基于三维卷积神经网络模型的视频语义编码器、特征全感知模块、基于转换器模块的视频语义上下文编码器和分类器进行训练;
其中,对基于三维卷积神经网络模型的视频语义编码器、特征全感知模块、基于转换器模块的视频语义上下文编码器和分类器进行训练,包括:
获取训练数据,所述训练数据包括企业项目实施现场训练监控视频,以及,所述是否存在施工风险点的真实值;
对所述企业项目实施现场训练监控视频进行视频切分以得到多个训练企业项目实施现场监控视频片段;
分别对所述多个训练企业项目实施现场监控视频片段进行稀疏化采样以得到多个训练企业项目实施现场监控稀疏化视频片段;
将所述多个训练企业项目实施现场监控稀疏化视频片段分别通过所述基于三维卷积神经网络模型的视频语义编码器以得到多个训练企业项目实施现场特征图;
将所述多个训练企业项目实施现场特征图分别通过所述特征全感知模块以得到多个训练企业项目实施现场全感知特征向量;
将所述多个训练企业项目实施现场全感知特征向量通过所述基于转换器模块的视频语义上下文编码器以得到训练企业项目实施现场感知语义特征向量;
将所述训练企业项目实施现场感知语义特征向量通过所述分类器以得到分类损失函数值;
基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于三维卷积神经网络模型的视频语义编码器、所述特征全感知模块、所述基于转换器模块的视频语义上下文编码器和所述分类器进行训练,其中,在训练过程的每一轮迭代中,对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化;
其中,在训练过程的每一轮迭代中,以如下优化公式对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练企业项目实施现场感知语义特征向量;
其中,所述优化公式为:
其中,是M1和M2分别是上次和本次迭代的权重矩阵,Vc是所述训练企业项目实施现场感知语义特征向量,和/>分别表示特征向量V1和V2的全局均值,且Vb是偏置向量,⊙表示按位置点乘,/>表示向量加法,/>表示矩阵乘法,min(·)表示最小值,V′c是所述优化训练企业项目实施现场感知语义特征向量。
7.根据权利要求6所述的企业项目实施智能管理方法,其特征在于,对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征,包括:
对所述企业项目实施现场监控视频进行视频切分以得到多个企业项目实施现场监控视频片段;
分别对所述多个企业项目实施现场监控视频片段进行稀疏化采样以得到多个企业项目实施现场监控稀疏化视频片段;
通过基于深度神经网络模型的视频语义编码器分别对所述多个企业项目实施现场监控稀疏化视频片段进行特征提取以得到多个企业项目实施现场特征图;
对所述多个企业项目实施现场特征图进行关联编码以得到企业项目实施现场感知语义特征向量作为所述企业项目实施现场感知语义特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031231.4A CN117035419B (zh) | 2023-08-16 | 2023-08-16 | 企业项目实施智能管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031231.4A CN117035419B (zh) | 2023-08-16 | 2023-08-16 | 企业项目实施智能管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035419A CN117035419A (zh) | 2023-11-10 |
CN117035419B true CN117035419B (zh) | 2024-02-13 |
Family
ID=88644554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311031231.4A Active CN117035419B (zh) | 2023-08-16 | 2023-08-16 | 企业项目实施智能管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035419B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314709A (zh) * | 2023-11-30 | 2023-12-29 | 吉林省拓达环保设备工程有限公司 | 污水处理进度的智能监测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144351A (zh) * | 2019-12-30 | 2020-05-12 | 重庆能工科技发展有限公司 | 一种工程进度的图像采集与分析系统与方法 |
CN114120209A (zh) * | 2022-01-27 | 2022-03-01 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法、系统、设备及存储介质 |
CN114757659A (zh) * | 2022-05-19 | 2022-07-15 | 浙江大学 | 研发项目智能管理系统及其管理方法 |
CN115150589A (zh) * | 2022-06-30 | 2022-10-04 | 合肥恒翔电子科技有限公司 | 一种用于煤矿企业的视频监控运维管理系统 |
CN115661694A (zh) * | 2022-11-08 | 2023-01-31 | 国网湖北省电力有限公司经济技术研究院 | 一种聚焦关键特征的轻量型主变压器智能检测方法、系统、存储介质及电子设备 |
CN115861879A (zh) * | 2022-11-25 | 2023-03-28 | 北京邮电大学 | 基于事件一致性的视听事件检测方法及装置 |
CN115909260A (zh) * | 2022-09-28 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于机器视觉的作业场所入侵预警方法及其系统 |
CN115937742A (zh) * | 2022-11-28 | 2023-04-07 | 北京百度网讯科技有限公司 | 视频场景分割、视觉任务处理方法、装置、设备以及介质 |
CN116486323A (zh) * | 2023-03-01 | 2023-07-25 | 华能(广东)能源开发有限公司汕头电厂 | 基于人工智能的输煤廊道监控管理系统及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11475628B2 (en) * | 2021-01-12 | 2022-10-18 | Toyota Research Institute, Inc. | Monocular 3D vehicle modeling and auto-labeling using semantic keypoints |
CN112784734A (zh) * | 2021-01-21 | 2021-05-11 | 北京百度网讯科技有限公司 | 一种视频识别方法、装置、电子设备和存储介质 |
-
2023
- 2023-08-16 CN CN202311031231.4A patent/CN117035419B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144351A (zh) * | 2019-12-30 | 2020-05-12 | 重庆能工科技发展有限公司 | 一种工程进度的图像采集与分析系统与方法 |
CN114120209A (zh) * | 2022-01-27 | 2022-03-01 | 深圳市博铭维技术股份有限公司 | 管道缺陷检测方法、系统、设备及存储介质 |
CN114757659A (zh) * | 2022-05-19 | 2022-07-15 | 浙江大学 | 研发项目智能管理系统及其管理方法 |
CN115150589A (zh) * | 2022-06-30 | 2022-10-04 | 合肥恒翔电子科技有限公司 | 一种用于煤矿企业的视频监控运维管理系统 |
CN115909260A (zh) * | 2022-09-28 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于机器视觉的作业场所入侵预警方法及其系统 |
CN115661694A (zh) * | 2022-11-08 | 2023-01-31 | 国网湖北省电力有限公司经济技术研究院 | 一种聚焦关键特征的轻量型主变压器智能检测方法、系统、存储介质及电子设备 |
CN115861879A (zh) * | 2022-11-25 | 2023-03-28 | 北京邮电大学 | 基于事件一致性的视听事件检测方法及装置 |
CN115937742A (zh) * | 2022-11-28 | 2023-04-07 | 北京百度网讯科技有限公司 | 视频场景分割、视觉任务处理方法、装置、设备以及介质 |
CN116486323A (zh) * | 2023-03-01 | 2023-07-25 | 华能(广东)能源开发有限公司汕头电厂 | 基于人工智能的输煤廊道监控管理系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117035419A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102163290B (zh) | 基于时空关联信息的多视角视频监控中异常事件建模方法 | |
CN111598040A (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
CN106412501A (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
CN114973140A (zh) | 基于机器视觉的危险区域人员闯入监测方法及系统 | |
JP2012099071A (ja) | プラント解析システム | |
CN111126217A (zh) | 基于智能识别的输电线路智能运维管理系统 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
Zhang et al. | A Multiple Instance Learning and Relevance Feedback Framework for Retrieving Abnormal Incidents in Surveillance Videos. | |
CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
CN113835387A (zh) | 运维管理方法、系统及介质 | |
Gao et al. | Molten metal hazards monitoring and early warning system based on convolutional neural network | |
Hommes et al. | Detection of abnormal behaviour in a surveillance environment using control charts | |
CN116956174A (zh) | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 | |
Beiyi et al. | Detection and tracking of safety helmet in construction site | |
Xiaoyan et al. | Research on intelligent analysis technology of power monitoring video data based on convolutional neural network | |
CN116862244B (zh) | 一种工业现场视觉ai分析与安全预警系统和方法 | |
CN117253176B (zh) | 基于视频分析与计算机视觉的安全生产Al智能检测方法 | |
WO2024018711A1 (ja) | プラント管理システム、および制御プログラム | |
Zhou et al. | Outlier detection on large-scale collective behaviors |
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 |