CN117173572A - 一种建筑信息化数据的采集方法及系统 - Google Patents
一种建筑信息化数据的采集方法及系统 Download PDFInfo
- Publication number
- CN117173572A CN117173572A CN202311159988.1A CN202311159988A CN117173572A CN 117173572 A CN117173572 A CN 117173572A CN 202311159988 A CN202311159988 A CN 202311159988A CN 117173572 A CN117173572 A CN 117173572A
- Authority
- CN
- China
- Prior art keywords
- image
- building
- sequence
- exemplary
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 119
- 238000010191 image analysis Methods 0.000 claims abstract description 101
- 238000004458 analytical method Methods 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000005065 mining Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims description 64
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000012512 characterization method Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供的一种建筑信息化数据的采集方法及系统,涉及数据处理技术领域。在本发明中,将原始图像集合进行拆分,以形成多个原始图像子集合;分别将每一个原始图像子集合标记为待分析图像序列,以及,提取到待分析图像序列对应的建筑物浅层关键信息;通过目标图像分析神经网络,挖掘出待分析图像序列对应的建筑物深层关键信息;通过目标图像分析神经网络,依据建筑物浅层关键信息和建筑物深层关键信息,分析出待分析图像序列对应的图像异常分析数据;基于图像异常分析数据,对多个原始图像子集合进行筛选,以在原始图像集合中采集到目标建筑物图像。基于上述方法,可以在一定程度上提高建筑数据采集的可靠度。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种建筑信息化数据的采集方法及系统。
背景技术
在对建筑物进行监控,如进行图像监控之后,一般需要从采集的监控图像中筛选采集出目标监控图像。例如,可以基于对监控图像的分析结果,如异常分析结果,进行目标监控图像的筛选采集,但是,在现有技术中,一般是基于人工进行异常分析,如此,就导致图像异常分析的可靠度不高,从而导致基于异常分析的结果进行的筛选采集的可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种建筑信息化数据的采集方法及系统,以在一定程度上提高建筑数据采集的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种建筑信息化数据的采集方法,包括:
提取到待分析建筑物对应的原始图像集合,并将所述原始图像集合进行拆分,以形成所述原始图像集合对应的多个原始图像子集合;
分别将每一个所述原始图像子集合标记为待分析图像序列,以及,提取到所述待分析图像序列对应的建筑物浅层关键信息,所述待分析图像序列包括所述待分析建筑物对应的多帧待分析建筑物图像;
通过目标图像分析神经网络,挖掘出所述待分析图像序列对应的建筑物深层关键信息;
通过所述目标图像分析神经网络,依据所述建筑物浅层关键信息和所述建筑物深层关键信息,分析出所述待分析图像序列对应的图像异常分析数据,所述图像异常分析数据用于反映所述待分析图像序列包括的待分析建筑物图像是否存在异常图像或具有的图像异常程度;
基于所述图像异常分析数据,对所述多个原始图像子集合进行筛选,以在所述原始图像集合中采集到目标建筑物图像。
在一些优选的实施例中,在上述建筑信息化数据的采集方法中,所述建筑信息化数据的采集方法,还包括:
提取到示例性建筑物图像序列,所述示例性建筑物图像序列的图像帧数不超过预先配置的参考图像帧数,所述示例性建筑物图像序列具有图像异常标注数据,所述示例性建筑物图像序列包括第一数量个建筑物图像子序列,所述第一数量个建筑物图像子序列中的每一个建筑物图像子序列包括相邻的一帧示例性建筑物图像;
依据目标序列长度,将所述第一数量个建筑物图像子序列进行滑窗分割处理,以输出所述示例性建筑物图像序列对应的多个示例性图像子序列,每一个所述示例性图像子序列包括所述第一数量个建筑物图像子序列中相邻的至少一个建筑物图像子序列;
依据所述示例性建筑物图像序列,将初始图像分析神经网络进行初始优化处理,以形成中间图像分析神经网络;
通过所述中间图像分析神经网络,将所述多个示例性图像子序列进行图像异常分析,以及,基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列;
依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理,以形成所述中间图像分析神经网络对应的目标图像分析神经网络。
在一些优选的实施例中,在上述建筑信息化数据的采集方法中,所述建筑信息化数据的采集方法,还包括:
对所述示例性建筑物图像序列进行帧间对比分析,以确定出所述示例性建筑物图像序列中的帧间差异标识信息,在所述帧间差异标识信息对应的序列位置中,该序列位置对应的两帧示例性建筑物图像之间的图像相似度小于或等于预先配置的参考图像相似度;
依据所述帧间差异标识信息,对所述示例性建筑物图像序列进行分割处理,以形成所述第一数量个建筑物图像子序列。
在一些优选的实施例中,在上述建筑信息化数据的采集方法中,所述多个示例性图像子序列中的每一个示例性图像子序列依次标记为待处理图像子序列,所述待处理图像子序列具备图像异常标注数据,所述中间图像分析神经网络分析出的所述待处理图像子序列的图像异常评估数据包括所述待处理图像子序列对应的图像异常表征数据和对于该图像异常表征数据具有的评估可能性参数,所述图像异常表征数据用于反映是否存在异常图像或具有的图像异常程度;
所述基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列的步骤,包括:
在所述待处理图像子序列对应的图像异常表征数据和所述待处理图像子序列对应的图像异常标注数据一致的情况下,以及,在对于所述待处理图像子序列具有的评估可能性参数不小于预先配置的参考评估可能性参数的情况下,将所述中间图像分析神经网络确定为对所述待处理图像子序列具有分析可靠度,以及,将所述待处理图像子序列进行标记,以作为第一示例性图像子序列。
在一些优选的实施例中,在上述建筑信息化数据的采集方法中,所述多个示例性图像子序列中的每一个示例性图像子序列依次标记为待处理图像子序列,所述待处理图像子序列具备图像异常标注数据,所述中间图像分析神经网络分析出的所述待处理图像子序列对应的图像异常评估数据包括所述待处理图像子序列对应的图像异常表征数据,所述图像异常表征数据用于反映是否存在异常图像或具有的图像异常程度;
所述基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列的步骤,包括:
在所述待处理图像子序列对应的图像异常表征数据和所述待处理图像子序列对应的图像异常标注数据一致的情况,将所述中间图像分析神经网络确定为对所述待处理图像子序列具备分析可靠度,以及,对所述待处理图像子序列进行标记处理,形成第一示例性图像子序列。
在一些优选的实施例中,在上述建筑信息化数据的采集方法中,所述示例性建筑物图像序列和所述第一示例性图像子序列中的每一个图像序列或图像子序列依次标记为网络优化用数据;
所述依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理,以形成所述中间图像分析神经网络对应的目标图像分析神经网络的步骤,包括:
提取到所述网络优化用数据具有的示例性建筑物浅层关键信息;
通过所述中间图像分析神经网络,挖掘出所述网络优化用数据对应的示例性建筑物深层关键信息;
通过所述中间图像分析神经网络,依据所述示例性建筑物浅层关键信息和所述示例性建筑物深层关键信息,分析出所述网络优化用数据对应的图像异常评估数据;
依据所述网络优化用数据对应的图像异常评估数据和所述网络优化用数据具有的图像异常标注数据,分析出所述中间图像分析神经网络对应的图像异常分析代价值;
依据所述图像异常分析代价值,对所述中间图像分析神经网络进行网络优化处理,以形成对应的目标图像分析神经网络。
在一些优选的实施例中,在上述建筑信息化数据的采集方法中,所述示例性建筑物浅层关键信息包括:
所述网络优化用数据中示例性建筑物图像具有的建筑物构件对应的建筑物构件关键信息,所述建筑物构件关键信息基于对所述网络优化用数据中各示例性建筑物图像具有的建筑物构件的类型占比信息进行挖掘形成,所述建筑物构件关键信息的表现形式包括向量;
所述网络优化用数据中建筑物图像子序列的图像累计关键信息,所述图像累计关键信息基于对所述建筑物图像子序列包括的示例性建筑物图像的图像帧数、图像数据量进行挖掘形成,所述图像累计关键信息的表现形式包括向量;和/或
所述网络优化用数据中示例性建筑物图像具有的建筑物构件中的主要建筑物构件的构件累计关键信息,所述构件累计关键信息基于对所述网络优化用数据中各示例性建筑物图像具有的建筑物构件的构件数量、构件类型数量进行挖掘形成,所述构件累计关键信息的表现形式包括向量。
本发明实施例还提供一种建筑信息化数据的采集系统,包括:
原始图像处理模块,用于提取到待分析建筑物对应的原始图像集合,并将所述原始图像集合进行拆分,以形成所述原始图像集合对应的多个原始图像子集合;
关键信息提取模块,用于分别将每一个所述原始图像子集合标记为待分析图像序列,以及,提取到所述待分析图像序列对应的建筑物浅层关键信息,所述待分析图像序列包括所述待分析建筑物对应的多帧待分析建筑物图像;
关键信息挖掘模块,用于通过目标图像分析神经网络,挖掘出所述待分析图像序列对应的建筑物深层关键信息;
异常分析模块,用于通过所述目标图像分析神经网络,依据所述建筑物浅层关键信息和所述建筑物深层关键信息,分析出所述待分析图像序列对应的图像异常分析数据,所述图像异常分析数据用于反映待分析图像序列包括的待分析建筑物图像是否存在异常图像或具有的图像异常程度;
图像采集模块,用于基于所述图像异常分析数据,对所述多个原始图像子集合进行筛选,以在所述原始图像集合中采集到目标建筑物图像。
在一些优选的实施例中,在上述建筑信息化数据的采集系统中,所述建筑信息化数据的采集系统还包括:
示例性图像提取模块,用于提取到示例性建筑物图像序列,所述示例性建筑物图像序列的图像帧数不超过预先配置的参考图像帧数,所述示例性建筑物图像序列具有图像异常标注数据,所述示例性建筑物图像序列包括第一数量个建筑物图像子序列,所述第一数量个建筑物图像子序列中的每一个建筑物图像子序列包括相邻的一帧示例性建筑物图像;
滑窗分割处理模块,用于依据目标序列长度,将所述第一数量个建筑物图像子序列进行滑窗分割处理,以输出所述示例性建筑物图像序列对应的多个示例性图像子序列,每一个所述示例性图像子序列包括所述第一数量个建筑物图像子序列中相邻的至少一个建筑物图像子序列;
初始优化处理模块,用于依据所述示例性建筑物图像序列,将初始图像分析神经网络进行初始优化处理,以形成中间图像分析神经网络;
子序列确定模块,用于通过所述中间图像分析神经网络,将所述多个示例性图像子序列进行图像异常分析,以及,基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列;
网络优化处理模块,用于依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理,以形成所述中间图像分析神经网络对应的目标图像分析神经网络。
在一些优选的实施例中,在上述建筑信息化数据的采集系统中,所述建筑信息化数据的采集系统还包括:
帧间对比分析模块,用于对所述示例性建筑物图像序列进行帧间对比分析,以确定出所述示例性建筑物图像序列中的帧间差异标识信息,在所述帧间差异标识信息对应的序列位置中,该序列位置对应的两帧示例性建筑物图像之间的图像相似度小于或等于预先配置的参考图像相似度;
分割处理模块,用于依据所述帧间差异标识信息,对所述示例性建筑物图像序列进行分割处理,以形成所述第一数量个建筑物图像子序列。
本发明实施例提供的一种建筑信息化数据的采集方法及系统,可以将原始图像集合进行拆分,以形成多个原始图像子集合;分别将每一个原始图像子集合标记为待分析图像序列,以及,提取到待分析图像序列对应的建筑物浅层关键信息;通过目标图像分析神经网络,挖掘出待分析图像序列对应的建筑物深层关键信息;通过目标图像分析神经网络,依据建筑物浅层关键信息和建筑物深层关键信息,分析出待分析图像序列对应的图像异常分析数据;基于图像异常分析数据,对多个原始图像子集合进行筛选,以在原始图像集合中采集到目标建筑物图像。基于前述的步骤,由于不再依赖于精度不高的人工异常分析,而是采用神经网络进行分析,而且,神经网络分析的依据包括建筑物浅层关键信息和建筑物深层关键信息,使得分析依据更为充分,因此,可以在一定程度上提高建筑数据采集的可靠度,从而改善现有技术中存在的建筑数据采集的可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的建筑信息化数据的采集平台的结构框图。
图2为本发明实施例提供的建筑信息化数据的采集方法包括的各步骤的流程示意图。
图3为本发明实施例提供的建筑信息化数据的采集系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
如图1所示,本发明实施例提供了一种建筑信息化数据的采集平台。其中,所述建筑信息化数据的采集平台可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例(如后文所述)提供的建筑信息化数据的采集方法。
具体来说,在一种实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
具体来说,在一种实施方式中,所述建筑信息化数据的采集平台可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种建筑信息化数据的采集方法,可应用于上述建筑信息化数据的采集平台。其中,所述建筑信息化数据的采集方法有关的流程所定义的方法步骤,可以由所述建筑信息化数据的采集平台实现。下面将对图2所示的具体流程,进行详细阐述。
步骤S110,提取到待分析建筑物对应的原始图像集合,并将所述原始图像集合进行拆分,以形成所述原始图像集合对应的多个原始图像子集合。
在本发明实施例中,所述建筑信息化数据的采集平台可以提取到待分析建筑物对应的原始图像集合(如图像采集终端设备在采集到所述原始图像集合之后,可以发送给所述建筑信息化数据的采集平台),并将所述原始图像集合进行拆分,以形成所述原始图像集合对应的多个原始图像子集合(示例性地,所述原始图像集合和每一个所述原始图像子集合都属于有序集合,即包括的待分析建筑物图像按照采集时间先后排序)。
步骤S120,分别将每一个所述原始图像子集合标记为待分析图像序列,以及,提取到所述待分析图像序列对应的建筑物浅层关键信息。
在本发明实施例中,所述建筑信息化数据的采集平台可以分别将每一个所述原始图像子集合标记为待分析图像序列(以分别执行后续处理),以及,提取到所述待分析图像序列对应的建筑物浅层关键信息。所述待分析图像序列包括所述待分析建筑物对应的多帧待分析建筑物图像。
步骤S130,通过目标图像分析神经网络,挖掘出所述待分析图像序列对应的建筑物深层关键信息。
在本发明实施例中,所述建筑信息化数据的采集平台可以通过目标图像分析神经网络(所述目标图像分析神经网络可以是经过网络优化处理形成,使得其具有较为可靠的建筑物深层关键信息的挖掘能力),挖掘出所述待分析图像序列对应的建筑物深层关键信息。
步骤S140,通过所述目标图像分析神经网络,依据所述建筑物浅层关键信息和所述建筑物深层关键信息,分析出所述待分析图像序列对应的图像异常分析数据。
在本发明实施例中,所述建筑信息化数据的采集平台可以通过所述目标图像分析神经网络,依据所述建筑物浅层关键信息和所述建筑物深层关键信息,分析出所述待分析图像序列对应的图像异常分析数据(示例性地,由于所述建筑物浅层关键信息和所述建筑物深层关键信息表征的维度不同,至少确定的方式不同,因此,为了在进行图像异常分析数据的分析的过程中,充分结合两方面的关键信息,可以对所述建筑物浅层关键信息和所述建筑物深层关键信息进行拼接,以形成一个拼接关键信息,然后,可以对拼接关键信息进行分析,具体而言,可以进行激励映射输出,如通过softmax函数实现,以输出对应的图像异常分析数据)。所述图像异常分析数据用于反映所述待分析图像序列包括的待分析建筑物图像是否存在异常图像或具有的图像异常程度(具体可以根据实际需求进行配置)。
步骤S150,基于所述图像异常分析数据,对所述多个原始图像子集合进行筛选,以在所述原始图像集合中采集到目标建筑物图像。
在本发明实施例中,所述建筑信息化数据的采集平台可以基于所述图像异常分析数据,对所述多个原始图像子集合进行筛选,以在所述原始图像集合中采集到目标建筑物图像(示例性地,可以将存在异常或图像异常程度大于预先配置的参考图像异常程度的每一个原始图像子集合筛除,或者,可以将存在异常或图像异常程度大于预先配置的参考图像异常程度的每一个原始图像子集合中的部分图像筛除,如此,可以将未被筛除的全部图像都标记为目标建筑物图像,另外,图像异常的具体定义不受限制,可以根据具体的应用场景进行配置,如可以是指图像中的内容前后矛盾,或者,也可以是指图像中的内容不真实,即图像存在篡改等问题)。
基于前述的步骤,如前述的步骤S110-步骤S150,由于不再依赖于精度不高的人工异常分析,而是采用神经网络进行分析,而且,神经网络分析的依据包括建筑物浅层关键信息和建筑物深层关键信息,使得分析依据更为充分,因此,可以在一定程度上提高建筑数据采集的可靠度,从而改善现有技术中存在的建筑数据采集的可靠度不高的问题。
具体来说,在一种实施方式中,所述建筑信息化数据的采集方法,还可以进一步包括以下的具体内容:
提取到示例性建筑物图像序列,所述示例性建筑物图像序列的图像帧数不超过预先配置的参考图像帧数(所述参考图像帧数的具体数值不受限制,可以根据实际需求进行配置,如此,通过所述参考图像帧数的配置,可以在一定程度降低进行网络优化处理的数据需求量),所述示例性建筑物图像序列具有图像异常标注数据,所述示例性建筑物图像序列包括第一数量个建筑物图像子序列,所述第一数量个建筑物图像子序列中的每一个建筑物图像子序列包括相邻的一帧示例性建筑物图像(也就是说,可以包括一帧示例性建筑物图像,也可以包括多帧示例性建筑物图像,该多帧示例性建筑物图像可以是相邻的,即对应的采集时间连续);
依据目标序列长度(所述目标序列长度的具体数值不受限制,如1、2、3、4等),将所述第一数量个建筑物图像子序列进行滑窗分割处理,以输出所述示例性建筑物图像序列对应的多个示例性图像子序列,每一个所述示例性图像子序列包括所述第一数量个建筑物图像子序列中相邻的至少一个建筑物图像子序列(如每一个所述示例性图像子序列包括的建筑物图像子序列的数量等于所述目标序列长度);
依据所述示例性建筑物图像序列,将初始图像分析神经网络进行初始优化处理,以形成中间图像分析神经网络(示例性地,可以依据所述示例性建筑物图像序列包括的建筑物图像子序列,分析出所述示例性建筑物图像序列对应的示例性关键信息,并通过所述初始图像分析神经网络,依据所述示例性关键信息分析出所述示例性建筑物图像序列对应的图像异常评估数据,以及所属示例性建筑物图像序列对应的图像异常评估数据和所述示例性建筑物图像序列对应的图像异常标注数据,分析输出对应的图像异常分析代价值,即误差,依据所述图像异常分析代价值对该初始图像分析神经网络进行网络优化处理,形成中间图像分析神经网络);
通过所述中间图像分析神经网络,将所述多个示例性图像子序列进行图像异常分析,以及,基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列;
依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理(如前述的初始优化处理),以形成所述中间图像分析神经网络对应的目标图像分析神经网络(基于此,可以通过确定出高精度的所述第一示例性图像子序列,以实现对所述中间图像分析神经网络的可靠网络优化处理,从而在一定程度上提高形成的目标图像分析神经网络的分析能力,保障其分析精度)。
具体来说,在一种实施方式中,所述建筑信息化数据的采集方法,还可以进一步包括以下的具体内容:
对所述示例性建筑物图像序列进行帧间对比分析,以确定出所述示例性建筑物图像序列中的帧间差异标识信息,在所述帧间差异标识信息对应的序列位置中,该序列位置对应的两帧示例性建筑物图像之间的图像相似度小于或等于预先配置的参考图像相似度(也就是说,可以先对所述示例性建筑物图像序列中的每相邻两帧示例性建筑物图像进行图像相似度的计算,然后,将图像相似度与参考图像相似度进行对比,其中,图像相似度的计算,既可以依据提取出的关键点的分布进行重合度计算,也可以基于相应的神经网络对两帧示例性建筑物图像进行图像相似度计算);
依据所述帧间差异标识信息,对所述示例性建筑物图像序列进行分割处理,以形成所述第一数量个建筑物图像子序列(示例性地,所述帧间差异标识信息对应的序列位置对应的两帧示例性建筑物图像可以分配到两个相邻的建筑物图像子序列,分别作为子序列的末位数据和首位数据)。
具体来说,在一种实施方式中,所述多个示例性图像子序列中的每一个示例性图像子序列依次标记为待处理图像子序列,所述待处理图像子序列具备图像异常标注数据,所述中间图像分析神经网络分析出的所述待处理图像子序列的图像异常评估数据包括所述待处理图像子序列对应的图像异常表征数据和对于该图像异常表征数据具有的评估可能性参数(即异常的可能性,或具有的异常程度的可能性),所述图像异常表征数据用于反映是否存在异常图像或具有的图像异常程度,基于此,所述基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列的步骤,可以进一步包括以下的具体内容:
在所述待处理图像子序列对应的图像异常表征数据和所述待处理图像子序列对应的图像异常标注数据一致的情况下,以及,在对于所述待处理图像子序列具有的评估可能性参数不小于预先配置的参考评估可能性参数的情况下(所述参考评估可能性参数的具体数据不受限制,可以根据实际需求进行配置,如0.80、0.85、0.90、0.95等),将所述中间图像分析神经网络确定为对所述待处理图像子序列具有分析可靠度,以及,将所述待处理图像子序列进行标记,以作为第一示例性图像子序列。
具体来说,在一种实施方式中,所述多个示例性图像子序列中的每一个示例性图像子序列依次标记为待处理图像子序列,所述待处理图像子序列具备图像异常标注数据,所述中间图像分析神经网络分析出的所述待处理图像子序列对应的图像异常评估数据包括所述待处理图像子序列对应的图像异常表征数据,所述图像异常表征数据用于反映是否存在异常图像或具有的图像异常程度,基于此,所述基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列的步骤,可以包括以下的具体内容:
在所述待处理图像子序列对应的图像异常表征数据和所述待处理图像子序列对应的图像异常标注数据一致的情况,将所述中间图像分析神经网络确定为对所述待处理图像子序列具备分析可靠度,以及,对所述待处理图像子序列进行标记处理,形成第一示例性图像子序列。
具体来说,在一种实施方式中,所述示例性建筑物图像序列和所述第一示例性图像子序列中的每一个图像序列或图像子序列依次标记为网络优化用数据,基于此,所述依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理,以形成所述中间图像分析神经网络对应的目标图像分析神经网络的步骤,可以进一步包括以下的具体内容:
提取到所述网络优化用数据具有的示例性建筑物浅层关键信息;
通过所述中间图像分析神经网络,挖掘出所述网络优化用数据对应的示例性建筑物深层关键信息(如将所述网络优化用数据映射至出特征空间,以形成对应的示例性建筑物深层关键信息,或进行进一步的知识抽取);
通过所述中间图像分析神经网络,依据所述示例性建筑物浅层关键信息和所述示例性建筑物深层关键信息(如拼接之后,进行分析预测),分析出所述网络优化用数据对应的图像异常评估数据;
依据所述网络优化用数据对应的图像异常评估数据和所述网络优化用数据具有的图像异常标注数据(即数据之间的差异),分析出所述中间图像分析神经网络对应的图像异常分析代价值;
依据所述图像异常分析代价值,对所述中间图像分析神经网络进行网络优化处理,以形成对应的目标图像分析神经网络(即使得所述图像异常分析代价值减小的方向进行处理,形成目标图像分析神经网络)。
具体来说,在一种实施方式中,所述示例性建筑物浅层关键信息,可以进一步包括以下的具体内容:
所述网络优化用数据中示例性建筑物图像具有的建筑物构件对应的建筑物构件关键信息,所述建筑物构件关键信息基于对所述网络优化用数据中各示例性建筑物图像具有的建筑物构件的类型占比信息(如建筑物构件类型A的数量占比1、建筑物构件类型B的数量占比2、建筑物构件类型C的数量占比3、建筑物构件类型D的数量占比4、建筑物构件类型E的数量占比5)进行挖掘形成,所述建筑物构件关键信息的表现形式包括向量;所述网络优化用数据中建筑物图像子序列的图像累计关键信息,所述图像累计关键信息基于对所述建筑物图像子序列包括的示例性建筑物图像的图像帧数、图像数据量进行挖掘形成,所述图像累计关键信息的表现形式包括向量;和/或,所述网络优化用数据中示例性建筑物图像具有的建筑物构件中的主要建筑物构件的构件累计关键信息,所述构件累计关键信息基于对所述网络优化用数据中各示例性建筑物图像具有的建筑物构件的构件数量、构件类型数量进行挖掘形成,所述构件累计关键信息的表现形式包括向量(另外,所述示例性建筑物深层关键信息的表现形式也可以包括向量)。
结合图3,本发明实施例还提供一种建筑信息化数据的采集系统,可应用于上述建筑信息化数据的采集平台。其中,所述建筑信息化数据的采集系统可以包括以下的各软件功能模块:
原始图像处理模块,用于提取到待分析建筑物对应的原始图像集合,并将所述原始图像集合进行拆分,以形成所述原始图像集合对应的多个原始图像子集合;
关键信息提取模块,用于分别将每一个所述原始图像子集合标记为待分析图像序列,以及,提取到所述待分析图像序列对应的建筑物浅层关键信息,所述待分析图像序列包括所述待分析建筑物对应的多帧待分析建筑物图像;
关键信息挖掘模块,用于通过目标图像分析神经网络,挖掘出所述待分析图像序列对应的建筑物深层关键信息;
异常分析模块,用于通过所述目标图像分析神经网络,依据所述建筑物浅层关键信息和所述建筑物深层关键信息,分析出所述待分析图像序列对应的图像异常分析数据,所述图像异常分析数据用于反映待分析图像序列包括的待分析建筑物图像是否存在异常图像或具有的图像异常程度;
图像采集模块,用于基于所述图像异常分析数据,对所述多个原始图像子集合进行筛选,以在所述原始图像集合中采集到目标建筑物图像。
具体来说,在一种实施方式中,所述建筑信息化数据的采集系统还可以包括以下的各软件功能模块:
示例性图像提取模块,用于提取到示例性建筑物图像序列,所述示例性建筑物图像序列的图像帧数不超过预先配置的参考图像帧数,所述示例性建筑物图像序列具有图像异常标注数据,所述示例性建筑物图像序列包括第一数量个建筑物图像子序列,所述第一数量个建筑物图像子序列中的每一个建筑物图像子序列包括相邻的一帧示例性建筑物图像;
滑窗分割处理模块,用于依据目标序列长度,将所述第一数量个建筑物图像子序列进行滑窗分割处理,以输出所述示例性建筑物图像序列对应的多个示例性图像子序列,每一个所述示例性图像子序列包括所述第一数量个建筑物图像子序列中相邻的至少一个建筑物图像子序列;
初始优化处理模块,用于依据所述示例性建筑物图像序列,将初始图像分析神经网络进行初始优化处理,以形成中间图像分析神经网络;
子序列确定模块,用于通过所述中间图像分析神经网络,将所述多个示例性图像子序列进行图像异常分析,以及,基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列;
网络优化处理模块,用于依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理,以形成所述中间图像分析神经网络对应的目标图像分析神经网络。
具体来说,在一种实施方式中,所述建筑信息化数据的采集系统还可以包括以下的各软件功能模块:
帧间对比分析模块,用于对所述示例性建筑物图像序列进行帧间对比分析,以确定出所述示例性建筑物图像序列中的帧间差异标识信息,在所述帧间差异标识信息对应的序列位置中,该序列位置对应的两帧示例性建筑物图像之间的图像相似度小于或等于预先配置的参考图像相似度;
分割处理模块,用于依据所述帧间差异标识信息,对所述示例性建筑物图像序列进行分割处理,以形成所述第一数量个建筑物图像子序列。
综上所述,本发明提供的一种建筑信息化数据的采集方法及系统,可以将原始图像集合进行拆分,以形成多个原始图像子集合;分别将每一个原始图像子集合标记为待分析图像序列,以及,提取到待分析图像序列对应的建筑物浅层关键信息;通过目标图像分析神经网络,挖掘出待分析图像序列对应的建筑物深层关键信息;通过目标图像分析神经网络,依据建筑物浅层关键信息和建筑物深层关键信息,分析出待分析图像序列对应的图像异常分析数据;基于图像异常分析数据,对多个原始图像子集合进行筛选,以在原始图像集合中采集到目标建筑物图像。基于前述的步骤,由于不再依赖于精度不高的人工异常分析,而是采用神经网络进行分析,而且,神经网络分析的依据包括建筑物浅层关键信息和建筑物深层关键信息,使得分析依据更为充分,因此,可以在一定程度上提高建筑数据采集的可靠度,从而改善现有技术中存在的建筑数据采集的可靠度不高的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种建筑信息化数据的采集方法,其特征在于,包括:
提取到待分析建筑物对应的原始图像集合,并将所述原始图像集合进行拆分,以形成所述原始图像集合对应的多个原始图像子集合;
分别将每一个所述原始图像子集合标记为待分析图像序列,以及,提取到所述待分析图像序列对应的建筑物浅层关键信息,所述待分析图像序列包括所述待分析建筑物对应的多帧待分析建筑物图像;
通过目标图像分析神经网络,挖掘出所述待分析图像序列对应的建筑物深层关键信息;
通过所述目标图像分析神经网络,依据所述建筑物浅层关键信息和所述建筑物深层关键信息,分析出所述待分析图像序列对应的图像异常分析数据,所述图像异常分析数据用于反映所述待分析图像序列包括的待分析建筑物图像是否存在异常图像或具有的图像异常程度;
基于所述图像异常分析数据,对所述多个原始图像子集合进行筛选,以在所述原始图像集合中采集到目标建筑物图像。
2.如权利要求1所述的建筑信息化数据的采集方法,其特征在于,所述建筑信息化数据的采集方法,还包括:
提取到示例性建筑物图像序列,所述示例性建筑物图像序列的图像帧数不超过预先配置的参考图像帧数,所述示例性建筑物图像序列具有图像异常标注数据,所述示例性建筑物图像序列包括第一数量个建筑物图像子序列,所述第一数量个建筑物图像子序列中的每一个建筑物图像子序列包括相邻的一帧示例性建筑物图像;
依据目标序列长度,将所述第一数量个建筑物图像子序列进行滑窗分割处理,以输出所述示例性建筑物图像序列对应的多个示例性图像子序列,每一个所述示例性图像子序列包括所述第一数量个建筑物图像子序列中相邻的至少一个建筑物图像子序列;
依据所述示例性建筑物图像序列,将初始图像分析神经网络进行初始优化处理,以形成中间图像分析神经网络;
通过所述中间图像分析神经网络,将所述多个示例性图像子序列进行图像异常分析,以及,基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列;
依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理,以形成所述中间图像分析神经网络对应的目标图像分析神经网络。
3.如权利要求2所述的建筑信息化数据的采集方法,其特征在于,所述建筑信息化数据的采集方法,还包括:
对所述示例性建筑物图像序列进行帧间对比分析,以确定出所述示例性建筑物图像序列中的帧间差异标识信息,在所述帧间差异标识信息对应的序列位置中,该序列位置对应的两帧示例性建筑物图像之间的图像相似度小于或等于预先配置的参考图像相似度;
依据所述帧间差异标识信息,对所述示例性建筑物图像序列进行分割处理,以形成所述第一数量个建筑物图像子序列。
4.如权利要求2所述的建筑信息化数据的采集方法,其特征在于,所述多个示例性图像子序列中的每一个示例性图像子序列依次标记为待处理图像子序列,所述待处理图像子序列具备图像异常标注数据,所述中间图像分析神经网络分析出的所述待处理图像子序列的图像异常评估数据包括所述待处理图像子序列对应的图像异常表征数据和对于该图像异常表征数据具有的评估可能性参数,所述图像异常表征数据用于反映是否存在异常图像或具有的图像异常程度;
所述基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列的步骤,包括:
在所述待处理图像子序列对应的图像异常表征数据和所述待处理图像子序列对应的图像异常标注数据一致的情况下,以及,在对于所述待处理图像子序列具有的评估可能性参数不小于预先配置的参考评估可能性参数的情况下,将所述中间图像分析神经网络确定为对所述待处理图像子序列具有分析可靠度,以及,将所述待处理图像子序列进行标记,以作为第一示例性图像子序列。
5.如权利要求2所述的建筑信息化数据的采集方法,其特征在于,所述多个示例性图像子序列中的每一个示例性图像子序列依次标记为待处理图像子序列,所述待处理图像子序列具备图像异常标注数据,所述中间图像分析神经网络分析出的所述待处理图像子序列对应的图像异常评估数据包括所述待处理图像子序列对应的图像异常表征数据,所述图像异常表征数据用于反映是否存在异常图像或具有的图像异常程度;
所述基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列的步骤,包括:
在所述待处理图像子序列对应的图像异常表征数据和所述待处理图像子序列对应的图像异常标注数据一致的情况,将所述中间图像分析神经网络确定为对所述待处理图像子序列具备分析可靠度,以及,对所述待处理图像子序列进行标记处理,形成第一示例性图像子序列。
6.如权利要求2所述的建筑信息化数据的采集方法,其特征在于,所述示例性建筑物图像序列和所述第一示例性图像子序列中的每一个图像序列或图像子序列依次标记为网络优化用数据;
所述依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理,以形成所述中间图像分析神经网络对应的目标图像分析神经网络的步骤,包括:
提取到所述网络优化用数据具有的示例性建筑物浅层关键信息;
通过所述中间图像分析神经网络,挖掘出所述网络优化用数据对应的示例性建筑物深层关键信息;
通过所述中间图像分析神经网络,依据所述示例性建筑物浅层关键信息和所述示例性建筑物深层关键信息,分析出所述网络优化用数据对应的图像异常评估数据;
依据所述网络优化用数据对应的图像异常评估数据和所述网络优化用数据具有的图像异常标注数据,分析出所述中间图像分析神经网络对应的图像异常分析代价值;
依据所述图像异常分析代价值,对所述中间图像分析神经网络进行网络优化处理,以形成对应的目标图像分析神经网络。
7.如权利要求6所述的建筑信息化数据的采集方法,其特征在于,所述示例性建筑物浅层关键信息包括:
所述网络优化用数据中示例性建筑物图像具有的建筑物构件对应的建筑物构件关键信息,所述建筑物构件关键信息基于对所述网络优化用数据中各示例性建筑物图像具有的建筑物构件的类型占比信息进行挖掘形成,所述建筑物构件关键信息的表现形式包括向量;
所述网络优化用数据中建筑物图像子序列的图像累计关键信息,所述图像累计关键信息基于对所述建筑物图像子序列包括的示例性建筑物图像的图像帧数、图像数据量进行挖掘形成,所述图像累计关键信息的表现形式包括向量;和/或
所述网络优化用数据中示例性建筑物图像具有的建筑物构件中的主要建筑物构件的构件累计关键信息,所述构件累计关键信息基于对所述网络优化用数据中各示例性建筑物图像具有的建筑物构件的构件数量、构件类型数量进行挖掘形成,所述构件累计关键信息的表现形式包括向量。
8.一种建筑信息化数据的采集系统,其特征在于,包括:
原始图像处理模块,用于提取到待分析建筑物对应的原始图像集合,并将所述原始图像集合进行拆分,以形成所述原始图像集合对应的多个原始图像子集合;
关键信息提取模块,用于分别将每一个所述原始图像子集合标记为待分析图像序列,以及,提取到所述待分析图像序列对应的建筑物浅层关键信息,所述待分析图像序列包括所述待分析建筑物对应的多帧待分析建筑物图像;
关键信息挖掘模块,用于通过目标图像分析神经网络,挖掘出所述待分析图像序列对应的建筑物深层关键信息;
异常分析模块,用于通过所述目标图像分析神经网络,依据所述建筑物浅层关键信息和所述建筑物深层关键信息,分析出所述待分析图像序列对应的图像异常分析数据,所述图像异常分析数据用于反映待分析图像序列包括的待分析建筑物图像是否存在异常图像或具有的图像异常程度;
图像采集模块,用于基于所述图像异常分析数据,对所述多个原始图像子集合进行筛选,以在所述原始图像集合中采集到目标建筑物图像。
9.如权利要求8所述的建筑信息化数据的采集系统,其特征在于,所述建筑信息化数据的采集系统还包括:
示例性图像提取模块,用于提取到示例性建筑物图像序列,所述示例性建筑物图像序列的图像帧数不超过预先配置的参考图像帧数,所述示例性建筑物图像序列具有图像异常标注数据,所述示例性建筑物图像序列包括第一数量个建筑物图像子序列,所述第一数量个建筑物图像子序列中的每一个建筑物图像子序列包括相邻的一帧示例性建筑物图像;
滑窗分割处理模块,用于依据目标序列长度,将所述第一数量个建筑物图像子序列进行滑窗分割处理,以输出所述示例性建筑物图像序列对应的多个示例性图像子序列,每一个所述示例性图像子序列包括所述第一数量个建筑物图像子序列中相邻的至少一个建筑物图像子序列;
初始优化处理模块,用于依据所述示例性建筑物图像序列,将初始图像分析神经网络进行初始优化处理,以形成中间图像分析神经网络;
子序列确定模块,用于通过所述中间图像分析神经网络,将所述多个示例性图像子序列进行图像异常分析,以及,基于所述中间图像分析神经网络对于所述多个示例性图像子序列具有的分析可靠度,在所述多个示例性图像子序列中,确定出第一示例性图像子序列;
网络优化处理模块,用于依据所述示例性建筑物图像序列和所述第一示例性图像子序列,将所述中间图像分析神经网络进行网络优化处理,以形成所述中间图像分析神经网络对应的目标图像分析神经网络。
10.如权利要求9所述的建筑信息化数据的采集系统,其特征在于,所述建筑信息化数据的采集系统还包括:
帧间对比分析模块,用于对所述示例性建筑物图像序列进行帧间对比分析,以确定出所述示例性建筑物图像序列中的帧间差异标识信息,在所述帧间差异标识信息对应的序列位置中,该序列位置对应的两帧示例性建筑物图像之间的图像相似度小于或等于预先配置的参考图像相似度;
分割处理模块,用于依据所述帧间差异标识信息,对所述示例性建筑物图像序列进行分割处理,以形成所述第一数量个建筑物图像子序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159988.1A CN117173572A (zh) | 2023-09-08 | 2023-09-08 | 一种建筑信息化数据的采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311159988.1A CN117173572A (zh) | 2023-09-08 | 2023-09-08 | 一种建筑信息化数据的采集方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117173572A true CN117173572A (zh) | 2023-12-05 |
Family
ID=88944694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311159988.1A Pending CN117173572A (zh) | 2023-09-08 | 2023-09-08 | 一种建筑信息化数据的采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173572A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629905A (zh) * | 2020-12-22 | 2021-04-09 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN113111823A (zh) * | 2021-04-22 | 2021-07-13 | 广东工业大学 | 一种建筑施工地的异常行为检测方法和相关装置 |
CN115841255A (zh) * | 2022-12-27 | 2023-03-24 | 济南市工程质量与安全中心 | 基于在线分析的建筑工程现场预警方法及系统 |
CN116028886A (zh) * | 2023-03-09 | 2023-04-28 | 滕志香 | 一种基于bim的数据处理方法、系统及云平台 |
CN116414832A (zh) * | 2023-03-09 | 2023-07-11 | 孟令阳 | 一种基于bim与人工智能的数据档案存储方法及系统 |
CN116720752A (zh) * | 2023-08-07 | 2023-09-08 | 济宁金虹装配式建筑科技有限公司 | 基于大数据的装配式建筑质量信息监管系统 |
-
2023
- 2023-09-08 CN CN202311159988.1A patent/CN117173572A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629905A (zh) * | 2020-12-22 | 2021-04-09 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN113111823A (zh) * | 2021-04-22 | 2021-07-13 | 广东工业大学 | 一种建筑施工地的异常行为检测方法和相关装置 |
CN115841255A (zh) * | 2022-12-27 | 2023-03-24 | 济南市工程质量与安全中心 | 基于在线分析的建筑工程现场预警方法及系统 |
CN116028886A (zh) * | 2023-03-09 | 2023-04-28 | 滕志香 | 一种基于bim的数据处理方法、系统及云平台 |
CN116414832A (zh) * | 2023-03-09 | 2023-07-11 | 孟令阳 | 一种基于bim与人工智能的数据档案存储方法及系统 |
CN116720752A (zh) * | 2023-08-07 | 2023-09-08 | 济宁金虹装配式建筑科技有限公司 | 基于大数据的装配式建筑质量信息监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948276B (zh) | 失效分析方法、装置、设备和存储介质 | |
CN115018840B (zh) | 精密铸件裂纹检测方法、系统及装置 | |
CN115841255B (zh) | 基于在线分析的建筑工程现场预警方法及系统 | |
CN115091472B (zh) | 基于人工智能的目标定位方法及装夹机械手控制系统 | |
CN116310914A (zh) | 基于人工智能的无人机监控方法及系统 | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
CN116935280A (zh) | 一种基于视频分析的行为预测方法及系统 | |
CN116821777A (zh) | 一种新型基础测绘数据整合方法及系统 | |
CN115639578B (zh) | 一种北斗导航定位监测处理方法及系统 | |
CN117173572A (zh) | 一种建筑信息化数据的采集方法及系统 | |
CN115457467A (zh) | 一种基于数据挖掘的建筑质量隐患定位方法及系统 | |
CN117351355A (zh) | 一种建筑信息化的数据处理方法及系统 | |
CN113673430A (zh) | 一种基于物联网的用户行为分析方法 | |
CN116958838B (zh) | 一种基于无人机航测技术的森林资源监测方法及系统 | |
CN115906642B (zh) | 轴承生产检测控制方法及装置 | |
CN116437057B (zh) | 乙硼烷生产监控系统的系统优化方法及系统 | |
CN115631448B (zh) | 一种音视频质检处理方法及系统 | |
CN117149846B (zh) | 一种基于数据融合的电力数据分析方法和系统 | |
CN117220939A (zh) | 一种互联网设备的安全监控方法及系统 | |
CN116994609B (zh) | 应用于智能生产线的数据分析方法及系统 | |
CN116630665A (zh) | 应用于图像分析的测绘数据处理方法及系统 | |
CN117150065B (zh) | 一种图像信息的采集方法及系统 | |
CN117668962A (zh) | 一种基于建筑信息化的监控方法及系统 | |
CN117173614A (zh) | 一种基于互联网的监控方法及系统 | |
CN117236764A (zh) | 一种用于工程质量检测的信息处理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |