CN117313960A - 一种基于可视化的施工日志展示方法 - Google Patents

Abstract

本申请提供一种基于可视化的施工日志展示方法，包括：针对照片数据进行深入分析，解析每张照片的时间戳和位置信息，获取施工环节的顺序和持续时间，得到施工流程的预测；通过得到的施工环节信息，采用时间序列分析算法，预测关键节点的完成时间和延误情况，构建施工进度预测模型；通过施工进度预测模型，获取每个施工任务的开始时间、结束时间、完成情况的信息，得到详细的施工进度日志预测数据；根据施工进度日志数据以及照片中的元素信息，通过颜色标识区分关键节点的预测情况和实际情况，得到颜色标记的施工进度图。

Description

一种基于可视化的施工日志展示方法

技术领域

本发明涉及信息技术领域，尤其涉及一种基于可视化的施工日志展示方法。

背景技术

随着建筑业的快速发展，施工现场管理变得尤为重要。然而，传统的施工现场管理方法存在许多问题。人工拍摄照片和整理数据耗费时间和精力，容易出现漏拍或遗漏的情况。由于人为因素的影响，照片中的施工元素的识别和标记可能存在误差。传统自动拍摄照片编号混乱，不能确定照片分属的工地、施工时间、施工人员、施工设备。传统的施工进度预测方法往往依赖于经验和主观判断，缺乏科学性和准确性。传统施工进度预测依赖往期施工进度数据，难以根据当地施工现场情况进行修改。传统工程进度检测需要人工来到工地，不能同时查看多个工地施工进度。传统工程进度预测不能动态实时展示工地进度变化，不能清晰区分施工进度高于预测、施工进度符合预期的、施工进度低于预期的工地进度。

发明内容

本发明提供了一种基于可视化的施工日志展示方法，主要包括：

根据预设的定时拍摄功能和触发器，自动在指定的时间间隔或施工事件发生时拍摄施工现场的照片，同时获得每张照片的时间戳和位置信息；通过获取的照片日志信息，采用图像处理算法，对每张照片进行分析，识别并标记出其中的工程项目元素，包括设备、材料和人员，得到包含工程项目特征的标记照片；获取标记后的照片，根据照片中的施工元素，以及施工过程中的关键节点或施工时刻，自动生成图片命名规则，确定每张照片的唯一标识，形成施工照片日志详情；针对照片数据进行深入分析，解析每张照片的时间戳和位置信息，获取施工环节的顺序和持续时间，得到施工流程的预测；通过得到的施工环节信息，采用时间序列分析算法，预测关键节点的完成时间和延误情况，构建施工进度预测模型；通过施工进度预测模型，获取每个施工任务的开始时间、结束时间、完成情况的信息，得到详细的施工进度日志预测数据；根据施工进度日志数据以及照片中的元素信息，通过颜色标识区分关键节点的预测情况和实际情况，得到颜色标记的施工进度图；根据带有颜色标记的施工进度图，通过动态展示以动画形式展示关键节点的预测情况，判断施工进度的良好程度，动态地对施工进度进行评估和实时展示。

在一些实施例中，所述根据预设的定时拍摄功能和触发器，自动在指定的时间间隔或施工事件发生时拍摄施工现场的照片，同时获得每张照片的时间戳和位置信息，包括：

采用指定的时间戳格式，为每张照片生成时间戳以确保其准确性；通过GPS系统获取照片的位置信息，并确保其精度满足预设要求；将每张照片按预定的格式和编码进行存储，用于后续处理和传输；对于触发器激活的照片，使用事件与照片的关联度分析算法，自动标记其与特定施工事件的关联；自动将照片和相关数据同步到指定的存储位置，建立数据库；同步完成后，按照预设的备份策略，自动进行数据备份，以防数据丢失；获取拍摄设备的电源状态，如果电量过低，则自动进入节能模式；否则，继续执行下一个任务；在所有数据同步和备份完成后，使用Pandas对拍摄的内容、时间戳和位置信息进行整合，并将其归档到指定的数据集合中。

在一些实施例中，所述通过获取的照片日志信息，采用图像处理算法，对每张照片进行分析，识别并标记出其中的工程项目元素，包括设备、材料和人员，得到包含工程项目特征的标记照片，包括：

通过获取的照片日志信息，提取照片的时间戳和地理坐标；根据地理坐标，对照片内容进行初步判断，获取地理位置涉及的工程种类和特性；采用Tenengrad梯度方法，判断照片的像素分辨率，确保图像质量满足后续分析需求；使用LL-NET算法，针对照片的光线条件和背景噪音，进行噪声滤波和亮度调整，提高图像的清晰度；根据增强后的图像，识别照片中的工程设备，并根据设备特征进行分类；基于LL-NET算法，对照片中的工程材料进行分类识别，并获取其种类；利用Laplace变换算法，加强图像中人员的特征，进而确定照片中工程人员的角色；根据角色和设备分类信息，进行工程进度的初步评估；将照片的工程信息汇总，得到包含工程项目特征的标记照片。

在一些实施例中，所述获取标记后的照片，根据照片中的施工元素，以及施工过程中的关键节点或施工时刻，自动生成图片命名规则，确定每张照片的唯一标识，形成施工照片日志详情，包括：

获取标记后的照片，得到照片的元数据信息；从照片的元数据信息中提取施工元素的构造类型与材料信息，得到施工元素数据；根据照片的元数据信息，分析施工过程中的时间与位置信息，得到时间戳与位置坐标；使用图卷积网路识别照片中的原材料标签，获取与施工元素相关的原材料批次编码，得到原材料批次编码；通过施工照片中的员工编码与设备信息，使用图卷积网路识别施工工具及机械的设备编码，得到工具与机械设备编码；分析照片中的工具与机械设备编码，判断施工过程中是否有异常事件记录输入，得到安全措施与异常事件数据；对比图像数据与施工图纸，获取施工图纸与实际施工的差异数据输入，得到施工图纸与实际差异数据；使用散列算法将施工图纸与实际差异数据结合，生成照片命名规则，并确定每张照片的唯一标识，得到照片的唯一标识与命名规则；通过照片的唯一标识与命名规则，得到完整的施工照片日志详情。

在一些实施例中，所述针对照片数据进行深入分析，解析每张照片的时间戳和位置信息，获取施工环节的顺序和持续时间，得到施工流程的预测，包括：

通过exifread读取照片数据内部结构，解析出每张照片中的时间戳和地理位置信息；利用排序算法对解析出的时间戳进行排序，形成一个按时间顺序的照片列表；对于排序后的照片，利用DenseNet算法与施工环节数据库匹配，确定每张照片对应的施工环节；根据照片的地理位置信息，将照片与具体的施工位置进行匹配；对所有匹配后的照片进行再次排序，基于时间戳计算每个施工环节的开始和结束时间；通过DenseNet算法，从照片中提取施工环节的特征数据；利用卷积神经网络，分析提取的特征数据，确定照片对应的施工环节和该环节的具体内容；对比提取的施工环节数据与施工流程标准，进行施工流程预测；将所有的提取、匹配、排序和预测的数据整合为一个完整的施工流程预测报告。

在一些实施例中，所述通过得到的施工环节信息，采用时间序列分析算法，预测关键节点的完成时间和延误情况，构建施工进度预测模型，包括：

通过施工环节历史数据的完整性验证，判断数据是否足够进行时间序列分析；采用时间序列分析方法获取施工环节的基础模式和变化趋势；对得到的施工环节基础模式进行数据清洗；分析施工环节数据，确定其与外部因素，包括天气因素，供应商因素的关联性；基于关联性结果，用时间序列分析法重新预测关键节点的完成时间；根据关键节点的预测完成时间，判断是否有延误，同时确定延误的标准；对预测结果进行误差分析，基于时间序列分析方法修正预测；设计一个反馈机制，当施工进度与预测结果有偏差时，重新调整并优化时间序列分析的参数；构建施工进度预测模型，模型中包括施工环节，关键节点预测完成时间，施工进度反馈，施工外部因素对工程影响，关键节点实际完成时间与预测完成时间的误差；还包括：根据施工环节属性，构建一个施工进度预测模型。

所述根据施工环节属性，构建一个施工进度预测模型，具体包括：

根据施工任务的类型、规模和复杂性施工环节属性，采用项目管理的方法，获取预计施工时间及预计资源投入。采用关键路径法或甘特图，根据预计施工时间和预计资源投入，确定每个关键节点的预计开始时间和预计完成时间，揭示任务依赖关系，得到关键节点预测完成时间属性。实施施工进度反馈系统，通过实时监控施工任务的当前状态，获取已完成的工作量、剩余的工作量、实际投入的资源，以及施工团队的经验与技能、设备的性能与可用性、材料的质量与供应情况、工作效率和安全事故率相关属性。通过对天气条件、政策环境、供应链状况和项目地点施工外部因素进行观察和分析，判断其对施工进度的影响，得到施工外部因素对工程影响属性。采用实时监控系统，根据施工进度反馈和施工外部因素对工程影响属性，以及关键节点预测完成时间属性，获取关键节点的实际完成时间，计算其与预测完成时间的误差，获得关键节点实际完成时间与预测完成时间的误差属性。通过关键节点实际完成时间与预测完成时间的误差属性，以及施工进度反馈和施工外部因素对工程影响属性，采用数据挖掘的方法，优化施工进度预测，得到施工进度预测结果。

在一些实施例中，所述通过施工进度预测模型，获取每个施工任务的开始时间、结束时间、完成情况的信息，得到详细的施工进度日志预测数据，包括：

根据施工任务特定环境影响参数，判断施工工种专业性要求描述；如果描述符合施工任务，则使用施工进度预测模型获取施工任务的开始时间；获取施工任务中所涉及材料的使用预测数据；结合施工工具及机械的可用性和调度状态，判断材料的配送和使用情况，确定该任务的结束时间；采用施工现场历史数据的融合分析标识，并结合施工进度预测模型，生成施工进度与质量控制的历史反馈参数；对施工任务之间的资源共享与冲突参数进行分析；若存在资源冲突，通过梯度下降算法重新分配资源以避免冲突；通过施工任务之间的资源共享参数和已获得的历史反馈参数，使用施工进度预测模型确定每个施工任务的完成情况的信息；通过施工资料的真实性和完整性验证信息，判断是否有时间冲突，然后通过遗传算法调整冲突任务的开始或结束时间；根据优化后的任务开始和结束时间，及施工工具及机械的可用性和调度状态，明确每个施工任务的实施细节和计划；通过施工进度预测模型，得到每个施工任务的详细施工进度日志预测数据。

在一些实施例中，所述根据施工进度日志数据以及照片中的元素信息，通过颜色标识区分关键节点的预测情况和实际情况，得到颜色标记的施工进度图，包括：

对施工进度日志数据和照片进行筛选，去除不完整和低质量的数据；通过时间戳和位置同步，确保施工进度日志数据的时间戳与照片中三维位置信息匹配；采用卷积神经网络，识别照片中的材料类型数据，并与施工日志中的相关信息整合为一个数据集；根据整合后的数据集，确定工作人员对应设备及对应材料使用；运用DenseNet算法识别整合后数据集中的异常事件与安全隐患，并进行标注；根据上述数据处理和标注结果，生成预测与实际施工进度的颜色标识；根据生成的颜色标识，在原始照片上渲染施工进度图；将生成的施工进度图与相关数据存储在云数据库中，并通过专用API进行数据分发；还包括：量化图片质量评估标准，去除低质量图片。

所述量化图片质量评估标准，去除低质量图片，具体包括：

根据参考图像和处理后的图像，采用IQA参考图像评估图像量化差异值的方法，得到对图像质量的初步评估结果。将原始图像作为参考，通过全参考图像质量评估方法，比较原始图像和处理后的图像之间的差异，得到对图像质量的评估。如果原始图像不可用或者获取成本高于预设成本，采用半参考图像质量评估方法，获取部分原始图像信息，通过比较部分原始图像和处理后的图像之间的差异，获取对图像质量的评估。如果无参考图像可用，采用无参考图像质量评估方法，通过分析图像本身的特性来评估图像质量。采用峰值信噪比进行图像质量评估，通过衡量图像失真的程度，得到对图像质量的精准评估。PSNR越大，表示图像失真越小，图像质量越好。

；

采用结构相似性指数的方式，对图像结构信息的损失进行评估，得到对图像质量的评估结果。

；

SSIM越靠近1，表示图像质量越好。

在一些实施例中，所述根据带有颜色标记的施工进度图，通过动态展示以动画形式展示关键节点的预测情况，判断施工进度的良好程度，动态地对施工进度进行评估和实时展示，包括：

根据颜色编码的施工进度图数据解析方式，提取施工进度图中的关键数据点；通过动画展示模块的数据输入和渲染策略，将提取出的关键数据点进行动态展示；采用线性回归算法，对关键数据点进行关键节点的预测；根据施工进度的良好程度评价标准，对预测出的关键节点进行评估；使用实时展示的数据刷新和同步技术，展示预测与实际施工进度的对比；采用动态评估模块的反馈循环，对预测模型的结果进行动态调整；对比当前预测与历史数据，采用决策树的策略进行预测模型的优化；重新应用优化后的预测模型，再次进行关键节点的预测；使用FineReport将预测模型转变为图表或动态图表，最新的预测结果展现给用户。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明公开了一种利用定时拍摄和图像处理算法来实现施工现场管理的方法。通过预设的定时拍摄功能和触发器，在指定的时间间隔或施工事件发生时自动拍摄施工现场的照片，并获得每张照片的时间戳和位置信息。然后，通过图像处理算法对每张照片进行分析，识别并标记出其中的工程项目元素，包括设备、材料和人员，得到标记照片。接着，根据照片中的施工元素和关键节点或施工时刻，自动生成图片命名规则，确定每张照片的唯一标识，形成施工照片日志详情。利用照片数据进行深入分析，解析时间戳和位置信息，获取施工环节的顺序和持续时间，得到施工流程的预测。然后，采用时间序列分析算法预测关键节点的完成时间和延误情况，确定施工进度预测模型。通过施工进度预测模型，获取每个施工任务的开始时间、结束时间和完成情况的信息，得到详细的施工进度日志预测数据。根据施工进度日志数据和照片中的元素信息，通过颜色标识区分关键节点的预测情况和实际情况，得到颜色标记的施工进度图。最后，通过动态展示以动画形式展示关键节点的预测情况，判断施工进度的良好程度，并对施工进度进行评估和实时展示。本发明的技术效果是实现了自动化的施工现场管理，并提供了详细的施工进度预测和评估数据。

附图说明

图1为本发明的一种基于可视化的施工日志展示方法的流程图。

图2为本发明的一种基于可视化的施工日志展示方法的示意图。

图3为本发明的一种基于可视化的施工日志展示方法的又一示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

本实施例一种基于可视化的施工日志展示方法具体可以包括：

步骤S101，根据预设的定时拍摄功能和触发器，自动在指定的时间间隔或施工事件发生时拍摄施工现场的照片，同时获得每张照片的时间戳和位置信息。

采用指定的时间戳格式，为每张照片生成时间戳以确保其准确性。通过GPS系统获取照片的位置信息，并确保其精度满足预设要求。将每张照片按预定的格式和编码进行存储，用于后续处理和传输。对于触发器激活的照片，使用事件与照片的关联度分析算法，自动标记其与特定施工事件的关联。自动将照片和相关数据同步到指定的存储位置，建立数据库。同步完成后，按照预设的备份策略，自动进行数据备份，以防数据丢失。获取拍摄设备的电源状态，如果电量过低，则自动进入节能模式；否则，继续执行下一个任务。在所有数据同步和备份完成后，使用Pandas对拍摄的内容、时间戳和位置信息进行整合，并将其归档到指定的数据集合中。例如，假设预设的定时拍摄间隔为每分钟一次，触发器为每次施工机器启动时拍摄一次照片。根据这些设定，系统会在每分钟的整点时刻拍摄一张照片，并在施工机器启动时也会拍摄一张照片。当系统拍摄一张照片时，会生成一个时间戳利用GPS系统获取该照片的位置信息，并确保其精度在3米以内。每张照片都会按照预设的格式和编码进行存储，并采用压缩算法进行压缩以节省存储空间。所有照片和相关数据都会自动同步到一个指定的数据库中，用于后续的处理和传输。对于通过触发器激活的照片，系统会自动进行事件与照片的关联度分析。如果施工机器启动时拍摄的照片与特定的施工事件相关，则系统会将其自动标记为与该事件关联。一旦同步完成，系统会按照预设的备份策略自动进行数据备份，以防止数据丢失。可以设定每天备份一次，并保留最近7天的备份数据。系统还会监测拍摄设备的电源状态，如果电量过低，则系统会自动切换到节能模式以延长电池寿命。否则，系统将继续执行下一个任务。当所有数据同步和备份完成后，系统会利用Pandas算法对拍摄的内容、时间戳和位置信息进行整合，并将其归档到指定的数据集合中。将所有与特定施工事件相关的照片归档到数据集合中。

步骤S102，通过获取的照片日志信息，采用图像处理算法，对每张照片进行分析，识别并标记出其中的工程项目元素，包括设备、材料和人员，得到包含工程项目特征的标记照片。

具体来说，通过获取的照片日志信息，从一组照片中提取照片的时间戳和地理坐标。根据地理坐标的经纬度信息，可以初步判断照片所拍摄的地理位置可能涉及的工程种类和特性。如果照片的地理坐标位于一个建筑工地，可以推测该工地可能是一个高层建筑项目，并且可能涉及混凝土浇筑和钢筋安装等工程活动。为了确保后续分析的准确性，可以采用Tenengrad梯度方法来判断照片的像素分辨率。设定一个阈值，比如大于等于10兆像素的照片被认为具有足够的图像质量。针对照片的光线条件和背景噪音，可以使用图像增强算法进行噪声滤波和亮度调整，提高图像的清晰度。使用直方图均衡化算法来增强照片的对比度和亮度。基于增强后的图像，可以利用目标检测算法识别照片中的工程设备，并根据设备特征进行分类。识别出照片中的起重机、挖掘机、混凝土泵等设备，并将它们分类为起重设备、土方设备、混凝土设备等。基于LL-NET算法，可以对照片中的工程材料进行分类识别，并获取其种类。识别出照片中的钢筋、混凝土、砖块等材料，并将它们分类为钢筋材料、混凝土材料、砌筑材料等。利用Laplace变换算法，可以加强图像中人员的特征，进而确定照片中工程人员的角色。识别出照片中的工程人员，并将他们分类为工地管理人员、施工人员、检查人员等角色。根据角色和设备分类信息，可以进行工程进度的初步评估。如果照片中出现了施工人员和起重机，可以推测工程正在进行施工活动，并且工程进度可能处于较快的状态。统计出照片中各类设备和材料的数量，并计算出工程人员的分布情况和工作效率等指标。假设分析了一组照片，其中有10张照片的地理坐标位于同一个建筑工地，经过LL-NET算法和Laplace变换算法的处理，成功识别出了8台挖掘机、20根钢筋、15名施工人员，输出包含8台挖掘机、20根钢筋、15名施工人员标记的照片。通过获取的照片日志信息，从一组照片中提取照片的时间戳和地理坐标。根据地理坐标的经纬度信息，可以初步判断照片所拍摄的地理位置可能涉及的工程种类和特性。如果照片的地理坐标位于一个建筑工地，可以推测该工地可能是一个高层建筑项目，并且可能涉及混凝土浇筑和钢筋安装等工程活动。为了确保后续分析的准确性，可以采用Tenengrad梯度方法来判断照片的像素分辨率。设定一个阈值，比如大于等于10兆像素的照片被认为具有足够的图像质量。针对照片的光线条件和背景噪音，可以使用图像增强算法进行噪声滤波和亮度调整，提高图像的清晰度。使用直方图均衡化算法来增强照片的对比度和亮度。基于增强后的图像，可以利用目标检测算法识别照片中的工程设备，并根据设备特征进行分类。识别出照片中的起重机、挖掘机、混凝土泵等设备，并将它们分类为起重设备、土方设备、混凝土设备等。基于LL-NET算法，可以对照片中的工程材料进行分类识别，并获取其种类。识别出照片中的钢筋、混凝土、砖块等材料，并将它们分类为钢筋材料、混凝土材料、砌筑材料等。利用Laplace变换算法，可以加强图像中人员的特征，进而确定照片中工程人员的角色。识别出照片中的工程人员，并将他们分类为工地管理人员、施工人员、检查人员等角色。根据角色和设备分类信息，可以进行工程进度的初步评估。如果照片中出现了施工人员和起重机，可以推测工程正在进行施工活动，并且工程进度可能处于较快的状态。统计出照片中各类设备和材料的数量，并计算出工程人员的分布情况和工作效率等指标。假设分析了一组照片，其中有10张照片的地理坐标位于同一个建筑工地，经过LL-NET算法和Laplace变换算法的处理，成功识别出了8台挖掘机、20根钢筋、15名施工人员，输出包含8台挖掘机、20根钢筋、15名施工人员标记的照片。

步骤S103，获取标记后的照片，根据照片中的施工元素，以及施工过程中的关键节点或施工时刻，自动生成图片命名规则，确定每张照片的唯一标识，形成施工照片日志详情。

获取标记后的照片，得到照片的元数据信息。从照片的元数据信息中提取施工元素的构造类型与材料信息，得到施工元素数据。根据照片的元数据信息，分析施工过程中的时间与位置信息，得到时间戳与位置坐标。使用图卷积网路识别照片中的原材料标签，获取与施工元素相关的原材料批次编码，得到原材料批次编码。通过施工照片中的员工编码与设备信息，使用图卷积网路识别施工工具及机械的设备编码，得到工具与机械设备编码。分析照片中的工具与机械设备编码，判断施工过程中是否有异常事件记录输入，得到安全措施与异常事件数据。对比图像数据与施工图纸，获取施工图纸与实际施工的差异数据输入，得到施工图纸与实际差异数据。使用散列算法将施工图纸与实际差异数据结合，生成照片命名规则，并确定每张照片的唯一标识，得到照片的唯一标识与命名规则。通过照片的唯一标识与命名规则，得到完整的施工照片日志详情。例如，获取了一张标记后的施工现场照片，照片的元数据信息显示它是在2021年6月1日下午3:00拍摄的，拍摄地点是经度124737，纬度32304的施工现场。可以从这些元数据信息中提取出施工元素的构造类型为“混凝土桥梁”，材料信息为“C30混凝土”。图卷积网络识别出来的原材料标签是“C30混凝土”，相关的原材料批次编码为“Batch-20210601”，这就是获取的原材料批次编码。从照片中还能看到正在施工的员工编码为“E1001”，他正在使用的设备是一台挖掘机，设备编码为“EQ2001”。分析得出，施工过程中没有异常事件记录，安全措施得到了良好的执行。与此同时，对比了照片中的施工现场和施工图纸，发现实际施工中的混凝土桥梁比图纸上的设计宽了5米，这就是获取的施工图纸与实际施工的差异数据。然后，使用SHA-256散列算法将“混凝土桥梁”、“Batch-20210601”、“E1001”、“EQ2001”和施工图纸与实际差异数据结合在一起，生成了照片的命名规则“sha256_bridge_batch-20210601_E1001_EQ2001_5m”，并据此确定了每张照片的唯一标识。通过照片的唯一标识与命名规则，得到完整的施工照片日志详情。

步骤S104，针对照片数据进行深入分析，解析每张照片的时间戳和位置信息，获取施工环节的顺序和持续时间，得到施工流程的预测。

具体来说，获取有一组照片数据，每张照片都包含时间戳和地理位置信息。使用exifread读取照片数据，并成功解析出每张照片中的时间戳和地理位置信息。有以下4张照片的时间戳和地理位置信息：照片1，时间戳08:00:00,地理位置A区域、照片2，时间戳09:30:00,地理位置B区域、照片3，时间戳10:15:00,地理位置C区域、照片4，时间戳11:45:00,地理位置A区域，对解析出的时间戳进行排序，形成一个按时间顺序的照片列表。排序后的照片列表如下：照片1，时间戳08:00:00,地理位置A、区域照片2，时间戳09:30:00,地理位置B区域、照片3，时间戳10:15:00,地理位置C区域、照片4，时间戳11:45:00,地理位置A区域，利用DenseNet算法与施工环节数据库匹配，确定每张照片对应的施工环节。假设的施工环节数据库中有以下数据：环节1，施工区域A区域,开始时间08:00:00,结束时间09:00:00、环节2，施工区域B区域,开始时间09:00:00,结束时间11:00:00、环节3，施工区域C区域,开始时间10:00:00,结束时间12:00:00，根据照片的地理位置信息，将照片与具体的施工位置进行匹配。匹配后的照片列表如下：照片1，时间戳08:00:00,地理位置A区域,对应施工环节环节1、照片2，时间戳09:30:00,地理位置B区域,对应施工环节环节2、照片3，时间戳10:15:00,地理位置C区域,对应施工环节环节3、照片4，时间戳11:45:00,地理位置A区域,对应施工环节环节3，对所有匹配后的照片进行排序，基于时间戳计算每个施工环节的开始和结束时间。排序后的照片列表如下：照片1，时间戳08:00:00,地理位置A区域,对应施工环节环节1、照片2，时间戳09:30:00,地理位置B区域,对应施工环节环节2、照片3，时间戳10:15:00,地理位置C区域,对应施工环节环节3、照片4，时间戳11:45:00,地理位置A区域,对应施工环节环节3，通过DenseNet算法，从照片中提取施工环节的特征数据。假设成功提取了以下施工环节的特征数据：环节1，特征数据X1、环节2，特征数据X2、环节3，特征数据X3，利用卷积神经网络，分析提取的特征数据，确定照片对应的施工环节和该环节的具体内容。假设分析得到以下结果：照片1，对应施工环节环节1,环节内容Y1、照片2，对应施工环节环节2,环节内容Y2、照片3，对应施工环节环节3,环节内容Y3、照片4，对应施工环节环节3,环节内容Y4，对比提取的施工环节数据与施工流程标准，进行施工流程预测。假设的施工流程标准为：环节1，施工内容Z1、环节2，施工内容Z2、环节3，施工内容Z3，通过比对，得到以下施工流程预测：照片1，对应施工环节环节1,环节内容Y1,预测施工内容Z1、照片2，对应施工环节环节2,环节内容Y2,预测施工内容Z2、照片3，对应施工环节环节3,环节内容Y3,预测施工内容Z3、照片4，对应施工环节环节3,环节内容Y4,预测施工内容Z3；将所有的提取、匹配、排序和预测的数据整合为一个完整的施工流程预测报告。获取有一组照片数据，每张照片都包含时间戳和地理位置信息。使用exifread读取照片数据，并成功解析出每张照片中的时间戳和地理位置信息。有以下4张照片的时间戳和地理位置信息：照片1，时间戳08:00:00,地理位置A区域、照片2，时间戳09:30:00,地理位置B区域、照片3，时间戳10:15:00,地理位置C区域、照片4，时间戳11:45:00,地理位置A区域，对解析出的时间戳进行排序，形成一个按时间顺序的照片列表。排序后的照片列表如下：照片1，时间戳08:00:00,地理位置A、区域照片2，时间戳09:30:00,地理位置B区域、照片3，时间戳10:15:00,地理位置C区域、照片4，时间戳11:45:00,地理位置A区域，利用DenseNet算法与施工环节数据库匹配，确定每张照片对应的施工环节。假设的施工环节数据库中有以下数据：环节1，施工区域A区域,开始时间08:00:00,结束时间09:00:00、环节2，施工区域B区域,开始时间09:00:00,结束时间11:00:00、环节3，施工区域C区域,开始时间10:00:00,结束时间12:00:00，根据照片的地理位置信息，将照片与具体的施工位置进行匹配。匹配后的照片列表如下：照片1，时间戳08:00:00,地理位置A区域,对应施工环节环节1、照片2，时间戳09:30:00,地理位置B区域,对应施工环节环节2、照片3，时间戳10:15:00,地理位置C区域,对应施工环节环节3、照片4，时间戳11:45:00,地理位置A区域,对应施工环节环节3，对所有匹配后的照片进行排序，基于时间戳计算每个施工环节的开始和结束时间。排序后的照片列表如下：照片1，时间戳08:00:00,地理位置A区域,对应施工环节环节1、照片2，时间戳09:30:00,地理位置B区域,对应施工环节环节2、照片3，时间戳10:15:00,地理位置C区域,对应施工环节环节3、照片4，时间戳11:45:00,地理位置A区域,对应施工环节环节3，通过DenseNet算法，从照片中提取施工环节的特征数据。假设成功提取了以下施工环节的特征数据：环节1，特征数据X1、环节2，特征数据X2、环节3，特征数据X3，利用卷积神经网络，分析提取的特征数据，确定照片对应的施工环节和该环节的具体内容。假设分析得到以下结果：照片1，对应施工环节环节1,环节内容Y1、照片2，对应施工环节环节2,环节内容Y2、照片3，对应施工环节环节3,环节内容Y3、照片4，对应施工环节环节3,环节内容Y4，对比提取的施工环节数据与施工流程标准，进行施工流程预测。假设的施工流程标准为：环节1，施工内容Z1、环节2，施工内容Z2、环节3，施工内容Z3，通过比对，得到以下施工流程预测：照片1，对应施工环节环节1,环节内容Y1,预测施工内容Z1、照片2，对应施工环节环节2,环节内容Y2,预测施工内容Z2、照片3，对应施工环节环节3,环节内容Y3,预测施工内容Z3、照片4，对应施工环节环节3,环节内容Y4,预测施工内容Z3；将所有的提取、匹配、排序和预测的数据整合为一个完整的施工流程预测报告。

步骤S105，通过得到的施工环节信息，采用时间序列分析算法，预测关键节点的完成时间和延误情况，构建施工进度预测模型。

通过施工环节历史数据的完整性验证，判断数据是否足够进行时间序列分析。采用时间序列分析方法获取施工环节的基础模式和变化趋势。对得到的施工环节基础模式进行数据清洗。分析施工环节数据，确定其与外部因素，包括天气因素，供应商因素的关联性。基于关联性结果，用时间序列分析法重新预测关键节点的完成时间。根据关键节点的预测完成时间，判断是否有延误，同时确定延误的标准。对预测结果进行误差分析，基于时间序列分析方法修正预测。设计一个反馈机制，当施工进度与预测结果有偏差时，重新调整并优化时间序列分析的参数。构建施工进度预测模型，模型中包括施工环节，关键节点预测完成时间，施工进度反馈，施工外部因素对工程影响，关键节点实际完成时间与预测完成时间的误差。例如，假设有一个施工项目，其历史数据包括施工开始时间、各环节完成时间、天气情况、供应商供货时间等。首先，对这些历史数据的完整性进行验证，例如检查是否每个环节的完成时间都有记录，是否所有供应商的供货信息都完整。如果数据完整，那么可以进行时间序列分析。采用ARIMA模型，通过施工环节历史数据来获取基础模式和变化趋势。通过历史数据发现，施工环节的完成时间呈现出季节性的变化趋势，每年的春季和秋季施工速度较快，而夏季和冬季施工速度较慢。然后，通过数据清洗，例如去除施工环节的偶然异常值，如某一天由于特殊原因导致的施工延误。接着，通过相关性分析，采用Pearson相关系数，确定施工环节与外部因素包括天气、供应商之间的关联性。发现天气因素的相关系数为7，表示施工环节与天气因素有较强的正相关关系。基于相关性结果，用时间序列分析法重新预测关键节点的完成时间。根据天气预报，预测未来一周内的施工完成时间。接着，根据关键节点的预测完成时间，设定超过预期完成时间24小时为延误，判断是否有延误，同时确定延误的标准。对预测结果进行误差分析，采用均方误差来衡量预测准确度，并基于时间序列分析方法修正预测。最后，设计一个反馈机制，当施工进度与预测结果偏差超过10%时，重新调整并优化时间序列分析的参数。因此，这个施工进度预测模型中包括施工环节，关键节点预测完成时间，施工进度反馈，施工外部因素对工程的影响，关键节点实际完成时间与预测完成时间的误差。

根据施工环节属性，构建一个施工进度预测模型。

根据施工任务的类型、规模和复杂性施工环节属性，采用项目管理的方法，获取预计施工时间及预计资源投入。采用关键路径法或甘特图，根据预计施工时间和预计资源投入，确定每个关键节点的预计开始时间和预计完成时间，揭示任务依赖关系，得到关键节点预测完成时间属性。实施施工进度反馈系统，通过实时监控施工任务的当前状态，获取已完成的工作量、剩余的工作量、实际投入的资源，以及施工团队的经验与技能、设备的性能与可用性、材料的质量与供应情况、工作效率和安全事故率相关属性。通过对天气条件、政策环境、供应链状况和项目地点施工外部因素进行观察和分析，判断其对施工进度的影响，得到施工外部因素对工程影响属性。采用实时监控系统，根据施工进度反馈和施工外部因素对工程影响属性，以及关键节点预测完成时间属性，获取关键节点的实际完成时间，计算其与预测完成时间的误差，获得关键节点实际完成时间与预测完成时间的误差属性。通过关键节点实际完成时间与预测完成时间的误差属性，以及施工进度反馈和施工外部因素对工程影响属性，采用数据挖掘的方法，优化施工进度预测，得到施工进度预测结果。例如，正在进行一项大型商业建筑项目，该项目需要500个工作日才能完成，施工过程中需要投入的人力资源为一万人日。通过采用项目管理的方法，预计施工时间为500天，预计资源投入为一万人日。然后采用关键路径法，制定出项目进度计划，确定每个关键节点的预计开始时间和预计完成时间。预计基础开挖工作将在第10天开始，第20天完成，预计建筑主体施工将在第21天开始，第200天完成。为了实时监控施工进度，实施了施工进度反馈系统。到第30天的时候，发现基础开挖工作已经完成，但建筑主体施工还未开始，实际投入的人力资源为3000人日。同时，还对施工外部因素进行观察和分析。发现在施工初期，由于不良的天气条件，施工速度受到了一定的影响。通过实时监控系统，能够得到关键节点的实际完成时间。预计基础开挖工作将在第20天完成，但由于各种原因，实际上它在第30天才完成。通过数据挖掘的方法，分析了关键节点实际完成时间与预测完成时间的误差，以及施工进度反馈和施工外部因素对工程影响属性。发现基础开挖工作的实际完成时间比预测完成时间晚了10天，这可能是由于不良的天气条件和资源投入不足导致的。通过优化施工进度预测，预计整个项目将在510天完成，比原计划晚了10天。

步骤S106，通过施工进度预测模型，获取每个施工任务的开始时间、结束时间、完成情况的信息，得到详细的施工进度日志预测数据。

根据施工任务特定环境影响参数，判断施工工种专业性要求描述。如果描述符合施工任务，则使用施工进度预测模型获取施工任务的开始时间。获取施工任务中所涉及材料的使用预测数据。结合施工工具及机械的可用性和调度状态，判断材料的配送和使用情况，确定该任务的结束时间。采用施工现场历史数据的融合分析标识，并结合施工进度预测模型，生成施工进度与质量控制的历史反馈参数。对施工任务之间的资源共享与冲突参数进行分析。若存在资源冲突，通过梯度下降算法重新分配资源以避免冲突。通过施工任务之间的资源共享参数和已获得的历史反馈参数，使用施工进度预测模型确定每个施工任务的完成情况的信息。通过施工资料的真实性和完整性验证信息，判断是否有时间冲突，然后通过遗传算法调整冲突任务的开始或结束时间。根据优化后的任务开始和结束时间，及施工工具及机械的可用性和调度状态，明确每个施工任务的实施细节和计划。通过施工进度预测模型，得到每个施工任务的详细施工进度日志预测数据例如，假定施工任务A需要在特定环境下进行，该环境的湿度较高。需要判断施工工种的专业性要求，例如需要有防潮处理的专业技能。使用施工进度预测模型，预测施工任务A的开始时间，假设得出的结果是2022年5月1日。获取施工任务A所使用的材料的预测数据，例如预计使用水泥100吨，石子200吨等。在考虑施工工具及机械的可用性和调度状态后，判断出材料的配送和使用情况，并确定任务的结束时间，例如预计2022年5月30日。采用施工现场历史数据的融合分析标识，结合施工进度预测模型，生成施工进度与质量控制的历史反馈参数，例如历史上施工进度延误的概率是10%，质量问题的概率是5%。分析施工任务之间的资源共享与冲突参数，例如任务A和任务B都需要使用同一台吊车，存在资源冲突。通过梯度下降算法重新分配资源以避免冲突，例如将任务A的吊车使用时间调整到早上，任务B的吊车使用时间调整到下午。通过施工进度预测模型，可以获取每个施工任务的详细施工进度日志预测数据，例如任务A预计在2022年5月15日完成50%的工作，在2022年5月30日完成全部工作。

步骤S107，根据施工进度日志数据以及照片中的元素信息，通过颜色标识区分关键节点的预测情况和实际情况，得到颜色标记的施工进度图。

对施工进度日志数据和照片进行筛选，去除不完整和低质量的数据。通过时间戳和位置同步，确保施工进度日志数据的时间戳与照片中三维位置信息匹配。采用卷积神经网络，识别照片中的材料类型数据，并与施工日志中的相关信息整合为一个数据集。根据整合后的数据集，确定工作人员对应设备及对应材料使用。运用DenseNet算法识别整合后数据集中的异常事件与安全隐患，并进行标注。根据上述数据处理和标注结果，生成预测与实际施工进度的颜色标识。根据生成的颜色标识，在原始照片上渲染施工进度图。将生成的施工进度图与相关数据存储在云数据库中，并通过专用API进行数据分发。例如，获取筛选后的数据，其中包含1000条施工进度日志数据和500张高质量照片。将150条施工进度日志数据与照片中的元素位置信息进行匹配。采用卷积神经网络，将其与施工日志中的相关信息整合为一个包含500条数据的数据集。根据整合后的数据集，确定了200个工作人员使用的设备及其处理的材料。运用DenseNet算法整合后数据集中的50个异常事件与安全隐患，并进行了标注。基于上述数据处理和标注结果，生成预测与实际施工进度的颜色标识，其中红色代表延迟，绿色代表提前，黄色代表正常进行。在原始照片上渲染了施工进度图，显示了各个元素的状态和进度。将生成的施工进度图和相关数据存储在云数据库中，并通过专用API使用户能够通过网络访问和获取这些数据。

量化图片质量评估标准，去除低质量图片。

根据参考图像和处理后的图像，采用IQA参考图像评估图像量化差异值的方法，得到对图像质量的初步评估结果。将原始图像作为参考，通过全参考图像质量评估方法，比较原始图像和处理后的图像之间的差异，得到对图像质量的评估。如果原始图像不可用或者获取成本高于预设成本，采用半参考图像质量评估方法，获取部分原始图像信息，通过比较部分原始图像和处理后的图像之间的差异，获取对图像质量的评估。如果无参考图像可用，采用无参考图像质量评估方法，通过分析图像本身的特性来评估图像质量。采用峰值信噪比进行图像质量评估，通过衡量图像失真的程度，得到对图像质量的精准评估。PSNR越大，表示图像失真越小，图像质量越好。

；

采用结构相似性指数的方式，对图像结构信息的损失进行评估，得到对图像质量的评估结果。

；

SSIM越靠近1，表示图像质量越好。例如，有一张参考图像和一张经过压缩处理后的图像。首先通过全参考图像质量评估，例如使用峰值信噪比方法比较原始图像和压缩后的图像之间的差异。PSNR通过衡量图像失真的程度，来评估图像质量。比如，如果PSNR的值是40dB，那么通常认为图像质量较好；如果PSNR的值只有20dB，那么图像质量则较差。如果只有部分参考图像信息，使用半参考图像质量评估方法，使用结构相似性指数对部分原始图像和压缩后的图像进行比较。SSIM值越接近1，表示图像质量越好。如果SSIM的值是5，那么说明压缩后的图像质量与原图相比较好；如果其值只有95，那么压缩后的图像质量则较差。如果没有参考图像，使用无参考图像质量评估方法，使用BRISQUE方法，该方法不需要参考图像，而是对处理后的图像本身进行分析来评估其质量。BRISQUE的值在0到100之间，数值越低，图像质量越好。

步骤S108，根据带有颜色标记的施工进度图，通过动态展示以动画形式展示关键节点的预测情况，判断施工进度的良好程度，动态地对施工进度进行评估和实时展示。

具体来说，根据颜色编码的施工进度图数据解析方式，提取施工进度图中的关键数据点。施工进度图中绿色表示已完成的工作，黄色表示正在进行的工作，红色表示延迟的工作。可以通过颜色编码解析，提取出每个颜色对应的工作进度数据点，例如已完成工作数量、正在进行的工作数量和延迟的工作数量。通过动画展示模块的数据输入和渲染策略，将提取出的关键数据点进行动态展示。将已完成的工作数量以柱状图的形式展示，正在进行的工作数量以动态进度条的形式展示，延迟的工作数量以红色标记在施工进度图中。使用线性回归算法，根据已完成的工作数量和时间的关系，预测未来的已完成工作数量。根据施工进度的良好程度评价标准，对预测出的关键节点进行评估。定义已完成工作数量与计划工作数量的差异作为评估标准，越接近0表示施工进度越良好。使用实时展示的数据刷新和同步技术，展示预测与实际施工进度的对比。采用动态评估模块的反馈循环，对预测模型的结果进行动态调整。如果预测结果与实际施工进度相差较大，可以通过动态评估模块检查预测模型的误差，并对预测模型进行调整。使用决策树算法，根据历史数据中的模式和趋势优化预测模型，提高预测准确性。重新应用优化后的预测模型，再次进行关键节点的预测。根据优化后的预测模型，重新预测未来的关键节点，更新施工进度的预测结果。通过实时展示技术，将最新的预测结果展现给用户。使用FineReport将最新的预测结果以图表或动态图标展现给用户，以便用户及时了解施工进度的预测情况。假设根据颜色编码解析出的已完成工作数量为100，正在进行的工作数量为50，延迟的工作数量为10。根据线性回归算法预测未来一周的已完成工作数量为120。根据评估标准，与计划工作数量相差20，表示施工进度较为良好。根据颜色编码的施工进度图数据解析方式，提取施工进度图中的关键数据点。施工进度图中绿色表示已完成的工作，黄色表示正在进行的工作，红色表示延迟的工作。可以通过颜色编码解析，提取出每个颜色对应的工作进度数据点，例如已完成工作数量、正在进行的工作数量和延迟的工作数量。通过动画展示模块的数据输入和渲染策略，将提取出的关键数据点进行动态展示。将已完成的工作数量以柱状图的形式展示，正在进行的工作数量以动态进度条的形式展示，延迟的工作数量以红色标记在施工进度图中。使用线性回归算法，根据已完成的工作数量和时间的关系，预测未来的已完成工作数量。根据施工进度的良好程度评价标准，对预测出的关键节点进行评估。定义已完成工作数量与计划工作数量的差异作为评估标准，越接近0表示施工进度越良好。使用实时展示的数据刷新和同步技术，展示预测与实际施工进度的对比。采用动态评估模块的反馈循环，对预测模型的结果进行动态调整。如果预测结果与实际施工进度相差较大，可以通过动态评估模块检查预测模型的误差，并对预测模型进行调整。使用决策树算法，根据历史数据中的模式和趋势优化预测模型，提高预测准确性。重新应用优化后的预测模型，再次进行关键节点的预测。根据优化后的预测模型，重新预测未来的关键节点，更新施工进度的预测结果。通过实时展示技术，将最新的预测结果展现给用户。使用FineReport将最新的预测结果以图表或动态图标展现给用户，以便用户及时了解施工进度的预测情况。假设根据颜色编码解析出的已完成工作数量为100，正在进行的工作数量为50，延迟的工作数量为10。根据线性回归算法预测未来一周的已完成工作数量为120。根据评估标准，与计划工作数量相差20，表示施工进度较为良好。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于可视化的施工日志展示方法，其特征在于，所述方法包括：

根据预设的定时拍摄功能和触发器，自动在指定的时间间隔或施工事件发生时拍摄施工现场的照片，同时获得每张照片的时间戳和位置信息；通过获取的照片日志信息，采用图像处理算法，对每张照片进行分析，识别并标记出其中的工程项目元素，包括设备、材料和人员，得到包含工程项目特征的标记照片；获取所述标记照片，根据照片中的施工元素，以及施工过程中的关键节点或施工时刻，自动生成图片命名规则，确定每张照片的唯一标识，形成施工照片日志详情；针对照片数据进行深入分析，解析每张照片的时间戳和位置信息，获取施工环节的顺序和持续时间，得到施工流程的预测；通过得到的所述施工环节信息，采用时间序列分析算法，预测关键节点的完成时间和延误情况，构建施工进度预测模型；通过所述施工进度预测模型，获取每个施工任务的开始时间、结束时间、完成情况的信息，得到施工进度日志预测数据；根据所述施工进度日志预测数据以及照片中的元素信息，通过颜色标识区分关键节点的预测情况和实际情况，得到颜色标记的施工进度图；根据带有所述颜色标记的施工进度图，通过动态展示以动画形式展示所述关键节点的预测情况，判断施工进度的良好程度，动态地对施工进度进行评估和实时展示。

2.根据权利要求1所述的方法，其中，所述根据预设的定时拍摄功能和触发器，自动在指定的时间间隔或施工事件发生时拍摄施工现场的照片，同时获得每张照片的时间戳和位置信息，包括：

为每张照片生成时间戳；获取照片的位置信息，存储每张照片；自动标记所述触发器激活的照片与特定施工事件的关联；将照片和相关数据同步到指定的存储位置；自动进行数据备份；获取拍摄设备的电源状态；完成数据同步和备份后进行内容整合。

3.根据权利要求1所述的方法，其中，所述通过获取的照片日志信息，采用图像处理算法，对每张照片进行分析，识别并标记出其中的工程项目元素，包括设备、材料和人员，得到包含工程项目特征的标记照片，包括：

提取照片的时间戳和地理坐标；根据所述地理坐标判断照片内容；判断照片的像素分辨率；对照片进行噪声滤波和亮度调整；识别照片中的工程设备和工程材料；确定照片中工程人员的角色；进行工程进度的初步评估，得到包含工程项目特征的标记照片。

4.根据权利要求1所述的方法，其中，所述获取所述标记照片，根据照片中的施工元素，以及施工过程中的关键节点或施工时刻，自动生成图片命名规则，确定每张照片的唯一标识，形成施工照片日志详情，包括：

获取照片的元数据信息；提取施工元素的构造类型与材料信息；分析施工过程中的时间与位置信息；获取与施工元素相关的原材料批次编码；识别施工工具及机械的设备编码；判断施工过程中是否有异常事件记录输入；获取施工图纸与实际施工的差异数据输入；生成照片命名规则，并确定每张照片的唯一标识，得到完整的施工照片日志详情。

5.根据权利要求1所述的方法，其中，所述针对照片数据进行深入分析，解析每张照片的时间戳和位置信息，获取施工环节的顺序和持续时间，得到施工流程的预测，包括：

采用exifread解码照片数据，获取每张照片的时间戳和地理位置信息；根据所获取的时间戳对照片进行排序，形成按时间顺序的照片列表；利用DenseNet与施工环节数据库匹配，确定每张照片对应的施工环节；对所确定的匹配后的照片进行排序，计算每个施工环节的开始和结束时间；对比所述施工环节数据与施工流程标准，进行施工流程预测。

6.根据权利要求1所述的方法，其中，所述通过得到的所述施工环节信息，采用时间序列分析算法，预测关键节点的完成时间和延误情况，构建施工进度预测模型，包括：

利用时间序列分析方法获取所述施工环节的基础模式和变化趋势；确定所述施工环节数据与外部因素的关联性；基于所确定的关联性结果，预测关键节点的完成时间；根据所预测的完成时间，判断是否有延误；设计反馈机制，当施工进度与预测结果有偏差时，调整和优化时间序列分析参数，构建施工进度预测模型。

7.根据权利要求1所述的方法，其中，所述通过所述施工进度预测模型，获取每个施工任务的开始时间、结束时间、完成情况的信息，得到施工进度日志预测数据，包括：

判断施工任务的专业性要求描述；使用所述施工进度预测模型获取施工任务的开始时间；获取材料的使用预测数据，判断材料的配送和使用情况，确定任务的结束时间；分析施工任务之间的资源共享与冲突参数，若存在资源冲突，则按照所述资源共享与冲突参数重新分配资源；使用所述施工进度预测模型确定每个施工任务的完成情况的信息，得到每个施工任务的详细施工进度日志预测数据。

8.根据权利要求1所述的方法，其中，所述根据所述施工进度日志预测数据以及照片中的元素信息，通过颜色标识区分关键节点的预测情况和实际情况，得到颜色标记的施工进度图，包括：

采用施工进度日志数据以及照片，移除不合格的数据；保证施工进度日志数据的时间戳与照片中三维位置信息匹配；通过卷积神经网络识别照片中的材料类型数据，将此数据与施工日志信息整合为数据集；确定工作人员与设备与材料的对应关系；运用DenseNet算法标注所述数据集中的异常事件与安全隐患；生成预测与实际施工进度的颜色标识；渲染原始照片上的施工进度图；对生成的施工进度图与相关数据进行存储，并通过专用API分发数据；制定图片质量评估标准，移除低质量图片。

9.根据权利要求1所述的方法，其中，所述根据带有所述颜色标记的施工进度图，通过动态展示以动画形式展示所述关键节点的预测情况，判断施工进度的良好程度，动态地对施工进度进行评估和实时展示，包括：

获取颜色编码的施工进度图数据，提取关键数据点；通过动画展示模块呈现所述关键数据点；采用线性回归算法预测关键节点；依据施工进度的良好程度评价标准，评估所述预测关键节点；展示预测与实际施工进度的对比；利用反馈循环对预测模型作出调整；对比当前预测与历史数据，优化预测模型；将优化后的预测模型用于关键节点的预测；利用FineReport将预测模型转变为图表或动态图表展现给用户。