CN117689278A - 施工质量智能管理系统及方法 - Google Patents
施工质量智能管理系统及方法 Download PDFInfo
- Publication number
- CN117689278A CN117689278A CN202410155682.7A CN202410155682A CN117689278A CN 117689278 A CN117689278 A CN 117689278A CN 202410155682 A CN202410155682 A CN 202410155682A CN 117689278 A CN117689278 A CN 117689278A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- local time
- sequence
- construction quality
- semantic association
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 167
- 230000007613 environmental effect Effects 0.000 claims abstract description 158
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000007726 management method Methods 0.000 claims description 53
- 238000001514 detection method Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 238000003326 Quality management system Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000009430 construction management Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种施工质量智能管理系统及方法。其首先获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，接着，将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列，然后，通过基于深度神经网络模型的环境数据局部时序特征提取器分别对所述环境数据局部时间序列的序列中的各个环境数据局部时间序列进行特征提取以得到环境数据局部时序特征向量的序列，接着，对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征，最后，基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常。这样，可以提高施工质量管理的效率和准确性。
Description
技术领域
本申请涉及施工质量管理领域，且更为具体地，涉及一种施工质量智能管理系统及方法。
背景技术
随着建筑行业的发展，施工质量管理变得越来越重要。传统的施工质量管理主要依赖于人工巡检和经验判断，这种方式需要大量的人力资源和时间，且效率较低，特别是对于大型项目或多个施工现场同时进行的情况，很难及时全面地监测和检查施工质量。其次，人工巡检容易出现漏检和误判的情况，人的主观判断和疲劳程度可能导致对质量问题的忽视或错误判断，从而导致潜在问题未被及时发现和解决。另外，传统的施工质量管理缺乏数据支持和分析能力。也就是说，人工巡检难以获取大量的实时数据，并对数据进行深入分析和挖掘，这使得对施工质量问题的识别和预测变得困难，无法及时采取措施进行修复和改进。
因此，为了提高施工质量管理的效率和准确性，期望一种施工质量智能管理系统。
发明内容
有鉴于此，本申请提出了一种施工质量智能管理系统及方法，其可以利用人工智能技术对施工现场的环境参数进行实时监测和分析，旨在提高施工质量和效率，降低施工风险和成本。
根据本申请的一方面，提供了一种施工质量智能管理系统，其包括：环境数据采集模块，用于获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，其中，所述环境数据包括温度值、湿度值和振动频率值；环境数据局部时序划分模块，用于将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列；环境数据局部时序特征提取模块，用于通过基于深度神经网络模型的环境数据局部时序特征提取器分别对所述环境数据局部时间序列的序列中的各个环境数据局部时间序列进行特征提取以得到环境数据局部时序特征向量的序列；环境状态局部时序语义关联编码模块，用于对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征；以及施工质量检测模块，用于基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常。
在上述的施工质量智能管理系统中，所述深度神经网络模型为卷积神经网络模型。
在上述的施工质量智能管理系统中，所述环境状态局部时序语义关联编码模块，用于：将所述环境数据局部时序特征向量的序列通过基于LSTM模型的局部时序语义上下文编码器以得到环境状态局部时序语义关联特征向量作为所述环境状态局部时序语义关联特征。
在上述的施工质量智能管理系统中，所述施工质量检测模块，包括：环境状态语义特征优化单元，用于对所述环境状态局部时序语义关联特征向量进行特征优化以得到优化环境状态局部时序语义关联特征向量；以及施工质量异常检测单元，用于将所述优化环境状态局部时序语义关联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施工质量是否存在异常。
在上述的施工质量智能管理系统中，所述环境状态语义特征优化单元，用于：对所述环境状态局部时序语义关联特征向量和所述环境数据局部时序特征向量的序列以特征值为粒度进行融合以得到所述优化环境状态局部时序语义关联特征向量。
在上述的施工质量智能管理系统中，所述施工质量异常检测单元，包括：全连接编码子单元，用于使用所述分类器的全连接层对所述优化环境状态局部时序语义关联特征向量进行全连接编码以得到编码分类特征向量；以及分类子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种施工质量智能管理方法，其包括：获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，其中，所述环境数据包括温度值、湿度值和振动频率值；将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列；通过基于深度神经网络模型的环境数据局部时序特征提取器分别对所述环境数据局部时间序列的序列中的各个环境数据局部时间序列进行特征提取以得到环境数据局部时序特征向量的序列；对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征；以及基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常。
在上述的施工质量智能管理方法中，所述深度神经网络模型为卷积神经网络模型。
在上述的施工质量智能管理方法中，对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征，包括：将所述环境数据局部时序特征向量的序列通过基于LSTM模型的局部时序语义上下文编码器以得到环境状态局部时序语义关联特征向量作为所述环境状态局部时序语义关联特征。
在上述的施工质量智能管理方法中，基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常，包括：对所述环境状态局部时序语义关联特征向量进行特征优化以得到优化环境状态局部时序语义关联特征向量；以及将所述优化环境状态局部时序语义关联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施工质量是否存在异常。
在本申请中，其首先获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，接着，将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列，然后，通过基于深度神经网络模型的环境数据局部时序特征提取器分别对所述环境数据局部时间序列的序列中的各个环境数据局部时间序列进行特征提取以得到环境数据局部时序特征向量的序列，接着，对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征，最后，基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常。这样，可以提高施工质量管理的效率和准确性。
根据下面参考附图对本申请的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的施工质量智能管理系统的框图。
图2示出根据本申请的实施例的施工质量智能管理方法的流程图。
图3示出根据本申请的实施例的施工质量智能管理方法的架构示意图。
图4示出根据本申请的实施例的施工质量智能管理系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
针对上述技术问题，在本申请的技术方案中，提出了一种施工质量智能管理系统，其能够利用人工智能技术对施工现场的环境参数进行实时监测和分析，旨在提高施工质量和效率，降低施工风险和成本。具体地，本申请的技术构思为通过施工现场的传感器组实时监测采集环境数据，并在后端引入基于人工智能的数据处理和分析算法来进行该环境数据的时序协同关联分析，以此来判断是否存在异常，并在异常情况下发出警报，例如，高温、过高湿度或异常振动可能表明存在施工质量问题，系统可以及时发出警报，以便采取适当的措施进行修复。这样，有助于及早发现潜在的质量问题，并采取适当的措施进行修复，以避免造成进一步的损害，通过这样的方式，能够为施工管理提供智能化的支持和辅助，提高了施工质量管理的效率和准确性，进一步提高了建筑项目的质量和安全性。
图1示出根据本申请的实施例的施工质量智能管理系统的框图示意图。如图1所示，根据本申请实施例的施工质量智能管理系统100，包括：环境数据采集模块110，用于获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，其中，所述环境数据包括温度值、湿度值和振动频率值；环境数据局部时序划分模块120，用于将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列；环境数据局部时序特征提取模块130，用于通过基于深度神经网络模型的环境数据局部时序特征提取器分别对所述环境数据局部时间序列的序列中的各个环境数据局部时间序列进行特征提取以得到环境数据局部时序特征向量的序列；环境状态局部时序语义关联编码模块140，用于对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征；以及，施工质量检测模块150，用于基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常。
应可以理解，环境数据采集模块110负责获取部署在被监测施工现场的传感器组所采集的环境数据的时间序列，这些环境数据包括温度值、湿度值和振动频率值等。环境数据局部时序划分模块120可以将整个时间序列划分成多个局部时间序列，方便后续处理。环境数据局部时序特征提取模块130提取出环境数据的局部时序特征向量，形成一个环境数据局部时序特征向量的序列。环境状态局部时序语义关联编码模块140将对环境数据局部时序特征向量的序列进行处理和分析，捕捉其中的语义关联信息，从而更好地表示环境状态。施工质量检测模块150分析环境状态的特征，并根据预先设定的标准或规则，判断施工质量是否正常，如果检测到异常，可以采取相应的措施进行调整或修正。这些模块共同构成了一个施工质量智能管理系统，通过采集环境数据、提取特征和进行状态检测，可以实现对施工质量的智能监控和管理，及时发现并处理潜在的质量问题，提高施工过程的效率和质量。
具体地，在本申请的技术方案中，首先，获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，其中，所述环境数据包括温度值、湿度值和振动频率值。接着，考虑到在施工现场中，环境参数如温度、湿度和振动等可能会出现瞬时的波动或周期性的变化。如果直接将整个环境数据时间序列作为输入，可能会掩盖或模糊这些瞬时或周期性的变化。因此，为了更好地捕捉环境数据中各个参数项的时序特征和关联变化，在本申请的技术方案中，需要将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列。值得一提的是，这里，预定时间尺度的选择可以根据具体的应用场景和需求进行调整。例如，可以选择较短的时间尺度来捕捉环境数据瞬时的波动，或选择较长的时间尺度来捕捉环境数据周期性的变化。通过合理选择时间尺度，可以使系统更加敏感地检测到环境数据的异常情况。
然后，考虑到在划分的每个局部时间段中，所述环境数据中的各个参数项之间都具有着时序的协同关联关系。因此，为了提取和表示每个局部时间序列中关于环境数据中各个参数项之间的时序关键特征和关联语义，以便系统能够更好地理解和分析环境数据的时序动态变化情况，在本申请的技术方案中，进一步将所述环境数据局部时间序列的序列中的各个环境数据局部时间序列分别通过基于卷积神经网络模型的环境数据局部时序特征提取器中进行特征挖掘，以分别提取出所述环境数据中的多个参数项在不同的局部时间段中的局部时序协同关联特征信息，从而得到环境数据局部时序特征向量的序列。
相应地，在所述环境数据局部时序特征提取模块130中，所述深度神经网络模型为卷积神经网络模型，即，所述基于深度神经网络模型的环境数据局部时序特征提取器为基于卷积神经网络模型的环境数据局部时序特征提取器。值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理具有网格结构的数据，如图像和序列数据。卷积神经网络的主要特点是它能够自动学习输入数据中的特征，并且具有平移不变性。它通过在网络中引入卷积层和池化层，来有效地捕捉输入数据的局部特征，并且通过层层堆叠的方式逐渐提取更高级别的特征。这些特征可以用于分类、检测、分割等任务。在环境数据局部时序特征提取模块中，基于卷积神经网络模型的环境数据局部时序特征提取器利用卷积神经网络的优势来提取环境数据的局部时序特征。它将局部时间序列作为输入，经过卷积层和池化层的处理，逐渐提取出具有代表性的特征。这些特征可以捕捉到环境数据中的模式、趋势和变化，从而更好地表示环境状态。通过使用基于卷积神经网络的特征提取器，可以自动地学习环境数据中的重要特征，而无需手动设计特征提取方法。这样可以提高特征的表达能力和鲁棒性，进而提高施工质量检测的准确性和效果。
进一步地，考虑到由于所述环境数据中各个参数项之间的时序协同关联语义在时间维度上具有着基于时序整体的关联关系。因此，为了捕捉和编码各个局部时序特征向量之间的语义关联，以提供更丰富和准确的环境状态表示，在本申请的技术方案中，进一步将所述环境数据局部时序特征向量的序列通过基于LSTM模型的局部时序语义上下文编码器以得到环境状态局部时序语义关联特征向量。应可以理解，通过所述基于LSTM模型的局部时序语义上下文编码器来进行各个局部时间段中关于环境数据的多个参数项的局部时序协同关联语义特征之间的全局时序关联编码，能够获得更丰富和准确的环境状态表示。因此，得到的所述环境状态局部时序语义关联特征向量可以反映出各个局部时序特征向量之间的语义关联和演化趋势，为后续的质量问题分类和预测提供更有价值的信息。
相应地，所述环境状态局部时序语义关联编码模块140，用于：将所述环境数据局部时序特征向量的序列通过基于LSTM模型的局部时序语义上下文编码器以得到环境状态局部时序语义关联特征向量作为所述环境状态局部时序语义关联特征。
值得一提的是，LSTM（Long Short-Term Memory，长短期记忆）是一种循环神经网络（Recurrent Neural Network，RNN）的变体，专门用于处理序列数据。相比于传统的RNN，LSTM能够更好地解决长期依赖问题，具有记忆和遗忘机制，能够有效地处理长序列和长期依赖关系。LSTM模型的关键在于其内部的门控单元。每个门控单元由一个sigmoid激活函数和一个点乘操作组成，用于控制信息的流动。LSTM通过三个门控单元来控制信息的输入、输出和遗忘，从而实现对序列数据的建模和记忆。具体来说，LSTM模型中的三个门控单元分别是：1.输入门（Input Gate）：决定是否将新的输入信息纳入到记忆中。2.遗忘门（ForgetGate）：决定是否将之前的记忆信息遗忘。3.输出门（Output Gate）：决定当前时刻的输出。通过这些门控单元的控制，LSTM模型可以选择性地记住或遗忘过去的信息，并根据当前的输入和记忆状态生成输出。这使得LSTM模型能够有效地处理长期依赖关系，对于序列数据的建模和预测具有良好的效果。在环境状态局部时序语义关联编码模块中，基于LSTM模型的局部时序语义上下文编码器用于对环境数据局部时序特征向量的序列进行编码，以得到环境状态的局部时序语义关联特征向量。LSTM模型可以捕捉到序列数据中的长期依赖关系和语义信息，从而更好地表示环境状态的局部时序语义关联特征。这些特征向量可以用于后续的施工质量检测和异常判断。
继而，再将所述环境状态局部时序语义关联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施工质量是否存在异常。也就是说，利用所述环境状态局部时序语义关联特征信息来进行分类处理，以此来检测存在的异常情况，并在检测到异常情况下发出警报，例如，高温、过高湿度或异常振动可能表明存在施工质量问题，系统可以及时发出警报，以便采取适当的措施进行修复。这样，有助于及早发现潜在的质量问题，并采取适当的措施进行修复，以避免造成进一步的损害，提高了建筑项目的质量和安全性。
相应地，所述施工质量检测模块150，包括：环境状态语义特征优化单元，用于对所述环境状态局部时序语义关联特征向量进行特征优化以得到优化环境状态局部时序语义关联特征向量；以及，施工质量异常检测单元，用于将所述优化环境状态局部时序语义关联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施工质量是否存在异常。
应可以理解，在施工质量检测模块中，包括环境状态语义特征优化单元和施工质量异常检测单元。环境状态语义特征优化单元旨在进一步提取和增强环境状态特征的表达能力，优化的特征向量可以通过一些优化算法或者特征选择方法来得到，例如降维算法（如主成分分析）或特征加权方法等。优化后的特征向量能够更好地表示环境状态的重要特征，为后续的施工质量异常检测提供更准确的输入。在施工质量异常检测单元中，训练好的分类器可以根据输入的特征向量判断施工质量是否正常。分类器可以是一种监督学习模型，如支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree）、随机森林（Random Forest）或深度学习模型，如卷积神经网络（Convolutional Neural Network，CNN）或循环神经网络（Recurrent Neural Network，RNN）。通过施工质量异常检测单元，可以自动化地判断施工质量是否存在异常情况，提供及时的预警和反馈。这两个单元共同工作，通过优化环境状态特征和使用分类器进行施工质量异常检测，实现对施工质量的自动化监测和评估。这样的系统可以提高施工质量的可靠性和效率，帮助及时发现和解决潜在的问题，从而提高施工项目的整体质量。
其中，所述环境状态语义特征优化单元，用于：对所述环境状态局部时序语义关联特征向量和所述环境数据局部时序特征向量的序列以特征值为粒度进行融合以得到所述优化环境状态局部时序语义关联特征向量。
应可以理解，在环境状态语义特征优化单元中，特征值为粒度进行融合是指对环境状态局部时序语义关联特征向量和环境数据局部时序特征向量的序列进行融合，以特征值为单位进行操作。这种融合方法的目的是将不同特征向量之间的信息进行整合，从而得到更全面、更具代表性的优化环境状态局部时序语义关联特征向量。以特征值为粒度进行融合的好处有以下几点：1.综合多个特征的信息：通过特征值为粒度进行融合，可以将不同特征向量的信息进行综合，从而获得更全面的环境状态特征。不同的特征向量可能捕捉到环境状态的不同方面，通过融合可以将这些方面的信息结合起来，提供更准确、更全面的特征表示。2.强化特征表达能力：通过特征值为粒度进行融合，可以增强特征向量的表达能力。不同特征向量之间可能存在互补的信息，通过融合可以将这些信息进行整合，提高特征向量的区分度和表示能力。这有助于更好地刻画环境状态的语义关联特征，提高施工质量异常检测的准确性。3.减少特征维度：通过特征值为粒度进行融合，可以将多个特征向量融合为一个维度更低的特征向量。这有助于减少特征的维度，简化模型的计算复杂度，并降低过拟合的风险。同时，降低特征维度也有助于减少存储和传输的成本。总体来说，通过特征值为粒度进行融合可以综合多个特征的信息，增强特征表达能力，减少特征维度，从而得到更全面、更具代表性的优化环境状态局部时序语义关联特征向量。这有助于提高施工质量检测的准确性和效果。
在上述技术方案中，所述环境数据局部时序特征向量的序列表达所述环境数据在全局时域经由时间尺度划分确定的局部时域下的局部时域内时序关联特征，而将所述环境数据局部时序特征向量的序列通过基于LSTM模型的局部时序语义上下文编码器后，所述环境状态局部时序语义关联特征向量进一步表达基于局部时域间的时序特征分布的近程-远程双向上下文关联的全局时域时序关联特征，因此，为了提升所述环境状态局部时序语义关联特征向量的表达效果，考虑融合所述环境数据局部时序特征向量的序列的局部时域内时序关联特征表示来优化所述环境状态局部时序语义关联特征向量。
但是，考虑到所述环境状态局部时序语义关联特征向量相对于所述环境数据局部时序特征向量的序列具有全局-局部时序关联计算维度下的变化性，为了提升所述环境状态局部时序语义关联特征向量和所述环境数据局部时序特征向量的序列在基于分类器的类别判定下的融合效果，本申请的申请人优选地对所述环境状态局部时序语义关联特征向量和所述环境数据局部时序特征向量的序列以特征值为粒度进行融合。
相应地，在一个具体示例中，所述环境状态语义特征优化单元，进一步用于：以如下融合公式对所述环境状态局部时序语义关联特征向量和所述环境数据局部时序特征向量的序列以特征值为粒度进行融合以得到所述优化环境状态局部时序语义关联特征向量；其中，所述融合公式为：其中，/>是所述环境数据局部时序特征向量的序列级联后得到的级联特征向量，/>是所述环境状态局部时序语义关联特征向量，/>和/>分别是所述环境数据局部时序特征向量的序列级联后得到的级联特征向量/>和所述环境状态局部时序语义关联特征向量/>的第/>个特征值，/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根，所述级联特征向量/>和所述环境状态局部时序语义关联特征向量/>具有相同的特征向量长度/>，且/>是权重超参数，/>表示向量加法，/>表示向量减法，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，是所述优化环境状态局部时序语义关联特征向量的第/>个特征值。
这里，上述优化融合基于特征值粒度下的对应性来将所述环境数据局部时序特征向量的序列和所述环境状态局部时序语义关联特征向量的序列化融合表示进行基于向量尺度的前景流形和背景流形的划分，以在特征对应通道超流形体聚合机制下堆叠所述环境数据局部时序特征向量的序列和所述环境状态局部时序语义关联特征向量的动态的特征值通道化关联，从而标记所述环境数据局部时序特征向量的序列和所述环境状态局部时序语义关联特征向量的序列间的变化的特征语义信息，实现根据所述环境数据局部时序特征向量的序列和所述环境状态局部时序语义关联特征向量间的语义内容在不同计算维度下的变化性的类全连接式堆叠融合，以提升所述环境数据局部时序特征向量的序列和所述环境状态局部时序语义关联特征向量的融合效果，从而改进所述环境状态局部时序语义关联特征向量的表达效果，以提升其通过分类器得到的分类结果的准确性。这样，能够基于施工现场的环境情况来进行施工质量的实时监测和预警，这有助于及早发现潜在的质量问题，并采取适当的措施进行修复，以避免造成进一步的损害，通过这样的方式，能够为施工管理提供智能化的支持和辅助，提高了施工质量管理的效率和准确性，进一步提高了建筑项目的质量和安全性。
值得一提的是，特征向量的一范数（L1范数）是指特征向量中各个元素的绝对值之和，特征向量的一范数的平方是将特征向量的一范数的结果进行平方运算得到的值。特征向量的二范数（L2范数）是指特征向量中各个元素平方和的平方根，特征向量的二范数的平方根可以用来度量特征向量的长度或者大小。特征向量的二范数的平方根可以理解为特征向量在欧几里得空间中的长度，它表示了特征向量的幅值。通过计算特征向量的二范数的平方根，可以获得一个标量值，用于衡量特征向量的整体大小。需要注意的是，特征向量的二范数的平方根与一范数的平方根是不同的概念。一范数的平方根是特征向量各个元素绝对值之和的平方根，而二范数的平方根是特征向量各个元素平方和的平方根。
进一步地，所述施工质量异常检测单元，包括：全连接编码子单元，用于使用所述分类器的全连接层对所述优化环境状态局部时序语义关联特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括施工质量存在异常(第一标签)，以及，施工质量不存在异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化环境状态局部时序语义关联特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“施工质量是否存在异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，施工质量是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“施工质量是否存在异常”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
值得一提的是，全连接编码（Fully Connected Encoding）是一种将输入数据通过全连接层进行编码的方法。在深度学习中，全连接层是指神经网络中的一种常见层类型，其中每个神经元与上一层的所有神经元相连接。全连接层可以将输入数据的局部时序语义关联特征向量转换为编码分类特征向量。具体而言，全连接编码子单元通过将优化环境状态局部时序语义关联特征向量输入到全连接层中，利用神经网络的权重参数对输入数据进行线性变换和非线性激活操作，从而生成编码分类特征向量。全连接层中的每个神经元都与输入特征向量中的每个元素相连，因此可以捕捉到输入数据中的各种复杂特征之间的关联关系。全连接编码的作用是将输入数据转换为具有更高级别的表示，以便更好地表达输入数据的特征和模式。通过全连接编码，可以提取输入数据中的抽象特征，从而更好地支持后续的分类任务。在施工质量异常检测中，全连接编码可以帮助将优化环境状态局部时序语义关联特征向量转换为编码分类特征向量，以便后续的分类子单元能够进行异常检测并输出分类结果。
综上，基于本申请实施例的施工质量智能管理系统100被阐明，其可以提高施工质量管理的效率和准确性。
如上所述，根据本申请实施例的所述施工质量智能管理系统100可以实现在各种终端设备中，例如具有施工质量智能管理算法的服务器等。在一个示例中，施工质量智能管理系统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，该施工质量智能管理系统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，该施工质量智能管理系统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，该施工质量智能管理系统100与该终端设备也可以是分立的设备，并且该施工质量智能管理系统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。
图2示出根据本申请的实施例的施工质量智能管理方法的流程图。图3示出根据本申请的实施例的施工质量智能管理方法的系统架构的示意图。如图2和图3所示，根据本申请实施例的施工质量智能管理方法，其包括：S110，获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，其中，所述环境数据包括温度值、湿度值和振动频率值；S120，将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列；S130，通过基于深度神经网络模型的环境数据局部时序特征提取器分别对所述环境数据局部时间序列的序列中的各个环境数据局部时间序列进行特征提取以得到环境数据局部时序特征向量的序列；S140，对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征；以及，S150，基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常。
在一种可能的实现方式中，所述深度神经网络模型为卷积神经网络模型。
在一种可能的实现方式中，对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征，包括：将所述环境数据局部时序特征向量的序列通过基于LSTM模型的局部时序语义上下文编码器以得到环境状态局部时序语义关联特征向量作为所述环境状态局部时序语义关联特征。
在一种可能的实现方式中，基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常，包括：对所述环境状态局部时序语义关联特征向量进行特征优化以得到优化环境状态局部时序语义关联特征向量；以及，将所述优化环境状态局部时序语义关联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施工质量是否存在异常。
这里，本领域技术人员可以理解，上述施工质量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的施工质量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4示出根据本申请的实施例的施工质量智能管理系统的应用场景图。如图4所示，在该应用场景中，首先，获取由部署于被监测施工现场的传感器组采集的环境数据时间序列（例如，图4中所示意的D），其中，所述环境数据包括温度值、湿度值和振动频率值，然后，将所述环境数据时间序列输入至部署有施工质量智能管理算法的服务器（例如，图4中所示意的S）中，其中，所述服务器能够使用所述施工质量智能管理算法对所述环境数据时间序列进行处理以得到用于表示施工质量是否存在异常的分类结果。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器，上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种施工质量智能管理系统，其特征在于，包括：环境数据采集模块，用于获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，其中，所述环境数据包括温度值、湿度值和振动频率值；环境数据局部时序划分模块，用于将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列；环境数据局部时序特征提取模块，用于通过基于深度神经网络模型的环境数据局部时序特征提取器分别对所述环境数据局部时间序列的序列中的各个环境数据局部时间序列进行特征提取以得到环境数据局部时序特征向量的序列；环境状态局部时序语义关联编码模块，用于对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征；以及施工质量检测模块，用于基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常。
2.根据权利要求1所述的施工质量智能管理系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的施工质量智能管理系统，其特征在于，所述环境状态局部时序语义关联编码模块，用于：将所述环境数据局部时序特征向量的序列通过基于LSTM模型的局部时序语义上下文编码器以得到环境状态局部时序语义关联特征向量作为所述环境状态局部时序语义关联特征。
4.根据权利要求3所述的施工质量智能管理系统，其特征在于，所述施工质量检测模块，包括：环境状态语义特征优化单元，用于对所述环境状态局部时序语义关联特征向量进行特征优化以得到优化环境状态局部时序语义关联特征向量；以及施工质量异常检测单元，用于将所述优化环境状态局部时序语义关联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施工质量是否存在异常。
5.根据权利要求4所述的施工质量智能管理系统，其特征在于，所述环境状态语义特征优化单元，用于：以如下融合公式对所述环境状态局部时序语义关联特征向量和所述环境数据局部时序特征向量的序列以特征值为粒度进行融合以得到所述优化环境状态局部时序语义关联特征向量；其中，所述融合公式为：
；其中，/>是所述环境数据局部时序特征向量的序列级联后得到的级联特征向量，/>是所述环境状态局部时序语义关联特征向量，/>和/>分别是所述环境数据局部时序特征向量的序列级联后得到的级联特征向量/>和所述环境状态局部时序语义关联特征向量的第/>个特征值，/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根，所述级联特征向量/>和所述环境状态局部时序语义关联特征向量/>具有相同的特征向量长度/>，且/>是权重超参数，/>表示向量加法，/>表示向量减法，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，/>是所述优化环境状态局部时序语义关联特征向量的第/>个特征值。
6.根据权利要求5所述的施工质量智能管理系统，其特征在于，所述施工质量异常检测单元，包括：全连接编码子单元，用于使用所述分类器的全连接层对所述优化环境状态局部时序语义关联特征向量进行全连接编码以得到编码分类特征向量；以及分类子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.一种施工质量智能管理方法，其特征在于，包括：获取由部署于被监测施工现场的传感器组采集的环境数据时间序列，其中，所述环境数据包括温度值、湿度值和振动频率值；将所述环境数据时间序列进行基于预定时间尺度的划分以得到环境数据局部时间序列的序列；通过基于深度神经网络模型的环境数据局部时序特征提取器分别对所述环境数据局部时间序列的序列中的各个环境数据局部时间序列进行特征提取以得到环境数据局部时序特征向量的序列；对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征；以及基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常。
8.根据权利要求7所述的施工质量智能管理方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
9.根据权利要求8所述的施工质量智能管理方法，其特征在于，对所述环境数据局部时序特征向量的序列进行局部时序语义关联编码以得到环境状态局部时序语义关联特征，包括：将所述环境数据局部时序特征向量的序列通过基于LSTM模型的局部时序语义上下文编码器以得到环境状态局部时序语义关联特征向量作为所述环境状态局部时序语义关联特征。
10.根据权利要求9所述的施工质量智能管理方法，其特征在于，基于所述环境状态局部时序语义关联特征，确定施工质量是否存在异常，包括：对所述环境状态局部时序语义关联特征向量进行特征优化以得到优化环境状态局部时序语义关联特征向量；以及将所述优化环境状态局部时序语义关联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施工质量是否存在异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410155682.7A CN117689278A (zh) | 2024-02-04 | 2024-02-04 | 施工质量智能管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410155682.7A CN117689278A (zh) | 2024-02-04 | 2024-02-04 | 施工质量智能管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117689278A true CN117689278A (zh) | 2024-03-12 |
Family
ID=90126847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410155682.7A Pending CN117689278A (zh) | 2024-02-04 | 2024-02-04 | 施工质量智能管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689278A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259140A (zh) * | 2020-01-13 | 2020-06-09 | 长沙理工大学 | 一种基于lstm多实体特征融合的虚假评论检测方法 |
| CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
| CN115951014A (zh) * | 2022-11-21 | 2023-04-11 | 南通大学 | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 |
| CN116861924A (zh) * | 2023-07-31 | 2023-10-10 | 杭银消费金融股份有限公司 | 基于人工智能的项目风险预警方法及系统 |
| CN117172509A (zh) * | 2023-11-02 | 2023-12-05 | 北京一起网科技股份有限公司 | 基于装修施工进度分析的施工项目分配系统 |
| CN117270082A (zh) * | 2023-09-28 | 2023-12-22 | 浙江非线数联科技股份有限公司 | 基于多传感器数据融合的降水量预测系统及其方法 |
| CN117495210A (zh) * | 2024-01-02 | 2024-02-02 | 衡水烨通建设工程有限公司 | 公路混凝土施工质量管理系统 |
-
2024
- 2024-02-04 CN CN202410155682.7A patent/CN117689278A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259140A (zh) * | 2020-01-13 | 2020-06-09 | 长沙理工大学 | 一种基于lstm多实体特征融合的虚假评论检测方法 |
| CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
| CN115951014A (zh) * | 2022-11-21 | 2023-04-11 | 南通大学 | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 |
| CN116861924A (zh) * | 2023-07-31 | 2023-10-10 | 杭银消费金融股份有限公司 | 基于人工智能的项目风险预警方法及系统 |
| CN117270082A (zh) * | 2023-09-28 | 2023-12-22 | 浙江非线数联科技股份有限公司 | 基于多传感器数据融合的降水量预测系统及其方法 |
| CN117172509A (zh) * | 2023-11-02 | 2023-12-05 | 北京一起网科技股份有限公司 | 基于装修施工进度分析的施工项目分配系统 |
| CN117495210A (zh) * | 2024-01-02 | 2024-02-02 | 衡水烨通建设工程有限公司 | 公路混凝土施工质量管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Remaining useful life prediction based on a double-convolutional neural network architecture | |
| CN116639010B (zh) | 充电桩的智能控制系统及其方法 | |
| CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
| CN117040917A (zh) | 一种具有监测预警功能的智慧型交换机 | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
| CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
| CN116703642A (zh) | 基于数字孪生技术的产品制造生产线智能管理系统 | |
| CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
| CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
| CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
| CN117037427B (zh) | 一种地质灾害联网监测预警系统 | |
| Ali et al. | Substation Danger Sign Detection and Recognition using Convolutional Neural Networks | |
| CN117635219A (zh) | 金属矿山生产大数据智能分析系统及方法 | |
| CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
| CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
| CN117689278A (zh) | 施工质量智能管理系统及方法 | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
| CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
| Priya et al. | An Enhanced Animal Species Classification and Prediction Engine using CNN | |
| CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
| CN116730226B (zh) | 悬臂起重机的安全智能监管系统及其方法 | |
| CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 |
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 |