CN117808374B - 一种建筑工程质量智能验收管理方法及系统 - Google Patents

一种建筑工程质量智能验收管理方法及系统 Download PDF

Info

Publication number
CN117808374B
CN117808374B CN202410217997.XA CN202410217997A CN117808374B CN 117808374 B CN117808374 B CN 117808374B CN 202410217997 A CN202410217997 A CN 202410217997A CN 117808374 B CN117808374 B CN 117808374B
Authority
CN
China
Prior art keywords
image
construction
sub
acceptance
time
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
Application number
CN202410217997.XA
Other languages
English (en)
Other versions
CN117808374A (zh
Inventor
邢海霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Qingke Zhucheng Technology Co ltd
Original Assignee
Beijing Qingke Zhucheng Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Qingke Zhucheng Technology Co ltd filed Critical Beijing Qingke Zhucheng Technology Co ltd
Priority to CN202410217997.XA priority Critical patent/CN117808374B/zh
Publication of CN117808374A publication Critical patent/CN117808374A/zh
Application granted granted Critical
Publication of CN117808374B publication Critical patent/CN117808374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种建筑工程质量智能验收管理方法及系统，包括：在建筑工程施工区域，布设数个图像采集设备；采集建筑工程施工区域内的图像信息；从所采集的建筑工程施工区域内的图像信息中，根据各图像采集设备采集的任一目标建筑物的所有图像中、为任一目标建筑物筛选出当前时间下的优选验收图像，并加入优选验收图像集；为筛选的优选验收图像集中的各图像添加时间标签；基于添加时间标签后的优选验收图像集为任一目标建筑物训练相应的施工预测模型；以利用施工预测模型输出图像预测结果；基于图像预测结果与在后时间相应的期望结果进行匹配，以获得验收结果。本申请的方法能够实现对整个建筑施工项目的进度管理，施工节点进度监督、验收。

Description

一种建筑工程质量智能验收管理方法及系统
技术领域
本申请涉及建筑施工管理、图像处理技术领域，尤其涉及一种建筑工程质量智能验收管理方法及系统。
背景技术
在建筑施工过程中，监管施工进度对于保证工程质量和按时完成工程至关重要，然而，传统的监管方法需要投入大量的人力，且人工获取信息也面临着信息获取不及时、信息统筹困难以及信息真实性难以考证等问题。
传统的人工监管方法往往只能对个别环节进行监管，缺乏对整体施工进度的全面掌控。由于信息获取的滞后性和不准确性，这导致监管人员难以及时发现和解决工期冲突和延误，进而无法调整合适的施工进度以适应施工现场的实际施工情况。
发明内容
本申请实施例提供一种建筑工程质量智能验收管理方法及系统，能够高效及时地实现对整个建筑施工项目的进度管理，施工节点进度监督、验收。
本申请实施例提出一种建筑工程质量智能验收管理方法，包括如下步骤：
在建筑工程施工区域，布设数个图像采集设备，其中数个图像采集设备用以覆盖建筑工程施工全区域，且部分图像采集设备的视野范围重复；
根据施工工序流程，在指定的流程节点对应的时间期间，通过各图像采集设备采集建筑工程施工区域内的图像信息；
从所采集的建筑工程施工区域内的图像信息中，根据各图像采集设备采集的任一目标建筑物的所有图像中、为所述任一目标建筑物筛选出当前时间下的优选验收图像，并加入优选验收图像集，其中所述任一目标建筑物的优选验收图像集中包含有相应时间的多组所述任一目标建筑物的结构数据以及未完工情况下所述任一目标建筑物的施工区域数据；
按照采集的时间顺序，为筛选的所述优选验收图像集中的各图像添加时间标签；
基于添加时间标签后的所述优选验收图像集为所述任一目标建筑物训练相应的施工预测模型，其中所述施工预测模型采用编解码器与循环神经网络的组合架构，编码器Encoder用以提取所述优选验收图像集中各图像的特征信息，以及将提取的特征信息输入循环神经网络LSTM，解码器Decoder用以将所述LSTM的输出作为输入，来执行在后时间的图像预测；
对新采集的建筑工程施工区域内的图像信息进行筛选，并输入训练好的所述任一目标建筑物的施工预测模型，以利用施工预测模型输出在后时间的图像预测结果；
基于所述图像预测结果与在后时间相应的期望结果进行匹配，以获得验收结果。
可选的，基于添加时间标签后的所述优选验收图像集为所述任一目标建筑物训练相应的施工预测模型包括：
按照时间顺序从添加时间标签后的所述优选验收图像集中选取、时间靠前的数组优选验收图像，并利用所述预测模型预测输出时间靠后的一组图像；
从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取一组图像；
计算所选取的一组图像与预测输出的一组图像之间的不相似度作为损失，以训练所述施工预测模型。
可选的，计算所选取的一组图像与预测输出的一组图像之间的不相似度作为损失包括：
从选取的一组图像中选取处于施工中的部分区域作为感兴趣的第一子图像区域；
基于所选取的第一子图像区域作为边界，在所述预测的一组图像中匹配出第二子图像区域；
从基于所述第一子图像区域，选取参考像素区域，并基于所述参考像素区域的像素值，调整所述第二子图像区域的对比度，和/或，亮度至相应的参考像素区域的像素值相近；
计算所述第一子图像区域与所述第二子图像区域之间的相似度满足：
其中，表示第一子图像区域与第二子图像区域之间的相似度，、为常 数，、分别为第一子图像区域、第二子图像区域的像素值标准差，N为第一子图像区域或 第二子图像区域所包含的像素点数，、分别为第一子图像区域、第二子图像区域像素 点n的像素值，、分别为第一子图像区域、第二子图像区域的平均亮度；
损失函数满足：。
可选的，从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取一组图像包括：从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取与预测输出的一组图像时间距离最近的一组图像，来计算与预测输出的一组图像之间的相似度。
可选的，还包括，利用在后采集的图像信息，添加时间标记，对重新训练所述施工预测模型，以更新所述施工预测模型。
可选的，还包括：
为各目标建筑物配置相应的标识信息；
将在指定的流程节点对应的时间期间、所采集的优选验收图像集与指定的流程节点内各验收结果进行分段组合，并计算组合后数据hash特征；
将所计算获得的hash特征以及组合的各分段，按照时间顺序，关联存储以为建筑工程施工区域的各目标建筑物构建验收链；
基于所述施工工序流程中的时间关系以及配置的标识信息，构建逆树形结构，所述逆树形结构包括多个子节点，任一目标建筑物的验收链对应记录至逆树形结构的一个子节点中，且在任一目标建筑物完成验收后，将相应的子节点连接至所述施工工序流程中的关联项目的子节点。
可选的，还包括：
在构建所述逆树形结构的过程中，进行实时呈现，以及，对于任一逆树形结构的子节点，在验收结果为图像预测结果与期望结果不匹配的情况下，在相应的子节点进行告警。
本申请实施例还提出一种建筑工程质量智能验收管理系统，所述建筑工程质量智能验收管理系统包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的建筑工程质量智能验收管理方法的步骤。
本申请实施例提出的建筑工程质量智能验收管理方法，通过图像采集并按照施工工序流程的各个时间节点，来训练模型并完成施工状态预测，一方面能够及时实现对整个建筑施工项目的进度管理，施工节点进度监督，另一方面能够快速确定出施工进度存在问题的节点，提高工程质量管理效率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本实施例的建筑工程质量智能验收管理方法的基本流程示意。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提出一种建筑工程质量智能验收管理方法，如图1所示，包括如下步骤：
在步骤S101中，在建筑工程施工区域，布设数个图像采集设备，其中数个图像采集设备用以覆盖建筑工程施工全区域，且部分图像采集设备的视野范围重复。一些具体应用中可以基于施工区域的摄像头来覆盖建筑工程施工全区域。
在步骤S102中，根据施工工序流程，在指定的流程节点对应的时间期间，通过各图像采集设备采集建筑工程施工区域内的图像信息。在一些具体实施中，对于任一目标建筑物的采集对应的相机参数可以控制为相同或者相近，例如控制拍摄角度等拍摄参数相同或者相近，从而避免因拍摄参数引入误差，若无法控制拍摄参数相同，则需要在后续处理中，对图像进行缩放控制，以调整到适配的规格下。
在步骤S103中，从所采集的建筑工程施工区域内的图像信息中，根据各图像采集设备采集的任一目标建筑物的所有图像中、为所述任一目标建筑物筛选出当前时间下的优选验收图像，并加入优选验收图像集，其中所述任一目标建筑物的优选验收图像集中包含有相应时间的多组所述任一目标建筑物的结构数据以及未完工情况下所述任一目标建筑物的施工区域数据。本申请实施例中在当前流程节点对应的时间期间的优选验收图像集的体量是逐渐增大的，且优选验收图像集中的图像一方面用来作为图像预测模型的训练集，另一方面也作为图像预测模型的数据输入来执行预测。一些具体示例中，任一目标建筑物的优选验收图像是一组一组的，任一组图像中包含有相应时间的多组所述任一目标建筑物的结构数据以及未完工情况下所述任一目标建筑物的施工区域数据，例如目标建筑物的结构数据可以是主体结构的图像数据，施工区域数据可以包括例如部分上层的主体结构以及相关的施工区域的图像。
在步骤S104中，按照采集的时间顺序，为筛选的所述优选验收图像集中的各图像添加时间标签。
在步骤S105中，基于添加时间标签后的所述优选验收图像集为所述任一目标建筑物训练相应的施工预测模型，其中所述施工预测模型采用编解码器与循环神经网络的组合架构，编码器Encoder用以提取所述优选验收图像集中各图像的特征信息，以及将提取的特征信息输入循环神经网络LSTM，解码器Decoder用以将所述LSTM的输出作为输入，来执行在后时间的图像预测。也即本申请实施例采用Encoder+LSTM和Decoder的组合架构，通过Encoder进行图像编码及特征提取，并输入LSTM，将LSTM的输出，通过Decoder解码输出，从而获得预测结果。
在步骤S106中，对新采集的建筑工程施工区域内的图像信息进行筛选，并输入训练好的所述任一目标建筑物的施工预测模型，以利用施工预测模型输出在后时间的图像预测结果。具体的，基于前述实施例，可以筛选出新采集的建筑工程施工区域内、包含主体结构及施工区域的图像。
在步骤S107中，基于所述图像预测结果与在后时间相应的期望结果进行匹配，以获得验收结果。
本申请实施例提出的建筑工程质量智能验收管理方法，通过图像采集并按照施工工序流程的各个时间节点，来训练模型并完成施工状态预测，一方面能够及时实现对整个建筑施工项目的进度管理，施工节点进度监督，另一方面能够快速确定出施工进度存在问题的节点，提高工程质量管理效率。
在一些实施例中，基于添加时间标签后的所述优选验收图像集为所述任一目标建筑物训练相应的施工预测模型包括：
按照时间顺序从添加时间标签后的所述优选验收图像集中、选取时间靠前的数组优选验收图像，并利用所述预测模型预测输出时间靠后的一组图像；
从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取一组图像。
计算所选取的一组图像与预测输出的一组图像之间的不相似度作为损失，以训练所述施工预测模型。
在一些实施例中，计算所选取的一组图像与预测输出的一组图像之间的不相似度作为损失包括：
从选取的一组图像中选取处于施工中的部分区域作为感兴趣的第一子图像区域。在具体实施中，可以从选取的一组图像中，将主体结构和施工区域分开选取第一子图像区域，其中对于主体结构或者施工区域，选取的第一子图像区域，应当尽可能贴合表征任一目标建筑物施工进度的区域，例如直接选取主体结构的部分区域作为第一子图像区域。
基于所选取的第一子图像区域作为边界，在所述预测的一组图像中匹配出第二子图像区域。一些实施例中，可以直接将前述真实图像中选取的第一子图像区域来与预测的一组图像中匹配出第二子图像区域。例如可以通过求取第一子图像区域的边界像素在预测的一组图像中的贴合度，贴合度越高，则匹配度越大，最后将匹配度最高的区域作为第二子图像区域。
从基于所述第一子图像区域，选取参考像素区域，并基于所述参考像素区域的像素值，调整所述第二子图像区域的对比度，和/或，亮度至相应的参考像素区域的像素值相近。由于选取的一组图像与预测输出的一组图像之间存在较大的时间差，可能存在例如因环境亮度等不可控因素引起后续的计算误差，本申请的一些示例中，参考像素区域可以是图像中的某一具有固定颜色的标志或者物体，参考像素区域可以是某一像元的像素值，从而可以基于参考像素区域将预测的图像的第二子图像区域的对比度或者亮度进行调整，以在调整后平衡第一子图像与第二子图像的对比度或者亮度，从而降低后续的相似度的计算误差。
计算所述第一子图像区域与所述第二子图像区域之间的相似度满足：
其中，表示第一子图像区域与第二子图像区域之间的相似度，、 为常数，、分别为第一子图像区域、第二子图像区域的像素值标准差，N为第一子图 像区域或第二子图像区域所包含的像素点数，、分别为第一子图像区域、第二 子图像区域像素点n的像素值，、分别为第一子图像区域、第二子图像区域的平 均亮度。
损失函数满足：。本申请实施例中，在训练过程，通过仅计算 选取的任意建筑施工相关的图像的第一子图像以及预测的第二子图像之间相似度，来执行 模型训练，从而使得预测模型生成的一组预测图像能够更多学习施工进度、周期等信息，从 而提高预测模型的准确性。
在一些实施例中，从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取一组图像包括：从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取与预测输出的一组图像时间距离最近的一组图像，来计算与预测输出的一组图像之间的相似度。一些示例中，例如未能在优选验收图像集中确定出时间完全匹配的图像，则选取时间距离，例如一小时内，三十分钟内所拍摄的一组图像来计算与预测输出的一组图像之间的相似度。
在一些实施例中，还包括，利用在后采集的图像信息，添加时间标记，对重新训练所述施工预测模型，以更新所述施工预测模型，通过更新训练，使得施工预测模型能够随时根据当前的施工情况进行更新，提高模型的实时性。
在一些实施例中，还包括：
为各目标建筑物配置相应的标识信息；
将在指定的流程节点对应的时间期间、所采集的优选验收图像集与指定的流程节点内各验收结果进行分段组合，并计算组合后数据hash特征；
将所计算获得的hash特征以及组合的各分段，按照时间顺序，关联存储以为建筑工程施工区域的各目标建筑物构建验收链；
基于所述施工工序流程中的时间关系以及配置的标识信息，构建逆树形结构，所述逆树形结构包括多个子节点，任一目标建筑物的验收链对应记录至逆树形结构的一个子节点中，且在任一目标建筑物完成验收后，将相应的子节点连接至所述施工工序流程中的关联项目的子节点。
具体实施中，通过计算组合后数据hash特征，可以便于任意流程节点对应的时间期间相关的验收结果、便于发送至远方平台进行例如项目分析等流程。本申请实施例中基于任一目标建筑物一方面对构建验收链，另一方面对整个项目的各目标建筑物构建逆树形结构，逆树形结构的节点存储构建的验收链，逆树形结构最终汇集于项目完工节点，从而能够提高项目实际情况的可读性，极大提高整个项目周期实际情况的管理效率。
在一些实施例中，还包括：
在构建所述逆树形结构的过程中，进行实时呈现，以及，对于任一逆树形结构的子节点，在验收结果为图像预测结果与期望结果不匹配的情况下，在相应的子节点进行告警。一些具体示例中，对于图像预测结果与期望结果不匹配的子节点，可以在相应的子节点通过颜色闪烁的方式，通过用户界面进行提示，并通过于用户交互，进入相应的额子节点，实现建筑工程质量的细节查看与管理。
本申请的方法能够有效克服现有技术所存在的验收结果准确性较差的问题，通过图像采集并按照施工工序流程的各个时间节点，来训练模型并完成施工状态预测，能够及时实现对整个建筑施工项目的进度管理，提高工程质量管理效率。
本申请实施例还提出一种建筑工程质量智能验收管理系统，所述建筑工程质量智能验收管理系统包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的建筑工程质量智能验收管理方法的步骤。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案 )、改编或改变的实施例。并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。
以上实施例仅为本公开的示例性实施例，本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (6)

1.一种建筑工程质量智能验收管理方法，其特征在于，包括如下步骤：
在建筑工程施工区域，布设数个图像采集设备，其中数个图像采集设备用以覆盖建筑工程施工全区域，且部分图像采集设备的视野范围重复；
根据施工工序流程，在指定的流程节点对应的时间期间，通过各图像采集设备采集建筑工程施工区域内的图像信息；
从所采集的建筑工程施工区域内的图像信息中，根据各图像采集设备采集的任一目标建筑物的所有图像中、为所述任一目标建筑物筛选出当前时间下的优选验收图像，并加入优选验收图像集，其中所述任一目标建筑物的优选验收图像集中包含有相应时间的多组所述任一目标建筑物的结构数据以及未完工情况下所述任一目标建筑物的施工区域数据；
按照采集的时间顺序，为筛选的所述优选验收图像集中的各图像添加时间标签；
基于添加时间标签后的所述优选验收图像集为所述任一目标建筑物训练相应的施工预测模型，其中所述施工预测模型采用编解码器与循环神经网络的组合架构，编码器Encoder用以提取所述优选验收图像集中各图像的特征信息，以及将提取的特征信息输入循环神经网络LSTM，解码器Decoder用以将所述LSTM的输出作为输入，来执行在后时间的图像预测；
对新采集的建筑工程施工区域内的图像信息进行筛选，并输入训练好的所述任一目标建筑物的施工预测模型，以利用施工预测模型输出在后时间的图像预测结果；
基于所述图像预测结果与在后时间相应的期望结果进行匹配，以获得验收结果；
基于添加时间标签后的所述优选验收图像集为所述任一目标建筑物训练相应的施工预测模型包括：
按照时间顺序从添加时间标签后的所述优选验收图像集中、选取时间靠前的数组优选验收图像，并利用所述预测模型预测输出时间靠后的一组图像；
从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取一组图像；
计算所选取的一组图像与预测输出的一组图像之间的不相似度作为损失，以训练所述施工预测模型；
计算所选取的一组图像与预测输出的一组图像之间的不相似度作为损失包括：
从选取的一组图像中选取处于施工中的部分区域作为感兴趣的第一子图像区域；
基于所选取的第一子图像区域作为边界，在所述预测的一组图像中匹配出第二子图像区域；
从基于所述第一子图像区域，选取参考像素区域，并基于所述参考像素区域的像素值，调整所述第二子图像区域的对比度，和/或，亮度至相应的参考像素区域的像素值相近；
计算所述第一子图像区域与所述第二子图像区域之间的相似度满足：其中，/>表示第一子图像区域与第二子图像区域之间的相似度，/>、/>为常数，/>、/>分别为第一子图像区域、第二子图像区域的像素值标准差，N为第一子图像区域或第二子图像区域所包含的像素点数，、/>分别为第一子图像区域、第二子图像区域像素点n的像素值，/>、/>分别为第一子图像区域、第二子图像区域的平均亮度；
损失函数满足：
2.如权利要求1所述的建筑工程质量智能验收管理方法，其特征在于，从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取一组图像包括：从添加时间标签后的所述优选验收图像集的时间靠后的图像中，选取与预测输出的一组图像时间距离最近的一组图像，来计算与预测输出的一组图像之间的相似度。
3.如权利要求2所述的建筑工程质量智能验收管理方法，其特征在于，还包括，利用在后采集的图像信息，添加时间标记，对重新训练所述施工预测模型，以更新所述施工预测模型。
4.如权利要求1所述的建筑工程质量智能验收管理方法，其特征在于，还包括：
为各目标建筑物配置相应的标识信息；
将在指定的流程节点对应的时间期间、所采集的优选验收图像集与指定的流程节点内各验收结果进行分段组合，并计算组合后数据hash特征；
将所计算获得的hash特征以及组合的各分段，按照时间顺序，关联存储以为建筑工程施工区域的各目标建筑物构建验收链；
基于所述施工工序流程中的时间关系以及配置的标识信息，构建逆树形结构，所述逆树形结构包括多个子节点，任一目标建筑物的验收链对应记录至逆树形结构的一个子节点中，且在任一目标建筑物完成验收后，将相应的子节点连接至所述施工工序流程中的关联项目的子节点。
5.如权利要求4所述的建筑工程质量智能验收管理方法，其特征在于，还包括：
在构建所述逆树形结构的过程中，进行实时呈现，以及，对于任一逆树形结构的子节点，在验收结果为图像预测结果与期望结果不匹配的情况下，在相应的子节点进行告警。
6.一种建筑工程质量智能验收管理系统，其特征在于，所述建筑工程质量智能验收管理系统包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的建筑工程质量智能验收管理方法的步骤。
CN202410217997.XA 2024-02-28 2024-02-28 一种建筑工程质量智能验收管理方法及系统 Active CN117808374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410217997.XA CN117808374B (zh) 2024-02-28 2024-02-28 一种建筑工程质量智能验收管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410217997.XA CN117808374B (zh) 2024-02-28 2024-02-28 一种建筑工程质量智能验收管理方法及系统

Publications (2)

Publication Number Publication Date
CN117808374A CN117808374A (zh) 2024-04-02
CN117808374B true CN117808374B (zh) 2024-05-10

Family

ID=90430497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410217997.XA Active CN117808374B (zh) 2024-02-28 2024-02-28 一种建筑工程质量智能验收管理方法及系统

Country Status (1)

Country Link
CN (1) CN117808374B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118014779B (zh) * 2024-04-09 2024-07-19 中达安股份有限公司 装配式建筑的验收方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330811A (zh) * 2017-07-04 2017-11-07 黄海量 一种建筑管线管理方法和服务器
CN109189217A (zh) * 2018-08-16 2019-01-11 四川蓉科强工程管理咨询有限责任公司 一种基于vr技术的工程验收模拟方法
CN115713237A (zh) * 2022-11-23 2023-02-24 杭州建设工程造价咨询有限公司 一种建筑施工质量安全风险管理方法、系统及存储介质
CN116188703A (zh) * 2023-04-28 2023-05-30 南京鸿源信息技术有限公司 一种基于bim的建筑工程可视化管理系统
CN116311061A (zh) * 2023-03-17 2023-06-23 中建五局第四建设有限公司 一种基于图像处理的物料识别方法
CN116976722A (zh) * 2023-06-28 2023-10-31 三峡科技有限责任公司 一种基于大数据的智能施工验收系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330811A (zh) * 2017-07-04 2017-11-07 黄海量 一种建筑管线管理方法和服务器
CN109189217A (zh) * 2018-08-16 2019-01-11 四川蓉科强工程管理咨询有限责任公司 一种基于vr技术的工程验收模拟方法
CN115713237A (zh) * 2022-11-23 2023-02-24 杭州建设工程造价咨询有限公司 一种建筑施工质量安全风险管理方法、系统及存储介质
CN116311061A (zh) * 2023-03-17 2023-06-23 中建五局第四建设有限公司 一种基于图像处理的物料识别方法
CN116188703A (zh) * 2023-04-28 2023-05-30 南京鸿源信息技术有限公司 一种基于bim的建筑工程可视化管理系统
CN116976722A (zh) * 2023-06-28 2023-10-31 三峡科技有限责任公司 一种基于大数据的智能施工验收系统

Also Published As

Publication number Publication date
CN117808374A (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN117808374B (zh) 一种建筑工程质量智能验收管理方法及系统
CN109670060A (zh) 一种基于深度学习的遥感影像半自动化标注方法
CN108875821A (zh) 分类模型的训练方法和装置、移动终端、可读存储介质
CN106845432A (zh) 一种人脸与人体共同检测的方法和设备
CN114359727A (zh) 基于轻量级优化Yolo v4的茶叶病害识别方法及系统
JP2021532434A (ja) 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体
CN114092769B (zh) 基于联邦学习的变电站多场景巡检分析方法
CN110363770A (zh) 一种边缘引导式红外语义分割模型的训练方法及装置
CN104063686A (zh) 作物叶部病害图像交互式诊断系统与方法
CN108460399A (zh) 一种儿童积木搭建辅助方法及系统
CN105208325A (zh) 基于图像定点抓拍及比对分析的国土资源监控预警方法
CN116862454B (zh) 一种室内建筑设计管理方法及系统
JP7151811B2 (ja) データ収集装置、データ収集方法およびプログラム
CN115880433A (zh) 一种基于数字孪生的农作物培育优化方法
CN112396042A (zh) 实时更新的目标检测方法及系统、计算机可读存储介质
Zhao et al. 3d pose based feedback for physical exercises
CN113111716A (zh) 一种基于深度学习的遥感影像半自动标注方法和装置
CN116188703B (zh) 一种基于bim的建筑工程可视化管理系统
CN107563327B (zh) 一种基于自步反馈的行人重识别方法及系统
CN114627467A (zh) 基于改进神经网络的水稻生育期识别方法及系统
CN118097372B (zh) 一种基于人工智能的作物生长可视化预测方法
CN112242002A (zh) 基于深度学习的物体识别和全景漫游方法
CN115879817A (zh) 一种区域减碳量评估方法、装置、电子设备及存储介质
CN118366162A (zh) 基于深度学习的图像分割方法及系统
CN114399108A (zh) 一种基于多模态信息的茶园产量预测方法

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
GR01 Patent grant
GR01 Patent grant