CN117973705A - 智慧工地监测系统的数据处理与分析系统及方法 - Google Patents

Abstract

本发明涉及工程管理技术领域，具体为智慧工地监测系统的数据处理与分析系统及方法，方法包括，部署传感器收集工地中建筑数据和环境数据，并对收集的数据进行预处理；分析预处理后的传感器数据，设立各类传感器报警阈值，对工地建筑和环境进行预警监测；设定无人机巡飞路径，并训练机器学习模型，对工地中施工人员进行监管；在识别到工地中存在风险人员和风险施工行为时进行报警。本发明实现了对工地建筑、施工材料、空气环境以及施工人员的全面监测管理，实现对工地全方面监测管理，解放生产力，提高了工地管理的效率。

Description

智慧工地监测系统的数据处理与分析系统及方法

技术领域

本发明涉及工程管理技术领域，具体为智慧工地监测系统的数据处理与分析系统及方法。

背景技术

在高层建筑或空间钢结构的建设过程中，安全监测是至关重要的。传统的安全监测方法通常依赖于人工巡检和手动记录，效率低下且容易出现遗漏。因此，开发一种智慧工地监测系统的数据处理与分析系统及方法，能够实时监测工地的建设状态以及人员安全状态，具有重要的意义。

CN115587736A公开了一种智慧工地管理方法及智慧工地管理系统，其中，方法通过取到预设工地设备的当前状态信息后，根据当前状态信息判断是否存在异常状态信息，若当前状态信息中存在有异常状态信息，则向目标设备发送告警信息，否则，持续接收当前状态信息。本实施例中通过不断获取预设工地设备的当前状态信息，从而根据当前状态信息实现对预设工地设备的监控，进而解决相关技术中建筑工地施工低效、容易发生安全事故的技术问题，提供了一种提高建筑工地施工效率且安全的智慧工地管理方法；但是该专利仅依靠获取的数据通过静态阈值和人工对工地进行管理，并没有对工地中关于施工建筑以及建筑材料的存储监测角度开发技术方案，也没有使用动态阈值对工地环境出现的变化进行调整。

鉴于此，本发明提出智慧工地监测系统的数据处理与分析系统及方法。

发明内容

为实现上述目的，本发明提供智慧工地监测系统的数据处理与分析系统及方法，具体技术方案如下：

智慧工地监测系统的数据处理与分析方法，包括，部署传感器收集工地中建筑数据和环境数据，并对收集的数据进行预处理；

分析预处理后的传感器数据，设立各类传感器报警阈值，对工地建筑和环境进行预警监测；

设定无人机巡飞路径，并训练机器学习模型，对工地中施工人员进行监管；

在识别到工地中存在风险人员和风险施工行为时进行报警。

优选的，部署传感器收集工地中建筑数据和环境数据；所述传感器包括倾斜度传感器、振动传感器、温湿度传感器以及颗粒物传感器；

所述倾斜度传感器，获取工地中垂直施工建筑的倾斜数据；所述振动传感器，获取工地中施工建筑的振动数据；所述温湿度传感器，检测工地的温湿度数据；颗粒物传感器，监测工地中空气颗粒物含量数据；

将倾斜度传感器和振动传感器划分为第一类传感器，当第一类传感器获取的数据值变化趋势超过趋势阈值时发出警报；将温湿度传感器以及颗粒物传感器划分为第二类传感器，当第二类传感器获取的数据值超过阈值时即发出警报。

优选的，对传感器获取的数据进行预处理，所述预处理包括检测和替换数据中的异常值，填补因传感器故障造成的缺失值；采用高斯分布的概率密度函数，对传感器收集的数据进行的异常值判别，高斯分布的概率密度函数为：

；

其中，是传感器收集数据的概率密度，/>是传感器采集的数据值;n表示传感器的具体类型，/>是数据的概率密度，/>是数据的标准差。

优选的，若传感器收集的数据的高斯分布概率密度函数值超出动态阈值，则判定为异常数据值；为每种数据的概率密度分别设定动态阈值，通过与动态阈值比对，去除传感器收集数据的异常值；采用移动平均数作为所述动态阈值的设定标准，移动平均数的计算如下：

；

其中，是在时刻t传感器采集数据的移动平均值，/>是t时刻的传感器数值；L是移动平均的窗口大小，表示计算移动平均数时考虑的最近的L个数据点；

；

其中，为动态阈值，/>是系数，用于控制动态阈值的灵敏度，当传感器收集的数据大于当前数据移动平均数时，判定当前数据为异常值；采用异常值相邻的数据均值进行替换，具体为：/>，其中，/>为第i个被替换的异常值；/>和/>为相邻数据点的数据值，当出现传感器故障导致的数据值缺失时，同样采用相邻的数据值的均值对缺失数据值进行补充。

优选的，为第一类传感器中不同传感器设定报警模型，构建的第一类传感器报警模型为数据趋势变化报警模型，构建的第二类传感器报警模型为动态数据超标报警模型；

构建施工建筑倾斜度报警模型，通过一阶差分来计算倾斜度的变化率，判断被监测施工建筑是否存在倾斜变化趋势，设倾斜度传感器采集的数据为，倾斜度变化率为，其中/>表示连续时间间隔，当/>时，发出倾斜报警；其中，为倾斜报警阈值；

构建施工建筑振动报警模型，在振动信号的时域分析中，计算振动信号的变化率，判断被监测施工建筑是否存在异常振动变化趋势，设振动传感器采集的数据为，振动变化率为/>，其中/>为振动变化率，/>表示时间点i的振动信号幅值，/>表示连续时间间隔，当/>时，发出施工建筑异常振动报警，其中/>为振动报警阈值。

优选的，为第二类传感器中不同传感器设定报警模型，构建的第二类传感器中的报警模型为数值监测报警模型；

根据当前的天气数据，设置动态变化的第二类传感器报警阈值；当温湿度传感器收集到的数据超过报警阈值时报警；所述温湿度传感器部署于建筑材料存放处以及工地开放环境区域；

以工地开放环境区域的温湿度数值为基准，构建湿度报警阈值动态模型：，其中/>是相对湿度，/>是建筑材料存放处水汽压强，/>是工地开放环境区域水汽压强，/>和/>是温度；

设置温湿度传感器的湿度动态报警阈值，，其中是动态报警阈值；/>是相对湿度变化对阈值影响的参数；/>是相对湿度增加量，相对湿度增量是相对湿度与基准湿度之间的差值，根据存放建筑材料的材料特性进行设定；

设置温湿度传感器的温度动态报警阈值，，其中/>是基准温度阈值，/>是定义的温度阈值增量参数，用于控制温度变化对报警阈值的影响；/>是当前温度与基准温度阈值之间的差值，表示当前温度相对于基准温度阈值的偏差；

当颗粒物传感器收集到的数据超过报警阈值时报警；构建颗粒物监测模型，在工地外围和工地施工区域分别部署颗粒物传感器；

以工地施工区域颗粒物传感器数据为基准值，构建颗粒物动态监测预警模型，在工地外围检测工地散发出的颗粒物浓度，设定颗粒物增量参数，当，触发颗粒物浓度过高报警；其中/>为工地外围散发出的颗粒物浓度，/>为颗粒物浓度基准值。

优选的，根据工地占地面积以及当前施工建筑高度，设定无人机飞行区域和目标建筑覆盖范围，将监控区域划分成网格，并且对网格进行风险等级划分；规划无人机巡飞路径，并在巡飞路径中采集图像；

在所有风险区域内，无人机在采集工地影像数据后，将包含人员影像的数据传输至第一机器学习模型，通过第一机器学习模型识别当前影像中是否存在风险人员，所述风险人员为未佩戴安全帽的人员，根据当前无人机飞行位置，获取风险人员的具体位置，并通知安全员对风险人员进行管理。

优选的，在工地中划分出风险施工区域，基于每个风险施工区域的施工内容，构建风险施工区域防护设备穿戴数据库，防护设备穿戴数据库存储每个风险施工区域施工人员的防护设备标准穿戴图像，通过无人机获取当前风险区域内的施工人员图像，并通过第二机器学习模型识别当前施工人员是否穿戴对应区域的安全防护设备；

无人机将获取的施工人员图像传输至第二机器学习模型，第二机器学习模型根据传输图像的区域信息，提取图像中的人员特征信息，并进一步提取人员特征信息中的安全设备穿戴信息，与当前风险施工区域内的施工人员的防护设备标准穿戴图像进行比对，判断施工人员是否穿戴防护设备以及防护设备穿戴是否规范；

所述第二机器学习模型为卷积神经网络，在获取到无人机传输的数据时，通过卷积神经提取图像中的任务特征，以及进一步提取人员特征中的安全防护设备穿戴特征；

若识别到风险区域施工人员穿戴的防护设备不完整以及未穿戴防护设备，及时将人员坐标位置传达给安全员，由安全员进行管理。

智慧工地监测系统的数据处理与分析系统，包括，数据收集模块、数据处理模块、监测预警模块。

优选的，所述数据收集模块包括传感器单元和无人机单元，所述传感器单元用于收集工地中建筑数据和环境数据；所述无人机单元用于收集工地中施工人员数据；

所述数据处理模块包括传感器数据预处理单元和机器学习单元，所述数据预处理单元用于处理传感器收集数据的异常值和缺失值；所述机器学习单元用于提取无人机收集图像数据中的人员特征；

所述监测预警模块包括动态阈值单元和风险识别单元；所述动态阈值单元用于构建传感器收集数据的动态报警阈值；所述风险识别单元用于识别无人机获取人员图像中的风险行为；当传感器收集数据超过动态报警阈值，无人机识别到人员风险行为时监测预警模块进行报警。

一种电子设备，包括：处理器和存储器；其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行所述的智慧工地监测系统的数据处理与分析方法。

一种计算机可读存储介质，其上存储有可擦写的计算机程序；当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行所述的智慧工地监测系统的数据处理与分析方法。

本发明的有益效果：本发明实现了对工地建筑、施工材料、空气环境以及施工人员的全面监测管理，通过设定变化趋势以及动态阈值，实现对工地中施工建筑和建筑材料以及空气环境的自适应管理监测，避免单一监测报警条件所带来的误检误报问题；

同时本发明还通过无人机技术和机器学习算法，简单高效地实现了工地人施工人员的安全施工问题，避免传统人力对安全检查时效率低下且容易出现纰漏的问题，有力地保障了工地中的施工安全；

本发明实现对工地全方面监测管理，解放生产力，提高了工地管理的效率。

附图说明

图1为本发明提供智慧工地监测系统的数据处理与分析方法的流程图；

图2为本发明提供智慧工地监测系统的数据处理与分析方法系统的结构图；

图3是本发明一个实施例提供的电子设备结构示意图；

图4是本发明一个实施例提供的计算机可读存储介质结构示意图。

具体实施方式

为了更好地理解本发明，将参考附图对本发明的各个方面做出更详细的说明。应理解，这些详细说明只是对本发明的示例性实施方式的描述，而非以任何方式限制本发明的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。

在附图中，为了便于说明，已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外，在本发明中，各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序，除非有明确其它限定或者能够从上下文推导出的除外。

还应理解的是，诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本发明的实施方式时，使用“可”表示“本发明的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。

除非另外限定，否则本文中使用的所有措辞（包括工程术语和科技术语）均具有与本发明所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本发明中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。

需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。

实施例1

参照图1，为本发明的第一个实施例，提供了智慧工地监测系统的数据处理与分析方法。

部署传感器收集工地中建筑数据和环境数据，并对收集的数据进行预处理。

具体的，部署传感器收集工地中建筑数据和环境数据；所述传感器包括倾斜度传感器、振动传感器、温湿度传感器以及颗粒物传感器。

所述倾斜度传感器，获取工地中垂直施工建筑的倾斜数据；所述振动传感器，获取工地中施工建筑的振动数据；所述温湿度传感器，检测工地的温湿度数据；颗粒物传感器，监测工地中空气颗粒物含量数据。

将倾斜度传感器和振动传感器划分为第一类传感器，当第一类传感器获取的数据值变化趋势超过趋势阈值时发出警报；将温湿度传感器以及颗粒物传感器划分为第二类传感器，当第二类传感器获取的数据值超过阈值时即发出警报。

进一步的，对传感器获取的数据进行预处理，所述预处理包括检测和替换数据中的异常值，填补因传感器故障造成的缺失值；采用高斯分布的概率密度函数，对传感器收集的数据进行的异常值判别，高斯分布的概率密度函数为：

；

其中，是传感器收集数据的概率密度，/>是传感器采集的数据值;n表示传感器的具体类型，/>是数据的概率密度，/>是数据的标准差。

若传感器收集的数据的高斯分布概率密度函数值超出动态阈值，则判定为异常数据值；为每种数据的概率密度分别设定动态阈值，通过与动态阈值比对，去除传感器收集数据的异常值；采用移动平均数作为所述动态阈值的设定标准，移动平均数的计算如下：

；

其中，是在时刻t传感器采集数据的移动平均值，/>是t时刻的传感器数值；L是移动平均的窗口大小，表示计算移动平均数时考虑的最近的L个数据点；

；

其中，是动态阈值，/>是系数，用于控制动态阈值的灵敏度，当传感器收集的数据大于当前数据移动平均数时，判定当前数据为异常值；采用异常值相邻的数据均值进行替换，具体为：/>，其中，/>为第i个被替换的异常值；/>和/>为相邻数据点的数据值，当出现传感器故障导致的数据值缺失时，同样采用相邻的数据值的均值对缺失数据值进行补充。

分析预处理后的传感器数据，设立各类传感器报警阈值，对工地建筑和环境进行预警监测。

具体的，为第一类传感器中不同传感器设定报警模型，构建的第一类传感器报警模型为数据趋势变化报警模型，构建的第二类传感器报警模型为动态数据超标报警模型。

进一步的，构建施工建筑倾斜度报警模型，通过一阶差分来计算倾斜度的变化率，判断被监测施工建筑是否存在倾斜变化趋势，设倾斜度传感器采集的数据为，倾斜度变化率为/>，其中/>表示连续时间间隔，当/>时，发出倾斜报警；其中，/>为倾斜报警阈值。

构建施工建筑振动报警模型，在振动信号的时域分析中，计算振动信号的变化率，判断被监测施工建筑是否存在异常振动变化趋势，设振动传感器采集的数据为，振动变化率为/>，其中/>为振动变化率，/>表示时间点i的振动信号幅值，/>表示连续时间间隔，当/>时，发出施工建筑异常振动报警，其中/>为振动报警阈值。

为第二类传感器中不同传感器设定报警模型，构建的第二类传感器中的报警模型为数值监测报警模型。

根据当前的天气数据，设置动态变化的第二类传感器报警阈值；当温湿度传感器收集到的数据超过报警阈值时报警；所述温湿度传感器部署于建筑材料存放处以及工地开放环境区域。

以工地开放环境区域的温湿度数值为基准，构建湿度报警阈值动态模型：，其中/>是相对湿度，/>是建筑材料存放处水汽压强，/>是工地开放环境区域水汽压强，/>和/>是温度。

设置温湿度传感器的湿度动态报警阈值，，其中是动态报警阈值；/>是相对湿度变化对阈值影响的参数；/>是相对湿度增加量，相对湿度增量是相对湿度与基准湿度之间的差值，根据存放建筑材料的材料特性进行设定。

设置温湿度传感器的温度动态报警阈值，，其中/>是基准温度阈值，/>是定义的温度阈值增量参数，用于控制温度变化对报警阈值的影响；/>是当前温度与基准温度阈值之间的差值，表示当前温度相对于基准温度阈值的偏差。

当颗粒物传感器收集到的数据超过报警阈值时报警；构建颗粒物监测模型，在工地外围和工地施工区域分别部署颗粒物传感器。

以工地施工区域颗粒物传感器数据为基准值，构建颗粒物动态监测预警模型，在工地外围检测工地散发出的颗粒物浓度，设定颗粒物增量参数，当，触发颗粒物浓度过高报警；其中/>为工地外围散发出的颗粒物浓度，/>为颗粒物浓度基准值。

设定无人机巡飞路径，并训练机器学习模型，对工地中施工人员进行监管。

具体的，根据工地占地面积以及当前施工建筑高度，设定无人机飞行区域和目标建筑覆盖范围，将监控区域划分成网格，并且对网格进行风险等级划分；规划无人机巡飞路径，并在巡飞路径中采集图像。

在所有风险区域内，无人机在采集工地影像数据后，将包含人员影像的数据传输至第一机器学习模型，通过第一机器学习模型识别当前影像中是否存在风险人员，所述风险人员为未佩戴安全帽的人员，根据当前无人机飞行位置，获取风险人员的具体位置，并通知安全员对风险人员进行管理。

所述第一机器学习模型的训练过程如下：将佩戴安全帽的施工人员图像标签标记为1，未佩戴安全帽的施工人员标签标记为0，将图像数据和对应的标签数据构建成第一机器学习模型的数据集，所述数据包括训练集、验证集和测试集；以未佩戴安全帽施工人员的比例为输出，以最小化第一机器学习模型的损失函数值为训练模型，当第一机器学习模型的损失函数值收敛时停止训练，通过训练好的第一机器学习模型判别巡检无人机传输的工地施工人员的图像，判别是否存在未佩戴安全帽的风险行为。

进一步的，在工地中划分出风险施工区域，基于每个风险施工区域的施工内容，构建风险施工区域防护设备穿戴数据库，防护设备穿戴数据库存储每个风险施工区域施工人员的防护设备标准穿戴图像，通过无人机获取当前风险区域内的施工人员图像，并通过第二机器学习模型识别当前施工人员是否穿戴对应区域的安全防护设备。

无人机将获取的施工人员图像传输至第二机器学习模型，第二机器学习模型根据传输图像的区域信息，提取图像中的人员特征信息，并进一步提取人员特征信息中的安全设备穿戴信息，与当前风险施工区域内的施工人员的防护设备标准穿戴图像进行比对，判断施工人员是否穿戴防护设备以及防护设备穿戴是否规范。

所述第二机器学习模型为卷积神经网络，在获取到无人机传输的数据时，通过卷积神经提取图像中的任务特征，以及进一步提取人员特征中的安全防护设备穿戴特征。

在识别到工地中存在风险人员和风险施工行为时进行报警。

若识别到风险区域施工人员穿戴的防护设备不完整以及未穿戴防护设备，及时将人员坐标位置传达给安全员，由安全员进行管理。

实施例2

参照图2，本发明的第二个实施例提供了智慧工地监测系统的数据处理与分析系统。

具体的，所述系统包括数据收集模块、数据处理模块、监测预警模块。

所述数据收集模块包括传感器单元和无人机单元，所述传感器单元用于收集工地中建筑数据和环境数据；所述无人机单元用于收集工地中施工人员数据。

所述传感器单元包括倾斜度传感器、振动传感器、温湿度传感器以及颗粒物传感器。

所述倾斜度传感器，获取工地中垂直施工建筑的倾斜数据；所述振动传感器，获取工地中施工建筑的振动数据；所述温湿度传感器，检测工地的温湿度数据；颗粒物传感器，监测工地中空气颗粒物含量数据。

所述数据处理模块包括传感器数据预处理单元和机器学习单元，所述机器学习单元包括第一机器学习模型和第二机器学习模型；所述数据预处理单元用于处理传感器收集数据的异常值和缺失值；所述机器学习单元用于提取无人机收集图像数据中的人员特征。

所述监测预警模块包括动态阈值单元和风险识别单元；所述动态阈值单元用于构建传感器收集数据的动态报警阈值；所述风险识别单元用于识别无人机获取人员图像中的风险行为；当传感器收集数据超过动态报警阈值，无人机识别到人员风险行为时监测预警模块进行报警。

实施例3

图3是本发明一个实施例提供的电子设备结构示意图。如图3所示，根据本发明的又一方面还提供了一种电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的智慧工地监测系统的数据处理与分析方法。

根据本发明实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。

如图3所示，电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。

电子设备500中的存储设备，例如ROM503或硬盘507可存储本发明提供的智慧工地监测系统的数据处理与分析方法。

智慧工地监测系统的数据处理与分析方法可包括：部署传感器收集工地中建筑数据和环境数据，并对收集的数据进行预处理；分析预处理后的传感器数据，设立各类传感器报警阈值，对工地建筑和环境进行预警监测；设定无人机巡飞路径，并训练机器学习模型，对工地中施工人员进行监管； 在识别到工地中存在风险人员和风险施工行为时进行报警。

进一步地，电子设备500还可包括用户界面508。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。

实施例4

图4是本发明一个实施例提供的计算机可读存储介质结构示意图。

如图4所示，是根据本发明一个实施方式的计算机可读存储介质600。

计算机可读存储介质600上存储有计算机可读指令。

当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本发明实施方式的智慧工地监测系统的数据处理与分析方法。

存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器可包括只读存储器(ROM)、硬盘、闪存等。另外，根据本发明的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。

例如，本发明提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本发明提供的方法步骤对应的指令，例如：部署传感器收集工地中建筑数据和环境数据，并对收集的数据进行预处理；分析预处理后的传感器数据，设立各类传感器报警阈值，对工地建筑和环境进行预警监测；设定无人机巡飞路径，并训练机器学习模型，对工地中施工人员进行监管； 在识别到工地中存在风险人员和风险施工行为时进行报警。

在该计算机程序被中央处理单元(CPU)执行时，执行本发明的方法中限定的上述功能。可能以许多方式来实现本发明的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。

用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。

此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

另外，本发明的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。

Claims (11)

1.智慧工地监测系统的数据处理与分析方法，其特征在于，包括，

部署传感器收集工地中建筑数据和环境数据，并对收集的数据进行预处理；

分析预处理后的传感器数据，设立各类传感器报警阈值，对工地建筑和环境进行预警监测；

设定无人机巡飞路径，并训练机器学习模型，对工地中施工人员进行监管；

在识别到工地中存在风险人员和风险施工行为时进行报警。

2.根据权利要求1所述的智慧工地监测系统的数据处理与分析方法，其特征在于，部署传感器收集工地中建筑数据和环境数据；所述传感器包括倾斜度传感器、振动传感器、温湿度传感器以及颗粒物传感器；

所述倾斜度传感器，获取工地中垂直施工建筑的倾斜数据；所述振动传感器，获取工地中施工建筑的振动数据；所述温湿度传感器，检测工地的温湿度数据；颗粒物传感器，监测工地中空气颗粒物含量数据；

将倾斜度传感器和振动传感器划分为第一类传感器，当第一类传感器获取的数据值变化趋势超过趋势阈值时发出警报；将温湿度传感器以及颗粒物传感器划分为第二类传感器，当第二类传感器获取的数据值超过阈值时即发出警报。

3.根据权利要求2所述的智慧工地监测系统的数据处理与分析方法，其特征在于，对传感器获取的数据进行预处理，所述预处理包括检测和替换数据中的异常值，填补因传感器故障造成的缺失值；采用高斯分布的概率密度函数，对传感器收集的数据进行的异常值判别，高斯分布的概率密度函数为：

；

其中，是传感器收集数据的概率密度，/>是传感器采集的数据值;n表示传感器的具体类型，/>是数据的概率密度，/>是数据的标准差。

4.根据权利要求3所述的智慧工地监测系统的数据处理与分析方法，其特征在于，若传感器收集的数据的高斯分布概率密度函数值超出动态阈值，则判定为异常数据值；为每种数据的概率密度分别设定动态阈值，通过与动态阈值比对，去除传感器收集数据的异常值；采用移动平均数作为所述动态阈值的设定标准，移动平均数的计算如下：

；

其中，是在时刻t传感器采集数据的移动平均值；/>是t时刻的传感器数值;L是移动平均的窗口大小，表示计算移动平均数时考虑的最近的L个数据点；

；

其中，是动态阈值，/>是系数，用于控制动态阈值的灵敏度，当传感器收集的数据大于当前数据移动平均数时，判定当前数据为异常值；采用异常值相邻的数据均值进行替换，具体为：/>，其中，/>为第i个被替换的异常值；/>和/>为/>相邻数据点的数据值，当出现传感器故障导致的数据值缺失时，同样采用相邻的数据值的均值对缺失数据值进行补充。

5.根据权利要求4所述的智慧工地监测系统的数据处理与分析方法，其特征在于，为第一类传感器中不同传感器设定报警模型，构建的第一类传感器报警模型为数据趋势变化报警模型，构建的第二类传感器报警模型为动态数据超标报警模型；

构建施工建筑倾斜度报警模型，通过一阶差分来计算倾斜度的变化率，判断被监测施工建筑是否存在倾斜变化趋势，设倾斜度传感器采集的数据为，倾斜度变化率为，其中/>表示连续时间间隔，当/>时，发出倾斜报警；其中为倾斜报警阈值；

构建施工建筑振动报警模型，在振动信号的时域分析中，计算振动信号的变化率，判断被监测施工建筑是否存在异常振动变化趋势，设振动传感器采集的数据为，振动变化率为/>，其中/>为振动变化率，/>表示时间点i的振动信号幅值，当时，发出施工建筑异常振动报警，其中/>为振动报警阈值。

6.根据权利要求5所述的智慧工地监测系统的数据处理与分析方法，其特征在于，为第二类传感器中不同传感器设定报警模型，构建的第二类传感器中的报警模型为数值监测报警模型；

根据当前的天气数据，设置动态变化的第二类传感器报警阈值；当温湿度传感器收集到的数据超过报警阈值时报警；所述温湿度传感器部署于建筑材料存放处以及工地开放环境区域；

以工地开放环境区域的温湿度数值为基准，构建湿度报警阈值动态模型：，其中/>是相对湿度，/>是建筑材料存放处水汽压强，/>是工地开放环境区域水汽压强，/>和/>是温度；

设置温湿度传感器的湿度动态报警阈值，，其中/>是动态报警阈值；/>是相对湿度变化对阈值影响的参数；/>是相对湿度增加量，相对湿度增量是相对湿度与基准湿度之间的差值，根据存放建筑材料的材料特性进行设定；

设置温湿度传感器的温度动态报警阈值，，其中/>是基准温度阈值，/>是定义的温度阈值增量参数，用于控制温度变化对报警阈值的影响；/>是当前温度与基准温度阈值之间的差值，表示当前温度相对于基准温度阈值的偏差；

当颗粒物传感器收集到的数据超过报警阈值时报警；构建颗粒物监测模型，在工地外围和工地施工区域分别部署颗粒物传感器；

以工地施工区域颗粒物传感器数据为基准值，构建颗粒物动态监测预警模型，在工地外围检测工地散发出的颗粒物浓度，设定颗粒物增量参数，当/>，触发颗粒物浓度过高报警；其中/>为工地外围散发出的颗粒物浓度，/>为颗粒物浓度基准值。

7.根据权利要求6所述的智慧工地监测系统的数据处理与分析方法，其特征在于，根据工地占地面积以及当前施工建筑高度，设定无人机飞行区域和目标建筑覆盖范围，将监控区域划分成网格，并且对网格进行风险等级划分；规划无人机巡飞路径，并在巡飞路径中采集图像；

在所有风险区域内,无人机在采集工地影像数据后，将包含人员影像的数据传输至第一机器学习模型，通过第一机器学习模型识别当前影像中是否存在风险人员，所述风险人员为未佩戴安全帽的人员，根据当前无人机飞行位置，获取风险人员的具体位置，并通知安全员对风险人员进行管理。

8.根据权利要求7所述的智慧工地监测系统的数据处理与分析方法，其特征在于，在工地中划分出风险施工区域，基于每个风险施工区域的施工内容，构建风险施工区域防护设备穿戴数据库，防护设备穿戴数据库存储每个风险施工区域施工人员的防护设备标准穿戴图像，通过无人机获取当前风险区域内的施工人员图像，并通过第二机器学习模型识别当前施工人员是否穿戴对应区域的安全防护设备；

无人机将获取的施工人员图像传输至第二机器学习模型，第二机器学习模型根据传输图像的区域信息，提取图像中的人员特征信息，并进一步提取人员特征信息中的安全设备穿戴信息，与当前风险施工区域内的施工人员的防护设备标准穿戴图像进行比对，判断施工人员是否穿戴防护设备以及防护设备穿戴是否规范；

所述第二机器学习模型为卷积神经网络，在获取到无人机传输的数据时，通过卷积神经提取图像中的任务特征，以及进一步提取人员特征中的安全防护设备穿戴特征；

若识别到风险区域施工人员穿戴的防护设备不完整以及未穿戴防护设备，及时将人员坐标位置传达给安全员，由安全员进行管理。

9.智慧工地监测系统的数据处理与分析系统，其基于权利要求1至8任一项所述的智慧工地监测系统的数据处理与分析方法实现，其特征在于，包括，数据收集模块、数据处理模块、监测预警模块；

所述数据收集模块包括传感器单元和无人机单元，所述传感器单元用于收集工地中建筑数据和环境数据；所述无人机单元用于收集工地中施工人员数据；

所述数据处理模块包括传感器数据预处理单元和机器学习单元，所述数据预处理单元用于处理传感器收集数据的异常值和缺失值；所述机器学习单元用于提取无人机收集图像数据中的人员特征；

所述监测预警模块包括动态阈值单元和风险识别单元；所述动态阈值单元用于构建传感器收集数据的动态报警阈值；所述风险识别单元用于识别无人机获取人员图像中的风险行为；当传感器收集数据超过动态报警阈值，无人机识别到人员风险行为时监测预警模块进行报警。

10.一种电子设备，包括：处理器和存储器；其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1至8中任一项所述的智慧工地监测系统的数据处理与分析方法。

11.一种计算机可读存储介质，其上存储有可擦写的计算机程序；当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1至8中任一项所述的智慧工地监测系统的数据处理与分析方法。