CN112150031A - 一种基于大数据的公路工程施工进度管理方法和*** - Google Patents

Abstract

本发明提出一种基于大数据的公路工程施工进度管理方法和***。通过无人机获取施工公路的已完成公路的长度和面积，得到未完成公路面积、已完成公路长度和公路总长度的比值c，并进一步得到剩余工程所需资金量、工人数量、物资量v。将c的进度序列输入TCN网络预测剩余工期。通过神经网络检测RGB图像获得现有物资量V和工人数量。得到工程质量评分，现有资金量。根据V、v得到现有可调度物资量v′；根据施工进度模型得到施工进度评分；根据弹性物资量模型得到弹性物资量。并进一步得到实际可调度资源量。最后根据各个施工公路的实际可调度资源量和距离选择调配物资的方案。

Description

一种基于大数据的公路工程施工进度管理方法和***

技术领域

本申请涉及大数据领域，具体涉及一种基于大数据的公路工程施工进度管理方法和***。

背景技术

公路施工过程中，为了统筹的物资和人力资源，需要采集施工过程中的多种信息。根据各个工地的施工进度和物资量，进行人员和物资的调度。

目前公路工程施工进度管理的方法通常是通过人工对数据进行分析，进行物资调度的决策。工程进度需要考虑多方面因素，且各因素会不断变化，通过人工管理难以判断可以调用的物资量，无法最大限度地利用现有物资。

发明内容

针对以上问题，本发明提出一种基于大数据的公路工程施工进度管理方法和***。通过无人机获取施工公路的已完成公路的长度和面积，得到未完成公路面积、已完成公路长度和公路总长度的比值c，并进一步得到剩余工程所需资金量、工人数量、物资量v。将c的进度序列输入TCN网络预测剩余工期。通过神经网络检测RGB图像获得现有物资量V和工人数量。得到工程质量评分，现有资金量。根据V、v得到现有可调度物资量v′；根据施工进度模型得到施工进度评分；根据弹性物资量模型得到弹性物资量。并进一步得到实际可调度资源量。最后根据各个施工公路的实际可调度资源量和距离选择调配物资的方案。

一种基于大数据的公路工程施工进度管理方法，其特征在于，该方法包括：

步骤S1：设置若干个无人机在各施工公路采集图像；采集施工公路图像并输入公路分割网络，检测已完成公路，输出已完成公路分割图，得到已完成公路长度l′和已完成公路面积s′，进一步地，得到已完成公路长度和公路总长度l的比值c，根据已施工天数d得到计划剩余工期rp′；得到未完成公路面积s″并进一步得到剩余工程所需物资量v、剩余工期所需工人的标准数量A′、剩余工程所需资金量m。

步骤S2：将c按时序排列，得到进度序列，通过定长的滑窗在进度序列上获取定长序列并输入TCN网络预测c的值，根据c到1时滑窗滑动次数得到预测剩余工期rp；

步骤S3：采集物资区域RGB图像和深度图像，将物资区域RGB图像输入物资分割网络，检测施工物资，输出物资分割图，结合物资分割图和深度图像得到现有物资量V；采集施工区域图像并输入关键点检测网络检测工人头部关键点，得到头部关键点热力图和工人数量A；对施工质量进行评价，得到质量评分q，统计现有资金量M。

步骤S4：根据

得到施工进度评分α，所述q_max为q的上限，γ_rp为工期评价的放缩系数，γ_q为质量评价的放缩系数，γ_A为施工人员数量评价的放缩系数；根据V、v得到现有可调度物资量v′；根据M、m、V、rp和α得到弹性物资量β；根据β、v′得到实际可调度物资量v″；根据各施工公路的实际可调度物资量进行物资调度的决策。

所述公路分割网络的训练方法包括：以若干张施工公路图像为数据集；人工对数据集进行标注，标注出已完成公路的像素，生成标注数据；使用交叉熵损失函数进行训练。

所述TCN网络的训练方法包括：以历史统计的进度序列为数据集，预设滑窗在序列上滑动，获取若干组定长序列；对每个定长序列进行标注，标注为定长序列结束后下一个c的值；使用均方误差损失函数进行训练。

所述物资分割网络的训练方法包括：以若干张物资区域RGB图像为数据集；人工对数据集进行标注，标注出属于施工物资的像素，生成标注数据；使用交叉熵损失函数进行训练。

所述关键点检测网络的训练方法包括：以若干张施工区域图像为数据集；人工对数据集进行标注，标注出工人头部关键点，生成标注数据；使用均方误差损失函数进行训练。

所述弹性物资量β的计算方法包括：

所述γ′_rp为预测剩余工期的放缩系数。m为剩余工期所需资金量，M为现有资金量，γ_m为资金量的放缩系数，α′为经验施工进度评分阈值。

一种基于大数据的公路工程施工进度管理***，其特征在于，该***包括：

存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述基于大数据的公路工程施工进度管理方法的步骤。

本发明和现有技术相比有如下有益效果：

(1)本发明依据剩余工期、质量评分、工人数量构建施工进度评价模型，并据此模型修正各公路工程可调度物资量。考虑多个因素影响的结果，使施工进度评价结果更准确。

(2)本发明基于资金量、预测的剩余工期、施工进度评分建立弹性物资量模型，计算得到弹性物资量，为施工公路预留弹性物资，可以得到更准确地得到可调度资源量。

(3)本发明结合大数据，将各施工公路的信息传输至云端实现信息共享，并提出各工程间物资调用的方法，有利于各工程更高效更低成本的完成工程任务。

(4)本发明通过无人机搭载的相机进行视觉感知，无需工作人员实地勘察，准确性高且节省了人力成本。

附图说明

图1为方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一：

本发明的主要目的是实现基于大数据的施工进度管理。

为了实现本发明所述内容，本发明设计了一种基于大数据的公路工程施工进度管理方法和***，方法流程图如图1所示。

步骤S1：

本发明是对多个施工公路进行施工物资的监控，来进行物资和资金的调配，所以需要在每个施工公路设置无人机采集信息。由于公路施工时通常无遮挡情况出现，因此采用无人机航拍采集施工公路的图像，相较于固定位姿相机，通过无人机拍摄可得到视野范围较大，视角较好的图像，无人机所搭载相机为RGB-D相机，本步骤中仅采集施工公路的RGB图像进行处理。所述无人机按预设道路轨迹飞行并采集图像，可避免采集图像时出现遮挡或误检等情况。

为了得到已完成公路的信息，需要将施工公路RGB图像输入公路分割网络，检测属于已完成公路的像素，所述公路分割网络的训练步骤包括：以若干张施工公路原始图像为数据集；人工对数据集进行标注，标注出已完成公路的像素，生成标注数据；使用交叉熵损失函数进行训练。

将施工公路RGB图像输入训练好的公路分割网络，检测属于已完成公路的像素，输出已完成公路分割图，通过统计已完成公路分割图中属于公路像素的数量得到已完成公路的面积s′。

通过基于sobel算子的边缘检测方法对已完成公路分割图进行处理，得到道路边缘二值图。通过DBSCAN算法实现道路边缘点的聚类，统计属于道路边缘点的像素数量得到已完成公路的长度l′。

公路总长度l和已施工天数d为已知值，所以很容易得到已完成公路长度l′和公路总长度l的比值c，用计划工期减去已施工天数d得到计划剩余工期rp′。

同时，通过l-l′得到未完成公路的长度l″，根据

得到未完成公路面积s″。

根据未完成公路面积s″，结合已完成公路的面积、已完成公路所用物资量、已完成公路所用资金量很容易得到剩余工程所需物资量v、剩余工期所需工人的标准数量A′、剩余工程所需资金量m。

步骤S2：

每天采集一个c，将c按时序排列，得到进度序列，本发明通过TCN网络来预测进度的变化，并得到剩余的工期。所述TCN网络的训练步骤包括：以历史统计的进度序列为数据集，预设定长的滑窗在序列上滑动，获取若干组定长序列；对每个定长序列进行标注，标注为定长序列结束后下一个c的值；使用均方方差损失函数进行训练。

将进度序列输入训练好的TCN网络，定长的滑窗在进度序列上选择最后一组定长序列，预测该定长序列之后的c。输出一个c的预测值后，将预测值加入进度序列，滑动滑窗并选取下一组定长序列，再次输入TCN网络进行预测，TCN网络运行至输出结果为1时停止，根据滑窗移动次数可得到预测剩余工期rp。

步骤S3：

本发明需要获得各施工公路的物资量，每个施工公路都有存放物资的区域，基于先验划分物资区域，通过无人机搭载的RGB-D相机采集物资区域的RGB图像和深度图像，然后通过物资分割网络检测物资区域RGB图像中属于物资的像素。

所述物资分割网络的训练步骤包括：以若干张物资区域RGB图像为数据集；人工对数据集进行标注，标注出属于施工物资的像素，生成标注数据；使用交叉熵损失函数进行训练。

将物资区域RGB图像输入训练好的物资分割网络，检测属于施工物资的像素，输出物资分割图。要想得到物资的体积，还需要深度信息，所以根据物资分割图生成遮罩，将遮罩与对应的物资区域深度图像点对点相乘，得到物资深度图。

根据物资的深度图得到大致的物资体积作为现有物资量V。具体为类比积分的思想，通过无人机的飞行姿态和飞行高度得到深度图中一个像素在真实世界里对应的面积，基于深度图得到每个像素在真实世界中相对于地面的高度，将每个像素对应的体积进行积分，可得到现有物资量。需要说明的是本步骤假设物资摆放的地面为一个理想平面。现有物资量的计算公式为

式中N为物资深度图中像素的总数，n代表物资深度图中第n个像素，S_n为物资深度图中第n个像素对应真实世界的面积，h_n为物资深度图中第n个像素相对于地面平面的高度。

本发明还需要检测施工人员的数量，使用无人机采集施工区域的RGB图像，通过关键点检测网络检测施工人员的数量。所述关键点检测网络的训练步骤包括：以若干张施工区域图像为数据集；人工对数据集进行标注，标注出工人头部关键点，生成标注数据；使用均方误差损失函数进行训练。

将施工区域的RGB图像输入训练好的关键点检测网络，输出关键点热力图和关键点数量，也即工人数量。由于会有工人被障碍物遮挡的情况存在，单帧图像得到的工人数量可能存在误差，在统计工人数量时，需要在同一天采集的多帧施工区域RGB图像的处理结果进行统计，选择众数作为当天工人的数量A。

对施工质量进行评价，得到质量评分q。由于公路工程施工质量难以通过视觉感知，因此需要专业的质检组进行评估，质量评分的级数及各级数对应的质量可由实施者根据实际情况设置，本实施例中设置评分为1-10的整数，评分越高说明施工质量越高。为保证质检组评价的可信度，设置共识机制，考虑到公路质量评价的特殊性，设置以下规则：超过51％的人评分为最高质量评分时，才将该评分作为施工质量级别q；没有超过51％评分为最高质量级别时，以人数最多的质量评分作为施工质量评分q。同时统计现有资金量M。

步骤S4：

进行施工进度评价，构建公路施工进度评价模型：

所述公路施工进度评价模型中：α为施工进度评分，q为质量评分、q_max为质量评分的上限，rp为预测剩余工期，rp′为计划剩余工期，A′为剩余工期所需工人的标准数量，A为工人数量，γ_rp为工期评价的放缩系数，γ_q为质量评价的放缩系数，γ_A为施工人员数量评价的放缩系数。

γ_rp、γ_q、γ_A应由实施者基于经验设置，设置放缩系数是为了调整各项指标对评价结果影响的大小，放缩系数的单位与对应的评价指标应契合，以消除单位不同对评价模型的影响。采用指数函数模拟三个指标的变化，当某一指标的值与标准值一致时，对应施工进度评价为1，且当某一指标值与标准值的有差距时，指数函数能明显地体现出区别。当预测剩余工期增大时，施工进度评分α降低，γ_rp大于0；对于评分q，出于安全考虑，标准质量等级应设为最高质量评分q_max，q越小，施工进度评分α越低，所以γ_q应大于0；对于工人数量而言，只要工人数量A和A′有差别，就会降低施工进度评分α，人数差越大，施工进度评分α越低，所以γ_A应小于0。

通过剩余工期所需物资量v和现有物资量V得到可调度物资量v′。具体计算方法为：

v′＝V-v，需要说明的是，该预测结果仅为粗略预测，后续还会作相应的修正，v′可以为负数。

在完成工程的过程中，除了需要完成工程所必要的物资量，为了应对各种意外情况，还需要额外预留一些弹性物资。一般工期越长，意外情况发生的可能性越大，需要多预留弹性物资。直接在各工地间调用物资比用资金购买物资要方便，所以直接调用物资的优先级比购买物资的优先级更高。现有资金量M多时，可以少预留弹性物资，将物资多调度到缺乏物资的工地上。工程进度评分越高，说明工地上意外情况出现地越少，可以少预留弹性物资。

所以本发明构建了弹性物资量模型，弹性物资量模型如下：

所述弹性物资量模型中：tp代表预测的剩余工期，剩余工期越长，所需弹性物资量越大，γ′_rp为剩余工期的放缩系数，γ′_rp应大于0。m为剩余工期所需资金量，M为现有资金量，当M大于m时，说明资金充裕，所需弹性物资量减少，当M小于m时，说明资金紧缺，所需弹性物资量增多，γ_m为资金量的放缩系数，γ_m应小于0；V为现有物资量，α′为经验施工进度评分阈值，当α＞α′时，所需弹性物资量减少；当α＝α′时，所需弹性物资量不变；当α＜α′时，所需弹性物资量增多。需要说明的是α′可由实施者根据实际情况自行设定，但α′应小于1，本实施例中设置α′＝0.8。

根据可调度物资量v′和弹性物资量β得到实际可调度物资量v″，具体计算方法为v″＝v′-β。需要说明的是，当实际可调度物资量v″为正数时，代表该施工公路的物资量足以完成剩下的工程且有盈余，可以为其他施工公路提供物资；当实际可调度物资量v″为0时，代表该施工公路的物资量足以完成剩下的工程，但不能为其他施工公路提供物资；当实际可调度物资量v″为负数时，代表该工地的物资量不足以完成剩下的工程，需要补充物资。

根据各道路可调度物资量、距离等信息分配权重，设置分配规则，实现各道路物资的分配。实际可调度物资为负数的施工公路需要接受物资补充，可调度物资为正数的施工公路则需要提供物资给需要的施工公路。

调用物资的方法包括：根据两施工公路间调度物资需跨越的距离赋予权重，距离越短，权重越大；将各个施工公路根据实际可调度物资量v″由低到高排序。

选择第一个实际可调度物资量v″为负，即需要物资补充的施工公路R₁，根据权重选择最近的可提供物资的施工公路R₂，判断R₂的实际可调度物资量是否满足R₁的需求。

如果满足，则指定R₂为R₁提供物资；如果不满足，再根据权重选择第二近的可提供物资的施工公路R₃，判断R₃的实际可调度物资量是否满足R₁的需求。

按顺序选择下一个需要物资补充的施工公路，并重复上述步骤，直至调度完成。若最后还是有工地需要补充物资，则需要采购部门调用资金去采购相应的物资并补充给需要物资补充的施工公路。

需要说明的是，各施工公路需要将工地的各种信息定时上传至云端服务器，实现信息共享。施工进度管理人员可以直观地在Web上观察到各个施工公路的信息。

本发明还提供一种基于大数据的公路工程施工进度管理***，该***包括：包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述方法的步骤。

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 (8)

1.一种基于大数据的公路工程施工进度管理方法，其特征在于，该方法包括：

步骤S1：设置若干个无人机在各施工公路采集图像；

采集施工公路图像并输入公路分割网络，检测已完成公路，输出已完成公路分割图，得到已完成公路长度l′和已完成公路面积s′，进一步地，得到已完成公路长度和公路总长度l的比值c，根据已施工天数d得到计划剩余工期rp′；

得到未完成公路面积s″并进一步得到剩余工程所需物资量v、剩余工期所需工人的标准数量A′、剩余工程所需资金量m；

步骤S2：将c按时序排列，得到进度序列，通过定长的滑窗在进度序列上获取定长序列并输入TCN网络预测c的值，根据c到1时滑窗滑动次数得到预测剩余工期rp；

步骤S3:采集物资区域RGB图像和深度图像，将物资区域RGB图像输入物资分割网络，检测施工物资，输出物资分割图，结合物资分割图和深度图像得到现有物资量V；

采集施工区域图像并输入关键点检测网络检测工人头部关键点，得到头部关键点热力图和工人数量A；对施工质量进行评价，得到质量评分q，统计现有资金量M；

步骤S4:根据

得到施工进度评分α，所述q_max为q的上限；

根据V、v得到现有可调度物资量v′，根据M、m、V、rp和α得到弹性物资量β，根据β、v′得到实际可调度物资量v″；根据各施工公路的实际可调度物资量进行物资调度的决策。

2.如权利要求1所述的方法，其特征在于，所述公路分割网络的训练方法包括：

以若干张施工公路图像为数据集；

人工对数据集进行标注，标注出已完成公路的像素，生成标注数据；

使用交叉熵损失函数进行训练。

3.如权利要求1所述的方法，其特征在于，所述TCN网络的训练方法包括：

以历史统计的进度序列为数据集，预设滑窗在序列上滑动，获取若干组定长序列；

对每个定长序列进行标注，标注为定长序列结束后下一个c的值；

使用均方误差损失函数进行训练。

4.如权利要求1所述的方法，其特征在于，所述物资分割网络的训练方法包括：

以若干张物资区域RGB图像为数据集；

人工对数据集进行标注，标注出属于施工物资的像素，生成标注数据；

使用交叉熵损失函数进行训练。

5.如权利要求1所述的方法，其特征在于，所述关键点检测网络的训练方法包括：

以若干张施工区域图像为数据集；

人工对数据集进行标注，标注出工人头部关键点，生成标注数据；

使用均方误差损失函数进行训练。

6.如权利要求1所述的方法，其特征在于，所述施工进度评分α包括：

γ_rp为工期评价的放缩系数，γ_q为质量评价的放缩系数，γ_A为施工人员数量评价的放缩系数。

7.如权利要求1所述的方法，其特征在于，所述弹性物资量β的计算方法包括：

所述γ′_rp为预测剩余工期的放缩系数；m为剩余工期所需资金量，M为现有资金量，γ_m为资金量的放缩系数，α′为经验施工进度评分阈值。

8.一种基于大数据的公路工程施工进度管理***，其特征在于，该***包括：

存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images