CN115471795A - 一种房建施工现场的监管方法及其监管*** - Google Patents

Abstract

本发明提供了一种房建施工现场的监管方法及其监管***，涉及工程管理技术领域。方法包括：首先，获取施工现场的监控设备集，并根据监控设备集，确定目标监控设备。然后，通过线程池向上位机发送目标监控设备的实时图像数据和非目标监控设备的实时图像数据，并根据目标监控设备的实时图像数据，在下一观测周期内对目标监控设备执行事故风险评估模式。最后，并根据事故风险的评估结果，执行不同的处理策略。在本申请中，通过将每一个观测周期内具有最大的事故风险的监控设备，确定为目标监控设备，并基于目标监控设备进行风险事故判断，从而大大地提高了事故风险的判断率，也大大地降低了相关人员的工作量。

Description

一种房建施工现场的监管方法及其监管***

技术领域

本发明涉及工程管理技术领域，尤其涉及一种房建施工现场的监管方法及其监管***。

背景技术

随着科技的进步，在工程管理中，可以通过设置在现场的各个摄像头来对施工现场的具体情况进行监控，但是随着现场设备的数量呈数量级界别的上升，对应工程管理人员来说，需要观看的摄像头也越来越多。因此，通过在显示设备的主显示区显示其中一个摄像头采集的图像，而在摄像头的副显示区显示其他摄像头采集的图像。而工程管理人员只需对主显示区显示的图像进行关注即可，从而减少工程管理人员的工作量。

相关技术中，如何确定主显示区中是否出现事故风险是根据工程管理人员的经验来进行确定的，因此，主观性较强并且通用性较差，并且在出现事故风险之后无法及时对现场进行事故风险处理。

发明内容

本发明实施例提供一种房建施工现场的监管方法及其监管***，旨在解决或者部分解决上述背景技术中存在的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种房建施工现场的监管方法，方法包括：获取施工现场的监控设备集；

根据所述监控设备集，确定目标监控设备；

通过线程池向上位机发送所述目标监控设备的实时图像数据和非目标监控设备的实时图像数据；

根据所述目标监控设备的实时图像数据，在下一观测周期内对所述目标监控设备执行事故风险评估模式；

在事故风险评估的评估结果为低事故风险状态的情况下，解除所述目标监控设备的事故风险评估模式；

在事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向所述目标监控设备对应的施工现场发送整改指令。

可选地，根据所述监控设备集，确定目标监控设备的步骤包括：

对所述监控设备集中的每个监控设备进行离散赋值，对所述每个监控设备的历史监控数据进行连续赋值；

根据所述离散赋值确定样本监控设备，根据所述连续赋值确定初始行为分类器的类型；

根据所述样本监控设备的历史监控数据，对所述初始行为分类器进行分类进行训练，获得待优化行为分类器；

对所述待优化行为分类器进行多目标优化，获得目标行为分类器；

根据所述目标行为分类器和所述监控设备集的实时监控数据，确定目标监控设备。

可选地，对所述待优化行为分类器进行多目标优化，获得目标行为分类器的步骤包括：

基于多目标优化函数，对所述待优化行为分类器进行适配度计算；

根据所述适配度计算的计算结果，生成多个帕累托最优解和由所述多个帕累托最优解构成的帕累托前沿面；

根据用户输入的监管参数，确定所述帕累托前沿面的目标区间范围，其中所述监管参数包括人行为监管参数和现场事故风险监管参数；

将位于所述目标区间范围内的帕累托最优解，确定为初始帕累托最优解，并将横坐标值最大的初始帕累托最优解，确定为目标帕累托最优解；

将所述目标帕累托最优解对应的待优化行为分类器，确定为所述目标行为分类器。

可选地，所述多目标优化函数包括第一类型目标优化函数和第二类型目标优化函数，基于多目标优化函数，对所述待优化行为分类器进行适配度计算的步骤包括：

将人行为评估正确率最高，确定为所述第一类型目标函数的优化方向；

将现场事故风险评估准确率最高，确定为所述第二类型目标函数的优化方向；

根据所述第一目标函数和所述第二目标函数，对所述待优化行为分类器进行适配度计算。

可选地，在下一观测周期内对所述目标监控设备执行事故风险评估模式的步骤包括：

根据所述目标监控设备的实时图像数据，确定所述目标监控设备对应的施工现场的人行为危险度参数和现场环境危险度参数；

根据所述人行为监管参数与所述人行为危险度参数的匹配度，计算所述目标监控设备的第一事故风险评估分数；

根据所述现场事故风险监管参数与所述现场环境危险度参数，计算所述目标监控设备的第二事故风险评估分数；

根据所述第一事故风险评估分数和所述第二事故风险评估分数，确定所述目标监控设备对应的施工现场的事故风险状态。

可选地，通过线程池向上位机发送所述目标监控设备的实时图像数据和非目标监控设备的实时图像数据的步骤包括：

通过所述线程池中的第一等级线程向上位机发送所述目标监控设备的实时图像数据；

通过所述线程池中的第二等级线程向上位机发送所述非目标监控设备的实时图像数据；

根据所述事故风险评估模式的评估结果对所述第二等级线程的流量进行动态调整。

可选地，在所述事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向所述目标监控设备对应的施工现场发送整改指令的步骤包括：

通过音频播放设备向所述目标监控设备对应的施工现场广播告警整改音频；

通过显示设备向所述目标监控设备对应的施工现场显示经过标注处理的监控图像，其中，所述监控图像标注了所述施工现场的违规场景和违规人员。

本发明实施例第二方面提出一种房建施工现场的监管***，***包括：

获取模块，用于获取施工现场的监控设备集；

确定模块，用于根据所述监控设备集，确定目标监控设备；

发送模块，用于通过线程池向上位机发送所述目标监控设备的实时图像数据和非目标监控设备的实时图像数据；

评估模块，用于根据所述目标监控设备的实时图像数据，在下一观测周期内对所述目标监控设备执行事故风险评估模式；

第一执行模块，用于在事故风险评估的评估结果为低事故风险状态的情况下，解除所述目标监控设备的事故风险评估模式；

第二执行模块，用于在事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向所述目标监控设备对应的施工现场发送整改指令。

可选地，所述确定模块包括：

第一赋值子模块，对所述监控设备集中的每个监控设备进行离散赋值，对所述每个监控设备的历史监控数据进行连续赋值；

第二赋值子模块，根据所述离散赋值确定样本监控设备，根据所述连续赋值确定初始行为分类器的类型；

训练子模块，根据所述样本监控设备的历史监控数据，对所述初始行为分类器进行分类进行训练，获得待优化行为分类器；

优化子模块，根据对所述待优化行为分类器进行多目标优化，获得目标行为分类器；

筛选子模块，根据所述目标行为分类器和所述监控设备集的实时监控数据，确定目标监控设备。

可选地，所述优化子模块包括：

适配度计算单元，用于基于多目标优化函数，对所述待优化行为分类器进行适配度计算；

解集生成单元，用于根据所述适配度计算的计算结果，生成多个帕累托最优解和由所述多个帕累托最优解构成的帕累托前沿面；

范围确定单元，用于根据用户输入的监管参数，确定所述帕累托前沿面的目标区间范围，其中所述监管参数包括人行为监管参数和现场事故风险监管参数；

最优解确定单元，用于将位于所述目标区间范围内的帕累托最优解，确定为初始帕累托最优解，并将横坐标值最大的初始帕累托最优解，确定为目标帕累托最优解；

分类器确定单元，用于将所述目标帕累托最优解对应的待优化行为分类器，确定为所述目标行为分类器。

本发明实施例第三方面提出一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现本发明实施例第一方面提出方法步骤。

本发明实施例第四方面提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面提出方法。

本发明实施例包括以下优点：首先，获取施工现场的监控设备集，并根据监控设备集，确定目标监控设备。然后，通过线程池向上位机发送目标监控设备的实时图像数据和非目标监控设备的实时图像数据，并根据目标监控设备的实时图像数据，在下一观测周期内对目标监控设备执行事故风险评估模式。最后，在事故风险评估的评估结果为低事故风险状态的情况下，解除目标监控设备的事故风险评估模式，在事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向目标监控设备对应的施工现场发送整改指令。在本申请中，通过将每一个观测周期内具有最大的事故风险的监控设备，确定为目标监控设备，并基于目标监控设备进行风险事故判断，从而大大地提高了事故风险的判断率，也大大地降低了相关人员的工作量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中一种房建施工现场的监管方法的步骤流程图；

图2是本发明实施例中一种房建施工现场的监管***的模块示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面本申请的房建施工现场的监管方法进行说明，如图1所示，图1示出了本申请的一种房建施工现场的监管方法的流程示意图。

S101：获取施工现场的监控设备集。

在本实施方式中，施工现场的监控设备集是指由对房建施工现场各个施工区域进行图像采集的摄像头的设备集合。上位机与网络控制器相连，网络控制器与至少一个现场设备相连，上位机通过网络控制器获取施工现场的监控设备的数量以及属性。

S102：根据监控设备集，确定目标监控设备。

在本实施方式中，目标监控设备是指需要将其采集的现场图像通过显示设备的主显示区进行显示的监控设备，而由于现有的方式中显示设备的主显示区的显示的图像可能并不会出现事故风险，而可能出现事故风险的监控设备采集的图像可能并不会被工程监管人员看见。因此，在本申请中目标监控设备所监控的现场是最有可能出现事故风险的，而如何从监控设备集中，确定目标监控设备，其具体的步骤可以为：

S102-1：对监控设备集中的每个监控设备进行离散赋值，对每个监控设备的历史监控数据进行连续赋值。

S102-1：根据离散赋值确定样本监控设备，根据连续赋值确定初始行为分类器的类型。

在S102-1至S102-2的实施方式中，对于每一个监控设备来说，在将其用于目标行为分类器的训练时，其只有两个属性，即被选择或者未被选择，因此通过对每一个监控设备进行离散赋值，并且离散赋值的数量与监控设备的数量相等。即通过每个监控设备对应的离散赋值是0或是1来确定每个监控设备是否被选择用于目标行为分类器的训练，即根据离散赋值的选择结果，对监控设备集进行更新，得到样本监控设备。

而为了充分利用不同类型的行为分类器的优势和多样性，采用KNN(Knearestneighbors，K最近邻))、SVM(support vector machine，支持向量机)两种类型的行为分类器，由于每一个行为分类器都可能采用任意一个样本监控设备的任意一段历史监控数据进行训练，因此通过对样本监控设备的历史监控数据进行连续型赋值来判断每种类型的行为分类器是否采用该样本监控设备的历史监控数据。作为示例的，若有3个行为分类器，并且每种行为分类器有2个类型，则对于任意一个样本监控设备的历史监控数据来说，可能会存在6个行为分类器根据其进行训练。而该过程的判断是通过每个行为分类器的权重赋值和预设的选择阈值赋值的大小关系来进行判断的。对于任意一个行为分类器，若其权重赋值大于或等于选择阈值赋值，则说明该行为分类器可以在当前的历史监控数据上进行训练，若其权重赋值小于选择阈值赋值，则说明该行为分类器不可以在当前的历史监控数据上进行训练。

S102-3：根据样本监控设备的历史监控数据，对初始行为分类器进行分类进行训练，获得待优化行为分类器。

在本实施方式中，在获得样本监控设备的历史监控数据之后，对初始行为分类器进行分类进行训练，并根据每个初始行为分类器的预测结果以及对应的权重，生成待优化行为分类器，需要说明的，初始行为分类器的预测结果是对危险状态的评估结果。

作为示例的，若有4个初始行为分类器，前2个初始行为分类器预测的结果为有事故风险，后2个初始行为分类器预测的结果为无事故风险，而前3个目标基分类器所占的权重均为0.2，最后一个目标基分类器所占的权重为0.4，则目标基分类器的最终的预测结果为无事故风险，再将预测结果为无事故风险与预先给定的标签进行比较，来确定预测结果的准确性。然后根据预测结果的准确性和初始行为分类器的集成权重，获得待优化行为分类器。

S102-4：对待优化行为分类器进行多目标优化，获得目标行为分类器。

在实施方式中，在获得待优化行为分类器之后，还需要从现场施工人员的危险行为的识别准确度和现场危险场景识别的准确度来对待优化行为分类器进行多目标的优化，从而根据优化结果得到目标行为分类器，其具体的步骤可以为：

S102-4-1：基于多目标优化函数，对待优化行为分类器进行适配度计算。

S102-4-2：根据适配度计算的计算结果，生成多个帕累托最优解和由多个帕累托最优解构成的帕累托前沿面。

S102-4-3：根据用户输入的监管参数，确定帕累托前沿面的目标区间范围；

S102-4-4：将位于目标区间范围内的帕累托最优解，确定为初始帕累托最优解，并将横坐标值最大的初始帕累托最优解，确定为目标帕累托最优解；

S102-4-4：将目标帕累托最优解对应的待优化行为分类器，确定为目标行为分类器。

在S102-4-1至S102-4-2的实施方式中，通过构建现场施工人员的危险行为的识别准确度和现场危险场景识别的准确度的优化函数对待优化行为分类器进行适配度计算。通过对待优化行为分类器的适配度计算，可以生成多个帕累托最优解，每个帕累托最优解表征该点对应的待优化行为分类器，将每个帕累托最优解进行拟合，获得的曲线即为帕累托前沿面，帕累托前沿面上的每一个点均为帕累托最优解，其横坐标的值代表施工人员的危险行为的识别准确度，其纵坐标的值代表现场危险场景识别的准确度。用户输入的监管参数是用户规定的危险行为和危险场景，人行为监管参数为禁止施工人员采用的危险动作，例如：禁止施工人员打闹、禁止施工人员在黑夜场景下工作等等，现场事故风险监管参数为禁止施工现场出现的场景，例如：禁止施工现场出现火源、禁止施工现场出现高空吊物等等。根据监管参数对帕累托前沿面进行调整，从而确定帕累托前沿面的目标区间范围，即在前沿面上每一个点都是同时满足现场施工人员的危险行为的识别准确度最高和现场危险场景识别的准确度最高的优化需求，而在现场施工管理中，对人员的安全要求是最高的。因此将横坐标值最大的初始帕累托最优解，确定为目标帕累托最优解，即将对现场施工人员的危险行为识别准确度最高的待优化行为分类器，确定为目标行为分类器。

而在一种可行的实施方式中，多目标优化函数包括第一类型目标优化函数和第二类型目标优化函数，基于多目标优化函数，对待优化行为分类器进行适配度计算的步骤包括：

将人行为评估正确率最高，确定为第一类型目标函数的优化方向；

将现场事故风险评估准确率最高，确定为第二类型目标函数的优化方向；

根据第一目标函数和第二目标函数，对待优化行为分类器进行适配度计算。

在本实施方式中，根据第一类型目标函数确定每个待优化行为分类器的人行为评估正确率分值，根据第二类型目标函数确定每个待优化行为分类器的现场事故风险评估准确率分值，将每个待优化行为分类器的人行为评估正确率分值和现场事故风险评估准确率分值进行求和，求和的结果即为待优化行为分类器的适配度分值。

S102-5：根据目标行为分类器和监控设备集的实时监控数据，确定目标监控设备。

在本实施方式中，在确定目标行为分类器之后，目标行为分类器就可以根据监控设备集中各个监控设备实时监控数据，确定出最有可能出现危险状况的目标监控设备。

S103：通过线程池向上位机发送目标监控设备的实时图像数据和非目标监控设备的实时图像数据。

在本实施方式中，网络控制器中内置有多个线程，分为两个层级的线程，而根据两个层级的线程对目标监控设备的实时图像数据和非目标监控设备的实时图像数据进行发送的步骤包括：

S103-1：通过线程池中的第一等级线程向上位机发送目标监控设备的实时图像数据；

S103-2：通过线程池中的第二等级线程向上位机发送非目标监控设备的实时图像数据；

S103-3：根据事故风险评估模式的评估结果对第二等级线程的流量进行动态调整。

在S103-1至S103-3的实施方式中，由于目标监控设备的实时图像数据是需要进行重点监控的，因此需要保证其数据流的稳定性和时效性，因此第一等级的线程采用不停机的工作策略，并且不会限制发送到第一等级的线程的请求的数量，而对于第二等级的线程，由于其用于对事故风险出现可能性较低的非目标监控设备的实时图像数据进行传输，因此可以让其采用间隔工作策略，并且通过限制发送到第二等级的线程的请求的数量，来保证第一等级线程的数据传输不会受到应用。而是否限制发送到第二等级的线程的请求的数量，进而实现对第二等级线程的流量进行动态调整是根据事故风险评估模式的评估结果来进行确定的。

S104：根据目标监控设备的实时图像数据，在下一观测周期内对目标监控设备执行事故风险评估模式。

在本实施方式中，当上位机接收到目标监控设备的实时图像数据，会在下一个观测周期内判断其事故风险等级，其具体的步骤可以为：

S104-1：根据目标监控设备的实时图像数据，确定目标监控设备对应的施工现场的人行为危险度参数和现场环境危险度参数。

S104-2：根据人行为监管参数与人行为危险度参数的匹配度，计算目标监控设备的第一事故风险评估分数。

S104-3：根据现场事故风险监管参数与现场环境危险度参数，计算目标监控设备的第二事故风险评估分数；

S104-4：根据第一事故风险评估分数和第二事故风险评估分数，确定目标监控设备对应的施工现场的事故风险状态。

在S104-1至S104-4的实施方式中，在本实施方式中，以人行为监管参数为禁止施工人员打闹进行说明，若判断出施工人员在施工现场进行打闹的概率值为0.8，则人行为危险度参数为85分，则可以确定第一事故风险评估分数为85分。对于第一事故风险评估分数的计算，应该计算每种人行为监管参数各自的事故风险评估分数，然后按照预设的权重，进行加权求和，得到最终的第一事故风险评估分数。以现场事故风险监管参数为禁止施工现场出现火源进行说明，若判断出施工现场出现火源的概率值为0.9，则现场环境危险度参数为90分，对于第二事故风险评估分数的计算，应该计算每种现场事故风险监管参数各自的事故风险评估分数，然后按照预设的权重，进行加权求和，得到最终的第二事故风险评估分数。在获得第一事故风险评估分数和第二事故风险评估分数之后，根据第一事故风险评估分数和第二事故风险评估分数各自对应的权重比，权重比反映了任务的侧重点，若任务侧重点在于人的安全性，则第一事故风险评估分数对应的权重高于第二事故风险评估分数对应的权重，任务侧重点在于现场环境的安全性，则第一事故风险评估分数对应的权重低于第二事故风险评估分数对应的权重。然后根据第一事故风险评估分数和第二事故风险评估分数，计算出最终事故风险评估分数，并根据最终事故风险评估分数与预设阈值的关系，确定出目标监控设备对应的施工现场的事故风险状态。

S105：在事故风险评估的评估结果为低事故风险状态的情况下，解除目标监控设备的事故风险评估模式。

S106：在事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向目标监控设备对应的施工现场发送整改指令。

在S105至S106的实施方式中，根据目标监控设备对应的施工现场的事故风险状态，执行不同的控制策略，若处于低事故风险，则说明目标监控设备对应的施工现场未出现危险状况，因此可以解除对目标监控设备的事故风险评估模式，将其变更为非目标监控设备，并继续执行根据监控设备集，确定目标监控设备的步骤。

而事故风险评估的评估结果为高事故风险状态或中事故风险，则向目标监控设备对应的施工现场发送整改指令的步骤包括：

S106-1：通过音频播放设备向目标监控设备对应的施工现场广播告警整改音频；

S106-2：通过显示设备向目标监控设备对应的施工现场显示经过标注处理的监控图像，其中，监控图像标注了施工现场的违规场景和违规人员。

在S106-1至S106-2的实施方式中，可以通过现场的音频播放设备对施工人员进行警示，并且还可以通过显示设备向目标监控设备对应的施工现场显示经过标注处理的监控图像，使得施工人员能够及时发现事故风险并进行相应的整改。

本发明实施例还提供了一种房建施工现场的监管***，参照图2，示出了本发明一种房建施工现场的监管***实施例第一方面的功能模块图，***包括：

获取模块201，用于获取施工现场的监控设备集；

确定模块202，用于根据监控设备集，确定目标监控设备；

发送模块203，用于通过线程池向上位机发送目标监控设备的实时图像数据和非目标监控设备的实时图像数据；

评估模块204，用于根据目标监控设备的实时图像数据，在下一观测周期内对目标监控设备执行事故风险评估模式；

第一执行模块205，用于在事故风险评估的评估结果为低事故风险状态的情况下，解除目标监控设备的事故风险评估模式；

第二执行模块206，用于在事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向目标监控设备对应的施工现场发送整改指令。

在一种可行的实施方式中，确定模块包括：

第一赋值子模块，对监控设备集中的每个监控设备进行离散赋值，对每个监控设备的历史监控数据进行连续赋值；

第二赋值子模块，根据离散赋值确定样本监控设备，根据连续赋值确定初始行为分类器的类型；

训练子模块，根据样本监控设备的历史监控数据，对初始行为分类器进行分类进行训练，获得待优化行为分类器；

优化子模块，根据对待优化行为分类器进行多目标优化，获得目标行为分类器；

筛选子模块，根据目标行为分类器和监控设备集的实时监控数据，确定目标监控设备。

在一种可行的实施方式中，优化子模块包括：

适配度计算单元，用于基于多目标优化函数，对待优化行为分类器进行适配度计算；

解集生成单元，用于根据适配度计算的计算结果，生成多个帕累托最优解和由多个帕累托最优解构成的帕累托前沿面；

范围确定单元，用于根据用户输入的监管参数，确定帕累托前沿面的目标区间范围，其中监管参数包括人行为监管参数和现场事故风险监管参数；

最优解确定单元，用于将位于目标区间范围内的帕累托最优解，确定为初始帕累托最优解，并将横坐标值最大的初始帕累托最优解，确定为目标帕累托最优解；

分类器确定单元，用于将目标帕累托最优解对应的待优化行为分类器，确定为目标行为分类器。

在一种可行的实施方式中，适配度计算单元包括：

第一优化子单元，用于将人行为评估正确率最高，确定为第一类型目标函数的优化方向；

第二优化子单元，用于将现场事故风险评估准确率最高，确定为第二类型目标函数的优化方向；

计算子单元，用于根据第一目标函数和第二目标函数，对待优化行为分类器进行适配度计算。

在一种可行的实施方式中，评估模块包括：

计算子单元，用于根据目标监控设备的实时图像数据，确定目标监控设备对应的施工现场的人行为危险度参数和现场环境危险度参数；

第一评估子模块，用于根据人行为监管参数与人行为危险度参数的匹配度，计算目标监控设备的第一事故风险评估分数；

第二评估子模块，用于根据现场事故风险监管参数与现场环境危险度参数，计算目标监控设备的第二事故风险评估分数；

事故风险等级确定子模块，用于根据第一事故风险评估分数和第二事故风险评估分数，确定目标监控设备对应的施工现场的事故风险状态。

在一种可行的实施方式中，发送模块包括：

第一发送子模块，用于通过线程池中的第一等级线程向上位机发送目标监控设备的实时图像数据；

第二发送子模块，用于通过线程池中的第二等级线程向上位机发送非目标监控设备的实时图像数据；

动态调整子模块，用于根据事故风险评估模式的评估结果对第二等级线程的流量进行动态调整。

在一种可行的实施方式中，第二执行模块包括：

音频执行子模块，用于通过音频播放设备向目标监控设备对应的施工现场广播告警整改音频；

显示执行子模块，用于通过显示设备向目标监控设备对应的施工现场显示经过标注处理的监控图像，其中，监控图像标注了施工现场的违规场景和违规人员。

基于同一发明构思，本申请的实施例还提出了一种电子设备，电子设备包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请实施例的房建施工现场的监管方法。

此外，为实现上述目的，本申请的实施例还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现本申请实施例的房建施工现场的监管方法。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用储存介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。“和/或”表示可以选择两者之中的任意一个，也可以两者都选择。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括哪些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种房建施工现场的监管方法及其监管***，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种房建施工现场的监管方法，其特征在于，所述方法包括：

获取施工现场的监控设备集；

根据所述监控设备集，确定目标监控设备；

通过线程池向上位机发送所述目标监控设备的实时图像数据和非目标监控设备的实时图像数据；

根据所述目标监控设备的实时图像数据，在下一观测周期内对所述目标监控设备执行事故风险评估模式；

在事故风险评估的评估结果为低事故风险状态的情况下，解除所述目标监控设备的事故风险评估模式；

在事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向所述目标监控设备对应的施工现场发送整改指令。

2.根据权利要求1所述的房建施工现场的监管方法，其特征在于，根据所述监控设备集，确定目标监控设备的步骤包括：

对所述监控设备集中的每个监控设备进行离散赋值，对所述每个监控设备的历史监控数据进行连续赋值；

根据所述离散赋值确定样本监控设备，根据所述连续赋值确定初始行为分类器的类型；

根据所述样本监控设备的历史监控数据，对所述初始行为分类器进行分类进行训练，获得待优化行为分类器；

对所述待优化行为分类器进行多目标优化，获得目标行为分类器；

根据所述目标行为分类器和所述监控设备集的实时监控数据，确定目标监控设备。

3.根据权利要求2所述的房建施工现场的监管方法，其特征在于，对所述待优化行为分类器进行多目标优化，获得目标行为分类器的步骤包括：

基于多目标优化函数，对所述待优化行为分类器进行适配度计算；

根据所述适配度计算的计算结果，生成多个帕累托最优解和由所述多个帕累托最优解构成的帕累托前沿面；

根据用户输入的监管参数，确定所述帕累托前沿面的目标区间范围，其中所述监管参数包括人行为监管参数和现场事故风险监管参数；

将位于所述目标区间范围内的帕累托最优解，确定为初始帕累托最优解，并将横坐标值最大的初始帕累托最优解，确定为目标帕累托最优解；

将所述目标帕累托最优解对应的待优化行为分类器，确定为所述目标行为分类器。

4.根据权利要求3所述的房建施工现场的监管方法，其特征在于，所述多目标优化函数包括第一类型目标优化函数和第二类型目标优化函数，基于多目标优化函数，对所述待优化行为分类器进行适配度计算的步骤包括：

将人行为评估正确率最高，确定为所述第一类型目标函数的优化方向；

将现场事故风险评估准确率最高，确定为所述第二类型目标函数的优化方向；

根据所述第一目标函数和所述第二目标函数，对所述待优化行为分类器进行适配度计算。

5.根据权利要求3所述的房建施工现场的监管方法，其特征在于，在下一观测周期内对所述目标监控设备执行事故风险评估模式的步骤包括：

根据所述目标监控设备的实时图像数据，确定所述目标监控设备对应的施工现场的人行为危险度参数和现场环境危险度参数；

根据所述人行为监管参数与所述人行为危险度参数的匹配度，计算所述目标监控设备的第一事故风险评估分数；

根据所述现场事故风险监管参数与所述现场环境危险度参数，计算所述目标监控设备的第二事故风险评估分数；

根据所述第一事故风险评估分数和所述第二事故风险评估分数，确定所述目标监控设备对应的施工现场的事故风险状态。

6.根据权利要求1所述的房建施工现场的监管方法，其特征在于，通过线程池向上位机发送所述目标监控设备的实时图像数据和非目标监控设备的实时图像数据的步骤包括：

通过所述线程池中的第一等级线程向上位机发送所述目标监控设备的实时图像数据；

通过所述线程池中的第二等级线程向上位机发送所述非目标监控设备的实时图像数据；

根据所述事故风险评估模式的评估结果对所述第二等级线程的流量进行动态调整。

7.根据权利要求1所述的房建施工现场的监管方法，其特征在于，在所述事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向所述目标监控设备对应的施工现场发送整改指令的步骤包括：

通过音频播放设备向所述目标监控设备对应的施工现场广播告警整改音频；

通过显示设备向所述目标监控设备对应的施工现场显示经过标注处理的监控图像，其中，所述监控图像标注了所述施工现场的违规场景和违规人员。

8.一种房建施工现场的监管***，其特征在于，所述***包括：

获取模块，用于获取施工现场的监控设备集；

确定模块，用于根据所述监控设备集，确定目标监控设备；

发送模块，用于通过线程池向上位机发送所述目标监控设备的实时图像数据和非目标监控设备的实时图像数据；

评估模块，用于根据所述目标监控设备的实时图像数据，在下一观测周期内对所述目标监控设备执行事故风险评估模式；

第一执行模块，用于在事故风险评估的评估结果为低事故风险状态的情况下，解除所述目标监控设备的事故风险评估模式；

第二执行模块，用于在事故风险评估的评估结果为高事故风险状态或中事故风险的情况下，向所述目标监控设备对应的施工现场发送整改指令。

9.根据权利要求8所述的基房建施工现场的监管***，其特征在于，所述确定模块包括：

第一赋值子模块，对所述监控设备集中的每个监控设备进行离散赋值，对所述每个监控设备的历史监控数据进行连续赋值；

第二赋值子模块，根据所述离散赋值确定样本监控设备，根据所述连续赋值确定初始行为分类器的类型；

训练子模块，根据所述样本监控设备的历史监控数据，对所述初始行为分类器进行分类进行训练，获得待优化行为分类器；

优化子模块，根据对所述待优化行为分类器进行多目标优化，获得目标行为分类器；

筛选子模块，根据所述目标行为分类器和所述监控设备集的实时监控数据，确定目标监控设备。

10.根据权利要求8所述的基房建施工现场的监管***，其特征在于，所述优化子模块包括：

适配度计算单元，用于基于多目标优化函数，对所述待优化行为分类器进行适配度计算；

解集生成单元，用于根据所述适配度计算的计算结果，生成多个帕累托最优解和由所述多个帕累托最优解构成的帕累托前沿面；

范围确定单元，用于根据用户输入的监管参数，确定所述帕累托前沿面的目标区间范围，其中所述监管参数包括人行为监管参数和现场事故风险监管参数；

最优解确定单元，用于将位于所述目标区间范围内的帕累托最优解，确定为初始帕累托最优解，并将横坐标值最大的初始帕累托最优解，确定为目标帕累托最优解；

分类器确定单元，用于将所述目标帕累托最优解对应的待优化行为分类器，确定为所述目标行为分类器。

Images