CN116612440B - 一种基于机器视觉的建筑工程安全监测方法、设备及介质 - Google Patents
一种基于机器视觉的建筑工程安全监测方法、设备及介质 Download PDFInfo
- Publication number
- CN116612440B CN116612440B CN202310896113.3A CN202310896113A CN116612440B CN 116612440 B CN116612440 B CN 116612440B CN 202310896113 A CN202310896113 A CN 202310896113A CN 116612440 B CN116612440 B CN 116612440B
- Authority
- CN
- China
- Prior art keywords
- fire
- construction
- monitoring
- grid
- target
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010276 construction Methods 0.000 claims abstract description 178
- 238000001514 detection method Methods 0.000 claims abstract description 69
- 238000011161 development Methods 0.000 claims abstract description 38
- 230000015654 memory Effects 0.000 claims abstract description 32
- 238000009435 building construction Methods 0.000 claims abstract description 12
- 230000007480 spreading Effects 0.000 claims description 75
- 238000003892 spreading Methods 0.000 claims description 75
- 239000000463 material Substances 0.000 claims description 67
- 230000018109 developmental process Effects 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 16
- 239000000779 smoke Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Emergency Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Economics (AREA)
- Architecture (AREA)
- Mathematical Physics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
Abstract
本说明书实施例公开了一种基于机器视觉的建筑工程安全监测方法、设备及介质,涉及建筑施工安全技术领域,用于解决现有建筑工程的消防安全检测可靠性低的问题。方法包括:获取多类型传感器设备采集的检测信息,以及监控设备采集的监控视频;提取监控视频中的关键帧图像的差分图像,将差分图像的图像特征输入预置分类识别模型中,输出建筑工程施工现场是否存在火灾目标以及火灾目标位置;基于火灾目标位置确定火灾监控区域,对火灾区域进行网格划分,以获取各边界网格位置的火灾状态参数;将火灾状态参数输入预置长短期记忆网络,获得火灾目标的发展趋势预测信息,以基于火灾目标、火灾目标位置与发展趋势预测信息触发火灾目标的报警指令。
Description
技术领域
本说明书涉及建筑施工安全技术领域,尤其涉及一种基于机器视觉的建筑工程安全监测方法、设备及介质。
背景技术
随着经济的发展、城市建设的步伐逐步增快,随之增加的是城市的各类建筑物的数量。而在建筑物的建筑工程施工过程中由于工程的需要工程人员会高度集中,因此在建筑工程的施工过程中一旦发生火灾,由于火势和烟气蔓延较快,人员疏散困难,容易造成严重的人员伤害。所以对于建筑工程的安全检测对于火灾进行及时的预警,有助于提高逃生时间,对于保证人身与财产安全具有重要的意义。
当前的建筑工程中对于火灾的检测,一般是基于前端摄像设备与后端监视设备组成的,通过前端采集设备获取的视频数据输到后端监控设备,主要还是通过监控人员在监视器前进行人工观察,但是对于大型的建筑施工场景例如高层建筑的建筑施工,由于监控室中安装了大量的监视器用于展示各个施工位置的监控图像。此时由于人工观察的局限性难以对多个施工位置的监控图像中出现的火灾征兆进行及时的察觉。此时由于人员疏忽导致的火灾情况未及时发现时,若当前环境中存在有易燃物料则火势发展速度将会大大提升进而难以及时对火灾情况进行控制。
发明内容
为了解决上述技术问题,本说明书一个或多个实施例提供了一种基于机器视觉的建筑工程安全检测方法、设备及介质。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种基于机器视觉的建筑工程安全检测方法,方法包括:
获取建筑工程施工现场的当前施工阶段,以基于当前施工阶段所对应的施工方案,确定所述建筑工程的当前施工对象与当前建筑物料清单;其中,所述物料清单包括:物料信息、物料的使用位置;
获取建筑工程施工现场的多类型传感器设备采集的检测信息,以及监控设备采集的监控视频;
在预设监测周期内提取所述监控视频中的关键帧图像,并获取所述关键帧图像的相邻图像,以将所述关键帧图像与所述相邻图像的差分图像的图像特征输入预置分类识别模型中,输出所述建筑工程施工现场是否存在火灾目标以及所述火灾目标位置;
基于所述火灾目标位置确定火灾监控区域,对所述火灾区域进行网格划分,以获取各边界网格位置所对应的检测信息,并基于所述物料使用位置确定与所述检测信息相对应的物料信息,以将所述检测信息与所述相对应的物料信息作为各边界网格位置的火灾状态参数;
将所述火灾区域中各边界网格位置的火灾状态参数输入预置长短期记忆网络,获得所述火灾目标的发展趋势预测信息,以基于所述火灾目标、所述火灾目标位置与所述发展趋势预测信息触发所述火灾目标的报警指令。
可选地,在本说明书一个或多个实施例中,将所述火灾区域中各边界网格位置的火灾状态参数输入预置长短期记忆网络,获得所述火灾目标的发展趋势预测信息,具体包括:
根据所述边界网格位置与所述火灾目标位置的连线,确定所述边界网格位置所对应的初始蔓延路径网格,并根据所述初始蔓延路径网格中各网格的风口类型,确定所述初始蔓延路径网格的主风口类型;其中,所述风口类型包括:位于所述火灾目标上风口的上风口类型、位于所述火灾目标下风口的下风口类型;
确定所述连线中的网格线交点,以获取所述网格线交点所对应的两个初始蔓延路径网格为第一蔓延路径网格与第二蔓延路径网格;
基于所述第一蔓延路径网格与所述第二蔓延路径网格的风口类型,分别确定所述第一蔓延路径网格与所述第二蔓延路径网格的第一权重值;其中,主风口类型所对应的第一权重值大于非主风口类型所对应的第一权重值,且二者的和为1;
分别根据所述第一蔓延路径网格与所述第二蔓延路径网格的前序网格的涉火网格数量,确定所述第一蔓延路径网格与所述第二蔓延路径网格的第二权重值;其中,所述第二权重值与所述涉火网格数量成正比;
基于所述第一权重值与所述第二权重值的乘积获取总权重值,通过对比所述总权重值,确定所述第一蔓延路径网格与所述第二蔓延路径网格中的待过滤蔓延路径网格,以删除所述待过滤蔓延路径网格,获得蔓延路径网格;
对所述边界网格位置与蔓延路径网格的火灾状态参数,基于皮尔逊相关系数法进行筛选,获得与火灾发展相关度较高的数据作为关键数据;
基于预置优化算法对初始长短期记忆网络进行参数优化,获得最优参数组合,以基于所述最优参数组合更新所述初始长短期记忆网络获得预置长短期记忆网络;其中,所述参数包括:神经元个数、滑动时间窗口宽度、初始学习率值;
将所述各边界网格位置的关键数据输入预置长短期记忆网络进行迭代预测,以获得与所述火灾目标相对应的发展趋势预测信息。
可选地,在本说明书一个或多个实施例中,所述基于预置优化算法对初始长短期记忆网络进行参数优化,获得最优参数组合,以基于所述最优参数组合更新所述初始长短期记忆网络获得预置长短期记忆网络,具体包括:
确定所述初始长短期网络中各参数预设数量的随机组合种群数量,并确定所述预置优化算法的最大迭代次数,确定当前所述随机组合种群的搜索参数节点;
基于所述搜索参数节点与所述随机组合种群中其他节点之间的距离,确定各所述随机组合种群中各节点的适应度,并根据所述适应度确定所述随机组合种群中的当前最优位置;
根据所述预置优化算法的预置系数向量与所述最大迭代次数,对所述随机组合种群内各参数组合的位置进行更新,获取更新后所述随机组合种群中的最优位置,以基于所述最优位置所对应节点的参数组合作为最优参数组合。
可选地,在本说明书一个或多个实施例中,所述获取建筑工程施工现场的当前施工阶段,以基于当前施工阶段所对应的施工方案,确定所述建筑工程的当前施工对象与当前建筑物料清单,具体包括:
获取所述建筑施工现场的当前建筑工程所对应的施工阶段排程表,以基于上一施工阶段的结束时间,与所述施工阶段排程表中上一施工阶段的计划结束时间的差值,确定所述施工阶段排程表的调整值;
根据所述调整值对所述施工阶段排程表进行调整,以获取所述建筑工程施工现场的当前施工阶段排程表;
基于所述当前施工阶段排程表与当前时间,获取所述建筑施工现场的当前施工阶段;
根据所述建筑工程的施工计划,获取与所述当前施工阶段相对应的施工方案,以基于所述施工方案确定所述建筑工程的当前施工对象与当前建筑物料清单。
可选地,在本说明书一个或多个实施例中,所述获取建筑工程施工现场的多类型传感器设备采集的检测信息之前,所述方法还包括:
获取所述当前建筑工程的建筑设计图纸,以基于鲁班土建技术建立所述当前建筑工程的BIM模型;
基于所述当前建筑工程的BIM模型确定所述当前建筑工程施工现场的典型散点位置;其中,所述典型散点位置包括:通风口、楼板顶、电路交叉点、电闸;
基于所述当前施工阶段的施工方案确定所述BIM模型中的已施工范围与待施工范围,以根据所述已施工范围与所述待施工范围内各典型散点位置所对应的检测属性,确定各所述典型散点位置与传感器设备的匹配关系;
基于所述匹配关系确定所述传感器设备的初始布设位置,获取所述初始布设位置中各同类型传感器设备的有效范围,基于各所述各同类型传感器设备的有效范围确定该类型传感器设备的覆盖范围;
若确定所述覆盖范围未全部覆盖所述已施工范围与所述待施工范围,则获取所述已施工范围与所述待施工范围的剩余覆盖范围;其中,所述剩余覆盖范围所述已施工范围与所述待施工范围中除所述覆盖范围外的区域范围;
获取所述剩余覆盖范围的各连通范围,以获取各所述连通范围的中心点作为所述同类型传感器设备的补充布设位置;
基于所述初始布设位置与所述补充布设位置对各所述传感器进行布设,以便获取建筑工程施工现场的多类型传感器设备采集的检测信息。
可选地,在本说明书一个或多个实施例中,所述在预设监测周期内提取所述监控视频中的关键帧图像,并获取所述关键帧图像的相邻图像,以将所述关键帧图像与所述相邻图像的差分图像的图像特征输入预置分类识别模型中,输出所述建筑工程施工现场是否存在火灾目标以及所述火灾目标位置,具体包括:
基于预设分析间隔对所述监控视频进行片段分割,获得多个监控分析片段,以根据预设采集间隔对所述监控分析片段进行采集获得所述监控分析片段的监控图像;
根据各所述监控图像的灰度直方图确定各所述监控图像的灰度阈值,以基于所述监控分析片段中各所述监控图像的灰度阈值,确定所述监控图像的二值化图像;
依次对比所述二值化图像,确定所述监控图像中的突变图像作为所述监控视频的关键帧图像,以获取所述关键帧图像的多个相邻图像,并基于所述关键帧图像与所述相邻图像的时间顺序,依次获得差分图像并将所述差分图像的连通区域作为隐患区域;
将所述隐患区域的像素点转换到YCbCr颜色模型中,以获取所述隐患区域的颜色特征,并获取所述隐患区域的局部最高点,以基于所述局部最高点与所述局部最高点相邻点进行对比,以确定所述隐患区域的尖角特征,并根据各所述隐患区域的面积变换,确定所述隐患区域的面积增长特征;
将所述颜色特征、尖角特征与所述面积增长特征与所述关键帧图像输入所述预置分类识别模型中,以输出所述建筑工程施工现场是否存在火灾目标以及所述火灾目标位置;其中,所述预置分类识别模型为最小二乘向量模型。
可选地,在本说明书一个或多个实施例中,基于所述火灾目标位置确定火灾监控区域,对所述火灾区域进行网格划分,以获取各边界网格位置所对应的检测信息,并基于所述物料使用位置确定与所述检测信息相对应的物料信息,以将所述检测信息与所述相对应的物料信息作为各边界网格位置的火灾状态参数,具体包括:
基于所述火灾目标位置与预设安全半径,确定所述建筑工程施工现场的火灾监控区域;
基于预设网格尺寸对所述火灾区域进行网格划分,以基于所述传感器设备的布设位置与所述传感器设备的有效采集范围,确定各网格边界位置与所述传感器设备的对应关系,并根据所述对应关系获取各边界网格位置所对应的检测信息;
根据各所述传感器设备的有效采集范围与所述物料的使用位置,确定所述物料信息与所述检测信息的匹配关系,并根据所述匹配关系确定与所述检测信息相对应的物料信息,以将所述检测信息与所述相对应的物料信息作为各边界网格位置的火灾状态参数。
可选地,在本说明书一个或多个实施例中,基于所述火灾目标、所述火灾目标位置与所述发展趋势预测信息触发所述火灾目标的报警指令,具体包括:
若基于所述火灾目标确定所述火灾目标的火灾类型为烟雾,且基于所述发展趋势预测信息确定所述火灾目标的蔓延概率低于预设蔓延概率,则触发声光报警指令;
若基于所述火灾目标确定所述火灾目标的火灾类型为明火,或基于所述发展趋势预测信息确定所述火灾目标的蔓延概率大于预设蔓延概率,则触发声光报警指令与消防报警指令;
基于所述消防报警指令的模板将所述火灾目标位置、所述火灾目标与所述火灾目标位置生成消防报警指令进行上报,以便及时进行消防救援。
本说明书一个或多个实施例提供一种基于机器视觉的建筑工程安全监测设备,设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一所述的方法。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令能够执行上述任一所述的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过获取建筑工程施工现场的多类型传感器设备采集的检测信息和监控设备采集的监控视频,实现了结合检测信息与监控视频进行消防安全监测。解决了仅基于监控设备或基于传感器设备仅火灾检测时,检测不可靠的问题。通过提取监控视频中的关键帧图像后获取差分图像锁定火灾目标的方式,避免了人工观察多监控设备的监控画面易出现漏检以及发现不及时的问题。通过对火灾区域进行网格划分后确定界网格位置的火灾状态参数,方便了对于火灾发展趋势预测信息的预测,方便了对于火灾蔓延的及时报警响应。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种基于机器视觉的建筑工程安全监测方法流程示意图;
图2(a)为本说明书实施例提供的一种火灾区域的网格示意图;
图2(b)为说明书实施例提供的一种火灾区域的蔓延路径网格示意图;
图3为本说明书实施例提供的一种基于机器视觉的建筑工程安全监测设备的内部结构示意图;
图4为本说明书实施例提供的一种非易失性存储介质的内部结构示意图。
具体实施方式
本说明书实施例提供一种基于机器视觉的建筑工程安全监测方法、设备及介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本说明书保护的范围。
如图1所示,本说明书一个或多个实施例提供了一种基于机器视觉的建筑工程安全检测方法流程示意图。由图1可知,一种基于机器视觉的建筑工程安全检测方法,方法包括以下步骤:
S101:获取建筑工程施工现场的当前施工阶段,以基于当前施工阶段所对应的施工方案,确定所述建筑工程的当前施工对象与当前建筑物料清单;其中,所述物料清单包括:物料信息、物料的使用位置。
由于建筑施工现场进行建筑施工时不同的施工阶段会对不同的建筑结构进行构建,由于建筑过程中的部分物料为易燃物料,所以为了保证建筑施工过程中的消防安全,需要对建筑工程施工现场进行监控,以保证建筑工程的安全。具体地,在本说明书一个或多个实施例中,首先获取到建筑施工现场的当前施工阶段,从而根据当前的施工阶段所对应的施工方案,获取到建筑工程的施工对象和当前建筑物料清单。可以理解的是施工对象也就是当前需要施工的对象例如当前施工阶段为梁侧模板施工时,其施工对象即为当前的梁侧模板、压脚板、斜撑等。而建筑物料清单则包括物料信息和物料的使用位置,比如:梁侧模板施工时施工方案中表示需要进行混凝土浇灌,那么需要基于当前施工阶段的建筑物料清单,可以确定该阶段中所需要的混凝土物料信息以及物料所使用的位置。
具体地,在本说明书一个或多个实施例中,获取建筑工程施工现场的当前施工阶段,以基于当前施工阶段所对应的施工方案,确定建筑工程的当前施工对象与当前建筑物料清单,具体包括:
首先获取建筑施工现场内当前建筑工程所对应的施工阶段排程表,由于建筑工程的施工会受天气以及突发事故等多种因素的影响所以建筑工程的施工阶段可能会提前于排程表的时间完成也可能晚于排程表的时间完成。所以为了确定能够及时调整施工阶段排程表,进而根据当前时间确定当前施工阶段。本说明书实施例中根据上一施工阶段的结束时间,以及施工阶段排程表中上一施工阶段的计划结束时间的差值,确定出施工阶段排程表的调整值;例如:上一施工阶段的结束时间为6月10号,而施工阶段排程表中上一施工阶段的计划结束时间为6月8号,可以确定其差值为2天也就是说上一施工阶段的结束时间推迟了2天,所以需要对施工阶段排程表中上一施工阶段之后的施工阶段的排程进行整体后移。即需要根据调整值对施工阶段排程表进行调整,以获取建筑工程施工现场的当前施工阶段排程表。
例如:调整前当前施工阶段的排程为6月9号开始6月25号结束,那么基于调整值2天调整后当前施工阶段排程表的开始时间为6月11号结束时间为6月27号。此时再根据当前施工阶段排程表与当前时间,即可较为准确的获取到建筑施工现场的当前施工阶段,避免了由于建筑工程不可控导致的施工阶段确定错误进行导致消防安全检测不可靠的问题。也就是说,若不调整则基于原始施工阶段排程表判断6月26号的施工阶段时会出现错误,进而导致施工方案以及物料信息的获取错误,使得不同施工阶段的易燃物料不能充分被考虑。在确定当前施工阶段后,可以根据建筑工程的施工计划,获取和当前施工阶段相对应的施工方案,从而基于施工方案确定出建筑工程的当前施工对象与当前建筑物料清单。例如:当前施工阶段为楼板模板施工时,施工方案为“保证:底楼模板18mm,第一层龙骨(次楞)采用单枋b=80mm,h=80mm,间距350mm;第二层龙骨(主楞)采用双钢管Φ48×3.0。此时模板从四周铺起,中间收口。 压边时,角位模板通线钉固。楼面模板铺完后,认真检查 支架是否牢固,做到板面平整,接缝规范,整个模板面整洁无杂质。模板安装后应清扫干净,并经分项验收合格才进行下一道工序施工。”基于该施工方案可知当前物料清单包括:钢管、楼面模板的板材等信息。
S102:获取建筑工程施工现场的多类型传感器设备采集的检测信息,以及监控设备采集的监控视频。
为了避免仅基于监控设备或基于传感器设备仅火灾检测时,检测不可靠的问题,本说明书实施例中获取建筑工程施工现场的多类型传感器设备采集的检测信息和监控设备采集的监控视频,以便结合所述检测信息与所述监控视频进行消防安全的可靠监测。
为了使得传感器设备能够安装在合适的位置,同时实现对于建筑施工现场的全面覆盖,提高监测的精确度。进一步地,在本说明书一个或多个实施例中,获取建筑工程施工现场的多类型传感器设备采集的检测信息之前,还需要确定传感器设备的布设位置,方法包括以下步骤:
首先获取当前建筑工程的建筑设计图纸,进而根据鲁班土建技术建立当前建筑工程的BIM模型。其中,由于鲁班土建技术为现有建筑领域的技术,因此此处不在对鲁班土建技术建立BIM模型的过程进行详细阐述。根据获取的当前建筑工程的BIM模型,确定出当前建筑工程施工现场的典型散点位置。其中,需要说明的是典型散点位置是易出现火灾的位置,包括:通风口、楼板顶、电路交叉点、电闸等位置。根据当前施工阶段的施工方案确定出BIM模型中的已施工范围与待施工范围,从而根据已施工范围和待施工范围内各典型散点位置所对应的检测属性,确定各典型散点位置与传感器设备的匹配关系。其中,需要说明的是检测属性为当前位置易出现的问题所对应的检测属性,例如上述电路交叉点位置易出现电火花进而产生烟雾或引发火灾,所以此处的检测属性为烟雾,所以该典型散点位置匹配于烟雾传感器。根据确定的各个典型散点位置和传感器设备的匹配关系,确定出传感器设备的初始布设位置。然后获取初始布设位置中各同类型传感器设备的有效范围,根据各个同类型传感器设备的有效范围确定出这种类型传感器设备的覆盖范围。如果确定这种类型传感器设备的覆盖范围未全部覆盖当前建筑施工现场的已施工范围和待施工范围,那么为了使得传感器的监测可以覆盖全部区域,需要获取已施工范围与待施工范围的剩余覆盖范围;其中,可以理解的是剩余覆盖范围是已施工范围和待施工范围中除去覆盖范围之外的区域范围。为了能够以最少的传感器设备充分监测剩余覆盖范围,本说明书实施例中获取该剩余覆盖范围的各连通范围,从而获取各连通范围的中心点作为同类型传感器设备的补充布设位置。然后根据初始布设位置和补充布设位置对各个传感器进行布设,以便于获取建筑工程施工现场的多类型传感器设备采集的检测信息。
S103:在预设监测周期内提取所述监控视频中的关键帧图像,并获取所述关键帧图像的相邻图像,以将所述关键帧图像与所述相邻图像的差分图像的图像特征输入预置分类识别模型中,输出所述建筑工程施工现场是否存在火灾目标以及所述火灾目标位置。
为了能够基于监控视频锁定火灾目标,避免人工观察多监控设备的监控画面易出现漏检以及发现不及时的问题。本说明书实施例中,为了实现针对性监测降低分析成本,首先在预设检测周期内提取出监控视频中的关键帧图像。此时再获取关键帧图像的相邻图像,由于出现火灾时会出现烟雾或者明火等明显区别于背景的物体。所以获取关键帧图像和相邻图像的差分图像,可以确定关键帧图像中出现的异变物体,通过将差分图像的图像特征输入到预先设置的分类识别模型中,即可基于该分类识别模型确定建筑工程施工现场是否存在火灾目标,并且通过该火灾目标在关键帧图像中的位置可以确定出火灾目标的位置信息。
具体地,在本说明书一个或多个实施例中,所述在预设监测周期内提取所述监控视频中的关键帧图像,并获取所述关键帧图像的相邻图像,以将所述关键帧图像与所述相邻图像的差分图像的图像特征输入预置分类识别模型中,输出所述建筑工程施工现场是否存在火灾目标以及所述火灾目标位置,具体包括:
为了提高分析效率根据预设分析间隔对监控视频进行片段分割,获得多个监控分析片段,以便于对多个监控分析片段可以基于并行分析线程的方式同步进行分析处理从而提高分析的效率以便及时预警火灾提升救援时间。在分割获得多个监控分析片段后根据预设采集间隔对监控分析片段进行采集,获得监控分析片段的监控图像,可以理解的是根据预设采集检测进行监控图像的采集实现了监控分析片段的下采样,降低了分析的数据量。然后根据各监控图像的灰度直方图确定各出监控图像的灰度阈值,从而根据监控分析片段中各监控图像的灰度阈值,对监控图像进行二值化处理获得监控图像的二值化图像。然后依次对比二值化图像,获得监控图像中的突变图像作为监控视频的关键帧图像。为了获得关键帧图像中的突变目标,本说明书实施例中获取关键帧图像的多个相邻图像,并根据该关键帧图像与相邻图像的时间顺序,依次获得差分图像并将该差分图像的连通区域作为隐患区域。例如关键帧图像A与其相邻图像基于时间顺序进行排列后形成了“图像C、图像D、图像A、图像B”,那么依次获得图像C和图像D以及图像A和图像B的差分图像1和差分图像2,然后可以通过对比差分图像1与差分图像2进一步明确差分图像1中出现了明显异常。此时将差分图像1中的连通区域作为隐患区域。
在确定出隐患区域之后,为了进一步确定隐患区域中的隐患是否为火灾,从而实现对于建筑工程进行有效的消防安全监控。本说明书实施例中将隐患区域的像素点转换到YCbCr颜色模型中,以获取隐患区域的颜色特征。即由于存在火灾隐患时无论是出现烟雾还是出现火焰其纹理颜色都出现了变换,所以提取隐患区域的颜色特征作为图像特征中的一类特征。同时由于烟雾弥散或者火焰燃烧时其形态扩展具有明显的尖角,所以本说明书实施例中获取隐患区域的局部最高点,通过对于局部最高点与局部最高点相邻点进行对比,能够确定出隐患区域所存在的尖角特征。此外由于火灾出现后若未及时处理会出现扩展的情况,所以还根据各隐患区域的面积变换,确定隐患区域的面积增长特征。在对差分图像进行颜色特征、尖角特征以及面积增长特征的图像特征提取后,将该图像特征以及该关键帧图像输入到预置分类识别模型中,使得预置分类识别模型对该图像特征进行识别后输出该建筑工程施工现场是否存在火灾目标,若存在火灾则基于差分图像中连通区域的位置来标识该火灾的目标位置。其中,需要说明的是预置分类识别模型为最小二乘向量模型通过训练后获得的。
S104:基于所述火灾目标位置确定火灾监控区域,对所述火灾区域进行网格划分,以获取各边界网格位置所对应的检测信息,并基于所述物料使用位置确定与所述检测信息相对应的物料信息,以将所述检测信息与所述相对应的物料信息作为各边界网格位置的火灾状态参数。
根据上述步骤S103获取火灾目标位置之后,为了及时预测火灾的发展进行及时的预警响应。本说明书实施例中根据获取的火灾目标位置确定出危险范围内火灾区域范围,即出现火灾后预设范围内的区域是可能受到该火灾目标影响的,所以需要将该区域作为火灾监控区域进行监控的发展预测。所以本说明书实施例中,根据火灾目标确定出火灾监控区域之后,为了方便对于火灾目标发展的预测,对火灾区域进行网格划分从而获取火灾区域各个边界网格位置所对应的检测信息。由于易燃物料会影响火灾的发展所以根据物料使用位置,确定与检测信息相对应的物料信息,以将检测信息与相对应的物料信息作为各边界网格位置的火灾状态参数,以便于后续基于该火灾状态参数进行火灾发展预测。
具体地,在本说明书一个或多个实施例中,基于火灾目标位置确定火灾监控区域,对火灾区域进行网格划分,以获取各边界网格位置所对应的检测信息,并基于物料使用位置确定与所述检测信息相对应的物料信息,将检测信息与相对应的物料信息作为各边界网格位置的火灾状态参数,具体包括以下步骤:
首先根据火灾目标位置与预设安全半径,确定出预设安全半径以内的建筑工程施工现场的区域作为火灾监控区域。例如假设预设安全半径为50m,那么说明距离该火灾目标位置大于50m的区域为安全区域,而小于等于50m的则为该建筑工程施工现场的火灾监控区域。基于预设网格尺寸对火灾区域进行网格划分,以基于传感器设备的布设位置与传感器设备的有效采集范围,确定各网格边界位置与所述传感器设备的对应关系,并根据对应关系获取各边界网格位置所对应的检测信息。然后根据各传感器设备的有效采集范围与物料的使用位置,确定出物料信息和检测信息的匹配关系,也就是说如果该物料使用位置在该传感器设备的有效采集范围内那么说明该物料信息和该传感器设备采集的检测信息具有匹配关系。在获得匹配关系之后根据该匹配关系确定出和检测信息相对应的物料信息,从而将检测信息与相对应的物料信息作为各边界网格位置的火灾状态参数。
S105:将所述火灾区域中各边界网格位置的火灾状态参数输入预置长短期记忆网络,获得所述火灾目标的发展趋势预测信息,以基于所述火灾目标、所述火灾目标位置与所述发展趋势预测信息触发所述火灾目标的报警指令。
为了基于上述步骤确定出建筑工程施工现场出现火灾时,由于火灾类型有多种,如阴燃火、轰燃火、非轰燃火等各类火灾类型的火灾发展速度会受当前环境的影响呈现不同的发展趋势,所以能够及时进行预警响应本说明书实施例中将火灾区域中各边界网格位置的火灾状态参数输入到预先设置的长短期记忆网络中,从而获得火灾目标的发展趋势预测信息,然后根据火灾目标和火灾目标位置以及预测获得的发展趋势预测信息触发相应的火灾目标报警指令。
具体地,在本说明书一个或多个实施例中,将火灾区域中各边界网格位置的火灾状态参数输入预置长短期记忆网络,获得火灾目标的发展趋势预测信息,具体包括:
首先为了预测到火灾目标蔓延到火灾区域之外的发展趋势,本说明书实施例根据边界网格位置与火灾目标位置的连线,确定出边界网格位置所对应的初始蔓延路径网格,从而根据初始蔓延路径网格中各网格的风口类型,确定出初始蔓延路径网格的主风口类型。其中,可以理解的是风口类型包括:如图2(a)所示的位于火灾目标上风口的上风口类型、位于火灾目标下风口的下风口类型。而在有多个火灾目标的情况下,只要相对某一个火灾目标位于下风口,那么该网格风口状态即为下风口。然后确定连线中的网格线交点如图2(a)所示,从而获取网格线交点所对应的两个初始蔓延路径网格为第一蔓延路径网格与第二蔓延路径网格。然后根据第一蔓延路径网格与第二蔓延路径网格的风口类型,分别确定出第一蔓延路径网格和第二蔓延路径网格的第一权重值。其中,需要理解的是主风口类型所对应的第一权重值大于非主风口类型所对应的第一权重值,且二者的和为1。然后分别根据第一蔓延路径网格与第二蔓延路径网格的前序网格的涉火网格数量,确定出第一蔓延路径网格与第二蔓延路径网格的第二权重值;其中需要说明的是第二权重值与涉火网格数量成正比。而第一蔓延路径网格与第二蔓延路径网格的前序网格的涉火网格数量,也就是到达第一蔓延路径网格或者到达第二蔓延路径网格时经过的路径中存在火焰的网格的数量。然后再根据第一权重值与第二权重值的乘积获取总权重值,通过对比二者的总权重值,确定第一蔓延路径网格与第二蔓延路径网格中的待过滤蔓延路径网格,从而删除该待过滤蔓延路径网格,获得蔓延路径网格。例如,图2(b)所示当第一蔓延路径网格的权重值小于第二蔓延路径网格的权重值时会删除第一蔓延路径,也就确定了在该网格交叉点中以第二蔓延路径网格作为蔓延路径所经过的网格进行后续分析,通过对于火灾目标所对应的着火点到边界网格位置的蔓延路径的筛选确定提高了后续火灾状态参数获取的匹配度,进而在降低了分析成本的前提下提高了发展趋势预测信息的预测可靠性。然后对边界网格位置与蔓延路径网格的火灾状态参数,基于皮尔逊相关系数法进行筛选,获得与火灾发展相关度较高的数据作为关键数据。然后为了进一步提高预测的精确度,避免预测结果陷入局部最优解的问题。根据预先设置的优化算法对初始长短期记忆网络进行参数优化,获得最优参数组合,从而根据最优参数组合更新该初始长短期记忆网络获得预置长短期记忆网络。其中,需要说明的是参数包括:神经元个数、滑动时间窗口宽度、初始学习率值等。获得预置长短期记忆网络之后通过将各边界网格位置的关键数据输入到预置长短期记忆网络进行迭代预测,获得与火灾目标相对应的发展趋势预测信息。
进一步地,在本说明书一个或多个实施例中,基于预置优化算法对初始长短期记忆网络进行参数优化,获得最优参数组合,以基于最优参数组合更新初始长短期记忆网络获得预置长短期记忆网络,具体包括以下步骤:
首先确定初始长短期网络中各参数预设数量的随机组合种群数量,并确定预置优化算法的最大迭代次数,以及当前随机组合种群的搜索参数节点。然后根据搜索参数节点与随机组合种群中其他节点之间的距离,确定出各个随机组合种群中各节点的适应度。然后根据获取的适应度确定随机组合种群中的当前最优位置。根据预置优化算法的预置系数向量与最大迭代次数,对随机组合种群内各参数组合的位置进行更新,获取更新后随机组合种群中的最优位置,以基于该最优位置所对应节点的参数组合作为最优参数组合。
进一步地,为了能够及时进行触发报警指令提高建筑工程的消防安全在本说明书一个或多个实施例中,基于火灾目标、火灾目标位置与发展趋势预测信息触发火灾目标的报警指令,具体包括以下步骤:
如果基于火灾目标确定出火灾目标的火灾类型为烟雾,并且根据发展趋势预测信息确定火灾目标的蔓延概率低于预设蔓延概率,则说明当前出现火灾的概率较低所以触发声光报警指令从而进行声光报警提醒施工人员及时进行避险。而如果根据火灾目标确定火灾目标的火灾类型为明火,或基于发展趋势预测信息确定出火灾目标的蔓延概率大于预设蔓延概率,则在触发声光报警指令的同时也触发消防报警指令,以便于根据该消防报警指令的模板将火灾目标位置、所述火灾目标与所述火灾目标位置生成消防报警指令进行上报,以便及时进行消防救援,实现了及时将火灾情况进行上报的作用,提高了救援的效率。
如图3所示,本说明书实施例提供一种基于机器视觉的建筑工程安全检测设备的内部结构示意图,由图3可知,本说明书一个或多个实施例中,一种基于机器视觉的建筑工程安全检测设备,设备包括:
至少一个处理器301;以及,
与所述至少一个处理器301通信连接的存储器302;其中,
所述存储器302存储有可被所述至少一个处理器301执行的指令,所述指令被所述至少一个处理器301执行,以使所述至少一个处理器301能够执行上述任一所述的方法。
如图4所示,本说明书实施例提供了一种非易失性存储介质的内部结构示意图,由图4可知,本说明书一个或多个实施例中,一种非易失性存储介质,存储有计算机可执行指令,所述计算机可执行指令能够执行上述任一所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种基于机器视觉的建筑工程安全监测方法,其特征在于,所述方法包括:
获取建筑工程施工现场的当前施工阶段,以基于当前施工阶段所对应的施工方案,确定所述建筑工程的当前施工对象与当前建筑物料清单;其中,所述物料清单包括:物料信息、物料的使用位置;
获取建筑工程施工现场的多类型传感器设备采集的检测信息,以及监控设备采集的监控视频;
在预设监测周期内提取所述监控视频中的关键帧图像,并获取所述关键帧图像的相邻图像,以将所述关键帧图像与所述相邻图像的差分图像的图像特征输入预置分类识别模型中,输出所述建筑工程施工现场是否存在火灾目标以及所述火灾目标位置;
基于所述火灾目标位置确定火灾监控区域,对所述火灾区域进行网格划分,以获取各边界网格位置所对应的检测信息,并基于所述物料使用位置确定与所述检测信息相对应的物料信息,以将所述检测信息与所述相对应的物料信息作为各边界网格位置的火灾状态参数;
将所述火灾区域中各边界网格位置的火灾状态参数输入预置长短期记忆网络,获得所述火灾目标的发展趋势预测信息,以基于所述火灾目标、所述火灾目标位置与所述发展趋势预测信息触发所述火灾目标的报警指令;
其中,将所述火灾区域中各边界网格位置的火灾状态参数输入预置长短期记忆网络,获得所述火灾目标的发展趋势预测信息,具体包括:
根据所述边界网格位置与所述火灾目标位置的连线,确定所述边界网格位置所对应的初始蔓延路径网格,并根据所述初始蔓延路径网格中各网格的风口类型,确定所述初始蔓延路径网格的主风口类型;其中,所述风口类型包括:位于所述火灾目标上风口的上风口类型、位于所述火灾目标下风口的下风口类型;
确定所述连线中的网格线交点,以获取所述网格线交点所对应的两个初始蔓延路径网格为第一蔓延路径网格与第二蔓延路径网格;
基于所述第一蔓延路径网格与所述第二蔓延路径网格的风口类型,分别确定所述第一蔓延路径网格与所述第二蔓延路径网格的第一权重值;其中,主风口类型所对应的第一权重值大于非主风口类型所对应的第一权重值,且二者的和为1;
分别根据所述第一蔓延路径网格与所述第二蔓延路径网格的前序网格的涉火网格数量,确定所述第一蔓延路径网格与所述第二蔓延路径网格的第二权重值;其中,所述第二权重值与所述涉火网格数量成正比;
基于所述第一权重值与所述第二权重值的乘积获取总权重值,通过对比所述总权重值,确定所述第一蔓延路径网格与所述第二蔓延路径网格中的待过滤蔓延路径网格,以删除所述待过滤蔓延路径网格,获得蔓延路径网格;
对所述边界网格位置与蔓延路径网格的火灾状态参数,基于皮尔逊相关系数法进行筛选,获得与火灾发展相关度较高的数据作为关键数据;
基于预置优化算法对初始长短期记忆网络进行参数优化,获得最优参数组合,以基于所述最优参数组合更新所述初始长短期记忆网络获得预置长短期记忆网络;其中,所述参数包括:神经元个数、滑动时间窗口宽度、初始学习率值;
将所述各边界网格位置的关键数据输入预置长短期记忆网络进行迭代预测,以获得与所述火灾目标相对应的发展趋势预测信息。
2.根据权利要求1所述的一种基于机器视觉的建筑工程安全监测方法,其特征在于,所述基于预置优化算法对初始长短期记忆网络进行参数优化,获得最优参数组合,以基于所述最优参数组合更新所述初始长短期记忆网络获得预置长短期记忆网络,具体包括:
确定所述初始长短期网络中各参数预设数量的随机组合种群数量,并确定所述预置优化算法的最大迭代次数,确定当前所述随机组合种群的搜索参数节点;
基于所述搜索参数节点与所述随机组合种群中其他节点之间的距离,确定各所述随机组合种群中各节点的适应度,并根据所述适应度确定所述随机组合种群中的当前最优位置;
根据所述预置优化算法的预置系数向量与所述最大迭代次数,对所述随机组合种群内各参数组合的位置进行更新,获取更新后所述随机组合种群中的最优位置,以基于所述最优位置所对应节点的参数组合作为最优参数组合。
3.根据权利要求1所述的一种基于机器视觉的建筑工程安全监测方法,其特征在于,所述获取建筑工程施工现场的当前施工阶段,以基于当前施工阶段所对应的施工方案,确定所述建筑工程的当前施工对象与当前建筑物料清单,具体包括:
获取所述建筑施工现场的当前建筑工程所对应的施工阶段排程表,以基于上一施工阶段的结束时间,与所述施工阶段排程表中上一施工阶段的计划结束时间的差值,确定所述施工阶段排程表的调整值;
根据所述调整值对所述施工阶段排程表进行调整,以获取所述建筑工程施工现场的当前施工阶段排程表;
基于所述当前施工阶段排程表与当前时间,获取所述建筑施工现场的当前施工阶段;
根据所述建筑工程的施工计划,获取与所述当前施工阶段相对应的施工方案,以基于所述施工方案确定所述建筑工程的当前施工对象与当前建筑物料清单。
4.根据权利要求3所述的一种基于机器视觉的建筑工程安全监测方法,其特征在于,所述获取建筑工程施工现场的多类型传感器设备采集的检测信息之前,所述方法还包括:
获取所述当前建筑工程的建筑设计图纸,以基于鲁班土建技术建立所述当前建筑工程的BIM模型;
基于所述当前建筑工程的BIM模型确定所述当前建筑工程施工现场的典型散点位置;其中,所述典型散点位置包括:通风口、楼板顶、电路交叉点、电闸;
基于所述当前施工阶段的施工方案确定所述BIM模型中的已施工范围与待施工范围,以根据所述已施工范围与所述待施工范围内各典型散点位置所对应的检测属性,确定各所述典型散点位置与传感器设备的匹配关系;
基于所述匹配关系确定所述传感器设备的初始布设位置,获取所述初始布设位置中各同类型传感器设备的有效范围,基于各所述各同类型传感器设备的有效范围确定该类型传感器设备的覆盖范围;
若确定所述覆盖范围未全部覆盖所述已施工范围与所述待施工范围,则获取所述已施工范围与所述待施工范围的剩余覆盖范围;其中,所述剩余覆盖范围所述已施工范围与所述待施工范围中除所述覆盖范围外的区域范围;
获取所述剩余覆盖范围的各连通范围,以获取各所述连通范围的中心点作为所述同类型传感器设备的补充布设位置;
基于所述初始布设位置与所述补充布设位置对各所述传感器进行布设,以便获取建筑工程施工现场的多类型传感器设备采集的检测信息。
5.根据权利要求1所述的一种基于机器视觉的建筑工程安全监测方法,其特征在于,所述在预设监测周期内提取所述监控视频中的关键帧图像,并获取所述关键帧图像的相邻图像,以将所述关键帧图像与所述相邻图像的差分图像的图像特征输入预置分类识别模型中,输出所述建筑工程施工现场是否存在火灾目标以及所述火灾目标位置,具体包括:
基于预设分析间隔对所述监控视频进行片段分割,获得多个监控分析片段,以根据预设采集间隔对所述监控分析片段进行采集获得所述监控分析片段的监控图像;
根据各所述监控图像的灰度直方图确定各所述监控图像的灰度阈值,以基于所述监控分析片段中各所述监控图像的灰度阈值,确定所述监控图像的二值化图像;
依次对比所述二值化图像,确定所述监控图像中的突变图像作为所述监控视频的关键帧图像,以获取所述关键帧图像的多个相邻图像,并基于所述关键帧图像与所述相邻图像的时间顺序,依次获得差分图像并将所述差分图像的连通区域作为隐患区域;
将所述隐患区域的像素点转换到YCbCr颜色模型中,以获取所述隐患区域的颜色特征,并获取所述隐患区域的局部最高点,以基于所述局部最高点与所述局部最高点相邻点进行对比,以确定所述隐患区域的尖角特征,并根据各所述隐患区域的面积变换,确定所述隐患区域的面积增长特征;
将所述颜色特征、尖角特征与所述面积增长特征与所述关键帧图像输入所述预置分类识别模型中,以输出所述建筑工程施工现场是否存在火灾目标以及所述火灾目标位置;其中,所述预置分类识别模型为最小二乘向量模型。
6.根据权利要求4所述的一种基于机器视觉的建筑工程安全监测方法,其特征在于,基于所述火灾目标位置确定火灾监控区域,对所述火灾区域进行网格划分,以获取各边界网格位置所对应的检测信息,并基于所述物料使用位置确定与所述检测信息相对应的物料信息,以将所述检测信息与所述相对应的物料信息作为各边界网格位置的火灾状态参数,具体包括:
基于所述火灾目标位置与预设安全半径,确定所述建筑工程施工现场的火灾监控区域;
基于预设网格尺寸对所述火灾区域进行网格划分,以基于所述传感器设备的布设位置与所述传感器设备的有效采集范围,确定各网格边界位置与所述传感器设备的对应关系,并根据所述对应关系获取各边界网格位置所对应的检测信息;
根据各所述传感器设备的有效采集范围与所述物料的使用位置,确定所述物料信息与所述检测信息的匹配关系,并根据所述匹配关系确定与所述检测信息相对应的物料信息,以将所述检测信息与所述相对应的物料信息作为各边界网格位置的火灾状态参数。
7.根据权利要求1所述的一种基于机器视觉的建筑工程安全监测方法,其特征在于,基于所述火灾目标、所述火灾目标位置与所述发展趋势预测信息触发所述火灾目标的报警指令,具体包括:
若基于所述火灾目标确定所述火灾目标的火灾类型为烟雾,且基于所述发展趋势预测信息确定所述火灾目标的蔓延概率低于预设蔓延概率,则触发声光报警指令;
若基于所述火灾目标确定所述火灾目标的火灾类型为明火,或基于所述发展趋势预测信息确定所述火灾目标的蔓延概率大于预设蔓延概率,则触发声光报警指令与消防报警指令;
基于所述消防报警指令的模板将所述火灾目标位置、所述火灾目标与所述火灾目标位置生成消防报警指令进行上报,以便及时进行消防救援。
8.一种基于机器视觉的建筑工程安全监测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述权利要求1-7任一所述的方法。
9.一种非易失性存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令能够执行上述权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310896113.3A CN116612440B (zh) | 2023-07-21 | 2023-07-21 | 一种基于机器视觉的建筑工程安全监测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310896113.3A CN116612440B (zh) | 2023-07-21 | 2023-07-21 | 一种基于机器视觉的建筑工程安全监测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116612440A CN116612440A (zh) | 2023-08-18 |
CN116612440B true CN116612440B (zh) | 2023-09-29 |
Family
ID=87684076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310896113.3A Active CN116612440B (zh) | 2023-07-21 | 2023-07-21 | 一种基于机器视觉的建筑工程安全监测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612440B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312828B (zh) * | 2023-09-28 | 2024-06-14 | 光谷技术有限公司 | 公共设施监控方法和*** |
CN117455270A (zh) * | 2023-12-22 | 2024-01-26 | 成都理工大学 | 一种火灾应急处理方法、***、电子设备及介质 |
CN117876969B (zh) * | 2024-03-11 | 2024-06-04 | 贵州省公路建设养护集团有限公司 | 一种用于实现桥梁施工下的安全监测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287849A (zh) * | 2020-10-30 | 2021-01-29 | 武汉理工光科股份有限公司 | 一种高层建筑火灾预警方法及装置 |
CN112972972A (zh) * | 2021-03-31 | 2021-06-18 | 湖南现代德雷工程有限公司 | 一种用于建筑安全施工场地的智慧消防方法及*** |
CN114757387A (zh) * | 2022-03-07 | 2022-07-15 | 南京林业大学 | 基于人工智能的森林火险状态监测分析***及方法 |
CN115099573A (zh) * | 2022-05-25 | 2022-09-23 | 河南鑫安利安全科技股份有限公司 | 一种安全生产管理平台 |
CN115983115A (zh) * | 2022-12-20 | 2023-04-18 | 厦门大学 | 一种基于深度神经网络的室内火灾演变预测方法 |
CN116012780A (zh) * | 2022-12-22 | 2023-04-25 | 广西电网有限责任公司河池供电局 | 一种基于图像识别的火灾监控方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11966670B2 (en) * | 2018-09-06 | 2024-04-23 | Terrafuse, Inc. | Method and system for predicting wildfire hazard and spread at multiple time scales |
US11660480B2 (en) * | 2018-11-21 | 2023-05-30 | One Concern, Inc. | Fire forecasting |
KR102087000B1 (ko) * | 2019-08-13 | 2020-05-29 | 주식회사 지에스아이엘 | 화재 감지 방법 및 시스템 |
-
2023
- 2023-07-21 CN CN202310896113.3A patent/CN116612440B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287849A (zh) * | 2020-10-30 | 2021-01-29 | 武汉理工光科股份有限公司 | 一种高层建筑火灾预警方法及装置 |
CN112972972A (zh) * | 2021-03-31 | 2021-06-18 | 湖南现代德雷工程有限公司 | 一种用于建筑安全施工场地的智慧消防方法及*** |
CN114757387A (zh) * | 2022-03-07 | 2022-07-15 | 南京林业大学 | 基于人工智能的森林火险状态监测分析***及方法 |
CN115099573A (zh) * | 2022-05-25 | 2022-09-23 | 河南鑫安利安全科技股份有限公司 | 一种安全生产管理平台 |
CN115983115A (zh) * | 2022-12-20 | 2023-04-18 | 厦门大学 | 一种基于深度神经网络的室内火灾演变预测方法 |
CN116012780A (zh) * | 2022-12-22 | 2023-04-25 | 广西电网有限责任公司河池供电局 | 一种基于图像识别的火灾监控方法及*** |
Non-Patent Citations (3)
Title |
---|
分区域变尺度网格的社区火灾场景数值仿真;张琳;黄晓霞;李红旮;李霞;;中国图象图形学报(第09期);全文 * |
城市火灾视频监控目标区域图像准确检测仿真;杨柳;张德;王亚慧;衣俊艳;;计算机仿真(第04期);全文 * |
基于YOLOv3算法的高速公路火灾检测;刘俊;张文风;;上海船舶运输科学研究所学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116612440A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116612440B (zh) | 一种基于机器视觉的建筑工程安全监测方法、设备及介质 | |
CN101795395B (zh) | 一种人群态势监控***及方法 | |
CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
CN105763853A (zh) | 一种公共区域拥挤、***件应急预警方法 | |
CN101751744B (zh) | 一种烟雾检测和预警方法 | |
CN112132090A (zh) | 一种基于yolov3的烟火自动检测预警方法 | |
CN106991668B (zh) | 一种天网摄像头拍摄画面的评价方法 | |
CN101835035B (zh) | 实时区域入侵检测方法 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警*** | |
US20220167142A1 (en) | Digital twin disaster management system customized for underground public areas | |
CN112488898B (zh) | 一种基于楼宇智能管控的突发事件处理***及方法 | |
US20210150692A1 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及*** | |
CN105574468A (zh) | 视频火焰检测方法、装置及*** | |
CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
CN2785052Y (zh) | 一种地铁火灾智能监测预警预报装置 | |
CN114444386A (zh) | 一种基于bim和深度学习的火灾预警以及灾后楼板损伤预测方法、*** | |
CN114689058A (zh) | 基于深度学习和混合遗传算法的火灾疏散路径规划方法 | |
CN114677640A (zh) | 基于机器视觉的智慧工地安全监测***及方法 | |
CN112949536B (zh) | 一种基于云平台的火灾报警方法 | |
Wu et al. | Post-flood disaster damaged houses classification based on dual-view image fusion and Concentration-Based Attention Module | |
KR20240028290A (ko) | 산불 검출 장치 및 방법 | |
CN114882410B (zh) | 基于改进定位损失函数的隧道顶灯故障检测方法及*** | |
JP7372446B2 (ja) | 画像解析システム、画像解析方法及び画像解析プログラム | |
CN114519834A (zh) | 一种高层火灾隐患预警方法、装置及应用 |
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 |