CN117893779A - 基于机器视觉实现建筑施工下的异常识别方法及*** - Google Patents
基于机器视觉实现建筑施工下的异常识别方法及*** Download PDFInfo
- Publication number
- CN117893779A CN117893779A CN202410082553.XA CN202410082553A CN117893779A CN 117893779 A CN117893779 A CN 117893779A CN 202410082553 A CN202410082553 A CN 202410082553A CN 117893779 A CN117893779 A CN 117893779A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- image data
- anomaly
- environment
- 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.)
- Pending
Links
- 238000009435 building construction Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000005856 abnormality Effects 0.000 title claims abstract description 43
- 238000010276 construction Methods 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims description 71
- 238000003860 storage Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 8
- 230000018109 developmental process Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 13
- 230000015654 memory Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及建筑施工领域,提出了基于机器视觉实现建筑施工下的异常识别方法及***,所述方法包括:获取建筑施工现场的现场图像集,通过识别图像数据并进行预标注,得到图像标记数据,接着对标记数据进行去噪处理,得到去噪图像数据,并进行图像增强处理,得到增强图像数据,再对增强图像数据进行图像分割,得到分割图像数据,将分割图像数据划分为数据训练集,并提取图像特征,识别特征向量并计算特征相似度,从而构建异常识别模型,通过使用训练好的模型进行环境参数异常识别,提取异常因子并计算异常指标,生成预警信号实现对建筑施工现场的异常识别。本发明可以提高建筑施工中的异常识别效率。
Description
技术领域
本发明涉及建筑施工领域,尤其涉及基于机器视觉实现建筑施工下的异常识别方法及***。
背景技术
机器视觉是指计算机***通过摄像头或其他传感器采集图像或视频数据,并利用图像处理、模式识别等技术来解析和理解这些数据,从而实现对图像或视频中的物体、场景、动作等进行自动分析、识别和理解的能力。
目前,常用实现建筑施工的异常识别方法是通过图像识别技术结合建筑施工现场的监控***,实时监测施工过程中的各种活动和对象,并且监控***会自动分析这些图像数据,并利用深度学习算法进行异常识别,但在建筑施工现场中,存在多种类型的异常情况,例如:现场工人安全设备佩戴的危险行为、设备故障等情况,容易因为复杂的背景干扰或光照变化导致建筑施工现场中的识别效率降低,因此,需要一种基于机器视觉实现建筑施工下的异常识别方法及***,以提高建筑施工中的异常识别效率。
发明内容
本发明提供基于机器视觉实现建筑施工下的异常识别方法及***,其主要目的在于提高建筑施工中的异常识别效率。
为实现上述目的,本发明提供的基于机器视觉实现建筑施工下的异常识别方法,包括:
获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,对所述图像数据进行数据预标注,得到图像标记数据;
对所述图像标记数据进行图像去噪,得到去噪图像数据,对所述去噪图像数据进行图像增强,得到增强图像数据,对所述增强图像数据进行图像分割,得到分割图像数据;
将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,识别所述图像特征对应的特征向量,基于所述特征向量,计算所述分割图像数据对应的特征相似度,基于所述特征相似度,构建所述现场图像集对应的异常识别模型;
利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数;
对所述环境参数进行异常识别,得到环境异常参数,提取所述环境异常参数中环境异常因子,计算所述环境异常因子对应的环境异常指标,基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别。
可选地,所述获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,包括:
确定所述建筑施工现场对应的拍摄设备;
利用所述拍摄设备获取建筑施工现场中的现场图像集;
将所述现场图像集存储至预设的云存储空间;
对所述云存储空间中存储的数据进行数据预处理,得到预处理数据;
识别所述预处理数据中对应的图像数据。
可选地,所述对所述图像数据进行数据预标注,得到图像标记数据,包括:
对所述图像数据进行数据调整,得到调整图像数据;
定义所述调整图像数据对应的标注类别;
基于所述标注类别,对所述调整图像数据进行数据预标注,得到初标图像数据;
对所述初标图像数据进行标注修正,得到图像标记数据。
可选地,所述对所述图像标记数据进行图像去噪,得到去噪图像数据,包括:
导入所述图像标记数据,识别所述图像标记数据对应的噪声类型;
基于所述噪声类型,对所述图像标记数据进行噪声统计,得到噪声统计数据;
对所述噪声统计数据进行频域去噪,得到去噪图像数据。
可选地,所述将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,包括:
对所述分割图像数据进行比例划分,得到所述分割图像数据对应的数据训练集;
对所述数据训练集进行归一化处理,得到归一化数据;
并确定所述分割图像数据对应的特征类型;
基于所述特征类型,对所述分割图像数据进行特征提取,得到图像特征。
可选地,所述基于所述特征向量,计算所述分割图像数据对应的特征相似度,包括:将所述特征向量分割为第一特征向量和第二特征向;
利用下述公式计算所述图像特征对应的特征相似度:
其中,CS表示所述图像特征对应的特征相似度,取值范围在[-1,1]之间,数值越接近1表示越相似,数值越接近-1表示越不相似,Ai表示所述第一特征向量中对应的第i个元素,Bi表示所述第二特征向量中对应的第i个元素。
可选地,所述将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数,包括:
确定所述建筑施工现场对应的开发环境;
基于所述开发环境,部署测试好的异常识别模型对应的模型服务;
基于所述模型服务,对所述建筑施工现场进行环境识别,得到环境参数。
可选地,所述对所述环境参数进行异常识别,得到环境异常参数,包括:
识别所述环境参数对应的环境参数列表;确定所述环境参数列表中的实时值;
设定所述实时值对应的阈值范围;
基于所述阈值范围,对所述环境参数进行异常识别,得到环境异常参数。
可选地,所述计算所述环境异常因子对应的环境异常指标,包括:
利用下述公式计算所述环境异常因子对应的环境异常指标:
其中,Z表示所述环境异常因子对应的环境异常指标,Fi表示第i个环境异常因子,Fj表示第j个环境异常因子,n表示环境异常因子的数量,m表示总的环境异常因子数量。
为了解决上述问题,本发明还提供基于机器视觉实现建筑施工下的异常识别***,所述***包括:
图像标记模块,用于获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,对所述图像数据进行数据预标注,得到图像标记数据;
图像分割模块,用于对所述图像标记数据进行图像去噪,得到去噪图像数据,对所述去噪图像数据进行图像增强,得到增强图像数据,对所述增强图像数据进行图像分割,得到分割图像数据;
模型构建模块,用于将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,识别所述图像特征对应的特征向量,基于所述特征向量,计算所述分割图像数据对应的特征相似度,基于所述特征相似度,构建所述现场图像集对应的异常识别模型;
环境参数模块,用于利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数;
指标计算模块,用于对所述环境参数进行异常识别,得到环境异常参数,提取所述环境异常参数中环境异常因子,计算所述环境异常因子对应的环境异常指标,基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别。
本发明通过获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,可以实时监控施工现场的进度情况,有助于实时监控、提升质量、保障安全、提高效率和积累经验,能够提高施工质量和效率,本发明通过对所述图像标记数据进行图像去噪,得到去噪图像数据,可以提高图像质量,改善图像分析和处理结果,保护图像信息隐私,并减少数据存储和传输成本,从而提升图像应用的效果和效率,本发明通过将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,可以提高模型的性能和泛化能力,有效评价模型的表现,并且获取有用的图像特征,用于后续的图像分析和应用,本发明通过利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,可以帮助更好地理解模型如何进行异常检测决策,可以分析模型的输出、特征重要性等,从而为解释模型的运作过程和异常判断依据,本发明通过基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别,能够对建筑施工现场中的异常情况进行识别,可以及时发现和解决潜在的环境异常问题,防止问题进一步恶化,提高施工现场的安全性和可靠性。因此本发明提出的基于机器视觉实现建筑施工下的异常识别方法及***,以提高建筑施工中的异常识别效率。
附图说明
图1为本发明一实施例提供的基于机器视觉实现建筑施工下的异常识别方法的流程示意图;
图2为本发明一实施例提供的一种基于机器视觉实现建筑施工下的异常识别***的模块示意图;
图3为本发明一实施例提供的基于机器视觉实现建筑施工下的异常识别方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供基于机器视觉实现建筑施工下的异常识别方法。所述基于机器视觉实现建筑施工下的异常识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于机器视觉实现建筑施工下的异常识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于机器视觉实现建筑施工下的异常识别方法的流程示意图。在本实施例中,所述基于机器视觉实现建筑施工下的异常识别方法包括:
S1、获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,对所述图像数据进行数据预标注,得到图像标记数据。
本发明通过获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,可以实时监控施工现场的进度情况,有助于实时监控、提升质量、保障安全、提高效率和积累经验,能够提高施工质量和效率。
其中,所述现场图像集是指一组包含了现场实际拍摄到的图像的集合;所述图像数据是指图像中所包含的数字化信息,如:像素值、颜色值、亮度值、对比度等信息。
作为本发明的一个实施例,所述获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,包括:确定所述建筑施工现场对应的拍摄设备;利用所述拍摄设备获取建筑施工现场中的现场图像集;将所述现场图像集存储至预设的云存储空间;对所述云存储空间中存储的数据进行数据预处理,得到预处理数据;识别所述预处理数据中对应的图像数据。
其中,所述拍摄设备是指用于拍摄建筑施工现场图像的拍摄设备,如:无人机、智能相机、智能监控摄像机等设备;所述预设的云存储空间是指事先设置好的用于存储建筑施工现场图像的云端存储空间,如:云盘、云服务器、云存储服务等;所述预处理数据是指对存储在云存储空间中的图像数据进行处理,以提高后续图像数据的准确性和可用性。
进一步地,所述拍摄设备可以通过机器学习算法实现获得,如:决策树算法、随机森林算法、神经网络算法等算法;所述预设的云存储空间可以通过分布式存储***实现获得,如:Hadoop、Ceph等***;所述预处理数据可以通过数据清洗工具实现获得,如:OpenRefine、Trifacta Wrangler、Pandas等工具。
本发明提供对所述图像数据进行数据预标注,得到图像标记数据,可以大大简化和加速标注过程,提高标注的一致性和准确性,为后续的模型训练提供更好的标记样本,从而提高整个数据处理流程的效率和质量。
其中,所述图像标记数据是指对图像数据进行标记或注释后的数据。
作为本发明的一个实施例,所述对所述图像数据进行数据预标注,得到图像标记数据,包括:对所述图像数据进行数据调整,得到调整图像数据;定义所述调整图像数据对应的标注类别;基于所述标注类别,对所述调整图像数据进行数据预标注,得到初标图像数据;对所述初标图像数据进行标注修正,得到图像标记数据。
其中,所述调整图像数据是指对原始图像进行一系列的处理和操作,以使其更适合进行标注和分析;所述标注类别是指将调整后的图像数据划分为不同的类别或标签;所述初标图像数据是指使用自动化方法或算法对调整后的图像数据进行初步标注。
进一步地,所述调整图像数据可以通过图像处理工具实现获得,如:OpenCV、PIL、ImageJ等工具;所述标注类别可以通过标注工具实现获得,如:LabelImg、Labelbox、RectLabel等工具;所述初标图像数据可以通过目标检测模型实现获得,如:Faster R-CNN。
S2、对所述图像标记数据进行图像去噪,得到去噪图像数据,对所述去噪图像数据进行图像增强,得到增强图像数据,对所述增强图像数据进行图像分割,得到分割图像数据。
本发明通过对所述图像标记数据进行图像去噪,得到去噪图像数据,可以提高图像质量,改善图像分析和处理结果,保护图像信息隐私,并减少数据存储和传输成本,从而提升图像应用的效果和效率。
其中,所述去噪图像数据是指去除图像中的噪声而得到的清晰图像数据。
作为本发明的一个实施例,所述对所述图像标记数据进行图像去噪,得到去噪图像数据,包括:导入所述图像标记数据,识别所述图像标记数据对应的噪声类型;基于所述噪声类型,对所述图像标记数据进行噪声统计,得到噪声统计数据;对所述噪声统计数据进行频域去噪,得到去噪图像数据。
其中,所述噪声类型是指所述图像标记数据对应的噪声类型,如:高斯噪声、椒盐噪声、亮度噪声等;所述噪声统计数据是指对所述图像标记数据进行噪声统计分析得到的数据,如:噪声标准差、噪声分布模式等信息。
进一步地,所述噪声类型可以通过数字图像分析工具实现获得,如:ImageJ、MATLAB等工具;所述噪声统计数据可以通过统计分布模型实现获得,如:高斯分布模型、泊松分布模型等模型。
本发明通过对所述去噪图像数据进行图像增强,得到增强图像数据,能够改善图像质量、提升视觉效果、增强特征、为后续处理提供更好的数据基础,并方便信息的提取和分析。
其中,所述增强图像数据是指通过增强图像质量、特定特征的图像数据,可选地,所述增强图像数据可以通过图像复原算法实现获得,如:最小二乘法、总变差正则化、非局部均值等算法。
本发明通过对所述增强图像数据进行图像分割,得到分割图像数据,可以将图像中的不同物体或区域分离出来,从而实现物体的识别和定位,可以帮助理解图像中的内容,并进一步进行场景理解,从而提升虚拟现实体验和增强现实应用的效果。
其中,所述分割图像数据是指对所述增强图像数据进行图像分割操作后得到的结果数据,可选地,所述分割图像数据可以通过分割算法实现获得,如:阈值分割、边缘检测、区域生长等算法。
S3、将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,识别所述图像特征对应的特征向量,基于所述特征向量,计算所述分割图像数据对应的特征相似度,基于所述特征相似度,构建所述现场图像集对应的异常识别模型。
本发明通过将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,可以提高模型的性能和泛化能力,有效评价模型的表现,并且获取有用的图像特征,用于后续的图像分析和应用。
其中,所述数据训练集是指从整个所述分割图像数据中划分出的用于训练模型的子集;所述图像特征是指分割图像数据中提取出来的描述图像内容和结构的重要信息。
作为本发明的一个实施例,所述将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,包括:对所述分割图像数据进行比例划分,得到所述分割图像数据对应的数据训练集;对所述数据训练集进行归一化处理,得到归一化数据;并确定所述分割图像数据对应的特征类型;基于所述特征类型,对所述分割图像数据进行特征提取,得到图像特征。
其中,所述归一化数据是指对数据进行比例缩放,将其转化为统一的数值范围的过程;所述特征类型是指根据任务需求确定图像中需要关注和提取的特征类型。
进一步地,所述归一化数据可以通过归一化算法实现获得,如:Min-Max Scaling、Z-score标准化等算法;所述特征类型可以通过特征提取方法实现获得,如:GLCM、LBP等方法。
本发明通过识别所述图像特征对应的特征向量,可以根据具体问题进行优化,提高计算效率,可以去除不必要的计算步骤,减少时间和资源的浪费,从而更好地理解图像特征与目标之间的关系。
其中,所述特征向量是指通过特征提取算法从图像中提取出来的一组数值表示,可选地,所述特征向量可以通过向量识别工具实现获得,如:OpenCV、TensorFlow等工具。
作为本发明的一个实施例,所述基于所述特征向量,计算所述分割图像数据对应的特征相似度,包括:将所述特征向量分割为第一特征向量和第二特征向;
利用下述公式计算所述图像特征对应的特征相似度:
其中,CS表示所述图像特征对应的特征相似度,取值范围在[-1,1]之间,数值越接近1表示越相似,数值越接近-1表示越不相似,Ai表示所述第一特征向量中对应的第i个元素,Bi表示所述第二特征向量中对应的第i个元素。
本发明基于所述特征相似度,构建所述现场图像集对应的异常识别模型,可以通过可视化分析来理解异常的原因和特征。这有助于进一步分析异常样本,并采取相应的措施进行处理,从而提高于所述现场图像集的异常检测和监控任务。
其中,所述异常识别模型是指用于自动识别所述现场图像集中异常样本的识别模型,可选地,所述异常识别模型可以通过Python编程语言实现获得,如:scikit-learn、TensorFlow、PyTorch等。
详细地,上述内容结合图像数据分析,为施工进度监测提供了一种全新的方法,通过特征提取和相似度计算,可以更加客观地评估施工进展情况,并建立异常识别模型,提前预警潜在的问题,这将有效减少人为判断的主观性,提高监测的准确性和效率,从而帮助实现更好的施工管理和进度控制。
S4、利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数。
本发明通过利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,可以帮助更好地理解模型如何进行异常检测决策,可以分析模型的输出、特征重要性等,从而为解释模型的运作过程和异常判断依据。
其中,所述训练好的异常识别模型是指经过优化和调整得到的具有较高准确度和泛化能力的模型,可选地,所述训练好的异常识别模型可以通过利用所述数据训练集对所述异常识别模型进行数据训练实现获得。
本发明通过将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数,可以实现实时监测、预警和保障,提高工作效率,进行数据分析和优化,并实现自动化管理,从而为建筑施工现场带来多方面的益处。
其中,所述环境参数是指所述建筑施工现场中各种与环境相关的物理量或特征。
作为本发明的一个实施例,所述将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数,包括:确定所述建筑施工现场对应的开发环境;基于所述开发环境,部署测试好的异常识别模型对应的模型服务;基于所述模型服务,对所述建筑施工现场进行环境识别,得到环境参数。
其中,所述开发环境是指在建筑施工现场进行模型部署和测试所需的软件和硬件环境;所述模型服务是指将测试好的异常识别模型部署为一个可供访问的服务。
进一步地,所述开发环境可以通过深度学习模型实现获得,如:卷积神经网络、循环神经网络、长短期记忆网络;所述模型服务可以通过构建工具实现获得,如:Flask、Django等工具。
S5、对所述环境参数进行异常识别,得到环境异常参数,提取所述环境异常参数中环境异常因子,计算所述环境异常因子对应的环境异常指标,基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别。
本发明通过对所述环境参数进行异常识别,得到环境异常参数,可以根据特定的业务需求进行调整和优化,以适应不同环境和参数的异常识别任务,可以根据实际情况对模型进行修改、更新和改进。
其中,所述环境异常参数是指可能影响环境状态或性能的因素,如:温度、湿度、压力、光照、电磁辐射等参数,可选地,所述环境异常参数可以通过运维工具实现获得,如:监控***、日志分析工具等工具。
作为本发明的一个实施例,所述对所述环境参数进行异常识别,得到环境异常参数,包括:识别所述环境参数对应的环境参数列表;确定所述环境参数列表中的实时值;设定所述实时值对应的阈值范围;基于所述阈值范围,对所述环境参数进行异常识别,得到环境异常参数。
其中,所述环境参数列表是指需要监测和识别的各个环境参数对应的列表,如:温度、湿度、压力、光照等列表;所述实时值是指通过传感器或其他设备获取的环境参数的当前数值;所述阈值范围是指针对每个环境参数设定的有效范围。
进一步地,所述环境参数列表可以通过环境监测***实现获得,如:传感器、数据采集设备和数据处理工具等;所述实时值可以通过传感器实现获得,如:温度、湿度、光照等传感器;所述阈值范围可以通过聚类算法实现获得。
本发明通过提取所述环境异常参数中环境异常因子,可以根据具体的需求进行定制和调整,以适应特定场景下的环境异常因子提取,并且可以根据不同的环境参数和异常情况,灵活地选择合适的特征提取方法和模型。
其中,所述环境异常因子是指在环境参数中能够引起异常的关键特征或指标,可选地,所述环境异常因子可以通过监督学习模型实现获得,如:决策树、随机森林、支持向量机等模型。
作为本发明的一个实施例,所述计算所述环境异常因子对应的环境异常指标,包括:
利用下述公式计算所述环境异常因子对应的环境异常指标:
其中,Z表示所述环境异常因子对应的环境异常指标,Fi表示第i个环境异常因子,Fj表示第j个环境异常因子,n表示环境异常因子的数量,m表示总的环境异常因子数量。
本发明通过基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别,能够对建筑施工现场中的异常情况进行识别,可以及时发现和解决潜在的环境异常问题,防止问题进一步恶化,提高施工现场的安全性和可靠性。
其中,所述预警信号是指有关于建筑施工现场中的异常情况的预警信息,可选地,所述预警信号可以通过监测设备实现获得,如现场监测器等工具。
本发明通过获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,可以实时监控施工现场的进度情况,有助于实时监控、提升质量、保障安全、提高效率和积累经验,能够提高施工质量和效率,本发明通过对所述图像标记数据进行图像去噪,得到去噪图像数据,可以提高图像质量,改善图像分析和处理结果,保护图像信息隐私,并减少数据存储和传输成本,从而提升图像应用的效果和效率,本发明通过将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,可以提高模型的性能和泛化能力,有效评价模型的表现,并且获取有用的图像特征,用于后续的图像分析和应用,本发明通过利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,可以帮助更好地理解模型如何进行异常检测决策,可以分析模型的输出、特征重要性等,从而为解释模型的运作过程和异常判断依据,本发明通过基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别,能够对建筑施工现场中的异常情况进行识别,可以及时发现和解决潜在的环境异常问题,防止问题进一步恶化,提高施工现场的安全性和可靠性。因此本发明提出的基于机器视觉实现建筑施工下的异常识别方法及***,以提高建筑施工中的异常识别效率。
如图2所示,是本发明一实施例提供的基于机器视觉实现建筑施工下的异常识别方法及***的功能模块图。
本发明所述基于机器视觉实现建筑施工下的异常识别***200可以安装于电子设备中。根据实现的功能,所述基于机器视觉实现建筑施工下的异常识别***200可以包括图像标记模块201、图像分割模块202、模型构建模块203、环境参数模块204以及指标计算模块205。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像标记模块201,用于获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,对所述图像数据进行数据预标注,得到图像标记数据;
所述图像分割模块202,用于对所述图像标记数据进行图像去噪,得到去噪图像数据,对所述去噪图像数据进行图像增强,得到增强图像数据,对所述增强图像数据进行图像分割,得到分割图像数据;
所述模型构建模块203,用于将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,识别所述图像特征对应的特征向量,基于所述特征向量,计算所述分割图像数据对应的特征相似度,基于所述特征相似度,构建所述现场图像集对应的异常识别模型;
所述环境参数模块204,用于利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数;
所述指标计算模块205,用于对所述环境参数进行异常识别,得到环境异常参数,提取所述环境异常参数中环境异常因子,计算所述环境异常因子对应的环境异常指标,基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别。
详细地,本发明实施例中所述基于机器视觉实现建筑施工下的异常识别***200中所述的各模块在使用时采用与附图中所述的基于机器视觉实现建筑施工下的异常识别方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现基于机器视觉实现建筑施工下的异常识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器30、存储器31、通信总线32以及通信接口33,还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序,如基于人工智能的工程***程序。
其中,所述处理器30在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块(例如执行基于人工智能的工程***程序等),以及调用存储在所述存储器31内的数据,以执行电子设备的各种功能和处理数据。
所述存储器31至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据,例如数据库配置化连接程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线32可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
所述通信接口33用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,所述用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器30逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用。
所述电子设备1中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合,在所述处理器30中运行时,可以实现:
获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,对所述图像数据进行数据预标注,得到图像标记数据;
对所述图像标记数据进行图像去噪,得到去噪图像数据,对所述去噪图像数据进行图像增强,得到增强图像数据,对所述增强图像数据进行图像分割,得到分割图像数据;
将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,识别所述图像特征对应的特征向量,基于所述特征向量,计算所述分割图像数据对应的特征相似度,基于所述特征相似度,构建所述现场图像集对应的异常识别模型;
利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数;
对所述环境参数进行异常识别,得到环境异常参数,提取所述环境异常参数中环境异常因子,计算所述环境异常因子对应的环境异常指标,基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别。
具体地,所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,对所述图像数据进行数据预标注,得到图像标记数据;
对所述图像标记数据进行图像去噪,得到去噪图像数据,对所述去噪图像数据进行图像增强,得到增强图像数据,对所述增强图像数据进行图像分割,得到分割图像数据;
将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,识别所述图像特征对应的特征向量,基于所述特征向量,计算所述分割图像数据对应的特征相似度,基于所述特征相似度,构建所述现场图像集对应的异常识别模型;
利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数;
对所述环境参数进行异常识别,得到环境异常参数,提取所述环境异常参数中环境异常因子,计算所述环境异常因子对应的环境异常指标,基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。
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。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、物品或者设备不仅包括那些要素,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、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述方法包括:
获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,对所述图像数据进行数据预标注,得到图像标记数据;
对所述图像标记数据进行图像去噪,得到去噪图像数据,对所述去噪图像数据进行图像增强,得到增强图像数据,对所述增强图像数据进行图像分割,得到分割图像数据;
将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,识别所述图像特征对应的特征向量,基于所述特征向量,计算所述分割图像数据对应的特征相似度,基于所述特征相似度,构建所述现场图像集对应的异常识别模型;
利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数;
对所述环境参数进行异常识别,得到环境异常参数,提取所述环境异常参数中环境异常因子,计算所述环境异常因子对应的环境异常指标,基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别。
2.如权利要求1所述的基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,包括:
确定所述建筑施工现场对应的拍摄设备;
利用所述拍摄设备获取建筑施工现场中的现场图像集;
将所述现场图像集存储至预设的云存储空间;
对所述云存储空间中存储的数据进行数据预处理,得到预处理数据;
识别所述预处理数据中对应的图像数据。
3.如权利要求1所述的基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述对所述图像数据进行数据预标注,得到图像标记数据,包括:
对所述图像数据进行数据调整,得到调整图像数据;
定义所述调整图像数据对应的标注类别;
基于所述标注类别,对所述调整图像数据进行数据预标注,得到初标图像数据;
对所述初标图像数据进行标注修正,得到图像标记数据。
4.如权利要求1所述的基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述对所述图像标记数据进行图像去噪,得到去噪图像数据,包括:
导入所述图像标记数据,识别所述图像标记数据对应的噪声类型;
基于所述噪声类型,对所述图像标记数据进行噪声统计,得到噪声统计数据;
对所述噪声统计数据进行频域去噪,得到去噪图像数据。
5.如权利要求1所述的基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,包括:
对所述分割图像数据进行比例划分,得到所述分割图像数据对应的数据训练集;
对所述数据训练集进行归一化处理,得到归一化数据;
并确定所述分割图像数据对应的特征类型;
基于所述特征类型,对所述分割图像数据进行特征提取,得到图像特征。
6.如权利要求1所述的基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述基于所述特征向量,计算所述分割图像数据对应的特征相似度,包括:将所述特征向量分割为第一特征向量和第二特征向;
利用下述公式计算所述图像特征对应的特征相似度:
其中,CS表示所述图像特征对应的特征相似度,取值范围在[-1,1]之间,数值越接近1表示越相似,数值越接近-1表示越不相似,Ai表示所述第一特征向量中对应的第i个元素,Bi表示所述第二特征向量中对应的第i个元素。
7.如权利要求1所述的基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数,包括:
确定所述建筑施工现场对应的开发环境;
基于所述开发环境,部署测试好的异常识别模型对应的模型服务;
基于所述模型服务,对所述建筑施工现场进行环境识别,得到环境参数。
8.如权利要求1所述的基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述对所述环境参数进行异常识别,得到环境异常参数,包括:
识别所述环境参数对应的环境参数列表;确定所述环境参数列表中的实时值;
设定所述实时值对应的阈值范围;
基于所述阈值范围,对所述环境参数进行异常识别,得到环境异常参数。
9.如权利要求1所述的基于机器视觉实现建筑施工下的异常识别方法,其特征在于,所述计算所述环境异常因子对应的环境异常指标,包括:
利用下述公式计算所述环境异常因子对应的环境异常指标:
其中,Z表示所述环境异常因子对应的环境异常指标,Fi表示第i个环境异常因子,Fj表示第j个环境异常因子,n表示环境异常因子的数量,m表示总的环境异常因子数量。
10.基于机器视觉实现建筑施工下的异常识别***,其特征在于,用于执行如权利要求1-9中任意一项所述的基于机器视觉实现建筑施工下的异常识别方法,所述***包括:
图像标记模块,用于获取建筑施工现场中的现场图像集,识别所述现场图像集对应的图像数据,对所述图像数据进行数据预标注,得到图像标记数据;
图像分割模块,用于对所述图像标记数据进行图像去噪,得到去噪图像数据,对所述去噪图像数据进行图像增强,得到增强图像数据,对所述增强图像数据进行图像分割,得到分割图像数据;
模型构建模块,用于将所述分割图像数据划分为数据训练集,并对所述分割图像数据进行特征提取,得到图像特征,识别所述图像特征对应的特征向量,基于所述特征向量,计算所述分割图像数据对应的特征相似度,基于所述特征相似度,构建所述现场图像集对应的异常识别模型;
环境参数模块,用于利用所述数据训练集对所述异常识别模型进行数据训练,得到训练好的异常识别模型,将所述测试好的异常识别模型部署到所述建筑施工现场对应的环境中,得到环境参数;
指标计算模块,用于对所述环境参数进行异常识别,得到环境异常参数,提取所述环境异常参数中环境异常因子,计算所述环境异常因子对应的环境异常指标,基于所述环境异常指标,生成所述建筑施工现场对应的预警信号,以实现对所述建筑施工现场中的异常识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410082553.XA CN117893779A (zh) | 2024-01-19 | 2024-01-19 | 基于机器视觉实现建筑施工下的异常识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410082553.XA CN117893779A (zh) | 2024-01-19 | 2024-01-19 | 基于机器视觉实现建筑施工下的异常识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117893779A true CN117893779A (zh) | 2024-04-16 |
Family
ID=90639331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410082553.XA Pending CN117893779A (zh) | 2024-01-19 | 2024-01-19 | 基于机器视觉实现建筑施工下的异常识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893779A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283446A (zh) * | 2021-05-27 | 2021-08-20 | 平安科技(深圳)有限公司 | 图像中目标物识别方法、装置、电子设备及存储介质 |
CN117392615A (zh) * | 2023-12-12 | 2024-01-12 | 南昌理工学院 | 一种基于监控视频的异常识别方法及*** |
-
2024
- 2024-01-19 CN CN202410082553.XA patent/CN117893779A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283446A (zh) * | 2021-05-27 | 2021-08-20 | 平安科技(深圳)有限公司 | 图像中目标物识别方法、装置、电子设备及存储介质 |
WO2022247005A1 (zh) * | 2021-05-27 | 2022-12-01 | 平安科技(深圳)有限公司 | 图像中目标物识别方法、装置、电子设备及存储介质 |
CN117392615A (zh) * | 2023-12-12 | 2024-01-12 | 南昌理工学院 | 一种基于监控视频的异常识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488294B2 (en) | Method for detecting display screen quality, apparatus, electronic device and storage medium | |
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN116188475A (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及*** | |
CN108460344A (zh) | 屏幕中的动态区域智能识别***及智能识别方法 | |
CN115953566B (zh) | 一种用于红外热成像仪的特征分析方法、***及介质 | |
CN115690615B (zh) | 一种面向视频流的深度学习目标识别方法及*** | |
CN113033385A (zh) | 一种基于深度学习的违章建筑遥感识别方法及*** | |
CN114579791A (zh) | 一种基于作业票的施工安全违章识别方法及*** | |
CN111223079A (zh) | 输电线路检测方法和装置、存储介质及电子装置 | |
Vishwanath et al. | Connected component analysis for Indian license plate infra-red and color image character segmentation | |
CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及*** | |
CN117851817B (zh) | 一种用于潮湿空气的智能过滤分析方法、***及存储介质 | |
CN112347989A (zh) | 反光衣识别方法、装置、计算机设备和可读存储介质 | |
CN117095214A (zh) | 文物存储环境监测方法及*** | |
US20210166028A1 (en) | Automated product recognition, analysis and management | |
CN116563040A (zh) | 基于牲畜识别的农险查勘方法、装置、设备及存储介质 | |
CN116824488A (zh) | 一种基于迁移学习的目标检测方法 | |
CN117893779A (zh) | 基于机器视觉实现建筑施工下的异常识别方法及*** | |
CN112203053A (zh) | 地铁施工人员行为智能监管方法及其*** | |
Yu et al. | Towards Complex Real-World Safety Factory Inspection: A High-Quality Dataset for Safety Clothing and Helmet Detection | |
CN115474441A (zh) | 障碍物检测方法、装置、设备和计算机存储介质 | |
CN112131418A (zh) | 目标标注方法、目标标注装置和计算机可读存储介质 |
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 |