技术领域
[0001] 本
发明属于建筑工地检查技术领域,涉及一种基于视频识别的施工现场检查系统及方法。
背景技术
[0002] 建筑工地检查,是为全面了解工地现场施工情况,通过对项目检查
质量结果的整改与检审,及时发现并解决施工中存在的相关问题,提高项目质量、品质等目标的管控能
力。使在建项目现场工程质量、安全施工检查工作规范化、度化、专业化,促进各项工程质量及施工,安全管理
水平不断提高。
[0003] 在建设项目(包括住建、市政、道路、
桥梁、水利等建设工程)的施工过程中,项目建设方、检测方、监理方需要按照建设进度对建设的各工程特别是隐蔽工程进行检查验收工作,目前采用人工巡检的做法,一方面费时费力,另一方面检查可能不到位存在遗漏,缺乏一种高效而且科学的手段来帮助检查人员进行无遗漏无死
角并且高效便捷的检查。
发明内容
[0004] 本发明的目的在于:提供了一种基于视频识别的施工现场检查系统及方法,解决了缺乏一种高效而且科学的手段来帮助检查人员进行无遗漏无死角并且高效便捷的检查的问题。
[0005] 本发明采用的技术方案如下:
[0006] 一种基于视频识别的施工现场检查系统,包括管理终端、
云端
服务器和移动检查装置,其中:
[0007] 所述管理终端,用于将
建筑信息模型导入云端服务器;
[0008] 所述移动检查装置,用于
访问云端服务器加载建筑信息模型,选择标记建筑信息模型待检查的工程部分生成检查任务,根据检查任务执行视频记录并上传到云端服务器;
[0009] 所述云端服务器,基于训练模型计算视频记录中的模型结构信息和材质信息输出结构化的模型数据生成实际模型,与建筑信息模型进行结构和材质的对比分析计算,分析实际模型与建筑信息模型的拟合度并生成检查报告反馈到移动检查装置。
[0010] 进一步地,所述移动检查装置根据预设规则将检查任务通过建筑信息模型拆解为若干个子任务,所述移动检查装置依次获取所述子任务执行视频记录并上传到云端服务器。
[0011] 进一步地,所述云端服务器基于训练的模型依次计算子任务的视频记录中的模型结构信息和材质信息,输出结构化的模型数据,存储在临时模型信息库;
[0012] 所有的子任务均计算完毕后进行数据合并计算生成实际模型。
[0013] 进一步地,所述移动检查装置用于标记误判的工程并反馈到云端服务器,所述云端服务器根据标记的误判工程出具新的检查报告并反馈接移动检查装置。
[0014] 进一步地,所述训练模型通过云端服务器接收误判的工程进行学习和训练。
[0015] 一种基于视频识别的施工现场检查方法,包括以下步骤:
[0016] 创建建筑信息模型;
[0017] 标记建筑信息模型待检查的工程部分生成检查任务,根据检查任务执行视频记录;
[0018] 基于训练模型计算视频记录中的模型结构信息和材质信息,输出结构化的模型数据生成实际模型并与建筑信息模型进行结构和材质的对比分析计算,分析实际模型与建筑信息模型的拟合度生成检查报告。
[0019] 进一步地,根据预设规则将检查任务通过建筑信息模型拆解为若干个子任务,依次获取子任务的视频记录。
[0020] 进一步地,依次获取子任务的视频记录中的模型结构信息和材质信息,输出结构化的模型数据,存储在临时模型信息库;
[0021] 所有的子任务均计算完毕后进行数据合并计算生成实际模型。
[0022] 进一步地,标记误判的工程并生成新检查报告。
[0023] 进一步地,所述训练模型通过误判的工程进行学习和训练。
[0024] 综上所述,由于采用了上述技术方案,本发明的有益效果是:
[0025] 本发明通过视频记录需要检查的工程,进行视频记录分析并与建筑信息模型进行对比分析,给出科学的检查报告,便于帮助检查人员对施工现场进行无遗漏无死角并且高效便捷的检查。
附图说明
[0026] 为了更清楚地说明本发明
实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图,其中:
[0028] 图2是本发明的检查方法流程示意图;
[0029] 图3是本发明检查任务拆解为若干个子任务的流程示意图;
[0030] 图4是本发明生成实际模型的流程示意图;
[0031] 图5是本发明生成新的检查报告的流程示意图;
[0032] 图6是本发明训练模型根据误判的工程进行学习和训练的流程示意图;
[0033] 图中标记:100-管理终端、200-云端服务器、300-移动检查装置。
具体实施方式
[0034] 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,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0035] 因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的
选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
[0036] 需要说明的是,术语“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。
[0037] 实施例1
[0038] 如图1所示,本发明较佳实施例提供的一种基于视频识别的施工现场检查系统,包括管理终端100、云端服务器200和移动检查装置300,其中:
[0039] 所述管理终端100,用于将建筑信息模型导入云端服务器200;实施时,需要说明的是,建筑信息模型,核心是通过建立虚拟的建筑工程三维模型,利用数字化技术,为这个模型提供完整的、与实际情况一致的建筑工程信息库。该信息库不仅包含描述
建筑物构件的几何信息、专业属性及状态信息,还包含了非构件对象(如空间、运动行为)的状态信息。通过相关
软件建立工程的建筑信息模型,以反映工程的三维结构。另外,云端服务器200对建筑信息模型进行轻量化操作,便于移动检查装置300能够访问云端服务器200加载建筑信息模型。
[0040] 所述移动检查装置300,用于访问云端服务器200加载建筑信息模型,选择标记建筑信息模型待检查的工程部分生成检查任务,根据检查任务执行视频记录并上传到云端服务器200;
[0041] 所述云端服务器200,基于训练模型计算视频记录中的模型结构信息和材质信息输出结构化的模型数据生成实际模型,与建筑信息模型进行结构和材质的对比分析计算,分析实际模型与建筑信息模型的拟合度并生成检查报告反馈到移动检查装置300。实施时,需要说明的是,训练模型是通过
机器学习创建的,机器学习(Machine Learning,ML)是一
门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、
算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是
人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。另外,实际模型与建筑信息模型进行结构和材质的对比分析计算运用曲线拟合与
卷积神经网络,曲线拟合和卷积神经网络技术均为
现有技术,此处不再赘述。另外,检查人员可以通过移动检查装置300出具检查报告,现场检查人员给予报告出具整改意见书等后续的工作要求。
[0042] 优选地,所述移动检查装置300根据预设规则将检查任务通过建筑信息模型拆解为若干个子任务,所述移动检查装置300依次获取所述子任务执行视频记录并上传到云端服务器200。实施时,可以根据建筑信息模型的组成构件作为划分规则,在确定检查任务后根据检查任务在建筑信息模型上涵盖的范围包含的组成构件划分为若干个工段的子任务,便于检察人员选
定子任务分批次完成,避免一次性完成检查任务的视频记录耗时较长,导致延缓视频记录上传到云端服务器200的时间
节点,从而影响训练模型计算视频记录中的模型结构信息和材质信息输出结构化的模型数据生成实际模型的实际时间。
[0043] 优选地,所述云端服务器200基于训练的模型依次计算子任务的视频记录中的模型结构信息和材质信息,输出结构化的模型数据,存储在临时模型信息库;实施时,训练模型依次计算移动检查装置300上传到云端服务器200中的视频记录,实现训练模型分批次计算视频记录获取模型结构信息和材质信息,输出结构化的模型数据,存储在临时模型信息库。
[0044] 所有的子任务均计算完毕后进行数据合并计算生成实际模型。实施时,直到所有的子任务的模型数据均存储直到临时模型信息库中后进行数据合并计算生成实际模型,缩短了整个流程的时间周期,有利于进一步提高检查的效率。
[0045] 优选地,所述移动检查装置300用于标记误判的工程并反馈到云端服务器200,所述云端服务器200根据标记的误判工程出具新的检查报告并反馈接移动检查装置300。实施时,检查人员对检查报告中存在问题的工程进行人工复检,进一步保证检查的准确性,并标记误判的工程上传到云端服务器200进行更改生成新检查报告反馈到移动检查终端,便于后续动作要求的开展。
[0046] 优选地,所述训练模型通过云端服务器200接收误判的工程进行学习和训练。实施时,训练模型调用误判的工程通过机器
深度学习技术进行学习和训练,逐步丰富和完善训练模型,降低误判率。
[0047] 综上所述,本发明通过视频记录需要检查的工程,进行视频分析并与建筑信息模型进行对比分析,给出科学的检查报告,便于帮助检查人员对施工现场进行无遗漏无死角并且高效便捷的检查。
[0048] 实施例2
[0049] 如图2所示,本发明还提供了一种基于视频识别的施工现场检查方法,包括以下步骤:
[0050] S100、创建建筑信息模型;实施时,需要说明的是,建筑信息模型,核心是通过建立虚拟的建筑工程三维模型,利用数字化技术,为这个模型提供完整的、与实际情况一致的建筑工程信息库。该信息库不仅包含描述建筑物构件的几何信息、专业属性及状态信息,还包含了非构件对象(如空间、运动行为)的状态信息。通过相关软件建立工程的建筑信息模型,以反映工程的三维结构。另外,建筑信息模型进行轻量化操作,便于加载建筑信息模型。
[0051] S200、标记建筑信息模型待检查的工程部分生成检查任务,根据检查任务执行视频记录;
[0052] S300、基于训练模型计算视频记录中的模型结构信息和材质信息,输出结构化的模型数据生成实际模型并与建筑信息模型进行结构和材质的对比分析计算,分析实际模型与建筑信息模型的拟合度生成检查报告。实施时,实施时,需要说明的是,训练模型是通过机器学习创建的,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。另外,实际模型与建筑信息模型进行结构和材质的对比分析计算运用曲线拟合与卷积神经网络,曲线拟合和卷积神经网络技术均为现有技术,此处不再赘述。另外,检查人员可以出具检查报告,现场检查人员给予报告出具整改意见书等后续的工作要求。
[0053] 优选地,如图3所示,S201、根据预设规则将检查任务通过建筑信息模型拆解为若干个子任务,依次获取子任务的视频记录。实施时,实施时,可以根据建筑信息模型的组成构件作为划分规则,在确定检查任务后根据检查任务在建筑信息模型上涵盖的范围包含的组成构件划分为若干个工段的子任务,便于检察人员选定子任务分批次完成,避免一次性完成检查任务的视频记录耗时较长,从而影响训练模型计算视频记录中的模型结构信息和材质信息输出结构化的模型数据生成实际模型的实际时间。
[0054] 优选地,如图4所示,S301、依次获取子任务的视频记录中的模型结构信息和材质信息,输出结构化的模型数据,存储在临时模型信息库;实施时,训练模型分批次计算视频记录获取模型结构信息和材质信息,输出结构化的模型数据,存储在临时模型信息库。
[0055] S302、所有的子任务均计算完毕后进行数据合并计算生成实际模型。实施时,直到所有的子任务的模型数据均存储直到临时模型信息库中后进行数据合并计算生成实际模型,缩短了整个流程的时间周期,有利于进一步提高检查的效率。
[0056] 优选地,如图5所示,S400、标记误判的工程并生成新检查报告。实施时,检查人员对检查报告中存在问题的工程进行人工复检,进一步保证检查的准确性,并标记误判的工程生成新检查报告,便于后续动作要求的开展。
[0057] 优选地,如图6所示,S500、所述训练模型通过误判的工程进行学习和训练。实施时,训练模型调用误判的工程通过机器深度学习技术进行学习和训练,逐步丰富和完善训练模型,降低误判率。
[0058] 综上所述,通过视频记录需要检查的工程,进行视频分析并与建筑信息模型进行对比分析,给出科学的检查报告,便于帮助检查人员对施工现场进行无遗漏无死角并且高效便捷的检查。
[0059] 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的保护范围,任何熟悉本领域的技术人员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。