一种基于深度学习的工序衔接目标识别管理方法及系统技术方案

本发明专利技术公开了一种基于深度学习的工序衔接目标识别管理方法及系统，该方法包括以下步骤：识别头盔上的电子标签以记录工人姓名、工种及对应进场时间，获取场地施工图像，并利用ACE算法对图像进行分辨率增强处理，基于卷积神经网络及多目标跟踪算法对进入场地的头盔进行识别定位跟踪管理，识别电子标签信息记录工人姓名、工种及对应出场时间，以出场时间为计时起点，根据预设衔接时间进行提示操作。其可自动进行施工进度的管理，提高施工管理的及时和精确度，做好施工工序衔接。

【技术实现步骤摘要】
一种基于深度学习的工序衔接目标识别管理方法及系统
本专利技术属于施工管理
，具体地涉及一种基于深度学习的工序衔接目标识别管理方法及系统。
技术介绍
目前道路、桥梁、隧道已成为国家的重要资源，对于促进国家经济增长、提高人民生活质量、维护国家安全等都具有重要价值。道路、桥梁、隧道的发展不仅仅是经济的需要，也是人类文明和现代化组成的重要部分。尤其是随着中西部地区的公路和铁路的全面建设，由于地理位置等因素，桥隧的施工量占据了很大的比重。在隧道施工中，为保证快速施工，抓紧施工进度，合理管理工序衔接是施工区域智能化管理的重要课题。因为隧道施工都是采用流水作业的方式，在一个工作地点，不同的工种在不同时间段完成不同的工序。比如A工种完成工序1，然后B工种完成工序2，然后C工种完成工序3，然后再A工种完成工序1，如此循环。压缩每个工序转换衔接时间成了进度管理的重点。目前在隧道施工的工序衔接上存在如下的几个弊端：1、每次工序的开始施工时间与结束施工时间都由值班人员记录，由于值班人员同时要做其他工作，记录不及时的时候就会出现记录不准确，导致记录与现场失真，不利本文档来自技高网...

【技术保护点】
1.一种基于深度学习的工序衔接目标识别管理方法，其特征在于，包括以下步骤：/n识别头盔上的电子标签以记录工人姓名、工种及对应进场时间，/n获取场地施工图像，并利用ACE算法对图像进行分辨率增强处理，/n基于卷积神经网络及多目标跟踪算法对进入场地的头盔进行识别定位跟踪管理，/n识别电子标签信息记录工人姓名、工种及对应出场时间，/n以出场时间为计时起点，根据预设衔接时间进行提示操作。/n

【技术特征摘要】
1.一种基于深度学习的工序衔接目标识别管理方法，其特征在于，包括以下步骤：
识别头盔上的电子标签以记录工人姓名、工种及对应进场时间，
获取场地施工图像，并利用ACE算法对图像进行分辨率增强处理，
基于卷积神经网络及多目标跟踪算法对进入场地的头盔进行识别定位跟踪管理，
识别电子标签信息记录工人姓名、工种及对应出场时间，
以出场时间为计时起点，根据预设衔接时间进行提示操作。


2.根据权利要求1所述的一种基于深度学习的工序衔接目标识别管理方法，其特征在于，分辨率增强处理的方法为：
f(i,j)＝mx(i,j)+G(i,j)[x(i,j)-mx(i,j)]，
其中，
(i,j)为像素坐标，G(i,j)为图像的高频部分图像分割(CG)的阈值，x(i,j)是输入人物图像图像中某点的灰度值，2n+1为窗口边长，n为整数。


3.根据权利要求1所述的一种基于深度学习的工序衔接目标识别管理方法，其特征在于，所述卷积神经网络为yolov3。


4.根据权利要求3所述的一种基于深度学习的工序衔接目标识别管理方法，其特征在于，所述卷积神经网络的配置文件共有13*13*3+26*26*3+52*52*3个下采样预测信息，每个预测信息对应8个维度，分别是4个坐标值、1个置信度分数、3个安全帽数据集的类别数。


5.根据权利要求1所述的一种基于深度学习的工序衔接目标识别管理方法，其特征在于，所述目标跟踪算法为deepsort预测模型。


6.根据权利要求5所述的一种基于深度学习的工序衔接目标识别管理方法，其特征在于，所述deepsort预测模型进行目标跟踪的方法具体为：
获取识别目标；
建立该识别目标的第一帧状态模型X，其中，u，v，γ，h分别表示第一帧状态时刻目标的位置、纵横比、高度和在图像坐标中对应的位移信息...

【专利技术属性】
技术研发人员：张森，黄学涛，黄思源，吴宏扬，许云侠，谭卓，张可非，杨旭，高松贺，李柯，
申请(专利权)人：四川隧唐科技股份有限公司，
类型：发明
国别省市：四川;51