一种施工场景监控方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供的一种施工场景监控方法、装置、设备及存储介质，属于计算机技术领域。该方法包括：实时采集第一施工图像和第二施工图像；将所述第一施工图像和所述第二施工图像输入预训练卷积神经网络模型，输出目标图像；确定所述目标图像中的施工对象的施工动作和/或运动姿态；根据所述施工动作确定施工质量；和/或，根据所述运动姿态预测所述施工对象的施工安全。本申请可以使得在进行建筑施工时，无需再安排固定的人员进行监督，可以有效降低人工成本；另外，通过图像处理可以做到实时监控，降低人为因素所导致的施工安全事故以及施工质量低下的概率，有效提高施工质量，保证施工安全。证施工安全。证施工安全。

【技术实现步骤摘要】
一种施工场景监控方法、装置、设备及存储介质


[0001]本申请涉及计算机
，具体而言，涉及一种施工场景监控方法、装置、设备及存储介质。

技术介绍

[0002]目前，在建筑施工时，往往还是采用人为监督机制或者是个人自觉机制来控制施工的安全以及施工的质量。
[0003]然而，无论是通过人为监督机制或者是个人自觉机制，在施工过程发生事故的事时有发生，且施工质量也因为人为因素存在质量问题的事件较为常见。
[0004]因此，如何解决上述问题是目前亟需解决的问题。

技术实现思路

[0005]本申请提供一种施工场景监控方法、装置、设备及存储介质，旨在改善上述问题。
[0006]第一方面，本申请提供的一种施工场景监控方法，所述方法包括：
[0007]实时采集第一施工图像和第二施工图像；
[0008]将所述第一施工图像和所述第二施工图像输入预训练卷积神经网络模型，输出目标图像；
[0009]确定所述目标图像中的施工对象的施工动作和/或运动姿态；
[0010]根据所述施工动作确定施工质量；和/或，
[0011]根据所述运动姿态预测所述施工对象的施工安全。
[0012]在一可能的实施例中，所述第一施工图像的尺寸规格小于所述第二施工图像的尺寸规格。
[0013]在一可能的实施例中，将所述第一施工图像和所述第二施工图像输入预训练卷积神经网络模型，输出目标图像，包括：
[0014]分别确定所述第一施工图像和所述第二施工图像中的目标图像位置；
[0015]按照预设裁剪尺寸以所述目标图像位置为中心，裁剪出与所述第一施工图像对应的第一目标图像和与所述第二施工图像对应的第二目标图像；
[0016]将所述第一目标图像和所述第二目标图像输入预训练卷积神经网络模型，输出目标图像。
[0017]在一可能的实施例中，所述预训练卷积神经网络模型包括5个卷积层和3个全连接层。
[0018]在一可能的实施例中，将所述第一目标图像和所述第二目标图像输入预训练卷积神经网络模型，输出目标图像，包括：
[0019]利用5个所述卷积层分别提取所述第一目标图像和所述第二目标图像对应的第一卷积特征和第二卷积特征；
[0020]基于互相关运算将所述第一卷积特征和所述第二卷积特征进行关联，生成第三特
征；
[0021]将所述第三特征输入到3个所述全连接层，输出目标图像。
[0022]在一可能的实施例中，根据所述施工动作确定施工质量，包括：
[0023]获取所述施工动作匹配的施工力度数据；
[0024]获取所述施工力度数据对应的施工质量。
[0025]在一可能的实施例中，所述方法还包括：
[0026]在确定所述施工质量和/或所述施工对象的施工安全不满足预设条件时，发送报警信息至所述施工对象以及监控中心。
[0027]第二方面，本申请还提供一种施工场景监控装置，所述装置包括：
[0028]实时采集模块，用于实时采集第一施工图像和第二施工图像；
[0029]第一处理模块，用于将所述第一施工图像和所述第二施工图像输入预训练卷积神经网络模型，输出目标图像；
[0030]第二处理模块，用于确定所述目标图像中的施工对象的施工动作和/或运动姿态；
[0031]第三处理模块，用于根据所述施工动作确定施工质量；和/或，
[0032]第四处理模块，用于根据所述运动姿态预测所述施工对象的施工安全。
[0033]第三方面，本申请还提供一种电子设备，包括：
[0034]存储器，用于存储可执行指令；
[0035]处理器，用于执行所述存储器中存储的可执行指令时，实现如第一方面任一项所述的施工场景监控方法。
[0036]第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理设备运行时执行如第一方面的任一项所述的施工场景监控方法的步骤。
[0037]上述本申请提供的一种施工场景监控方法、装置、设备及存储介质，本申请通过实时采集第一施工图像和第二施工图像，以利用预训练卷积神经网络模型对该第一施工图像和第二施工图像进行处理，输出目标图像，便于目标图像来确定施工对象的施工动作和/或运动姿态；根据所述施工动作确定施工质量；和/或，根据所述运动姿态预测所述施工对象的施工安全，从而使得在进行建筑施工时，无需再安排固定的人员进行监督，可以有效降低人工成本；另外，通过图像处理可以做到实时监控，降低人为因素所导致的施工安全事故以及施工质量低下的概率，有效提高施工质量，保证施工安全。本申请能够更好地提高监理的效率，工作人员可以快捷地排查安全隐患，加强了施工过程质量和进度控制，极大节省了人力和物力。
附图说明
[0038]为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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。
[0039]图1为本申请第一实施例提供的一种电子设备的结构示意图；
[0040]图2为本申请第二实施例提供的一种施工场景监控方法的流程图；
[0041]图3为图2所示的一种施工场景监控方法中的卷积神经网络模型的示意图。
[0042]图4为本申请第三实施例提供的一种施工场景监控装置的功能模块示意图。
具体实施方式
[0043]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0044]第一实施例
[0045]图1为本申请实施例提供的一种电子设备的结构示意图，在本申请中可以通过图1所示的示意图来描述用于实现本申请实施例的施工场景监控方法、装置的示例的电子设备100。
[0046]如图1所示的一种电子设备的结构示意图，电子设备100包括一个或多个处理器102、一个或多个存储装置104、图像采集装置106，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备可以具有图1示出的部分组件，也可以具有图1未示出的其他组件和结构。
[0047]所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。
[0048]应理解，在本申请实施例中的处理器102可以是中央处理单元(central processing unit，CPU)，该处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种施工场景监控方法，其特征在于，所述方法包括：实时采集第一施工图像和第二施工图像；将所述第一施工图像和所述第二施工图像输入预训练卷积神经网络模型，神经网络可以通过输出图像上特征点的坐标(x,y)，来实现对目标特征的识别和定位标记。确定所述目标图像中的施工对象的施工动作和/或运动姿态；根据所述施工动作确定施工质量；和/或，根据所述运动姿态预测所述施工对象的施工安全。2.根据权利要求1所述的方法，为保证其动作的连续性，第一施工图像与第二施工图像为连续图像，根据距离采集点的距离的远近，所选取的图像大小不尽相同。3.根据权利要求2所述的方法，其特征在于，将所述第一施工图像和所述第二施工图像输入预训练卷积神经网络模型，输出目标图像，包括：分别确定所述第一施工图像和所述第二施工图像中的目标图像位置；按照预设裁剪尺寸以所述目标图像位置为中心，裁剪出与所述第一施工图像对应的第一目标图像和与所述第二施工图像对应的第二目标图像；将所述第一目标图像和所述第二目标图像输入预训练卷积神经网络模型，输出目标图像。4.根据权利要求3所述的方法，其特征在于，所述预训练卷积神经网络模型包括5个卷积层和3个全连接层。5.根据权利要求4所述的方法，其特征在于，将所述第一目标图像和所述第二目标图像输入预训练卷积神经网络模型，输出目标图像，包括：利用5个所述卷积层分别提取所述第一目标图像和所述第二目标图像对应的第一卷积特征和第二卷积特征；基于互相关运算将所...

【专利技术属性】
技术研发人员：汪承志，李鹏飞，李志明，王逸飞，陈东红，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：