CN118607905B - 一种基于深度学习的建筑施工进度监督管理方法 - Google Patents

Abstract

本发明涉及建筑施工管理领域，具体涉及一种基于深度学习的建筑施工进度监督管理方法。该方法首先利用摄像机采集图像并实时传输到服务器存储；接着采用基于Retinex的算法和归一化处理对图像进行预处理，提升图像质量和对比度；然后将Mask R ‑ CNN和Cascade R ‑ CNN结合并引入Transformer模块对目标进行施工进度检测，提高检测速度和精度；随后实时获取新图像进行在线分析，与施工计划对比评估并生成进度报告；最后定期检查设备运行状态，根据施工进度和需求变化更新模型和算法。此方法能提高施工进度监督管理的效率和准确性，为项目管理人员提供及时决策依据，确保建筑项目顺利进行。

Description

一种基于深度学习的建筑施工进度监督管理方法

技术领域

本发明涉及建筑施工管理领域，具体涉及一种基于深度学习的建筑施工进度监督管理方法。

背景技术

在建筑施工领域，对施工进度进行有效的监督管理是确保项目按时完成的关键。传统的施工进度监督管理主要依赖人工检查和记录，这种方式不仅效率低下，而且容易出现误差和遗漏。随着建筑项目规模的不断扩大和复杂度的提高，传统方法已难以满足实际需求。近年来，深度学习技术在图像识别、目标检测等领域取得了显著进展，为建筑施工进度监督管理提供了新的思路和方法。通过使用摄像机采集施工现场的图像，并运用深度学习算法对这些图像进行分析和处理，可以实现对施工进度的实时监测和准确评估。

然而，目前在建筑施工进度监督管理中应用深度学习技术仍面临一些挑战。例如，施工现场的图像可能受到光照、角度等因素的影响，导致图像质量不佳，从而影响后续的目标检测和分析。此外，现有的深度学习模型在处理复杂的施工现场场景时，可能存在检测精度不高、速度较慢等问题。因此，本发明突出一种基于深度学习的建筑施工进度监督管理方法，能够提高施工进度监督管理的效率和准确性，确保建筑项目的顺利进行。

发明内容

本发明针对上述传统的施工进度监督管理所存在的技术问题，提出一种基于深度学习的建筑施工进度监督管理方法。为了达到上述目的，本发明包括以下步骤：

S1、首先利用摄像机采集图像，将采集到的图像实时传输到服务器进行分类存储；

S2、接着采用基于 Retinex 的自适应高动态范围图像局部色调映射算法和归一化处理对图像进行预处理，提升图像的质量和对比度，使得后续的目标检测更加准确；

S3、其次将Mask R-CNN和Cascade R-CNN结合起来对目标进行施工进度检测，提高目标检测的速度和精度；

S4、然后实时获取新采集的图像，进行在线分析，将分析结果与施工计划进行对比评估，生成详细的进度报告；

S5、最后定期检查摄像机和网络设备的运行状态，根据施工进度和需求的变化，更新模型和算法。

作为优选，所述步骤S2采用基于 Retinex 的自适应高动态范围图像局部色调映射算法和归一化处理对图像进行预处理的步骤为：

S21、首先图像表示为物体反射率和光照分量的乘积：，为了获取物体的反射率，需要从图像中去除光照分量；

S22、然后使用多尺度Retinex算法通过对图像进行多尺度的高斯滤波来估计光照 分量，并从原图像中去除这些估计的光照分量，对于每个尺度，高斯滤波器的定义如下：对于每个像素，光照分量的估计为：其中，表示卷积操作；反射率的估 计为：最终的反射率为各尺度反射率的加权平均：其中，为每个尺度的权重；

S23、随后提高图像的质量，对多尺度Retinex输出的图像进行局部色调映射，使用 基于图像的局部对比度和亮度分布来调整像素值，公式为：其 中，为输入图像，为输出图像， 分别为输入图像的最大值 和最小值；

S24、最后将图像的像素值调整到一个标准范围，对图像进行归一化处理，归一化 的公式为：其中，为原图像的像素值，为归一化 后的像素值。

作为优选，所述步骤S3将Mask R-CNN和Cascade R-CNN结合的方法，通过级联的方式逐步细化检测和分割结果，并引入Transformer模块以捕捉更全局的上下文信息计算最终的施工进度，具体的实施步骤如下：

S31、首先使用Swin Transformer来提取特征，将图像划分为4×4的块，每块展平为向量，再将每个块的向量通过线性嵌入层映射到高维特征空间；

S32、其次利用多个注意力头，在不同的子空间中并行处理，从而捕捉更多样化的 特征表示：，其中代表维度；Q，K，V分别是Query、Key和 Value，Query向量就起到了寻找相关信息的作用，Key向量决定了哪些输入位置的信息对当 前Query来说最重要，Value向量代表每个位置上我们认为对后续处理有价值的信息；

S33、接着使用移位窗口技术，将窗口划分和计算移位，交替进行，从而捕捉跨窗口的全局信息，然后进行层归一化，以稳定训练过程；

S34、其次定义损失函数，其中是交叉熵损失，表示Dice损失，是权重系数；

S35、然后使用AdamW优化器进行模型训练，AdamW优化器：，其中是模型参数，是学习率，分别是动量估计和梯度 平方的指数加权移动平均，是防止除零的稳定项，是权重衰减系数，根据模型的性能调 整学习率、批量大小超参数；

S36、接下来进行模型评估与调优，使用平均精度均值、交并比指标评估模型性能，根据评估结果调整模型超参数，进行数据增强和正则化处理；

S37、接着使用训练好的模型对施工现场图像进行分割，根据分割结果计算每个目 标区域的面积，使用像素数和图像分辨率转换公式，将像素数转换为实际面积：，其中是目标区域的像素数，表示图像的像素密度；

S38、最后假定施工区域的总面积，根据分割结果中已完成部分的面积计算施工进度百分比：。

作为优选，所述步骤S4在线分析施工进度进行预测和评估的具体实现过程为：

S41、首先根据当前施工现场的实际情况，结合历史数据和当前进度，生成详细的施工进度报告；

S42随后将施工进度报告提供给项目管理人员，以便及时做出决策和调整施工计划；

S43、其次对分析结果进行可视化处理，生成图表和图像，以便于项目管理人员直观了解施工进度和潜在问题；

S44、最后对比当前施工进度和原计划，识别进度偏差和可能的延误原因，并提供改进建议。

与现有技术相比，本发明的优点和积极效果在于：1、通过采用基于Retinex的自适应高动态范围图像局部色调映射算法和归一化处理对图像进行预处理，提升了图像的质量和对比度，使得后续的目标检测更加准确。

2、将Mask R - CNN和Cascade R - CNN结合起来，并引入Transformer模块，提高了目标检测的速度和精度，能够更好地捕捉全局的上下文信息。

3、能够实时获取新采集的图像进行在线分析，并与施工计划进行对比评估，生成详细的进度报告，为项目管理人员提供及时的决策依据。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。

实施例，在建筑施工过程中，有效的施工进度监督管理至关重要。传统的施工进度监督管理方法往往依赖人工检查和报告，存在效率低下、准确性不高的问题。随着深度学习技术的发展，为建筑施工进度的监督管理提供了新的解决方案。通过利用摄像机采集图像，并结合深度学习算法对图像进行分析，可以实现对施工进度的实时监测和准确评估，提高施工管理的效率和质量。然而，目前的相关技术在图像预处理、目标检测以及施工进度分析等方面仍存在一些不足，需要改进和优化。因此，本发明提出了一种基于深度学习的建筑施工进度监督管理方法。首先进行现场勘查，分析施工现场的布局和光照条件，确定初步的摄像机安装位置和角度；然后结合施工方案，识别施工过程中的关键环节和重点区域，调整摄像机的安装位置和角度；接着通过试运行拍摄测试图像，对图像的覆盖范围和清晰度进行评估，必要时调整摄像机的安装位置和角度；最后确定最终的摄像机安装位置和角度，并固定安装，确保在施工过程中摄像机能够稳定工作。

进一步的对与图像数据的处理来说，区别于传统的图像处理方式，本发明所采用 基于 Retinex 的自适应高动态范围图像局部色调映射算法，采用此种算法和归一化处理 的步骤为：首先图像表示为物体反射率和光照分量的乘积：，为了获取物体的反射率，需要从图像中去除光照分量；然后使用多尺度Retinex算法通过对图像进行多尺度的高斯滤波来估计光照分量，并从原图像中去除这些估计的光照分量，对于每个尺度，高斯滤波器 的定义如下：对于每个像素，光照分量的估计 为：其中，表示卷积操作；反射率的估计为：最终的反射率为各尺度反射率的加权平均：其中，为每个尺度的权重；随后提高图像的质量，对多尺度Retinex 输出的图像进行局部色调映射，使用基于图像的局部对比度和亮度分布来调整像素值，公 式为：其中，为输入图像，为输出图像，分别为输入图像的最大值和最小值；最后将图像的像素值调整到一个标 准范围，对图像进行归一化处理，归一化的公式为：其中，为原图像的像素值，为归一化后的像素值。经过处理后图像细节、色彩还 原、对比度都得到了改善。

考虑到需要对图像信息进行检测，本发明结合Mask R-CNN和Cascade R-CNN，并引 入Transformer模块，可以通过多级优化和全局特征捕捉显著提升目标检测和实例分割的 精度和鲁棒性。这种方法较传统方式能够更好地适应建筑施工等复杂场景，提供更高质量 的检测结果。具体步骤为首先使用Swin Transformer来提取特征，将图像划分为4×4的块， 每块展平为向量，再将每个块的向量通过线性嵌入层映射到高维特征空间；其次利用多个 注意力头，在不同的子空间中并行处理，从而捕捉更多样化的特征表示：，其中代表维度；Q，K，V分别是Query、Key和Value， Query向量就起到了寻找相关信息的作用，Key向量决定了哪些输入位置的信息对当前 Query来说最重要，Value向量代表每个位置上我们认为对后续处理有价值的信息；接着使 用移位窗口技术，将窗口划分和计算移位，交替进行，从而捕捉跨窗口的全局信息，然后进 行层归一化，以稳定训练过程；

其次定义损失函数，其中是交叉熵损失，表 示Dice损失，是权重系数；然后使用AdamW优化器进行模型训练，AdamW优化器：，其中是模型参数，是学习率，分别是动量估计和梯度 平方的指数加权移动平均，是防止除零的稳定项，是权重衰减系数，根据模型的性能调 整学习率、批量大小超参数；接下来进行模型评估与调优，使用平均精度均值、交并比指标 评估模型性能，根据评估结果调整模型超参数，进行数据增强和正则化处理；接着使用训练 好的模型对施工现场图像进行分割，根据分割结果计算每个目标区域的面积，使用像素数 和图像分辨率转换公式，将像素数转换为实际面积：，其中是目标区域的 像素数，表示图像的像素密度；最后假定施工区域的总面积，根据分割结果中已完 成部分的面积计算施工进度百分比：。

接着考虑到需要实时获取新采集的建筑施工图像，进行建筑施工进度在线分析。本发明首先根据当前施工现场的实际情况，结合历史数据和当前进度，生成详细的施工进度报告；随后将施工进度报告提供给项目管理人员，以便及时做出决策和调整施工计划；其次对分析结果进行可视化处理，生成图表和图像，以便于项目管理人员直观了解施工进度和潜在问题；最后对比当前施工进度和原计划，识别进度偏差和可能的延误原因，并提供改进建议。

最后需要对摄像头设备作定期的检查，根据检查结果，对摄像机和网络设备进行必要的维护和调整，包括清洁镜头、更换损坏的部件、调整摄像机角度；根据施工进度和需求的变化，定期更新深度学习模型和算法，确保模型和算法的准确性和实时性；记录每次检查和维护的结果，形成日志，以便于后续参考和追踪设备状态。通过这些方式能够实时获取和分析建筑施工图像数据，生成详细的施工进度报告和可视化结果，帮助项目管理人员及时做出决策和调整施工计划，提高建筑施工管理的效率和准确性。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (2)

1.一种基于深度学习的建筑施工进度监督管理方法，其特征在于，包括以下步骤：

S1、首先利用摄像机采集图像，将采集到的图像实时传输到服务器进行分类存储；

S2、接着采用基于Retinex的自适应高动态范围图像局部色调映射算法和归一化处理对图像进行预处理，提升图像的质量和对比度，使得后续的目标检测更加准确；

S3、其次将Mask R-CNN和Cascade R-CNN结合起来对目标进行施工进度检测，提高目标检测的速度和精度；

S4、然后实时获取新采集的图像，进行在线分析，将分析结果与施工计划进行对比评估，生成详细的进度报告；

S5、最后定期检查摄像机和网络设备的运行状态，根据施工进度和需求的变化，更新模型和算法。

所述步骤S2采用基于Retinex的自适应高动态范围图像局部色调映射算法和归一化处理对图像进行预处理的步骤为：

S21、首先图像I(x,y)表示为物体反射率R(x,y)和光照分量L(x,y)的乘积：I(x,y)＝R(x,y)·L(x,y)，为了获取物体的反射率R(x,y)，需要从图像中去除光照分量L(x,y)；

S22、然后使用多尺度Retinex算法通过对图像进行多尺度的高斯滤波来估计光照分量L(x,y)，并从原图像中去除这些估计的光照分量，对于每个尺度s，高斯滤波器G(x,y,s)的定义如下：对于每个像素(x,y)，光照分量L_s(x,y)的估计为：L_s(x,y)＝I(x,y)*G(x,y,s)其中，*表示卷积操作；反射率R_s(x,y)的估计为：R_s(x,y)＝log[I(x,y)]-log[L_s(x,y)]最终的反射率R(x,y)为各尺度反射率的加权平均：其中，ω_s为每个尺度的权重；

S23、随后提高图像的质量，对多尺度Retinex输出的图像进行局部色调映射，使用基于图像的局部对比度和亮度分布来调整像素值，公式为：其中，I_in(x,y)为输入图像，I_out(x,y)为输出图像，max(I_in)，min(I_in)分别为输入图像的最大值和最小值；

S24、最后将图像的像素值调整到一个标准范围，对图像进行归一化处理，归一化的公式为：其中，I(x,y)为原图像的像素值，I_norm(x,y)为归一化后的像素值。

所述步骤S3将Mask R-CNN和Cascade R-CNN结合的方法，通过级联的方式逐步细化检测和分割结果，并引入Transformer模块以捕捉更全局的上下文信息计算最终的施工进度，具体的实施步骤如下：

S31、首先使用Swin Transformer来提取特征，将图像划分为4×4的块，每块展平为向量，再将每个块的向量通过线性嵌入层映射到高维特征空间；

S32、其次利用多个注意力头，在不同的子空间中并行处理，从而捕捉更多样化的特征表示：其中d_k代表维度；Q，K，V分别是Query、Key和Value，Query向量就起到了寻找相关信息的作用，Key向量决定了哪些输入位置的信息对当前Query来说最重要，Value向量代表每个位置上我们认为对后续处理有价值的信息；

S33、接着使用移位窗口技术，将窗口划分和计算移位，交替进行，从而捕捉跨窗口的全局信息，然后进行层归一化，以稳定训练过程；

S34、其次定义损失函数μ＝αμ_{corss-entropy}+βμ_Dice，其中μ_{corss-entropy}是交叉熵损失，μ_Dice表示Dice损失，α，β是权重系数；

S35、然后使用AdamW优化器进行模型训练，AdamW优化器：其中θ_t是模型参数，η是学习率，分别是动量估计和梯度平方的指数加权移动平均，ε是防止除零的稳定项，λ是权重衰减系数，根据模型的性能调整学习率、批量大小超参数；

S36、接下来进行模型评估与调优，使用平均精度均值、交并比指标评估模型性能，根据评估结果调整模型超参数，进行数据增强和正则化处理；

S37、接着使用训练好的模型对施工现场图像进行分割，根据分割结果计算每个目标区域的面积，使用像素数和图像分辨率转换公式，将像素数转换为实际面积：其中N_pixels是目标区域的像素数，PPI表示图像的像素密度；

S38、最后施工区域的总面积A_total，根据分割结果中已完成部分的面积A_completed计算施工进度百分比：

2.根据权利要求1所述的一种基于深度学习的建筑施工进度监督管理方法，其特征在于，所述步骤S4在线分析施工进度进行预测和评估的具体实现过程为：

S41、首先根据当前施工现场的实际情况，结合历史数据和当前进度，生成详细的施工进度报告；

S42随后将施工进度报告提供给项目管理人员，以便及时做出决策和调整施工计划；

S43、其次对分析结果进行可视化处理，生成图表和图像，以便于项目管理人员直观了解施工进度和潜在问题；

S44、最后对比当前施工进度和原计划，识别进度偏差和延误原因，并提供改进建议。