一种基于云平台的在建工程项目质量安全实时监测方法与流程

1.本发明涉及质量监控领域，具体是指一种基于云平台的在建工程项目质量安全实时监测方法。

背景技术：

2.目前，在建的工程项目质量安全控制的主力军仍是驻场监理工程师和专业安全员日常巡检或者专项检查，这种方式固然重要，但是难免出漏检或者延时性。于是，许多在建工程项目都逐渐的引入协同管理平台来辅助管理项目过程中各参建方的协调工作，但这些平台的系统大部分功能只是一些可视化或者事务性的功能，比如审批流程，包括一些质量安全巡检流程单、支付申请单、监理通知单等，从而使得这些系统最后就变为一个文件归档类的作用。此外，很多事务性的功能都还是事后补充的，不仅没有到达及时反馈、及时解决的效果，而且还会造成经济损失。因此，目前就亟需一种能智能感知现场质量安全问题的实时管理系统或方法，从而达到发现问题能及时处理，以便能更好地服务于在建工程项目的目的。

技术实现要素：

3.本发明的目的在于克服上述问题，提供一种基于云平台的在建工程项目质量安全实时监测方法。
4.本发明通过以下技术方案来实现：一种基于云平台的在建工程项目质量安全实时监测方法，主要包括以下步骤：
5.s100、系统获取并存储有质量安全问题的图像数据；
6.s200、当系统累计的图像数据达到预置的阈值时，开始搭建yolo模型并生成损失函数，该预置的阈值的取值为10000。
7.s300、采用批量梯度下降法训练yolo模型参数，对生成的损失函数求偏导、误差反向传播、不断迭代，直到达到设定的预期识别精度，形成训练好的yolo模型；
8.s400、系统实时获取施工现场摄像头返回的实时视频流数据；
9.s500、系统对获取的实时视频流数据进行捕捉成图像，并将该图像输入到已经训练好的yolo模型中进行识别，输出质量问题或者安全问题的验证程度；
10.s600、当验证程度为严重或者特别严重时，系统立即将该数据推送给现场的质量安全相关人员进行处理。
11.进一步地，步骤s200中所述的“yolo模型”，其包含24个用于提取图像特征的卷积层以及2个用于预测图像位置和类别概率值的全连接层。
12.步骤s200中所述的“损失函数”为图像预测数据与标定数据之间的误差，其包括坐标位置误差、包含是否有对象置信度误差、对象分类误差，其计算公式为：loss＝loss
coord
+loss
obj
+loss
classes
，
13.其中，loss
coord
表示坐标预测误差，衡量预测框和真实框的差异，其计算公式为：
[0014][0015]
λ
coord
——坐标误差的权重；
[0016]
——判断第i个网格中的第j个检测框是否有对象误差，其计算公式为
[0017][0018]
其中，pr(obj)——表示有无对象，无取0，有取1；
[0019]
——预测框与真实框之间的交集/并集的比值；
[0020]
xi——对象的真实x坐标；
[0021]
yi——对象的真实y坐标；
[0022]
——对象的预测x坐标；
[0023]
——对象的预测y坐标；
[0024]
loss
obj
表示包含对象的检测框的置信度误差+不包含对象的检测框的置信度误差，衡量是否有目标，其计算公式为：
[0025][0026]
——对象的预测类别；
[0027]ci
——对象的真实类别；
[0028]
λ
noobj
——不包含对象置信度的误差权重；
[0029]
loss
classes
表示类别预测误差，衡量目标的类别，其计算公式为：
[0030][0031]
——判断是否有对象中心落在网格i中。
[0032]
为确保本发明的运行效果，步骤s300中所述的“设定的预期识别精度”，该预期识别精度的正确率要达到80％以上。
[0033]
步骤s500中所述的“验证程度”分为四个等级，分别是一般、较严重、严重及特别严重。
[0034]
本发明与现有技术相比，具有以下优点及有益效果：
[0035]
1、本发明能有效的改变现有施工工地质量安全控制的监管模式，实现了线上和线下双重监理，能为工程质量和安全提供可靠的保障。
[0036]
2、本发明充分的将云平台的沉淀的海量图像数据与yolo算法相结合，再结合现场的摄像头实时传输的数据，能动态、直观的得出验证程度值，能有效避免监理工程师漏检和未及时发现重大质量安全问题带来的不必要损失。
[0037]
3、本发明充分利用了现有人为已标定的样本数据作为模型的训练样本，即把yolo模型识别出正确的测试样本又作为模型的训练样本，有效的实现了模型训练样本的自扩充，使得yolo模型的识别精度和鲁棒性增强。
附图说明
[0038]
图1为本发明的整体流程结构示意图。
具体实施方式
[0039]
下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。
[0040]
实施例
[0041]
本实施例的整体工作原理是：以云平台所采集的有质量问题和安全问题的图像数据为基础，搭建起yolo网络模型，然后通过梯度下降法训练好网络参数，再通过云平台对从工地现场的摄像头返回的视频数据进行捕捉，传入到yolo模型中进行识别，如果发现重大、特别重大的质量或者安全问题，就通过云平台立即推送到现场的专业监理工程师，让他们及时处理相应的质量或者安全问题，从而避免造成进一步的损失。
[0042]
如图1所示，本实施例所述的基于云平台的在建工程项目质量安全实时监测方法，其主要包括以下步骤：
[0043]
s100、系统获取并存储有质量安全问题的图像数据。
[0044]
在该步骤中，工地现场的相关质量安全负责人员，比如监理工程师巡检或者专检时，会把所发现的质量安全问题进行拍照，并进行框选标记。本实施例中将质量安全问题的严重程度分为4个等级，分别是一般、较严重、严重、特别严重。所有工地现场的相关质量安全负责人员都需要按照要求，把所发现的有质量安全问题的图像上传至系统的协同管理平台中供系统存储和备用。
[0045]
s200、当系统累计的图片或视频数据达到预置的阈值时，开始搭建yolo模型并生成损失函数。
[0046]
所述的yolo模型将整个检测网络结构分为24个卷积层和2个全连接层，其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。
[0047]
在本步骤中，所述的“损失函数”为图像预测数据与标定数据之间的误差，其包括坐标位置误差、包含是否有对象置信度误差、对象分类误差。
[0048]
该损失函数的计算公式为：loss＝loss
coord
+loss
obj
+loss
classes
。
[0049]
其中，loss
coord
表示坐标预测误差，衡量预测框和真实框的差异，其计算公式为：
[0050][0051]
λ
coord
为坐标误差的权重，为判断第i个网格中的第j个检测框是否有对象误差。
[0052]
的其计算公式为：其中，pr(obj)表示有无对象，无对象取0，有对象则取1。
[0053]
为预测框与真实框之间的交集/并集的比值，其中，xi为对象的真实x坐标，yi为对象的真实y坐标，为对象的预测x坐标，为对象的预测y坐标。
[0054]
loss
obj
表示包含对象的检测框的置信度误差+不包含对象的检测框的置信度误差，衡量是否有目标，其计算公式为：
[0055][0056]
为对象的预测类别，ci为对象的真实类别，λ
noobj
为不包含对象置信度的误差权重。
[0057]
loss
classes
表示类别预测误差，衡量目标的类别，其计算公式为：
[0058][0059]
——判断是否有对象中心落在网格i中。
[0060]
s300、采用批量梯度下降法训练yolo模型参数，对生成的损失函数求偏导、误差反向传播、不断迭代，直到达到设定的预期识别精度，形成训练好的yolo模型。
[0061]
s400、系统实时获取施工现场摄像头返回的实时视频流数据。
[0062]
s500、系统对获取的实时视频流数据进行捕捉成图像，并将该图像输入到已经训练好的yolo模型中进行识别，输出质量问题或者安全问题的验证程度。
[0063]
该步骤中，经过模型的计算，输出质量问题或者安全问题的验证程度分为四个级别，分别是数值(1,0,0,0)代表一般，数值(0,1,0，0)代表较严重，数值(0,0,1,0)代表严重，数值(0,0,0,1)代表特别严重。
[0064]
s600、当验证程度为严重或者特别严重时，系统立即将该数据推送给现场的质量安全相关人员进行处理。
[0065]
如上所述，便可很好的实现本发明。

技术特征：

1.一种基于云平台的在建工程项目质量安全实时监测方法，其特征在于，主要包括以下步骤：s100、系统获取并存储有质量安全问题的图像数据；s200、当系统累计的图像数据达到预置的阈值时，开始搭建yolo模型并生成损失函数；s300、采用批量梯度下降法训练yolo模型参数，对生成的损失函数求偏导、误差反向传播、不断迭代，直到达到设定的预期识别精度，形成训练好的yolo模型；s400、系统实时获取施工现场摄像头返回的实时视频流数据；s500、系统对获取的实时视频流数据进行捕捉成图像，并将该图像输入到已经训练好的yolo模型中进行识别，输出质量问题或者安全问题的验证程度；s600、当验证程度为严重或者特别严重时，系统立即将该数据推送给现场的质量安全相关人员进行处理。2.根据权利要求1所述的一种基于云平台的在建工程项目质量安全实时监测方法，其特征在于，步骤s200中所述的“yolo模型”，其包含24个用于提取图像特征的卷积层以及2个用于预测图像位置和类别概率值的全连接层。3.根据权利要求1或2所述的一种基于云平台的在建工程项目质量安全实时监测方法，其特征在于，步骤s200中所述的“损失函数”为图像预测数据与标定数据之间的误差，其包括坐标位置误差、包含是否有对象置信度误差、对象分类误差，其计算公式为：loss＝loss
coord
+loss
obj
+loss
classes
，其中，loss
coord
表示坐标预测误差，衡量预测框和真实框的差异，其计算公式为：λ
coord
——坐标误差的权重；——判断第i个网格中的第j个检测框是否有对象误差，其计算公式为其中，pr(obj)——表示有无对象，无取0，有取1；——预测框与真实框之间的交集/并集的比值；x
i
——对象的真实x坐标；y
i
——对象的真实y坐标；——对象的预测x坐标；——对象的预测y坐标；loss
obj
表示包含对象的检测框的置信度误差+不包含对象的检测框的置信度误差，衡量是否有目标，其计算公式为：量是否有目标，其计算公式为：——对象的预测类别；c
i
——对象的真实类别；
λ
noobj
——不包含对象置信度的误差权重；loss
classes
表示类别预测误差，衡量目标的类别，其计算公式为：表示类别预测误差，衡量目标的类别，其计算公式为：——判断是否有对象中心落在网格i中。4.根据权利要求3所述的一种基于云平台的在建工程项目质量安全实时监测方法，其特征在于，步骤s300中所述的“设定的预期识别精度”，该预期识别精度的正确率要达到80％以上。5.根据权利要求4所述的一种基于云平台的在建工程项目质量安全实时监测方法，其特征在于，步骤s500中所述的“验证程度”分为四个等级，分别是一般、较严重、严重及特别严重。6.根据权利要求1所述的一种基于云平台的在建工程项目质量安全实时监测方法，其特征在于，步骤s200中所述的“预置的阈值”的取值为10000。

技术总结

本发明公开了一种基于云平台的在建工程项目质量安全实时监测方法，主要包括S100、系统获取并存储有质量安全问题的图像数据；S200、当系统累计的图像数据达到预置的阈值时，开始搭建YOLO模型并生成损失函数；S300、采用批量梯度下降法训练yolo模型参数，对生成的损失函数求偏导、误差反向传播、不断迭代，直到达到设定的预期识别精度，形成训练好的yolo模型等步骤。本发明充分的将云平台的沉淀的海量图像数据与YOLO算法相结合，再结合现场的摄像头实时传输的数据，能动态、直观的得出验证程度值，能有效避免监理工程师漏检和未及时发现重大质量安全问题带来的不必要损失。重大质量安全问题带来的不必要损失。重大质量安全问题带来的不必要损失。