一种超高层建筑安全施工智能监管方法、系统及装置与流程

1.本发明涉及施工安全技术领域，特别是涉及一种超高层建筑安全施工智能监管方法、系统及装置。

背景技术：

2.随着城市化的高速发展，以超高层建筑为代表的大型复杂综合体建筑已经逐渐成为城市的发展标志，其中，超高层建筑是指40层以上，高度100米以上的建筑物。超高层建筑施工过程中存在参建单位众多，施工管理跨度大，体量巨大导致作业人员数量多监管难度大，立体交叉作业多，发生一般安全事故概率大，各类大型机械、登高操作平台应用范围广，风险难控制，对周边环境影响巨大等问题。
3.现有的建筑工程施工重大风险评估与预警、监控技术研究主要是从具体实施单位的角度展开，着重从结构可靠度、装备的研发与控制、提高工效等方面着手，侧重监测设置，缺乏必要的管控方法和协调机制，缺少从施工安全监理的角度对施工过程中关键设备及施工人员行为的实时监控与进一步采取应对措施方案。实现超高层建筑安全施工智能监管，对于降低超高层建筑施工的安全风险，减少人员伤亡事故的发生具有重要现实意义。

技术实现要素：

4.本发明的目的是提供一种超高层建筑安全施工智能监管方法、系统及装置，以实现超高层建筑安全施工智能监管，降低超高层建筑施工的安全风险，减少人员伤亡事故的发生。
5.为实现上述目的，本发明提供了如下方案：
6.一种超高层建筑安全施工智能监管方法，所述方法包括如下步骤：
7.获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区视频图像；
8.按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列；
9.基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安全预警；
10.基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警；
11.基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。
12.可选的，所述滑动平均方法包括如下步骤：
13.从预设序列的第一个监测值开始，获取滑动窗口内的多个监测值；所述预设序列为塔吊倾斜度序列或钢平台平整度序列，所述监测值为塔吊倾斜度或钢平台平整度；
14.获取滑动窗口内多个监测值的平均值、超过预警阈值的监测值的个数和不超过预警阈值的监测值的个数；
15.根据滑动窗口内多个监测值的平均值、超过预警阈值的监测值的个数和不超过预警阈值的监测值的个数，判断是否开启监测预警；所述监测预警为塔吊安全预警或钢平台
安全预警；
16.滑动窗口向前移动一个监测值，获取移动后的滑动窗口内的多个监测值，返回步骤“获取滑动窗口内的多个监测值的平均值、超过预警阈值的监测值的个数和不超过预警阈值的监测值的个数”，直到滑动窗口内包含所述预设序列的最后一个监测值。
17.可选的，根据滑动窗口内多个监测值的平均值、超过预警阈值的监测值的个数和不超过预警阈值的监测值的个数，判断是否进行监测预警，具体包括：
18.判断条件va》vd且nb》ns是否成立；其中，va为滑动窗口内多个监测值的平均值，vd为预警阈值，nb为滑动窗口内超过预警阈值的监测值的个数，ns为滑动窗口内不超过预警阈值的监测值的个数；
19.若成立，则进行监测预警；
20.若不成立，则不进行监测预警。
21.可选的，所述基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警，具体包括：
22.将所述施工禁区视频图像输入训练好的yolo-v5(you only look once-version 5，yolo深度学习神经网络第五版)神经网络模型，获得所述施工禁区视频图像上每个人员的目标框；
23.分别计算每个人员的目标框的中心点；
24.判断每个人员的目标框的中心点是否在施工禁区内；
25.若至少一个人员的目标框的中心点在施工禁区内，则进行施工禁区闯入预警，否则，不进行施工禁区闯入预警。
26.可选的，计算目标框的中心点的公式为：
[0027][0028]
其中，c(xc,yc)表示目标框的中心点，(xc,yc)为中心点的坐标，x和y分别为目标框的x轴坐标和y轴坐标，w为目标框的宽度，h为目标框的高度。
[0029]
可选的，所述将所述施工禁区视频图像输入训练好的yolo-v5神经网络模型，获得所述施工禁区视频图像上每个人员的目标框，之前还包括：
[0030]
采集超高层建筑施工现场的包含不同人员的图像并进行标注，获得样本数据集；所述样本数据集包括多个样本数据，每个所述样本数据包括不同人员的图像及标签，所述标签为图像中人员的目标框的位置；
[0031]
基于所述样本数据集采用多尺度训练的方式训练yolo-v5神经网络模型，获得训练后的yolo-v5神经网络模型。
[0032]
一种超高层建筑安全施工智能监管系统，所述系统应用于上述的方法，所述系统包括：
[0033]
数据获取模块，用于获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区视频图像；
[0034]
排序模块，用于按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列；
[0035]
塔吊安全预警模块，用于基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安
全预警；
[0036]
钢平台安全预警模块，用于基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警；
[0037]
施工禁区闯入预警模块，用于基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。
[0038]
一种超高层建筑安全施工智能监管装置，所述装置包括：数据采集端、智能数据处理与分析端及数据实时展示与预警端；
[0039]
所述数据采集端和所述智能数据处理与分析端连接，所述数据采集端用于实时采集超高层建筑施工现场的监测数据，并将所述监测数据发送给所述智能数据处理与分析端；所述监测数据包括：塔吊倾斜度、钢平台平整度及施工禁区视频图像；
[0040]
所述智能数据处理与分析端和所述数据实时展示与预警端连接，所述智能数据处理与分析端用于根据所述监测数据，采用上述的方法进行塔吊安全预警、钢平台安全预警和施工禁区闯入预警，获得预警结果，并将所述监测数据和所述预警结果发送给所述数据实时展示与预警端；
[0041]
所述数据实时展示与预警端用于展示所述监测数据和所述预警结果。
[0042]
可选的，所述数据采集端包括：多个角度传感器和多个视频传感器，多个所述角度传感器布设于超高层建筑施工现场的塔吊和钢平台上，多个所述视频传感器布设于超高层建筑施工现场的施工禁区的不同预设位置。
[0043]
可选的，所述角度传感器和所述智能数据处理与分析端之间采用4g或5g无线网络连接，采用tcp协议交互；
[0044]
所述视频传感器和所述智能数据处理与分析端之间采用有线网络连接，采用udp协议交互。
[0045]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0046]
本发明公开一种超高层建筑安全施工智能监管方法、系统及装置，所述方法包括如下步骤：获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区视频图像；按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列；基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安全预警；基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警；基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。本发明从设备状态角度和人员行动角度，实现了超高层建筑安全施工智能监管，降低了超高层建筑施工的安全风险，减少了人员伤亡事故的发生。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明实施例提供的一种超高层建筑安全施工智能监管方法的流程图；
[0049]
图2为本发明实施例提供的滑动平均方法的流程图；
[0050]
图3为本发明实施例提供的图像识别方法的流程图；
[0051]
图4为本发明实施例提供的yolo-v5神经网络模型的结构图；
[0052]
图5为本发明实施例提供的一种超高层建筑安全施工智能监管装置的结构示意图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，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，都属于本发明保护的范围。
[0054]
本发明的目的是提供一种超高层建筑安全施工智能监管方法、系统及装置，以实现超高层建筑安全施工智能监管，降低超高层建筑施工的安全风险，减少人员伤亡事故的发生。
[0055]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0056]
实施例1
[0057]
如图1所示，本发明实施例提供一种超高层建筑安全施工智能监管方法，所述方法包括如下步骤：
[0058]
步骤101，获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区视频图像；
[0059]
步骤102，按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列。
[0060]
步骤102具体为，将角度传感器采集到的监测值vn按监测时间顺序从左到右排序，构成一个一维有序数列(塔吊倾斜度序列或钢平台平整度序列)：v1，v2，v3，
…
，vn，
…
；监测值为塔吊倾斜度或钢平台平整度。
[0061]
步骤103，基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安全预警。
[0062]
步骤104，基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警。
[0063]
如图2所示，步骤103和步骤104中用到的滑动平均方法具体包括：
[0064]
步骤201：选取窗口大小为9的滑动窗口(9代表连续9次监测，即9个监测值)，将滑动窗口置于有序数列的最左侧(第一个监测数据)，此时有序数列中v
1-v9位于滑动窗口内。
[0065]
步骤202：统计滑动窗口内监测值的平均值va、超过预警阈值vd的监测值个数nb和不超过预警阈值vd的监测值个数ns(vd由施工规范给出)。
[0066]
步骤203：比较va与vd和nb与ns的大小，如果va》vd且nb》ns，则开启监测预警，否则，关闭监测预警。
[0067]
步骤204：滑动窗口前移一个单位(监测值)，重复步骤202和步骤203。
[0068]
步骤105，基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。
[0069]
如图3所示，步骤105具体包括：
[0070]
步骤301：采集工地常见环境下着装多样的人员的图像，构建样本数据集。
[0071]
样本数据集由一组图像及其对应的标签组成。每个标签都包含对该图像的标注，
标注内容包括图像中目标框的位置，目标框中仅包含图片中的一个人。完成所有图片的标注后，按9:1的比例将标注后的图片划分为训练数据集和测试数据集。
[0072]
步骤302：搭建yolo-v5卷积神经网络模型。
[0073]
如图4所示，首先，构建yolo-v5基本组块cbl(conv+bn+leaky relu，卷积层+批量归一化层+leaky修正线性单元)、res unit(residual network unit，残差网络单元)、csp1_x(cross stage partial network 1，跨阶段局部网络1)、csp2_x(cross stage partial network 2，跨阶段局部网络2)、focus(聚焦)和spp(spatial pyramid pooling，空间金字塔池化)。其中，cbl是yolo-v5网络结构中的最小组件，由卷积层conv、bn层和激活函数leaky relu组成，res unit借鉴resnet(residual network，残差网络)中的残差融合，由两个cbl和add(加操作)组成，add作为融合特征的方式，用以整合特征图信息；csp1_x由两个cbl、x个res unit、两个conv、一个bn、concat(连接层)和激活函数leaky relu组成，concat与add类似，是特征融合另一种的方式；csp2_x由2x+1个cbl、两个conv、concat、一个bn和激活函数leaky relu(leaky rectified linearunits，渗漏修正线性单元，是一种激活函数)组成，其构成与csp1_x类似，但有不同的结构，也有不同的作用，csp1_x结构主要应用于backbone(主干网络)，csp2_x主要应用于neck(颈部网络)中；focus由四个slice、concat和一个cbl构成，slice是切片操作；spp由两个cbl、maxpool和concat组成，maxpool是最大池化操作。构建好基本组块后，将模块按照一定的结构搭建，组合成完整的yolo-v5神经网络模型，如图4所示。
[0074]
所述yolo-v5神经网络模型包括backbone、neck、head(头部网络)。backbone用于特征提取；neck对提取到的特征进行混合与组合；head负责进行最终的预测输出。
[0075]
所述backbone包括focus、cbl、csp1_x和spp。focus进行下采样，以减少计算量，加快网络速度；cbl获取特征；csp1_x采用残差结构，以便学习到更多的特征；spp实现局部特征和全局特征的融合。
[0076]
所述neck包括cbl、concat、上采样和csp2_x。concat为特征融合操作；上采样为放大图像的操作；csp2_x结构与csp1_x类似，不同的是csp2_x中使用cbl代替了csp1_x中的res unit，使得csp2_x更适合使用在深度较浅的neck中。
[0077]
所述head主要操作为conv，分别对neck的三个输出进行卷积，得到最终的三个不同尺度的特征图，三个不同大小的特征图分别负责检测不同大小的目标。
[0078]
步骤303：使用构建的样本数据集对搭建好的yolo-v5神经网络模型进行训练。
[0079]
在步骤301构建的样本数据集上对步骤302搭建好的yolo-v5神经网络模型进行训练，初始学习率为0.01，权重衰减(weight decay)为0.0005，输入图像大小为640*640。采用多尺度训练，尺度训练范围0.5-1.5。每隔一定的训练轮数，在尺度训练范围内随机的选取一种尺度，将图片缩放到该尺度之后，对网络模型进行训练。多尺度训练能够变换输入图像的大小，从而提高yolo-v5神经网络模型的鲁棒性与适用范围。
[0080]
步骤304：检测施工禁区视频图像中的人是否闯入施工禁区。
[0081]
使用步骤303训练好的yolo-v5神经网络模型对施工禁区视频图像进行检测，得到施工禁区视频图像上人员的目标框t0(x0,y0,w0,h0),t1(x1,y1,w1,h1),
…
,tn(xn,yn,wn,hn)。利用如下公式计算每个目标框的中心点，得到c0(x
c0
,y
c0
),c1(x
c1
,y
c1
),
…
,cn(x
cn
,y
cn
)。
[0082][0083]
读取施工禁区的位置信息，根据施工禁区的位置信息生成施工禁区的多边形p，采用射线法判断每个目标框的中心点c(xc,yc)是否在施工禁区多边形p内。如果目标框的中心点c(xc,yc)在多边形p内，判断目标框内的人员闯入施工禁区，开启施工禁区闯入预警，若在多边形p外，则判定为目标框内的人员未闯入施工禁区。
[0084]
实施例2
[0085]
本发明实施例2提供一种超高层建筑安全施工智能监管系统，所述系统应用于实施例1的方法，所述系统包括：
[0086]
数据获取模块，用于获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区视频图像。
[0087]
排序模块，用于按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列。
[0088]
塔吊安全预警模块，用于基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安全预警。
[0089]
钢平台安全预警模块，用于基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警。
[0090]
施工禁区闯入预警模块，用于基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。
[0091]
本发明实施例提供的各模块的具体实现步骤与上述实施例1所述的验证方法各步骤的实现方法，及其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述方法实施例的介绍。
[0092]
实施例3
[0093]
如图5所示，本发明实施例3提供一种超高层建筑安全施工智能监管装置包括数据采集端、智能数据处理与分析端和数据实时展示与预警端。数据采集端包括角度传感器和视频传感器，角度传感器分别部署于超高层建筑施工现场的塔吊和钢平台上，实时采集塔吊倾斜度和钢平台平整度，角度传感器和智能数据处理与分析端之间通过4g/5g无线网络连接，通过tcp协议进行交互。视频传感器安装在施工禁区的预设位置，实时采集施工禁区的视频图像，视频传感器和智能数据处理与分析端之间通过有线网络连接，通过udp协议通信。智能数据处理与分析端用于存储管理来自数据采集端的监测数据，集成对人和设备的智能监管算法，通过对监测数据的智能分析实现对塔吊和钢平台安全性及闯入施工禁区行为的智能分析。数据实时展示与预警端接受智能数据处理与分析端的主动服务：智能数据处理与分析端每隔一定的时间间隔t(如10秒)向数据实时展示与预警端主动发送一次最新的监测数据，数据实时展示与预警端可视化展示这些监测数据；智能数据处理与分析端通过智能分析监测到塔吊和钢平台处于非安全状态或有人闯入施工禁区时，主动向数据实时展示与预警端推送异常信息，数据实时展示与预警端接收到异常信息后发出预警。
[0094]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0095]
本发明公开一种超高层建筑安全施工智能监管方法、系统及装置，所述方法包括如下步骤：获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区
视频图像；按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列；基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安全预警；基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警；基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。本发明从设备状态角度和人员行动角度，实现了超高层建筑安全施工智能监管，降低了超高层建筑施工的安全风险，减少了人员伤亡事故的发生。
[0096]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0097]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种超高层建筑安全施工智能监管方法，其特征在于，所述方法包括如下步骤：获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区视频图像；按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列；基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安全预警；基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警；基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。2.根据权利要求1所述的超高层建筑安全施工智能监管方法，其特征在于，所述滑动平均方法包括如下步骤：从预设序列的第一个监测值开始，获取滑动窗口内的多个监测值；所述预设序列为塔吊倾斜度序列或钢平台平整度序列，所述监测值为塔吊倾斜度或钢平台平整度；获取滑动窗口内多个监测值的平均值、超过预警阈值的监测值的个数和不超过预警阈值的监测值的个数；根据滑动窗口内多个监测值的平均值、超过预警阈值的监测值的个数和不超过预警阈值的监测值的个数，判断是否开启监测预警；所述监测预警为塔吊安全预警或钢平台安全预警；滑动窗口向前移动一个监测值，获取移动后的滑动窗口内的多个监测值，返回步骤“获取滑动窗口内的多个监测值的平均值、超过预警阈值的监测值的个数和不超过预警阈值的监测值的个数”，直到滑动窗口内包含所述预设序列的最后一个监测值。3.根据权利要求2所述的超高层建筑安全施工智能监管方法，其特征在于，根据滑动窗口内多个监测值的平均值、超过预警阈值的监测值的个数和不超过预警阈值的监测值的个数，判断是否进行监测预警，具体包括：判断条件v
a
>v
d
且n
b
>n
s
是否成立；其中，v
a
为滑动窗口内多个监测值的平均值，v
d
为预警阈值，n
b
为滑动窗口内超过预警阈值的监测值的个数，n
s
为滑动窗口内不超过预警阈值的监测值的个数；若成立，则进行监测预警；若不成立，则不进行监测预警。4.根据权利要求1所述的超高层建筑安全施工智能监管方法，其特征在于，所述基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警，具体包括：将所述施工禁区视频图像输入训练好的yolo-v5神经网络模型，获得所述施工禁区视频图像上每个人员的目标框；分别计算每个人员的目标框的中心点；判断每个人员的目标框的中心点是否在施工禁区内；若至少一个人员的目标框的中心点在施工禁区内，则进行施工禁区闯入预警，否则，不进行施工禁区闯入预警。5.根据权利要求4所述的超高层建筑安全施工智能监管方法，其特征在于，计算目标框的中心点的公式为：
其中，c(x
c
,y
c
)表示目标框的中心点，(x
c
,y
c
)为中心点的坐标，x和y分别为目标框的x轴坐标和y轴坐标，w为目标框的宽度，h为目标框的高度。6.根据权利要求4所述的超高层建筑安全施工智能监管方法，其特征在于，所述将所述施工禁区视频图像输入训练好的yolo-v5神经网络模型，获得所述施工禁区视频图像上每个人员的目标框，之前还包括：采集超高层建筑施工现场的包含不同人员的图像并进行标注，获得样本数据集；所述样本数据集包括多个样本数据，每个所述样本数据包括不同人员的图像及标签，所述标签为图像中人员的目标框的位置；基于所述样本数据集采用多尺度训练的方式训练yolo-v5神经网络模型，获得训练后的yolo-v5神经网络模型。7.一种超高层建筑安全施工智能监管系统，其特征在于，所述系统应用于权利要求1-6任一项所述的方法，所述系统包括：数据获取模块，用于获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区视频图像；排序模块，用于按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列；塔吊安全预警模块，用于基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安全预警；钢平台安全预警模块，用于基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警；施工禁区闯入预警模块，用于基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。8.一种超高层建筑安全施工智能监管装置，其特征在于，所述装置包括：数据采集端、智能数据处理与分析端及数据实时展示与预警端；所述数据采集端和所述智能数据处理与分析端连接，所述数据采集端用于实时采集超高层建筑施工现场的监测数据，并将所述监测数据发送给所述智能数据处理与分析端；所述监测数据包括：塔吊倾斜度、钢平台平整度及施工禁区视频图像；所述智能数据处理与分析端和所述数据实时展示与预警端连接，所述智能数据处理与分析端用于根据所述监测数据，采用权利要求1-6任一项所述的方法进行塔吊安全预警、钢平台安全预警和施工禁区闯入预警，获得预警结果，并将所述监测数据和所述预警结果发送给所述数据实时展示与预警端；所述数据实时展示与预警端用于展示所述监测数据和所述预警结果。9.根据权利要求8所述的超高层建筑安全施工智能监管装置，其特征在于，所述数据采集端包括：多个角度传感器和多个视频传感器，多个所述角度传感器布设于超高层建筑施工现场的塔吊和钢平台上，多个所述视频传感器布设于超高层建筑施工现场的施工禁区的不同预设位置。10.根据权利要求9所述的超高层建筑安全施工智能监管装置，其特征在于，所述角度
传感器和所述智能数据处理与分析端之间采用4g或5g无线网络连接，采用tcp协议交互；所述视频传感器和所述智能数据处理与分析端之间采用有线网络连接，采用udp协议交互。

技术总结

本发明公开一种超高层建筑安全施工智能监管方法、系统及装置，所述方法包括如下步骤：获取实时采集的超高层建筑施工现场的塔吊倾斜度、钢平台平整度和施工禁区视频图像；按照采集时间的先后顺序分别对实时采集的塔吊倾斜度和钢平台平整度进行排序，生成塔吊倾斜度序列和钢平台平整度序列；基于所述塔吊倾斜度序列采用滑动平均方法进行塔吊安全预警；基于所述钢平台平整度序列采用滑动平均方法进行钢平台安全预警；基于所述施工禁区视频图像采用图像识别方法进行施工禁区闯入预警。本发明从设备状态角度和人员行动角度，实现了超高层建筑安全施工智能监管，降低了超高层建筑施工的安全风险，减少了人员伤亡事故的发生。减少了人员伤亡事故的发生。减少了人员伤亡事故的发生。