本發(fā)明涉及建筑施工及人工智能，更具體的說是涉及一種基于人工智能的建筑施工現(xiàn)場智能監(jiān)控系統(tǒng)。

背景技術(shù)：

1、目前，隨著建筑業(yè)的發(fā)展和城市化進(jìn)程的加快，建筑施工項(xiàng)目日益增多，對(duì)施工質(zhì)量和安全的要求也越來越高，施工現(xiàn)場的管理與監(jiān)控變得尤為重要。傳統(tǒng)的建筑施工現(xiàn)場監(jiān)控主要依賴人工巡查和簡單的視頻監(jiān)控系統(tǒng)，這種方式存在以下不足之處：

2、數(shù)據(jù)處理能力有限：傳統(tǒng)的視頻監(jiān)控系統(tǒng)只能記錄視頻數(shù)據(jù)，僅起到事后取證的作用，無法對(duì)現(xiàn)場發(fā)生的安全隱患、進(jìn)度延誤等問題進(jìn)行實(shí)時(shí)預(yù)警和干預(yù)，無法自動(dòng)分析并識(shí)別潛在的安全隱患。

3、實(shí)時(shí)性差：人工巡查無法實(shí)現(xiàn)24小時(shí)不間斷監(jiān)控，且效率較低，難以及時(shí)發(fā)現(xiàn)并響應(yīng)緊急情況。且人工監(jiān)控易受主觀判斷、疲勞和經(jīng)驗(yàn)不足等因素的影響，難以全天候、高精度地監(jiān)控施工現(xiàn)場。

4、資源浪費(fèi)：需要大量的人力資源進(jìn)行監(jiān)控和管理，增加了項(xiàng)目的成本負(fù)擔(dān)。

5、決策支持不足：現(xiàn)有的監(jiān)控系統(tǒng)缺乏數(shù)據(jù)挖掘與分析功能，無法充分利用海量的施工數(shù)據(jù)進(jìn)行智能分析，使得管理層難以獲取準(zhǔn)確的現(xiàn)場信息，影響決策質(zhì)量，從而無法實(shí)現(xiàn)對(duì)施工過程的全局優(yōu)化。

6、為了解決上述問題，近年來出現(xiàn)了將人工智能技術(shù)應(yīng)用于建筑施工監(jiān)控的新趨勢。這些系統(tǒng)利用計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等技術(shù)，能夠自動(dòng)檢測異常行為、識(shí)別安全隱患，并提供實(shí)時(shí)預(yù)警。然而，現(xiàn)有的解決方案往往側(cè)重于單一功能，如人員識(shí)別或物體檢測，未能形成一個(gè)完整的智能化監(jiān)控體系，難以滿足現(xiàn)代建筑施工管理的需求。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于人工智能的建筑施工現(xiàn)場智能監(jiān)控系統(tǒng)，該系統(tǒng)融合了多種ai技術(shù)，如計(jì)算機(jī)視覺、深度學(xué)習(xí)、物聯(lián)網(wǎng)（iot）以及大數(shù)據(jù)分析，旨在克服現(xiàn)有系統(tǒng)的局限性，并提升施工現(xiàn)場的安全性、效率和整體管理水平。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、本發(fā)明提供一種基于人工智能的建筑施工現(xiàn)場智能監(jiān)控系統(tǒng)，包括：現(xiàn)場傳感設(shè)備、邊緣計(jì)算設(shè)備、云端服務(wù)器和客戶終端；

4、其中，所述現(xiàn)場傳感設(shè)備包括：設(shè)置在施工現(xiàn)場的攝像頭、溫濕度傳感器、噪聲傳感器、振動(dòng)傳感器和氣體傳感器；以及包括：監(jiān)控?zé)o人機(jī)及加載在工程車、塔吊上的定位設(shè)備；

5、所述邊緣計(jì)算設(shè)備具有高性能處理器和gpu的計(jì)算單元，部署在施工現(xiàn)場用于本地預(yù)設(shè)范圍內(nèi)實(shí)時(shí)初步的圖像識(shí)別和數(shù)據(jù)分析處理，并將處理后的數(shù)據(jù)傳輸給云端服務(wù)器以及將部分分析結(jié)果推送給客戶端；

6、所述云端服務(wù)器為服務(wù)器集群，采用分布式存儲(chǔ)系統(tǒng)，用于處理來自多個(gè)施工現(xiàn)場的邊緣計(jì)算設(shè)備的海量數(shù)據(jù)，進(jìn)行數(shù)據(jù)融合、危險(xiǎn)識(shí)別、施工進(jìn)度監(jiān)控，以及對(duì)視頻流、環(huán)境數(shù)據(jù)、分析結(jié)果進(jìn)行分類存儲(chǔ)和管理；并將預(yù)警信息推送給對(duì)應(yīng)的客戶終端；

7、所述客戶終端用于展示、查詢施工現(xiàn)場的監(jiān)控?cái)?shù)據(jù)，并接收云端服務(wù)器推送的預(yù)警信息以及接收邊緣計(jì)算設(shè)備推送的部分分析結(jié)果。

8、進(jìn)一步地，所述工程車、塔吊上的定位設(shè)備，包括：

9、安裝在工程車輛的車頂或駕駛室頂部的gps和rtk模塊；以及安裝在塔吊吊臂末端或頂部的gps和rtk模塊；

10、所述gps和rtk模塊用于實(shí)時(shí)采集自身所在設(shè)備的定位數(shù)據(jù)：包括經(jīng)度、緯度、高程的位置信息，以及時(shí)間戳和設(shè)備id。

11、進(jìn)一步地，所述邊緣計(jì)算設(shè)備，包括：

12、采集模塊，用于采集所述攝像頭、溫濕度傳感器、噪聲傳感器、振動(dòng)傳感器、氣體傳感器、監(jiān)控?zé)o人機(jī)和定位設(shè)備的數(shù)據(jù)；

13、初步處理模塊，用于對(duì)采集的溫濕度傳感器、噪聲傳感器、振動(dòng)傳感器和氣體傳感器數(shù)據(jù)，依次進(jìn)行均值濾波、卡爾曼濾波消除噪聲，并再采用異常檢測算法dbscan或孤立森林算法將異常值刪除；

14、行為識(shí)別模塊，用于根據(jù)采集的所述攝像頭和監(jiān)控?zé)o人機(jī)的圖像數(shù)據(jù)，輸入到從所述云端服務(wù)器下載的預(yù)訓(xùn)練的yolov4與lstm聯(lián)合模型，輸出檢測到的違規(guī)行為；

15、熱力圖生成模塊，用于根據(jù)采集的所述攝像頭和監(jiān)控?zé)o人機(jī)的圖像數(shù)據(jù)，利用所述預(yù)訓(xùn)練的yolov4與lstm聯(lián)合模型，識(shí)別并跟蹤人員活動(dòng)軌跡，生成熱力圖；

16、預(yù)警模塊，當(dāng)所述行為識(shí)別模塊識(shí)別到存在違規(guī)行為時(shí)，以及當(dāng)定位設(shè)備的數(shù)據(jù)在所述熱力圖紅色區(qū)域時(shí)，通過攝像頭的擴(kuò)音模塊發(fā)出聲音預(yù)警，以及將警情推送給對(duì)應(yīng)的客戶端；

17、傳輸模塊，用于將初步處理模塊處理后的數(shù)據(jù)、熱力圖上傳給云端服務(wù)器；并將行為識(shí)別模塊的違規(guī)檢測結(jié)果對(duì)應(yīng)的視頻片段、預(yù)警模塊的預(yù)警信息發(fā)送給云端服務(wù)器進(jìn)行存儲(chǔ)。

18、進(jìn)一步地，所述行為識(shí)別模塊，包括：

19、數(shù)據(jù)輸入單元，將固定攝像頭和監(jiān)控?zé)o人機(jī)采集的視頻流，統(tǒng)一圖像尺寸，并按照時(shí)間順序排列，作為輸入數(shù)據(jù)；

20、目標(biāo)檢測單元，利用yolov4模型對(duì)每一幀圖像進(jìn)行實(shí)時(shí)物體檢測，識(shí)別出施工現(xiàn)場中的對(duì)象，包括工人、設(shè)備、車輛；

21、特征提取單元，提取對(duì)象在圖像中的位置和類別；

22、時(shí)間序列建模單元，將yolov4檢測到的特征按時(shí)間順序輸入到lstm中，捕捉時(shí)間維度的特征變化，分析連續(xù)幀之間的行為模式；

23、行為分類單元，lstm模型通過分析時(shí)間序列中的特征變化，識(shí)別特定行為模式，輸出行為的類別及其對(duì)應(yīng)的置信度；

24、違規(guī)行為識(shí)別單元，在lstm輸出的基礎(chǔ)上，設(shè)置行為識(shí)別的閾值；若輸出行為的置信度超過設(shè)定的閾值，則判定為違規(guī)行為。

25、進(jìn)一步地，所述熱力圖生成模塊，包括：

26、特征跟蹤單元，利用yolov4模型的輸出結(jié)果，結(jié)合物體跟蹤算法，跟蹤每個(gè)工人在視頻中的位置變化，獲取連續(xù)的運(yùn)動(dòng)軌跡；

27、軌跡累積單元，將所有檢測到的人員軌跡累積到施工現(xiàn)場的地圖上，每個(gè)位置的軌跡累積次數(shù)將作為熱力圖的基礎(chǔ)數(shù)據(jù)；

28、熱力圖可視化單元，根據(jù)軌跡累積的密度生成熱力圖，使用不同顏色表示不同密度區(qū)域；紅色表示高密度區(qū)域，藍(lán)色表示低密度區(qū)域。

29、進(jìn)一步地，所述云端服務(wù)器，包括：

30、數(shù)據(jù)融合存儲(chǔ)模塊，接收來自多個(gè)邊緣計(jì)算設(shè)備的數(shù)據(jù)流，包括視頻流、傳感器數(shù)據(jù)、熱力圖以及初步的分析結(jié)果，進(jìn)行融合并存儲(chǔ)；

31、危險(xiǎn)識(shí)別與預(yù)警模塊，通過計(jì)算機(jī)視覺算法分析施工現(xiàn)場的視頻數(shù)據(jù)，識(shí)別潛在的安全隱患，并在識(shí)別出危險(xiǎn)情況時(shí)發(fā)出警報(bào)；

32、施工進(jìn)度監(jiān)控模塊，用于基于數(shù)據(jù)分析判斷施工進(jìn)度；

33、智能決策支持模塊，通過其他各個(gè)模塊的分析結(jié)果，提供優(yōu)化施工方案、預(yù)測工期延誤、調(diào)配資源的決策支持。

34、進(jìn)一步地，所述云端服務(wù)器，還包括：

35、深度學(xué)習(xí)模型訓(xùn)練與優(yōu)化模塊，用于執(zhí)行預(yù)訓(xùn)練模型，還用于持續(xù)優(yōu)化和再訓(xùn)練深度學(xué)習(xí)模型，以應(yīng)對(duì)施工現(xiàn)場動(dòng)態(tài)變化和不斷更新的風(fēng)險(xiǎn)場景；

36、進(jìn)一步地，所述數(shù)據(jù)融合存儲(chǔ)模塊，包括：

37、數(shù)據(jù)接收與分類單元，接收數(shù)據(jù)并按照源類型進(jìn)行初步分類，進(jìn)入對(duì)應(yīng)的數(shù)據(jù)處理隊(duì)列；

38、時(shí)空數(shù)據(jù)融合單元，采用時(shí)空數(shù)據(jù)融合算法將不同來源的數(shù)據(jù)在時(shí)間和空間維度上進(jìn)行融合；

39、分布式存儲(chǔ)單元，采用hdfs或者ceph分布式存儲(chǔ)系統(tǒng)，對(duì)大量的原始數(shù)據(jù)和處理后的融合數(shù)據(jù)進(jìn)行分類存儲(chǔ)。

40、進(jìn)一步地，所述危險(xiǎn)識(shí)別與預(yù)警模塊，包括：

41、視頻輸入單元，將連續(xù)的包含人物多幀視頻輸入到c3d模型中進(jìn)行時(shí)空特征提取，生成一系列時(shí)空特征向量；

42、行為分析單元，將所述時(shí)空特征向量輸入到transformer模型中，通過自注意力機(jī)制分析視頻中的長時(shí)間行為模式；

43、風(fēng)險(xiǎn)識(shí)別單元，根據(jù)分析結(jié)果，結(jié)合對(duì)應(yīng)時(shí)間內(nèi)的溫濕度數(shù)據(jù)，識(shí)別出隨著時(shí)間推移積累的人員疲勞潛在風(fēng)險(xiǎn)，并在識(shí)別出危險(xiǎn)情況時(shí)發(fā)出警報(bào)。

44、進(jìn)一步地，所述施工進(jìn)度監(jiān)控模塊，包括：

45、數(shù)據(jù)收集單元，從施工管理系統(tǒng)中獲取施工計(jì)劃，包括各階段的預(yù)計(jì)完成時(shí)間和任務(wù)描述；以及收集現(xiàn)場數(shù)據(jù)，包括：從現(xiàn)場傳感器、邊緣計(jì)算設(shè)備收集的施工設(shè)備運(yùn)行時(shí)間、材料使用量；

46、時(shí)間序列分析單元，將現(xiàn)場數(shù)據(jù)與施工計(jì)劃進(jìn)行時(shí)間序列對(duì)比，判斷實(shí)際進(jìn)度與預(yù)期進(jìn)度之間的偏差。

47、進(jìn)一步地，所述云端服務(wù)器，還包括：

48、人工交互模塊，用于接收所述客戶端的操作指令，實(shí)時(shí)展示查看施工現(xiàn)場、以及生成分析報(bào)告。

49、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種基于人工智能的建筑施工現(xiàn)場智能監(jiān)控系統(tǒng)，通過結(jié)合現(xiàn)場數(shù)據(jù)采集、邊緣計(jì)算處理和云端分析，實(shí)現(xiàn)了對(duì)建筑施工現(xiàn)場的全面監(jiān)控和智能決策支持。系統(tǒng)能夠?qū)崟r(shí)檢測安全隱患，優(yōu)化施工進(jìn)度，并為施工管理人員提供精準(zhǔn)的決策支持，顯著提升施工項(xiàng)目的安全性和效率。