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)展和城市化進程的加快，建筑施工項目日益增多，對施工質(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，無法對現(xiàn)場發(fā)生的安全隱患、進度延誤等問題進行實時預(yù)警和干預(yù)，無法自動分析并識別潛在的安全隱患。

3、實時性差：人工巡查無法實現(xiàn)24小時不間斷監(jiān)控，且效率較低，難以及時發(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：需要大量的人力資源進行監(jiān)控和管理，增加了項目的成本負擔。

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)進行智能分析，使得管理層難以獲取準確的現(xiàn)場信息，影響決策質(zhì)量，從而無法實現(xiàn)對施工過程的全局優(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)利用計算機視覺、機器學習等技術(shù)，能夠自動檢測異常行為、識別安全隱患，并提供實時預(yù)警。然而，現(xiàn)有的解決方案往往側(cè)重于單一功能，如人員識別或物體檢測，未能形成一個完整的智能化監(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)，如計算機視覺、深度學習、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、振動傳感器和氣體傳感器；以及包括：監(jiān)控無人機及加載在工程車、塔吊上的定位設(shè)備；

5、所述邊緣計算設(shè)備具有高性能處理器和gpu的計算單元，部署在施工現(xiàn)場用于本地預(yù)設(shè)范圍內(nèi)實時初步的圖像識別和數(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，采用分布式存儲系統(tǒng)，用于處理來自多個施工現(xiàn)場的邊緣計算設(shè)備的海量數(shù)據(jù)，進行數(shù)據(jù)融合、危險識別、施工進度監(jiān)控，以及對視頻流、環(huán)境數(shù)據(jù)、分析結(jié)果進行分類存儲和管理；并將預(yù)警信息推送給對應(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)控數(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算設(shè)備推送的部分分析結(jié)果。

8、進一步地，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模塊用于實時采集自身所在設(shè)備的定位數(shù)據(jù)：包括經(jīng)度、緯度、高程的位置信息，以及時間戳和設(shè)備id。

11、進一步地，所述邊緣計算設(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、振動傳感器、氣體傳感器、監(jiān)控無人機和定位設(shè)備的數(shù)據(jù)；

13、初步處理模塊，用于對采集的溫濕度傳感器、噪聲傳感器、振動傳感器和氣體傳感器數(shù)據(jù)，依次進行均值濾波、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、行為識別模塊，用于根據(jù)采集的所述攝像頭和監(jiān)控無人機的圖像數(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)控無人機的圖像數(shù)據(jù)，利用所述預(yù)訓練的yolov4與lstm聯(lián)合模型，識別并跟蹤人員活動軌跡，生成熱力圖；

16、預(yù)警模塊，當所述行為識別模塊識別到存在違規(guī)行為時，以及當定位設(shè)備的數(shù)據(jù)在所述熱力圖紅色區(qū)域時，通過攝像頭的擴音模塊發(fā)出聲音預(yù)警，以及將警情推送給對應(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；并將行為識別模塊的違規(guī)檢測結(jié)果對應(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)器進行存儲。

18、進一步地，所述行為識別模塊，包括：

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

20、目標檢測單元，利用yolov4模型對每一幀圖像進行實時物體檢測，識別出施工現(xiàn)場中的對象，包括工人、設(shè)備、車輛；

21、特征提取單元，提取對象在圖像中的位置和類別；

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

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

24、違規(guī)行為識別單元，在lstm輸出的基礎(chǔ)上，設(shè)置行為識別的閾值；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，跟蹤每個工人在視頻中的位置變化，獲取連續(xù)的運動軌跡；

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，藍色表示低密度區(qū)域。

29、進一步地，所述云端服務(wù)器，包括：

30、數(shù)據(jù)融合存儲模塊，接收來自多個邊緣計算設(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，進行融合并存儲；

31、危險識別與預(yù)警模塊，通過計算機視覺算法分析施工現(xiàn)場的視頻數(shù)據(jù)，識別潛在的安全隱患，并在識別出危險情況時發(fā)出警報；

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

33、智能決策支持模塊，通過其他各個模塊的分析結(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、進一步地，所述云端服務(wù)器，還包括：

35、深度學習模型訓練與優(yōu)化模塊，用于執(zhí)行預(yù)訓練模型，還用于持續(xù)優(yōu)化和再訓練深度學習模型，以應(yīng)對施工現(xiàn)場動態(tài)變化和不斷更新的風險場景；

36、進一步地，所述數(shù)據(jù)融合存儲模塊，包括：

37、數(shù)據(jù)接收與分類單元，接收數(shù)據(jù)并按照源類型進行初步分類，進入對應(yīng)的數(shù)據(jù)處理隊列；

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

39、分布式存儲單元，采用hdfs或者ceph分布式存儲系統(tǒng)，對大量的原始數(shù)據(jù)和處理后的融合數(shù)據(jù)進行分類存儲。

40、進一步地，所述危險識別與預(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模型中進行時空特征提取，生成一系列時空特征向量；

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

43、風險識別單元，根據(jù)分析結(jié)果，結(jié)合對應(yīng)時間內(nèi)的溫濕度數(shù)據(jù)，識別出隨著時間推移積累的人員疲勞潛在風險，并在識別出危險情況時發(fā)出警報。

44、進一步地，所述施工進度監(jiān)控模塊，包括：

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

46、時間序列分析單元，將現(xiàn)場數(shù)據(jù)與施工計劃進行時間序列對比，判斷實際進度與預(yù)期進度之間的偏差。

47、進一步地，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，實時展示查看施工現(xiàn)場、以及生成分析報告。

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、邊緣計算處理和云端分析，實現(xiàn)了對建筑施工現(xiàn)場的全面監(jiān)控和智能決策支持。系統(tǒng)能夠?qū)崟r檢測安全隱患，優(yōu)化施工進度，并為施工管理人員提供精準的決策支持，顯著提升施工項目的安全性和效率。