【技術實現步驟摘要】
本專利技術涉及安全監管，具體是指基于人工智能的建筑工程安全監管方法。
技術介紹
1、建筑工程安全監管方法是利用大數據技術來提高施工現場的安全性、監控效率和事故預防能力。但是一般建筑工程安全監管方法存在無法精確地識別和定位圖像中對象和區域，識別安全隱患能力弱，對建筑工地圖像分割時存在誤檢和漏檢，無法準確地識別復雜的建筑結構和細節的問題；一般建筑工程安全監管方法存在無法處理建筑工地樣本分布不均衡導致分類準確性和泛化能力弱的問題。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本專利技術提供了基于人工智能的建筑工程安全監管方法，針對一般建筑工程安全監管方法存在無法精確地識別和定位圖像中對象和區域，識別安全隱患能力弱，對建筑工地圖像分割時存在誤檢和漏檢，無法準確地識別復雜的建筑結構和細節的問題，本方案利用測地距離和自適應權重函數，提高了對建筑工地圖像圖像分割的精度和魯棒性；結合邊緣密度的信息，使得在處理復雜建筑工地場景時表現更佳，能夠準確區分建筑物與背景，處理噪聲和細節復雜的建筑工地圖像；針對一般建筑工程安全監管方法存在無法處理建筑工地樣本分布不均衡導致分類準確性和泛化能力弱的問題，本方案將建筑工地數據集建模為不平衡分類問題，并引入強化學習框架，能夠更好地處理不同類別之間的樣本分布不均衡，提高模型的分類準確性和泛化能力；通過近端策略優化，裁剪概率比率并更新策略梯度，控制更新幅度，提高模型的穩定性和收斂速度；通過定義綜合考慮策略梯度損失、值函數損失和策略熵的評論家網絡損失函數，能夠有
2、本專利技術采取的技術方案如下：本專利技術提供的基于人工智能的建筑工程安全監管方法，該方法包括以下步驟：
3、步驟s1：數據采集；
4、步驟s2：圖像分割；
5、步驟s3：預訓練；
6、步驟s4：建立建筑工程安全預測模型；
7、步驟s5：建筑工程安全監管。
8、進一步地，在步驟s1中，所述數據采集是采集建筑工地歷史圖像數據，對采集的建筑工地歷史圖像數據進行數據標注；標注類型為正常行為和異常風險等級。
9、進一步地，在步驟s2中，所述圖像分割具體包括以下步驟：
10、步驟s21：定義測地距離；定義像素點vi和種子點vk的測地距離；表示如下：
11、；
12、式中，d(·)是測地距離；是選擇中的最小值；是連接像素點vi和種子點vk的所有路徑的集合；p是可能路徑；n是路徑上的像素點數；是指示函數，表示路徑中的像素點是否連接；d(·)是歐氏距離；xf和xm分別是第f個和第m個像素點；f是像素點索引；
13、步驟s22：定義相似性；基于測地距離定義相似性；所用公式如下：
14、；
15、式中，g是像素點和種子點的相似性；δ是調節因子；n是所有像素點的總數；
16、步驟s23：定義權重函數；使用固定大小的窗口計算邊緣密度，構建權重因子并最終構建自適應權重函數；表示如下：
17、；
18、；
19、；
20、式中，和分別是像素點(i,j)和(k,f)處的邊緣密度；是用于判斷邊緣密度的高低的閾值；是計算權重因子的閾值；是邊緣強度；m是窗口內包含的像素數量；是像素點之間的自適應權重；gi和gj是灰度值；hi和hj是梯度值；
21、步驟s24：圖像分割；基于建筑物和背景之間的邊界區域選擇種子點；根據選定的種子點和圖像中各像素點之間的測地距離；基于圖像的灰度信息和測地距離信息，計算權重函數；并基于隨機游走算法對建筑工地歷史圖像數據進行圖像分割。
22、進一步地，在步驟s3中，所述預訓練具體包括以下步驟：
23、步驟s31：建立預訓練模型；將建筑工地歷史圖像數據作為數據集并劃分為測試集和訓練集；基于深度神經網絡對數據集生成預訓練分類模型；
24、步驟s32：設計獎勵函數模型；構建獎勵函數模型，通過預訓練模型處理輸入圖像x并生成分類預測y；獎勵函數模型的目的是評估分類預測的準確性，并作為強化學習階段的獎勵信號來源；獎勵函數基于的輸出確定，表示如下：
25、；
26、式中，是獎勵函數模型點的損失函數；是獎勵函數模型；是圖像x的真實標簽。
27、進一步地，在步驟s4中，所述建立建筑工程安全預測模型具體包括以下步驟：
28、步驟s41：引入強化學習；將數據集建模為不平衡分類馬爾可夫決策過程，智能體通過策略執行動作，從環境中獲取獎勵；表示如下：
29、；
30、式中，是對于策略期望獲得的獎勵；r是對圖像x分類為a后獲得的獎勵，具體是從數據集d中隨機采樣的圖像x，具體是在給定圖像x的情況下，基于策略π對x進行分類為a；
31、步驟s42：引入近端策略優化；基于近端策略優化策略梯度，通過廣義優勢估計計算優勢函數，優化目標為最大化累積期望獎勵值；表示如下：
32、；
33、；
34、式中，是折扣因子；是對圖像執行最優策略的預期獎勵；是控制前視程度的參數；和分別是時刻t?+1和時刻t+1的誤差；是近端策略優化的策略梯度損失函數；<msub><mover><mi>e</mi><mo stretchy="true">?</mo></mover><mi>t</mi></msub><mi>[·]</mi>是在時間步t上對實際經驗數據取期望；是策略，是在給定狀態執行動作的概率；
35、步驟s43：信任區域策略優化；裁剪概率比率并更新策略梯度；表示如下：
36、；
37、；
38、；
39、式中，是優化操作符；是當前策略參數；是舊策略下，在給定狀態執行動作的概率；<mi>kl[</mi><msub><mi>π</mi><mi>ψ old</mi></msub><mi>·</mi></mfenced><mi>,</mi><msub><mi>π</mi><mi>ψ</mi></msub><mi>(·)]</mi>是舊策略和新策略之間的kl散度；是概率比率；是策略梯度損失函數；是對概率比率進行裁剪；
40、步驟s44：定義損失函數；評論家網絡損失函數定義如下：
41、；
42、式中，是評論本文檔來自技高網...
【技術保護點】
1.基于人工智能的建筑工程安全監管方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的基于人工智能的建筑工程安全監管方法，其特征在于：在步驟S2中，所述圖像分割具體包括以下步驟：
3.根據權利要求1所述的基于人工智能的建筑工程安全監管方法，其特征在于：在步驟S4中，所述建立建筑工程安全預測模型具體包括以下步驟：
4.根據權利要求2所述的基于人工智能的建筑工程安全監管方法，其特征在于：在步驟S3中，所述預訓練具體包括以下步驟：
5.根據權利要求1所述的基于人工智能的建筑工程安全監管方法，其特征在于：在步驟S1中，對采集的建筑工地歷史圖像數據進行數據標注；標注類型為正常行為和異常風險等級。
6.根據權利要求1所述的基于人工智能的建筑工程安全監管方法，其特征在于：在步驟S5中，所述建筑工程安全監管是基于建立完成的建筑工程安全預測模型；實時采集并輸入建筑工地圖像數據；預先設有異常風險等級閾值，若建筑工程安全預測模型對建筑工地圖像數據的預測是非正常行為且異常風險等級高于異常風險等級閾值，則進行預警處理。
【技術特征摘要】
1.基于人工智能的建筑工程安全監管方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的基于人工智能的建筑工程安全監管方法，其特征在于：在步驟s2中，所述圖像分割具體包括以下步驟：
3.根據權利要求1所述的基于人工智能的建筑工程安全監管方法，其特征在于：在步驟s4中，所述建立建筑工程安全預測模型具體包括以下步驟：
4.根據權利要求2所述的基于人工智能的建筑工程安全監管方法，其特征在于：在步驟s3中，所述預訓練具體包括以下步驟：
...
【專利技術屬性】
技術研發人員：薛琛，黃昌勇，賈治偉，張國華，楊楠，袁正超，劉秋深，
申請(專利權)人：山東科發建設工程有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。