一种施工安全检查的方法和装置
文献发布时间:2023-06-19 11:35:49
技术领域
本公开涉及建筑施工领域,特别涉及一种施工安全检查的方法、装置、电子设备及计算机可读存储介质。
背景技术
目前,随着技术的发展,安全意识的提高,法治的不断完善进步,在建筑物施工过程中的监测越来越普遍和规划,除了施工单位自身的监测,第三方的机构也会被委托进行施工过程监测。监测的项目包括施工标准、施工质量、建材质量、实际与设计的误差等等。
然而,无论是施工单位自身的监测还是第三方机构的监测,都存在耗费大量人力、物力且容易弄虚作假的情况,为建筑物的质量埋下安全隐患,严重的甚至在施工中就发生安全事故,危及作业人员安全。
因此,急需一种施工安全检查的方法,通过利用物联网传感器和大数据技术,无需人工,用更低的成本监测建筑物的施工安全的诸多检查项目,能够自动的确定施工阶段,以及定量的检查项目是否符合标准。
发明内容
有鉴于此,本公开实施例的目的在于提供一种施工安全检查的方法,通过利用物联网传感器和大数据技术,无需人工,用更低的成本监测建筑物的施工安全的诸多检查项目,能够自动的确定施工阶段,以及定量的检查项目是否符合标准。
根据本公开的第一方面,提供了一种施工安全检查的方法,包括:
获取建筑施工设计图纸,提取所述建筑施工设计图纸的建筑施工设计信息;
根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类;
调取本地大数据档案,对比上一次监测与本次监测的工程进展,确定项目所处的阶段,生成重点监测项目和非重点监测项目;
针对所述重点监测项目,获取现场图像和测量数据,并结合自动监测的数据生成监测结果;
针对所述非重点项目,由物联网传感器的数据直接生成监测结果。
在一个可能的实施例中,其中,所述根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类包括:利用所述建筑施工设计信息,结合监测项目和现场勘察数据,通过深度学习模型,生成物联网传感器的部署位置和种类。
在一个可能的实施例中,其中,所述深度学习模型包括:
编码层,由多个长短期记忆网络组成;
四个隐含层,由多个卷积神经元组成;
解码层,由多个长短期记忆网络组成。
在一个可能的实施例中,所述重点监测项目至少包括:深基坑监测和现浇混凝土结构模板安装质量监测。
根据本公开的第二方面,提供了一种施工安全检查的装置,包括:
建筑施工设计单元,用于获取建筑施工设计图纸,提取所述建筑施工设计图纸的建筑施工设计信息,根据所述建筑施工设计信息;
传感器部署单元,用于根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类;
大数据监测单元,用于调取本地大数据档案,对比上一次监测与本次监测的工程进展,确定项目所处的阶段,生成重点监测项目和非重点监测项目;针对所述重点监测项目,获取现场图像和测量数据,并结合自动监测的数据生成监测结果;针对所述非重点项目,由物联网传感器的数据直接生成监测结果。
在一个可能的实施例中,其中,所述根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类包括:利用所述建筑施工设计信息,结合监测项目和现场勘察数据,通过深度学习模型,生成物联网传感器的部署位置和种类。
在一个可能的实施例中,其中,所述深度学习模型包括:
编码层,由多个长短期记忆网络组成;
四个隐含层,由多个卷积神经元组成;
解码层,由多个长短期记忆网络组成。
在一个可能的实施例中,所述重点监测项目至少包括:深基坑监测和现浇混凝土结构模板安装质量监测。
根据本公开的第三方面,提供一种电子设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的方法。
根据本公开的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有可执行指令,该指令被处理器执行时使处理器执行如第一方面所述的方法。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。通过附图所示,本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本申请的主旨。
图1示出了根据本公开实施例的典型的施工安全检查的方法的示意图。
图2示出了根据本公开实施例的典型的深基坑监测项目的示意图。
图3示出了根据本公开实施例的典型的现浇混凝土结构模板安装质量监测项目的示意图。
图4示出了根据本公开实施例的典型的深度学习模型的示意图。
图5示出了根据本公开实施例的典型的施工安全检查的装置的示意图。
图6示出了用于实现本公开实施例的电子设备的结构示意图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思,除非上下文另外明确指出。此外,在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
传统的施工安全监测方法中,需要人工进行测量,录入数据,容易被篡改,而且花费的时间较多,效率低。
有一种利用大数据自动比对的工程检查方法,依赖于人工布置传感器的点位,且传感器主要采集的是图像信息,比对的主要是施工的阶段,无法做到精细化的监测。
因此,急需一种施工安全检查的方法,通过利用物联网传感器和大数据技术,无需人工,用更低的成本监测建筑物的施工安全的诸多检查项目,能够自动的确定施工阶段,以及定量的检查项目是否符合标准。
本公开的技术方案提供了一种施工安全检查的方法,通过利用物联网传感器和大数据技术,无需人工,首先能够自动的确定施工阶段,再定量的检查项目是否符合标准,因此,能以更低的成本监测建筑物的施工安全的诸多检查项目,无法人为修改,更加可靠、智能、高效。
以下结合附图详细描述本公开。
图1示出了根据本公开实施例的典型的施工安全检查的方法的示意图。
如图1所示的施工安全检查的方法的示意图,步骤101:获取建筑施工设计图纸,提取所述建筑施工设计图纸的建筑施工设计信息;步骤102:根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类;步骤103:调取本地大数据档案,对比上一次监测与本次监测的工程进展,确定项目所处的阶段,生成重点监测项目和非重点监测项目;步骤104:针对所述重点监测项目,获取现场图像和测量数据,并结合自动监测的数据生成监测结果;针对所述非重点项目,由物联网传感器的数据直接生成监测结果。
在步骤101中,获取建筑施工设计图纸,提取所述建筑施工设计图纸的建筑施工设计信息,该设计信息主要包括建筑物施工设计的有关信息,为下一步计算如何部署物联网传感器提供数据支撑。
在一个可能的实施例中,提取所述建筑施工设计图纸的建筑施工设计信息可以是,对CAD图纸进行预处理,按照建筑阶段进行分类,至少包括深基坑阶段和现浇混凝土结构楼板阶段,以及其中窗户、楼梯等具体项目的建筑分类。构建建筑二维CAD图纸中的竖直剖面图、水平剖面图、侧面图和屋顶俯视图之间的三维空间位置关系,通过标注各图纸上的相互对应的辅助基准点,得到各个视图图纸的三维空间关系模型。针对其中重叠或者相距很近的矢量点、矢量线进行合并,得到建筑分类阶段子模型,对各个子模型的进行整合,根据各图纸上的相互对应的辅助基准点得到建筑整体三维模型。
在另一个可能的实施例中,也可以通过建筑信息模型BIM(Building InformationModeling,建筑信息塑模或建筑信息模型)获取建筑施工设计信息。也可以使用其他方法获取建筑施工设计信息,本公开对此不做限制。
在步骤102中,根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类。
在一个可能的实施例中,所述根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类包括:利用所述建筑施工设计信息,结合监测项目和现场勘察数据,通过深度学习模型,生成物联网传感器的部署位置和种类。
步骤103:调取本地大数据档案,对比上一次监测与本次监测的工程进展,确定项目所处的阶段,生成重点监测项目和非重点监测项目。
在一个可能的实施例中,本公开的方法将对每一个施工工程建档,并将档案保存在本地,无需通过无线或有线网络传输数据至云端或远程服务器,因为有些工地处于信号不畅的地区,虽然通过云端传输的方式已经普通广泛的采用,但这并不适合极端情况。
对于同一个施工工程的监测,不同时间的监测结果会被打上一个不可篡改的时间标签,该时间标签以及对应的结果一般情况不可修改,如果确有错误需要修改,也会打上表示已修改的相关标记和修改原因。
在上一次监测不存在时,即本次监测为第一次监测时,则会进行初始化建档的工作,将监测时的数据,以及项目名称、监测时间、监测方法、监测标准等信息录入。
基于步骤102部署的传感器的采集数据,通过调取之前时间标签的档案,可以得到目前的项目所处的施工阶段。在得到施工阶段之后,每一个施工阶段的重点监测项目和非重点监测项目,可以由提前设定好的表格得到。
在一个可能的实施例中,现场的物联网传感器包括安装在云台上的摄像设备,可以安装在多个位置,调整云台角度可以改变拍摄角度和视场。将拍摄的图像输入经过训练的基于CNN的神经网络中,可以设别出施工现场的施工阶段。也可以使用别的方法识别出本次监测项目的施工阶段,本公开对此不做限制。
在步骤104中,针对所述重点监测项目,获取现场图像和测量数据,并结合自动监测的数据生成监测结果;针对所述非重点项目,则由物联网传感器的数据直接生成监测结果。
在一个可能的实施例中,重点监测项目可以由相关人员在现场拍摄、测量,再结合物联网传感器自动采集的数据,一起生成监测结果。
这样的有益技术效果是,利用人工复核的方法消除了自动化采集可能带来的错误。当人工拍摄、测量的数据与自动化物联网传感器的数据差距过大时,可以及时的修正,寻找原因,解决问题。如果两者的差距在可以接受的范围内,则消除了人们对监测结果的不信任和质疑。这样有效的减少了工作量,只针对重点监测项目进行。而针对所述非重点项目,则由物联网传感器的数据直接生成监测结果。
图2示出了根据本公开实施例的典型的深基坑监测项目的示意图。
图3示出了根据本公开实施例的典型的现浇混凝土结构模板安装质量监测项目的示意图。
如图2和图3所示,每一个建筑施工阶段都至少包括这两个重要的阶段,即深基坑监测和现浇混凝土结构模板安装质量监测,每一个阶段的需要的具体监测项目,以及使用哪一种物联网传感器都显示在表格中,其中,重点的监测项目,可以根据施工标准、要求、惯例、工程经验等,由工程师提前设定好,非重点监测项目则不用特别设定,可以默认为未设定为重点监测项目的剩余项目。
建筑物施工过程中,最基础和重要的阶段之一是深基坑阶段,这一阶段的主要监测项目有:支撑轴力、锚杆轴力、地下水位、立柱结构竖向位移、支护桩(墙)、边坡顶部竖向、水平位移、地表沉降、地下管线竖向位移、建(构)筑物竖向位移、建(构)筑物裂缝、桥梁墩台竖向位移、桥梁墩柱倾斜、桥梁裂缝等,使用的物联网传感器包括自动全站仪、应变计、轴力计、裂缝计、测斜仪等。
另一个主要的阶段是现浇混凝土结构楼板阶段,这一阶段的主要监测项目有:轴线位置、底模上表面标高、层高垂直度、相邻两板表面高低差、表面平整度、阴阳角、预埋铁件(中心线位移)、预埋管、螺栓(中心线位移、外露长度)、预留孔洞(中心线位移、尺寸)、门窗洞口(中心线位移、宽高、对角线)、插筋(中心线位移、外露长度)等。
因此,可以根据所述建筑施工设计信息,计算出该如何部署这些用来自动化监测的物联网传感器,这些传感器至少包括:自动全站仪、应变计、轴力计、裂缝计、测斜仪,以及视频测量设备。这些传感器都具有自动读取测量数据和传输的功能,现有技术中这些传感器较为普遍,本公开不再赘述。部署的含义包括两个方面的内容:部署的传感器种类和位置。
图4示出了根据本公开实施例的典型的深度学习模型的示意图。
在一个可能的实施例中,所述深度学习模型,其输入层401和输出层406的结构包括多个长短期记忆网络,每个网络内部结构包括单元状态和隐含状态。所述深度学习的隐含层具有四层结构,包括含有8个节点的第一隐含层402、含有6个节点的第二隐含层403、含有4个节点的第三隐含层404、含有3个节点的第四隐含层405,每个隐含层的节点都是具有卷积核的神经网络节点,可以提取相关的隐含信息。
将建筑施工设计信息,包括通过步骤101提取的建筑整体三维模型、现场勘查数据以及监测项目、标准和规范输入所述深度学习模型之后,将会得到本次监测所需使用的物联网传感器种类以及部署位置。在施工建设监测中,有很多的标准和规范,由此确定哪些地方需要监测。目前,监测点位的设计一般是依靠工程师的经验,在设计阶段就确定的。具体的,根据本公开的技术方案,可以将建筑设计、施工、监测的标准和规范,作为所述深度学习模型的输入,通过四层隐含层之间的全连接节点,提取出建筑整体三维模型、现场勘查数据、监测项目、标准和规范这四类不同信息之间的隐含关系,生成适应目标建筑以及目标建筑的施工阶段的监测点位,即物联网传感器的种类和位置。
优选的,本公开的一个可能的实施例通过四个隐含层,提取了建筑施工设计信息、现场勘查情况、监测项目各自的特征,以及传感器监测目标的特征,传感器种类和位置的空间连接关系的特征,以及相关的标准、规范,再通过合理设计的样本集、训练集,以及合适的训练方法,最终得到高效、低耗、鲁棒性强的训练后的模型。实验显示,含有四个隐含层的模型比常规的含有二个或三个隐含层的模型,更能挖掘出不同类型信息的隐含关系,经过实验,其效果的精确性比常规的深度学习模型训练出的模型效果提高百分之二十以上。
在一个可能的实施例中,训练时通过反向传播学习模型参数,并利用测试集验证。针对每个层,反向传播的梯度都将乘以它的输入的局部梯度,因此得到了整个网络的输出对于每一层的输入的梯度。由于利用了存储的中间结果的梯度来对每一次的训练梯度表进行填充,从而只需计算表中的每个节点对应的表中的一个位置,该位置存储的就是该节点的梯度。这样避免了重复计算公共表达式,使得训练时的计算量减小了n倍,因此,虽然模型的复杂度提高了,但并未显著增加模型训练所耗费的时间和计算资源。
在一个可能的实施例中,如图5所示,隐含层之间是全连接的结构,但也可以是半连接的结构或其他结构,通过调整训练方法和样本集、训练集去达到相似的技术效果,本公开对此不做限制。
通过本公开的技术方案,可以实现无需人工,能够自动的确定施工阶段,再定量的检查项目是否符合标准,因此,能以更低的成本监测建筑物的施工安全的诸多检查项目,无法人为修改,更加可靠、智能、高效。尤其在部署传感器的位置上,无需依靠人工经验,自动化的得到了部署传感器的种类和位置,摆脱了实际作业中长期依赖人的经验,由于传感器部署位置有了精确的设定依据和方法论,使得监测水平、监测精度和监测过程的规范得到了较大的提高。
图5示出了根据本公开实施例的典型的施工安全检查的装置的示意图。
施工安全检查的装置500,包括:
建筑施工设计单元501,用于获取建筑施工设计图纸,提取所述建筑施工设计图纸的建筑施工设计信息;
传感器部署单元502,用于根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类;
大数据监测单元503,用于调取本地大数据档案,对比上一次监测与本次监测的工程进展,确定项目所处的阶段,生成重点监测项目和非重点监测项目;针对所述重点监测项目,获取现场图像和测量数据,并结合自动监测的数据生成监测结果;针对所述非重点项目,由物联网传感器的数据直接生成监测结果。
在一个可能的实施例中,其中,所述根据所述建筑施工设计信息,计算物联网传感器的部署位置和种类包括:利用所述建筑施工设计信息,结合监测项目和现场勘察数据,通过深度学习模型,生成物联网传感器的部署位置和种类。
在一个可能的实施例中,其中,所述深度学习模型包括:
编码层,由多个长短期记忆网络组成;
四个隐含层,由多个卷积神经元组成;
解码层,由多个长短期记忆网络组成。
在一个可能的实施例中,所述重点监测项目至少包括:深基坑监测和现浇混凝土结构模板安装质量监测。
图6示出了用于实现本公开的实施例的电子设备的结构示意图。如图6所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有电子设备600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,包括承载指令的在计算机可读介质,在这样的实施例中,该指令可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该指令被中央处理单元(CPU)601执行时,执行本公开中描述的各个方法步骤。
尽管已经描述了示例实施例,但是对于本领域技术人员来说显而易见的是,在不脱离本公开构思的精神和范围的情况下,可以进行各种改变和修改。因此,应当理解,上述示例实施例不是限制性的,而是说明性的。
- 一种施工安全检查的方法和装置
- 一种机动车后备箱安全检查装置及安全检查方法