基于图像分析的智慧工地施工任务优化方法及系统

技术领域

本申请涉及智慧工地技术领域，具体而言，涉及一种基于图像分析的智慧工地施工任务优化方法及系统。

背景技术

建筑施工是一个复杂的过程，涉及到各种因素的综合调整和优化，包括人员、设备、物料、环境等。传统的建筑施工管理主要依赖于经验和直观判断，效率低下且易出错，而且不能适应不同的建筑设计和施工环境。因此，需要一种更加高效、准确和自适应的施工任务生成方法。

近年来，随着人工智能技术的发展，相关技术开始尝试利用神经网络来进行施工任务生成。然而，现有的基于神经网络的施工任务生成方法仍然存在一些问题，例如，它们往往只考虑了建筑设计的静态特征，而忽略了施工过程的动态特征，这可能导致生成的施工任务与实际施工过程不符。此外，现有的方法也不能很好地处理不同建筑设计和施工环境下的数据差异。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于图像分析的智慧工地施工任务优化方法及系统。

第一方面，本申请提供一种基于图像分析的智慧工地施工任务优化方法，应用于基于图像分析的智慧工地施工任务优化系统，所述方法包括：

获取第一建筑设计图像数据和第一施工视频数据，所述第一建筑设计图像数据和所述第一施工视频数据的施工执行特征匹配，所述第一建筑设计图像数据包括多个第一建筑构造元素，所述第一施工视频数据包括多个第一施工视频片段；

依据第一神经网络确定所述第一建筑设计图像数据中涵盖的各个第一建筑构造元素的建筑空间矢量，所述第一建筑构造元素的建筑空间矢量表征所述第一建筑构造元素且满足设定建筑矢量分布规则；

依据所述第一神经网络确定所述第一施工视频数据中涵盖的各个第一施工视频片段的建筑空间矢量，所述第一施工视频片段的建筑空间矢量表征所述第一施工视频片段且满足所述设定建筑矢量分布规则；

确定从所述各个第一建筑构造元素的建筑空间矢量到所述各个第一施工视频片段的建筑空间矢量的第一矢量偏移参数以及从所述各个第一施工视频片段的建筑空间矢量到所述各个第一建筑构造元素的建筑空间矢量的第二矢量偏移参数；

依据所述第一矢量偏移参数和所述第二矢量偏移参数对所述第一神经网络进行参数更新，生成施工任务优化模型，所述施工任务优化模型用于依据目标建筑设计图像数据生成目标参考施工任务。

在第一方面的一种可能的实施方式中，所述依据第一神经网络确定所述第一建筑设计图像数据中涵盖的各个第一建筑构造元素的建筑空间矢量，包括：

依据所述第一神经网络对所述第一建筑设计图像数据进行特征提取，生成所述各个第一建筑构造元素的建筑映射特征；

依据所述第一神经网络对所述各个第一建筑构造元素的建筑映射特征进行空间转换，生成所述各个第一建筑构造元素的建筑空间矢量。

在第一方面的一种可能的实施方式中，所述方法还包括：

依据所述各个第一建筑构造元素的建筑空间矢量和所述各个第一施工视频片段的建筑空间矢量，对所述各个第一建筑构造元素和所述各个第一施工视频片段进行同步校准，生成各个第一建筑构造元素对应第一施工视频片段的第一片段量；

依据所述各个第一建筑构造元素的建筑映射特征，确定各个第一建筑构造元素对应第一施工视频片段的第二片段量；

确定所述各个第一建筑构造元素对应第一施工视频片段的第一片段量和第二片段量之间的片段量偏差参数；

所述依据所述第一矢量偏移参数和所述第二矢量偏移参数对所述第一神经网络进行参数更新，生成施工任务优化模型，包括：

依据所述片段量偏差参数、所述第一矢量偏移参数和所述第二矢量偏移参数对所述第一神经网络进行参数更新，生成施工任务优化模型。

在第一方面的一种可能的实施方式中，所述依据所述第一神经网络确定所述第一施工视频数据中涵盖的各个第一施工视频片段的建筑空间矢量，包括：

对所述第一施工视频数据进行特征提取，生成所述各个第一施工视频片段的施工视频内容向量；

依据所述第一神经网络对所述各个第一施工视频片段的施工视频内容向量进行空间转换，生成所述各个第一施工视频片段的建筑空间矢量。

在第一方面的一种可能的实施方式中，所述第一施工视频数据为第一模板施工采集数据或者所述第一模板施工采集数据的注意力视频数据，所述第一神经网络包括第一特征还原单元；所述方法还包括：

依据所述第一特征还原单元对所述各个第一施工视频片段的施工视频内容向量进行特征还原，生成第一还原施工采集数据；

确定所述第一模板施工采集数据和所述第一还原施工采集数据之间的第一比较代价参数；

所述依据所述第一矢量偏移参数和所述第二矢量偏移参数对所述第一神经网络进行参数更新，生成施工任务优化模型，包括：

依据所述第一比较代价参数、所述第一矢量偏移参数和所述第二矢量偏移参数，对所述第一神经网络进行参数更新，生成施工任务优化模型；

在第一方面的一种可能的实施方式中，所述第一特征还原单元包括第一加载子单元、至少两个第一特征提取子单元和第一结果生成子单元，任意一个第一特征提取子单元包括至少两个相同间隔权重不同滤波规模的滤波层，不同第一特征提取子单元的滤波层对应不同间隔权重；

所述依据所述第一特征还原单元对所述各个第一施工视频片段的施工视频内容向量进行特征还原，生成第一还原施工采集数据，包括：

依据所述第一加载子单元将所述各个第一施工视频片段的施工视频内容向量转换成第一维度数的加载内容向量；

依据第一个第一特征提取子单元包括的各个滤波层，对所述第一维度数的加载内容向量进行扩展滤波，生成各个滤波层对应的滤波特征数据，将所述各个滤波层对应的滤波特征数据进行融合，生成所述第一个第一特征提取子单元的结果特征数据；

针对除所述第一个第一特征提取子单元以外的任意一个第一特征提取子单元，依据所述任意一个第一特征提取子单元包括的各个滤波层，对上一个第一特征提取子单元的结果特征数据进行扩展滤波，生成各个滤波层对应的滤波特征数据，将所述各个滤波层对应的滤波特征数据进行融合，生成所述任意一个第一特征提取子单元的结果特征数据；

依据所述第一结果生成子单元将最后一个第一特征提取子单元的结果特征数据转换成所述第一还原施工采集数据。

在第一方面的一种可能的实施方式中，所述依据所述第一矢量偏移参数和所述第二矢量偏移参数对所述第一神经网络进行参数更新，生成施工任务优化模型，包括：

依据所述第一矢量偏移参数和所述第二矢量偏移参数更新所述第一神经网络的功能函数参数，生成第二神经网络，所述第二神经网络包括特征处理单元和第二特征还原单元；

获取第二施工视频数据，所述第二施工视频数据为第二模板施工采集数据或者所述第二模板施工采集数据的注意力视频数据，所述第二施工视频数据包括多个第二施工视频片段；

对所述第二施工视频数据进行特征提取，生成各个第二施工视频片段的施工视频内容向量；

依据所述第二特征还原单元对所述各个第二施工视频片段的施工视频内容向量进行特征还原，生成第二还原施工采集数据；

确定所述第二模板施工采集数据和所述第二还原施工采集数据之间的第二比较代价参数；

依据所述第二比较代价参数更新所述第二特征还原单元的功能函数参数，生成第三特征还原单元；

依据所述特征处理单元和所述第三特征还原单元，确定所述施工任务优化模型。

在第一方面的一种可能的实施方式中，所述方法还包括：

获取第二建筑设计图像数据，所述第二建筑设计图像数据和所述第二施工视频数据的施工执行特征匹配，所述第二建筑设计图像数据包括多个第二建筑构造元素； 依据所述特征处理单元确定所述第二建筑设计图像数据中涵盖的各个第二建筑构造元素的建筑空间矢量，对所述各个第二施工视频片段的施工视频内容向量进行空间转换，生成所述各个第二施工视频片段的建筑空间矢量；

确定从所述各个第二建筑构造元素的建筑空间矢量到所述各个第二施工视频片段的建筑空间矢量的第三矢量偏移参数以及从所述各个第二施工视频片段的建筑空间矢量到所述各个第二建筑构造元素的建筑空间矢量的第四矢量偏移参数；

所述依据所述第二比较代价参数更新所述第二特征还原单元的功能函数参数，生成第三特征还原单元，包括：

依据所述第三矢量偏移参数、所述第四矢量偏移参数和所述第二比较代价参数更新所述第二特征还原单元的功能函数参数，生成第三特征还原单元。

在第一方面的一种可能的实施方式中，所述依据所述特征处理单元和所述第三特征还原单元，确定所述施工任务优化模型，包括：

获取第三施工视频数据，所述第三施工视频数据为第三模板施工采集数据或者所述第三模板施工采集数据的注意力视频数据，所述第三施工视频数据包括多个第三施工视频片段；

对所述第三施工视频数据进行特征提取，生成各个第三施工视频片段的施工视频内容向量；

依据所述第三特征还原单元对所述各个第三施工视频片段的施工视频内容向量进行特征还原，生成第三还原施工采集数据； 依据第四特征还原单元对所述各个第三施工视频片段的施工视频内容向量进行特征还原，生成第四还原施工采集数据，所述第四特征还原单元的参数量小于所述第三特征还原单元的参数量；

依据所述第三还原施工采集数据和所述第四还原施工采集数据之间的第三比较代价参数；

依据所述第三比较代价参数更新所述第四特征还原单元的功能函数参数，生成目标特征还原单元；

依据所述目标特征处理单元和所述目标特征还原单元，确定所述施工任务优化模型；

所述目标特征还原单元包括目标加载子单元、至少两个目标特征提取子单元和目标结果生成子单元，任意一个目标特征提取子单元包括至少两个相同间隔权重不同滤波规模的滤波层，不同目标特征提取子单元的滤波层对应不同间隔权重；

在第一方面的一种可能的实施方式中，所述依据所述特征处理单元和所述目标特征还原单元，确定所述施工任务优化模型，包括：

针对所述任意一个目标特征提取子单元，将所述任意一个目标特征提取子单元包括各个滤波层集成为集成滤波层，生成更新特征提取子单元，所述集成滤波层与所述任意一个目标特征提取子单元包括的滤波层的间隔权重相同，且所述集成滤波层的滤波规模不小于所述任意一个目标特征提取子单元包括的各个滤波层的滤波规模；

将所述目标加载子单元、至少两个更新特征提取子单元和所述目标结果生成子单元进行集成，生成目标特征还原单元；

依据所述特征处理单元和所述目标特征还原单元，确定所述施工任务优化模型；

在第一方面的一种可能的实施方式中，所述将所述任意一个目标特征提取子单元包括各个滤波层集成为集成滤波层，生成更新特征提取子单元，包括：

针对所述任意一个目标特征提取子单元包括的滤波规模小于所述集成滤波层的滤波规模的第一滤波层，对所述第一滤波层的功能函数参数进行更新，生成更新后的第一滤波层，所述更新后的第一滤波层的滤波规模与所述集成滤波层的滤波规模相同；

依据所述更新后的第一滤波层的功能函数参数和第二滤波层的功能函数参数，确定所述更新特征提取子单元，所述第二滤波层的滤波规模与所述集成滤波层的滤波规模相同。

在第一方面的一种可能的实施方式中，所述方法还包括：

获取目标建筑设计图像数据，所述目标建筑设计图像数据包括多个候选建筑构造元素；

依据施工任务优化模型确定所述目标建筑设计图像数据中涵盖的各个候选建筑构造元素的建筑空间矢量，所述候选建筑构造元素的建筑空间矢量表征所述候选建筑构造元素且满足设定建筑矢量分布规则；

依据所述施工任务优化模型依据所述各个候选建筑构造元素的建筑空间矢量，确定各个候选施工视频片段的建筑空间矢量，所述候选施工视频片段的建筑空间矢量表征所述候选施工视频片段且满足所述设定建筑矢量分布规则；

依据所述施工任务优化模型，依据所述各个候选施工视频片段的建筑空间矢量生成目标候选施工任务，所述目标候选施工任务对应的候选施工视频数据与所述目标建筑设计图像数据的施工执行特征匹配，所述候选施工视频数据包括所述各个候选施工视频片段；

在第一方面的一种可能的实施方式中，所述依据施工任务优化模型确定所述目标建筑设计图像数据中涵盖的各个候选建筑构造元素的建筑空间矢量，包括：

依据所述施工任务优化模型对所述目标建筑设计图像数据进行特征提取，生成所述各个候选建筑构造元素的建筑映射特征；

依据所述施工任务优化模型对所述各个候选建筑构造元素的建筑映射特征进行空间转换，生成所述各个候选建筑构造元素的建筑空间矢量；

在第一方面的一种可能的实施方式中，所述方法还包括：

依据所述各个候选建筑构造元素的建筑映射特征，确定各个候选建筑构造元素对应候选施工视频片段的片段量；

所述依据所述施工任务优化模型依据所述各个候选建筑构造元素的建筑空间矢量，确定各个候选施工视频片段的建筑空间矢量，包括：

依据所述施工任务优化模型依据所述各个候选建筑构造元素对应候选施工视频片段的片段量，对所述各个候选建筑构造元素的建筑空间矢量进行扩展，生成各个候选施工视频片段的建筑空间矢量；

在第一方面的一种可能的实施方式中，所述依据所述施工任务优化模型，依据所述各个候选施工视频片段的建筑空间矢量生成目标候选施工任务，包括：

依据所述施工任务优化模型对所述各个候选施工视频片段的建筑空间矢量进行空间转换，生成所述各个候选施工视频片段的施工视频内容向量；

依据所述施工任务优化模型对所述各个候选施工视频片段的施工视频内容向量进行特征还原，生成目标候选施工任务。

第二方面，本申请实施例还提供一种基于图像分析的智慧工地施工任务优化系统，所述基于图像分析的智慧工地施工任务优化系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于图像分析的智慧工地施工任务优化方法。

结合以上方面，通过获取第一建筑设计图像数据和第一施工视频数据，并利用第一神经网络确定其内涵盖的各元素或片段的建筑空间矢量，可以有效地将设计图像与实际施工视频进行匹配，从而对建筑元素与施工视频片段之间的空间矢量关系进行参数化描述。在此基础上，通过计算矢量偏移参数并对第一神经网络进行参数更新，可以得到施工任务优化模型，从而能够根据目标建筑设计图像数据生成目标参考施工任务，从而有效地指导施工过程，优化施工任务的执行。由此，不仅提高了施工效率，降低了施工难度，还有助于提升施工质量和安全性，节约了资源消耗。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以依据这些附图获得其它相关的附图。

图1为本申请实施例提供的基于图像分析的智慧工地施工任务优化方法的流程示意图；

图2为本申请实施例提供的用于实现上述的基于图像分析的智慧工地施工任务优化方法的基于图像分析的智慧工地施工任务优化系统的结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求相同的最广泛的范围。

步骤S110，获取第一建筑设计图像数据和第一施工视频数据。

本实施例中，所述第一建筑设计图像数据和所述第一施工视频数据的施工执行特征匹配，所述第一建筑设计图像数据包括多个第一建筑构造元素，所述第一施工视频数据包括多个第一施工视频片段。

例如，在本申请实施例中，可以接收并存储来自建筑设计单位的第一建筑设计图像数据和施工单位的第一施工视频数据。示例性的，第一建筑设计图像数据可以是指为了满足施工单位的需求而提供的建筑设计图像数据，具体包括了建筑的各个构造元素（如墙体、柱子、窗户等）的设计图像。例如，一个建筑设计单位可能会提供一个包含多个建筑构造元素的建筑设计图像数据，以便施工单位能够根据这些建筑设计图像数据进行施工。第一施工视频数据可以是指施工单位在施工过程中采集的视频数据。这些第一施工视频数据包括了建筑的各个构造元素的施工视频片段。例如，一个施工单位可能会采集多个施工视频片段，以便建筑设计单位能够了解施工过程中的情况。第一建筑构造元素可以是指建筑设计图像数据中的一个具体的构造元素，例如一个墙体、一个柱子或一个窗户。例如，在一个建筑设计图像数据中，可能包含多个墙体、柱子和窗户等构造元素。第一施工视频片段可以是指第一施工视频数据中的一个具体的视频片段，例如一个工人安装窗户的视频片段。例如，在一个施工视频数据中，可能包含多个工人安装墙体、柱子和窗户等构造元素的视频片段。

所述第一建筑设计图像数据和所述第一施工视频数据的施工执行特征匹配，可以是指将建筑设计图像数据和施工视频数据中的特征进行匹配的过程。例如，建筑设计图像数据中的一个墙体的特征可能与施工视频数据中的一个工人安装墙体的视频片段的特征相匹配。例如，可以使用图像识别算法和运动检测算法分别对所述第一建筑设计图像数据和所述第一施工视频数据进行处理，提取出第一建筑设计图像数据中的纹理、形状、颜色等特征，以及第一施工视频数据中的运动、光影等特征。然后，将提取出的特征进行匹配，以确保它们是同一建筑物的数据。

步骤S120，依据第一神经网络确定所述第一建筑设计图像数据中涵盖的各个第一建筑构造元素的建筑空间矢量，所述第一建筑构造元素的建筑空间矢量表征所述第一建筑构造元素且满足设定建筑矢量分布规则。

例如，可以使用基于深度学习算法的第一神经网络对第一建筑设计图像数据进行处理，自动确定每个第一建筑构造元素的建筑空间矢量。这个建筑空间矢量可以表示该第一建筑构造元素的位置、大小、形状等信息。例如，一个墙体的建筑空间矢量可能包括其长度、宽度、高度等属性。

也即，第一神经网络是一种人工智能模型，可以通过学习大量的数据来识别和分类图像。在这个场景中，第一神经网络可以用来识别建筑设计图像数据中的各个第一建筑构造元素。建筑空间矢量可以是指一个用于表示第一建筑构造元素在空间中位置和方向的向量。例如，一个第一建筑构造元素的建筑空间矢量可以包括该构造元素的位置坐标、方向角度等信息。

设定建筑矢量分布规则可以是指根据预先设定的规则来限制建筑构造元素的空间分布。例如，可以设定一个规则，要求所有的墙体的分布位置风格。这样，通过第一神经网络确定的建筑空间矢量可以表示所述第一建筑构造元素，并且满足建筑设计公司设定的建筑矢量分布规则。例如，要求所有的墙体的分布位置风格，因此在确定建筑空间矢量时，需要确保所有的墙体都满足这个规则。

步骤S130，依据所述第一神经网络确定所述第一施工视频数据中涵盖的各个第一施工视频片段的建筑空间矢量，所述第一施工视频片段的建筑空间矢量表征所述第一施工视频片段且满足所述设定建筑矢量分布规则。

同样地，可以使用基于深度学习算法的第一神经网络对所述第一施工视频数据进行处理，自动确定每个第一施工视频片段的建筑空间矢量。这个建筑空间矢量可以表示该第一施工视频片段的位置、时间、动作等信息。例如，一个工人安装窗户的第一施工视频片段的建筑空间矢量可能包括其开始时间、结束时间、工人的位置、动作等信息。

步骤S140，确定从所述各个第一建筑构造元素的建筑空间矢量到所述各个第一施工视频片段的建筑空间矢量的第一矢量偏移参数以及从所述各个第一施工视频片段的建筑空间矢量到所述各个第一建筑构造元素的建筑空间矢量的第二矢量偏移参数。

例如，可以使用数学算法计算从第一建筑构造元素的建筑空间矢量到第一施工视频片段的建筑空间矢量的偏移参数，以及从第一施工视频片段的建筑空间矢量到第一建筑构造元素的建筑空间矢量的偏移参数。这些偏移参数可以帮助了解建筑设计和施工之间的差异，从而优化施工任务。

示例性的，假设第一建筑设计图像数据包含了三个第一建筑构造元素（墙体A、墙体B和窗户C），第一施工视频数据包含了三个第一施工视频片段（工人安装墙体A的视频片段1、工人安装墙体B的视频片段2和工人安装窗户C的视频片段3）。

首先，需要使用神经网络模型来提取出每个建筑构造元素的建筑空间矢量，以及每个施工视频片段的建筑空间矢量。例如，墙体A的建筑空间矢量可以表示为[x1， y1，z1]，墙体B的建筑空间矢量可以表示为[x2， y2， z2]，窗户C的建筑空间矢量可以表示为[x3， y3， z3]，工人安装墙体A的视频片段1的建筑空间矢量可以表示为[x4， y4， z4]，工人安装墙体B的视频片段2的建筑空间矢量可以表示为[x5， y5， z5]，工人安装窗户C的视频片段3的建筑空间矢量可以表示为[x6， y6， z6]。

接下来，需要计算从每个建筑构造元素的建筑空间矢量到每个施工视频片段的建筑空间矢量的第一矢量偏移参数，以及从每个施工视频片段的建筑空间矢量到每个建筑构造元素的建筑空间矢量的第二矢量偏移参数。例如，从墙体A的建筑空间矢量到工人安装墙体A的视频片段1的建筑空间矢量的第一矢量偏移参数可以表示为[dx1， dy1， dz1]，从工人安装墙体A的视频片段1的建筑空间矢量到墙体A的建筑空间矢量的第二矢量偏移参数可以表示为[dx2， dy2， dz2]，从墙体B的建筑空间矢量到工人安装墙体B的视频片段2的建筑空间矢量的第一矢量偏移参数可以表示为[dx3， dy3， dz3]，从工人安装墙体B的视频片段2的建筑空间矢量到墙体B的建筑空间矢量的第二矢量偏移参数可以表示为[dx4， dy4，dz4]，从窗户C的建筑空间矢量到工人安装窗户C的视频片段3的建筑空间矢量的第一矢量偏移参数可以表示为[dx5， dy5， dz5]，从工人安装窗户C的视频片段3的建筑空间矢量到窗户C的建筑空间矢量的第二矢量偏移参数可以表示为[dx6， dy6， dz6]。

步骤S150，依据所述第一矢量偏移参数和所述第二矢量偏移参数对所述第一神经网络进行参数更新，生成施工任务优化模型，所述施工任务优化模型用于依据目标建筑设计图像数据生成目标参考施工任务。

例如，可以根据计算出的偏移参数来更新第一神经网络，生成一个施工任务优化模型。这个施工任务优化模型可以根据目标建筑设计图像数据来生成最优的施工任务，例如，预测施工过程中可能出现的问题，或者推荐最佳的施工方案。

示例性的，第一矢量偏移参数和第二矢量偏移参数可以用来调整第一神经网络模型的输入数据，以便更好地匹配建筑设计图像数据和施工视频数据。具体来说，第一矢量偏移参数可以用来调整建筑构造元素的位置信息，而第二矢量偏移参数可以用来调整建筑构造元素的方向信息。

在训练完成后，得到了一个施工任务优化模型，从而可以根据建筑设计图像数据生成施工任务。具体来说，可以将建筑设计图像数据作为输入数据，输入到该施工任务优化模型中，施工任务优化模型会自动生成一个施工任务，该施工任务可以作为施工单位的参考，帮助更好地完成施工任务。在实际应用中，可以通过不断调整第一矢量偏移参数和第二矢量偏移参数，来优化施工任务优化模型的性能，以更好地满足不同的设计需求。例如，如果发现施工任务优化模型生成的施工任务存在误差或不准确的情况，可以通过调整第一矢量偏移参数和第二矢量偏移参数，来改变模型的输入数据，从而提高施工任务优化模型的准确性和可靠性。

基于以上步骤，本实施例通过获取第一建筑设计图像数据和第一施工视频数据，并利用第一神经网络确定其内涵盖的各元素或片段的建筑空间矢量，可以有效地将设计图像与实际施工视频进行匹配，从而对建筑元素与施工视频片段之间的空间矢量关系进行参数化描述。在此基础上，通过计算矢量偏移参数并对第一神经网络进行参数更新，可以得到施工任务优化模型，从而能够根据目标建筑设计图像数据生成目标参考施工任务，从而有效地指导施工过程，优化施工任务的执行。由此，不仅提高了施工效率，降低了施工难度，还有助于提升施工质量和安全性，节约了资源消耗。

在一种可能的实施方式中，步骤S120可以包括：

步骤S121，依据所述第一神经网络对所述第一建筑设计图像数据进行特征提取，生成所述各个第一建筑构造元素的建筑映射特征。

步骤S122，依据所述第一神经网络对所述各个第一建筑构造元素的建筑映射特征进行空间转换，生成所述各个第一建筑构造元素的建筑空间矢量。

例如，所述第一建筑设计图像数据中包括了多个第一建筑构造元素，例如墙体、窗户和门。可以使用第一神经网络对第一建筑设计图像数据进行特征提取，生成每个第一建筑构造元素的建筑映射特征。例如，对于墙体，可以提取其高度、宽度、长度等特征；对于窗户，可以提取其尺寸、形状、位置等特征；对于门，可以提取其类型、尺寸、位置等特征。

在提取了建筑映射特征之后，可以使用第一神经网络对每个第一建筑构造元素的建筑映射特征进行空间转换，生成每个第一建筑构造元素的建筑空间矢量。例如，对于墙体，可以将其高度、宽度、长度等特征转换为三维空间中的坐标值；对于窗户，可以将其尺寸、形状、位置等特征转换为三维空间中的坐标值；对于门，可以将其类型、尺寸、位置等特征转换为三维空间中的坐标值。这样，就得到了每个第一建筑构造元素的建筑空间矢量。

在一种可能的实施方式中，所述方法还包括：

步骤A110，依据所述各个第一建筑构造元素的建筑空间矢量和所述各个第一施工视频片段的建筑空间矢量，对所述各个第一建筑构造元素和所述各个第一施工视频片段进行同步校准，生成各个第一建筑构造元素对应第一施工视频片段的第一片段量。

步骤A120，依据所述各个第一建筑构造元素的建筑映射特征，确定各个第一建筑构造元素对应第一施工视频片段的第二片段量。

步骤A130，确定所述各个第一建筑构造元素对应第一施工视频片段的第一片段量和第二片段量之间的片段量偏差参数。

由此，在步骤S150中，可以依据所述片段量偏差参数、所述第一矢量偏移参数和所述第二矢量偏移参数对所述第一神经网络进行参数更新，生成施工任务优化模型。

假设已经确定了每个第一建筑构造元素的建筑空间矢量和每个施工视频片段的建筑空间矢量，可以使用这些建筑空间矢量对每个第一建筑构造元素和每个施工视频片段进行同步校准，生成每个第一建筑构造元素对应施工视频片段的第一片段量。例如，对于墙体，可以将其第一建筑空间矢量与第一施工视频片段的建筑空间矢量进行比较，确定每个第一施工视频片段中墙体的部分，并计算这部分的长度、宽度、高度等特征，作为第一片段量。

在确定了每个第一建筑构造元素对应施工视频片段的第一片段量之后，可以使用建筑映射特征来确定每个第一建筑构造元素对应施工视频片段的第二片段量。例如，对于墙体，可以使用建筑映射特征中的高度、宽度、长度等特征，计算每个第一施工视频片段中墙体的部分，并计算这部分的长度、宽度、高度等特征，作为第二片段量。

在确定了每个第一建筑构造元素对应第一施工视频片段的第一片段量和第二片段量之后，可以计算它们之间的片段量偏差参数。例如，对于墙体，可以计算每个第一施工视频片段中墙体的第一片段量和第二片段量之间的长度、宽度、高度等特征的偏差，作为片段量偏差参数。

最后，可以使用片段量偏差参数、第一矢量偏移参数和第二矢量偏移参数对第一神经网络进行参数更新，生成施工任务优化模型。例如，可以使用这些参数来调整神经网络的权重和偏置，使得神经网络能够更好地预测每个第一建筑构造元素对应施工视频片段的片段量偏差参数。

在一种可能的实施方式中，步骤S130可以包括：

步骤S131，对所述第一施工视频数据进行特征提取，生成所述各个第一施工视频片段的施工视频内容向量。

步骤S132，依据所述第一神经网络对所述各个第一施工视频片段的施工视频内容向量进行空间转换，生成所述各个第一施工视频片段的建筑空间矢量。

例如，所述第一施工视频数据中包括了多个第一施工视频片段，例如，工人安装墙体、窗户和门等。可以使用第一神经网络对施工视频数据进行特征提取，生成每个第一施工视频片段的施工视频内容向量。例如，对于工人安装墙体的第一施工视频片段，可以提取工人的动作、使用的工具、安装的速度等特征，将这些特征组合成一个施工视频内容向量。

在提取了施工视频内容向量之后，可以使用第一神经网络对每个第一施工视频片段的施工视频内容向量进行空间转换，生成每个第一施工视频片段的建筑空间矢量。例如，对于工人安装墙体的第一施工视频片段，可以将其施工视频内容向量转换为三维空间中的坐标值，作为建筑空间矢量。这样，就得到了每个第一施工视频片段的建筑空间矢量。

在一种可能的实施方式中，所述第一施工视频数据为第一模板施工采集数据或者所述第一模板施工采集数据的注意力视频数据，所述第一神经网络包括第一特征还原单元。所述方法还包括：

步骤B110，依据所述第一特征还原单元对所述各个第一施工视频片段的施工视频内容向量进行特征还原，生成第一还原施工采集数据。

步骤B120，确定所述第一模板施工采集数据和所述第一还原施工采集数据之间的第一比较代价参数。

由此，在步骤S150中，可以依据所述第一比较代价参数、所述第一矢量偏移参数和所述第二矢量偏移参数，对所述第一神经网络进行参数更新，生成施工任务优化模型。

例如，第一模板施工采集数据中包括了多个第一施工视频片段，例如，工人安装墙体、窗户和门等。可以使用第一特征还原单元对每个第一施工视频片段的施工视频内容向量进行特征还原，生成第一还原施工采集数据。例如，对于工人安装墙体的施工视频片段，可以将其施工视频内容向量还原为原始的视频数据，作为第一还原施工采集数据。这样，就得到了每个第一还原施工采集数据。

在生成了第一还原施工采集数据之后，可以使用第一比较代价参数来确定第一模板施工采集数据和第一还原施工采集数据之间的差异。例如，可以使用均方误差、平均绝对误差等指标来计算第一比较代价参数。

最后，可以使用第一比较代价参数、第一矢量偏移参数和第二矢量偏移参数对第一神经网络进行参数更新，生成施工任务优化模型。例如，可以使用梯度下降算法来更新第一神经网络的权重和偏置，使得第一神经网络能够更好地预测第一比较代价参数。

在一种可能的实施方式中，所述第一特征还原单元包括第一加载子单元、至少两个第一特征提取子单元和第一结果生成子单元，任意一个第一特征提取子单元包括至少两个相同间隔权重不同滤波规模的滤波层，不同第一特征提取子单元的滤波层对应不同间隔权重。

步骤B110可以包括：

步骤B111，依据所述第一加载子单元将所述各个第一施工视频片段的施工视频内容向量转换成第一维度数的加载内容向量。

步骤B112，依据第一个第一特征提取子单元包括的各个滤波层，对所述第一维度数的加载内容向量进行扩展滤波，生成各个滤波层对应的滤波特征数据，将所述各个滤波层对应的滤波特征数据进行融合，生成所述第一个第一特征提取子单元的结果特征数据。

步骤B113，针对除所述第一个第一特征提取子单元以外的任意一个第一特征提取子单元，依据所述任意一个第一特征提取子单元包括的各个滤波层，对上一个第一特征提取子单元的结果特征数据进行扩展滤波，生成各个滤波层对应的滤波特征数据，将所述各个滤波层对应的滤波特征数据进行融合，生成所述任意一个第一特征提取子单元的结果特征数据。

步骤B114，依据所述第一结果生成子单元将最后一个第一特征提取子单元的结果特征数据转换成所述第一还原施工采集数据。

假设有一个第一施工视频片段的施工视频内容向量，其中包括了多个特征，例如，工人的动作、使用的工具、安装的速度等。可以使用第一加载子单元将施工视频内容向量转换成第一维度数的加载内容向量。例如，可以将施工视频内容向量转换成1024维度的加载内容向量。

在生成了第一维度数的加载内容向量之后，可以使用第一个第一特征提取子单元包括的各个滤波层，对加载内容向量进行扩展滤波，生成各个滤波层对应的滤波特征数据。例如，可以使用3个滤波层，分别对加载内容向量进行滤波，生成3个滤波特征数据。然后，可以将这3个滤波特征数据进行融合，生成第一个第一特征提取子单元的结果特征数据。

在生成了第一个第一特征提取子单元的结果特征数据之后，可以使用除第一个第一特征提取子单元以外的任意一个第一特征提取子单元，对上一个第一特征提取子单元的结果特征数据进行扩展滤波，生成各个滤波层对应的滤波特征数据。例如，可以使用3个滤波层，分别对上一个第一特征提取子单元的结果特征数据进行滤波，生成3个滤波特征数据。然后，可以将这3个滤波特征数据进行融合，生成任意一个第一特征提取子单元的结果特征数据。

在生成了任意一个第一特征提取子单元的结果特征数据之后，可以使用第一结果生成子单元将最后一个第一特征提取子单元的结果特征数据转换成第一还原施工采集数据。例如，可以使用一个神经网络，将最后一个第一特征提取子单元的结果特征数据转换成第一还原施工采集数据。

在一种可能的实施方式中，步骤S150可以包括：

步骤S151，依据所述第一矢量偏移参数和所述第二矢量偏移参数更新所述第一神经网络的功能函数参数，生成第二神经网络，所述第二神经网络包括特征处理单元和第二特征还原单元。

例如，所述第一神经网络已经学习了一些关于施工任务的知识。现在，想要利用这些知识来优化施工任务。在本实施例中，可以使用第一矢量偏移参数和第二矢量偏移参数来更新第一神经网络的功能函数参数，生成第二神经网络。在第二神经网络中，添加了一个特征处理单元和一个第二特征还原单元，以帮助更好地处理施工视频数据。

步骤S152，获取第二施工视频数据，所述第二施工视频数据为第二模板施工采集数据或者所述第二模板施工采集数据的注意力视频数据，所述第二施工视频数据包括多个第二施工视频片段。

例如，假设想要进一步优化施工任务，可以获取一些第二施工视频数据。这些第二施工视频数据可以是第二模板施工采集数据，也可以是第二模板施工采集数据的注意力视频数据。这些第二施工视频数据可以包括多个第二施工视频片段，每个第二施工视频片段都包含了一些关于施工任务的图像或视频数据。

步骤S153，对所述第二施工视频数据进行特征提取，生成各个第二施工视频片段的施工视频内容向量。

例如，为了更好地理解第二施工视频数据，可以对其进行特征提取，生成各个第二施工视频片段的施工视频内容向量。这些向量可以表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

步骤S154，依据所述第二特征还原单元对所述各个第二施工视频片段的施工视频内容向量进行特征还原，生成第二还原施工采集数据。

例如，可以使用第二特征还原单元对第二施工视频片段的施工视频内容向量进行特征还原，生成第二还原施工采集数据。这些数据可以表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

步骤S155，确定所述第二模板施工采集数据和所述第二还原施工采集数据之间的第二比较代价参数。

例如，可以使用第二模板施工采集数据和第二还原施工采集数据之间的第二比较代价参数来确定它们之间的相似度。这些参数可以表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

步骤S156，依据所述第二比较代价参数更新所述第二特征还原单元的功能函数参数，生成第三特征还原单元。

例如，可以使用第二比较代价参数来更新第二特征还原单元的功能函数参数，生成第三特征还原单元。这些参数可以表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

步骤S157，依据所述特征处理单元和所述第三特征还原单元，确定所述施工任务优化模型。

例如，可以使用特征处理单元和第三特征还原单元来确定施工任务优化模型，从而可以更准确地表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

在一种可能的实施方式中，所述方法还包括：

步骤C110，获取第二建筑设计图像数据，所述第二建筑设计图像数据和所述第二施工视频数据的施工执行特征匹配，所述第二建筑设计图像数据包括多个第二建筑构造元素。 依据所述特征处理单元确定所述第二建筑设计图像数据中涵盖的各个第二建筑构造元素的建筑空间矢量，对所述各个第二施工视频片段的施工视频内容向量进行空间转换，生成所述各个第二施工视频片段的建筑空间矢量。

步骤C120，确定从所述各个第二建筑构造元素的建筑空间矢量到所述各个第二施工视频片段的建筑空间矢量的第三矢量偏移参数以及从所述各个第二施工视频片段的建筑空间矢量到所述各个第二建筑构造元素的建筑空间矢量的第四矢量偏移参数。

由此，在步骤S156中，可以依据所述第三矢量偏移参数、所述第四矢量偏移参数和所述第二比较代价参数更新所述第二特征还原单元的功能函数参数，生成第三特征还原单元。

例如，假设想要进一步优化施工任务，可以获取一些第二建筑设计图像数据。这些第二建筑设计图像数据可以和第二施工视频数据中的施工执行特征进行匹配，例如，建筑物的形状、大小、颜色等等。这些第二建筑设计图像数据可以包括多个第二建筑构造元素，例如，墙、门、窗等等。

可以使用特征处理单元来确定第二建筑设计图像数据中涵盖的各个第二建筑构造元素的建筑空间矢量。例如，可以使用图像识别技术来确定第二建筑设计图像数据中涵盖的各个第二建筑构造元素的位置、大小、形状等等。然后，可以对第二施工视频片段的施工视频内容向量进行空间转换，生成各个第二施工视频片段的建筑空间矢量。例如，可以使用坐标转换技术来将第二施工视频片段的施工视频内容向量转换到建筑空间中。

可以使用坐标转换技术来确定从各个第二建筑构造元素的建筑空间矢量到各个第二施工视频片段的建筑空间矢量的第三矢量偏移参数以及从各个第二施工视频片段的建筑空间矢量到各个第二建筑构造元素的建筑空间矢量的第四矢量偏移参数。例如，可以使用欧几里得距离公式来计算从各个第二建筑构造元素的建筑空间矢量到各个第二施工视频片段的建筑空间矢量的第三矢量偏移参数以及从各个第二施工视频片段的建筑空间矢量到各个第二建筑构造元素的建筑空间矢量的第四矢量偏移参数。

可以使用第三矢量偏移参数、第四矢量偏移参数和第二比较代价参数来更新第二特征还原单元的功能函数参数，生成第三特征还原单元。例如，可以使用梯度下降算法来更新第二特征还原单元的功能函数参数，生成第三特征还原单元。

基于以上步骤，可以使用第二建筑设计图像数据来优化施工任务，生成第三特征还原单元，并使用特征处理单元和第三特征还原单元来确定施工任务优化模型，从而可以更准确地表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

在一种可能的实施方式中，步骤S157可以包括：

步骤S1571，获取第三施工视频数据，所述第三施工视频数据为第三模板施工采集数据或者所述第三模板施工采集数据的注意力视频数据，所述第三施工视频数据包括多个第三施工视频片段。

例如，假设想要进一步优化施工任务，可以获取一些第三施工视频数据。这些第三施工视频数据可以是第三模板施工采集数据，也可以是第三模板施工采集数据的注意力视频数据。这些第三施工视频数据可以包括多个第三施工视频片段，每个第三施工视频片段都包含了一些关于施工任务的图像或视频数据。

步骤S1572，对所述第三施工视频数据进行特征提取，生成各个第三施工视频片段的施工视频内容向量。

例如，为了更好地理解第三施工视频数据，可以对其进行特征提取，生成各个第三施工视频片段的施工视频内容向量。这些向量可以表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

步骤S1573，依据所述第三特征还原单元对所述各个第三施工视频片段的施工视频内容向量进行特征还原，生成第三还原施工采集数据。 依据第四特征还原单元对所述各个第三施工视频片段的施工视频内容向量进行特征还原，生成第四还原施工采集数据，所述第四特征还原单元的参数量小于所述第三特征还原单元的参数量。

例如，可以使用第三特征还原单元对第三施工视频片段的施工视频内容向量进行特征还原，生成第三还原施工采集数据。这些数据可以表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

步骤S1574，依据所述第三还原施工采集数据和所述第四还原施工采集数据之间的第三比较代价参数。

例如，可以使用第四特征还原单元对第三施工视频片段的施工视频内容向量进行特征还原，生成第四还原施工采集数据。这些数据可以表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。第四特征还原单元的参数量小于第三特征还原单元的参数量，这样可以减少计算量，提高计算效率。

步骤S1575，依据所述第三比较代价参数更新所述第四特征还原单元的功能函数参数，生成目标特征还原单元。

例如，可以使用第三还原施工采集数据和第四还原施工采集数据之间的第三比较代价参数。这些参数可以表示第三还原施工采集数据和第四还原施工采集数据之间的差异，例如，建筑物的形状、大小、颜色等等。

步骤S1576，依据所述特征处理单元和所述目标特征还原单元，确定所述施工任务优化模型。

例如，可以使用第三比较代价参数更新第四特征还原单元的功能函数参数，生成目标特征还原单元。这些参数可以表示第四特征还原单元的更新后的功能函数参数，例如，建筑物的形状、大小、颜色等等。

步骤S1577，所述目标特征还原单元包括目标加载子单元、至少两个目标特征提取子单元和目标结果生成子单元，任意一个目标特征提取子单元包括至少两个相同间隔权重不同滤波规模的滤波层，不同目标特征提取子单元的滤波层对应不同间隔权重。

例如，可以使用特征处理单元和目标特征还原单元，确定施工任务优化模型，从而可以更准确地表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

综上所述，可以使用第三施工视频数据来优化施工任务，生成目标特征还原单元，并使用特征处理单元和目标特征还原单元来确定施工任务优化模型，从而可以更准确地表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

在一种可能的实施方式中，在步骤S1576中，针对所述任意一个目标特征提取子单元，将所述任意一个目标特征提取子单元包括各个滤波层集成为集成滤波层，生成更新特征提取子单元，所述集成滤波层与所述任意一个目标特征提取子单元包括的滤波层的间隔权重相同，且所述集成滤波层的滤波规模不小于所述任意一个目标特征提取子单元包括的各个滤波层的滤波规模。然后，将所述目标加载子单元、至少两个更新特征提取子单元和所述目标结果生成子单元进行集成，生成目标特征还原单元。最后，依据所述目标特征还原单元和所述目标特征还原单元，确定所述施工任务优化模型。

例如，假设有一个目标特征提取子单元，包括三个滤波层，分别是滤波层A、滤波层B和滤波层C。可以将这三个滤波层集成为集成滤波层D，生成更新特征提取子单元。集成滤波层D的间隔权重与滤波层A、滤波层B和滤波层C的间隔权重相同，且集成滤波层D的滤波规模不小于滤波层A、滤波层B和滤波层C的滤波规模。

假设有两个更新特征提取子单元，分别是更新特征提取子单元1和更新特征提取子单元2。可以将目标加载子单元、更新特征提取子单元1、更新特征提取子单元2和目标结果生成子单元进行集成，生成目标特征还原单元。由此，可以使用特征处理单元和目标特征还原单元，确定施工任务优化模型，从而可以更准确地表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

综上所述，可以使用目标特征提取子单元和目标结果生成子单元，生成目标特征还原单元，并使用特征处理单元和目标特征还原单元来确定施工任务优化模型，从而可以更准确地表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

在一种可能的实施方式中，所述将所述任意一个目标特征提取子单元包括各个滤波层集成为集成滤波层，生成更新特征提取子单元，包括：针对所述任意一个目标特征提取子单元包括的滤波规模小于所述集成滤波层的滤波规模的第一滤波层，对所述第一滤波层的功能函数参数进行更新，生成更新后的第一滤波层，所述更新后的第一滤波层的滤波规模与所述集成滤波层的滤波规模相同。然后，依据所述更新后的第一滤波层的功能函数参数和第二滤波层的功能函数参数，确定所述更新特征提取子单元，所述第二滤波层的滤波规模与所述集成滤波层的滤波规模相同。

例如，假设所述目标特征提取子单元包括三个滤波层，分别是滤波层A、滤波层B和滤波层C。其中，滤波层A的滤波规模小于集成滤波层的滤波规模。可以对滤波层A的功能函数参数进行更新，生成更新后的滤波层A'，使得更新后的滤波层A'的滤波规模与集成滤波层的滤波规模相同。

在生成更新后的滤波层A'之后，可以依据更新后的滤波层A'的功能函数参数和滤波层B的功能函数参数，确定更新特征提取子单元。滤波层B的滤波规模与集成滤波层的滤波规模相同。

由此，可以使用更新后的滤波层A'和滤波层B，生成更新特征提取子单元，并使用更新特征提取子单元和目标结果生成子单元，生成目标特征还原单元，从而可以更准确地表示每个片段中的关键特征，例如，建筑物的形状、大小、颜色等等。

在一种可能的实施方式中，在应用实施例的阶段，所述方法还包括：

步骤S160，获取目标建筑设计图像数据，所述目标建筑设计图像数据包括多个候选建筑构造元素。

步骤S170，依据施工任务优化模型确定所述目标建筑设计图像数据中涵盖的各个候选建筑构造元素的建筑空间矢量，所述候选建筑构造元素的建筑空间矢量表征所述候选建筑构造元素且满足设定建筑矢量分布规则。

步骤S180，依据所述施工任务优化模型依据所述各个候选建筑构造元素的建筑空间矢量，确定各个候选施工视频片段的建筑空间矢量，所述候选施工视频片段的建筑空间矢量表征所述候选施工视频片段且满足所述设定建筑矢量分布规则。

步骤S190，依据所述施工任务优化模型，依据所述各个候选施工视频片段的建筑空间矢量生成目标候选施工任务，所述目标候选施工任务对应的候选施工视频数据与所述目标建筑设计图像数据的施工执行特征匹配，所述候选施工视频数据包括所述各个候选施工视频片段。

例如，目标建筑设计图像数据可以包括多个候选建筑构造元素，例如，窗户、门、墙壁等等。

在此基础上，可以使用施工任务优化模型来确定目标建筑设计图像数据中涵盖的各个候选建筑构造元素的建筑空间矢量。这些建筑空间矢量可以表征候选建筑构造元素，并且需要满足设定建筑矢量分布规则。

接着，可以使用施工任务优化模型来确定各个候选施工视频片段的建筑空间矢量。这些建筑空间矢量可以表征候选施工视频片段，并且需要满足设定建筑矢量分布规则。

然后，可以使用施工任务优化模型，依据各个候选施工视频片段的建筑空间矢量生成目标候选施工任务。这些目标候选施工任务对应的候选施工视频数据与目标建筑设计图像数据的施工执行特征匹配，例如，窗户应该位于墙壁上，门应该位于墙壁上等等。

由此，可以使用施工任务优化模型，依据各个候选建筑构造元素的建筑空间矢量生成目标候选施工任务，并且使用目标候选施工任务对应的候选施工视频数据与目标建筑设计图像数据的施工执行特征匹配。这些目标候选施工任务可以用于生成最终的施工任务，例如，窗户应该位于墙壁上，门应该位于墙壁上等等。

在一种可能的实施方式中，步骤S170可以包括：

依据所述施工任务优化模型对所述目标建筑设计图像数据进行特征提取，生成所述各个候选建筑构造元素的建筑映射特征。

依据所述施工任务优化模型对所述各个候选建筑构造元素的建筑映射特征进行空间转换，生成所述各个候选建筑构造元素的建筑空间矢量。

在一种可能的实施方式中，所述方法还包括：依据所述各个候选建筑构造元素的建筑映射特征，确定各个候选建筑构造元素对应候选施工视频片段的片段量。

例如，目标建筑设计图像数据，其中包括多个候选建筑构造元素，例如，窗户、门、墙壁等等。可以使用施工任务优化模型对目标建筑设计图像数据进行特征提取，生成各个候选建筑构造元素的建筑映射特征。这些建筑映射特征可以表示候选建筑构造元素的形状、大小、位置等等。

在生成各个候选建筑构造元素的建筑映射特征之后，可以使用施工任务优化模型对各个候选建筑构造元素的建筑映射特征进行空间转换，生成各个候选建筑构造元素的建筑空间矢量。这些建筑空间矢量可以表示候选建筑构造元素在三维空间中的位置和方向。

可以使用各个候选建筑构造元素的建筑映射特征，确定各个候选建筑构造元素对应候选施工视频片段的片段量。例如，如果一个候选建筑构造元素是一个窗户，可以确定这个窗户对应的候选施工视频片段的片段量是2，因为窗户有两个部分，一个是窗户的左边部分，另一个是窗户的右边部分。

步骤S180可以包括：

依据所述施工任务优化模型依据所述各个候选建筑构造元素对应候选施工视频片段的片段量，对所述各个候选建筑构造元素的建筑空间矢量进行扩展，生成各个候选施工视频片段的建筑空间矢量。

例如，可以使用施工任务优化模型依据各个候选建筑构造元素对应候选施工视频片段的片段量，对各个候选建筑构造元素的建筑空间矢量进行扩展，生成各个候选施工视频片段的建筑空间矢量。例如，如果一个候选建筑构造元素是一个窗户，可以使用施工任务优化模型，依据窗户对应的候选施工视频片段的片段量，对窗户的建筑空间矢量进行扩展，生成窗户的建筑空间矢量。

步骤S190可以包括：依据所述施工任务优化模型对所述各个候选施工视频片段的建筑空间矢量进行空间转换，生成所述各个候选施工视频片段的施工视频内容向量，并依据所述施工任务优化模型对所述各个候选施工视频片段的施工视频内容向量进行特征还原，生成目标候选施工任务。

例如，假设目标建筑设计图像数据中包括多个候选建筑构造元素，例如，窗户、门、墙壁等等。可以使用施工任务优化模型对目标建筑设计图像数据进行特征提取，生成各个候选建筑构造元素的建筑映射特征。然后，可以使用施工任务优化模型对各个候选建筑构造元素的建筑映射特征进行空间转换，生成各个候选建筑构造元素的建筑空间矢量。接着，可以使用施工任务优化模型依据各个候选建筑构造元素对应候选施工视频片段的片段量，对各个候选建筑构造元素的建筑空间矢量进行扩展，生成各个候选施工视频片段的建筑空间矢量。然后，可以使用施工任务优化模型对各个候选施工视频片段的建筑空间矢量进行空间转换，生成各个候选施工视频片段的施工视频内容向量。最后，可以使用施工任务优化模型对各个候选施工视频片段的施工视频内容向量进行特征还原，生成目标候选施工任务。

例如，假设有一个窗户，它的建筑空间矢量为(x, y, z)，其中x表示窗户的宽度，y表示窗户的高度，z表示窗户的深度。可以使用施工任务优化模型，依据窗户的建筑空间矢量，生成窗户的施工视频内容向量。然后，可以使用施工任务优化模型对窗户的施工视频内容向量进行特征还原，生成目标候选施工任务。这个目标候选施工任务可以表示为：“在窗户的宽度为x，高度为y，深度为z的情况下，窗户应该安装在墙壁上，并且窗户的朝向应该是朝南”。这个目标候选施工任务可以帮助确定窗户的安装位置和朝向，从而指导实际的施工过程。

图2本申请实施例中提供了一种基于图像分析的智慧工地施工任务优化系统100，包括处理器1001和存储器1003及存储在存储器1003上的传感器节点代码，该处理器1001执行上述传感器节点代码以实现应用于智能光伏的传感数据处理方法的步骤。

图2所示的基于图像分析的智慧工地施工任务优化系统100包括：处理器1001和存储器1003。其中，处理器1001和存储器1003相连，如通过总线1002相连。可选地，基于图像分析的智慧工地施工任务优化系统100还可以包括收发器1004，收发器1004可以用于该服务器与其它服务器之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际调度中收发器1004不限于一个，该基于图像分析的智慧工地施工任务优化系统100的结构并不构成对本申请实施例的限定。

处理器1001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（ApplicationSpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其它可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线1002可包括一通路，在上述组件之间传送信息。总线1002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器1003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其它类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其它类型的动态存储设备，也可以是EEPROM（ElectricallyErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（CompactDiscRead Only Memory，只读光盘）或其它光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其它磁存储设备、或者能够用于携带或存储传感器节点代码并能够由计算机读取的任何其它介质，在此不做限定。

存储器1003用于存储执行本申请实施例的传感器节点代码，并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的传感器节点代码，以实现前述方法实施例所示的步骤。

其中，服务器包括但不限于：诸如移动电话、笔记本电脑、PAD等等移动终端以及诸如数字TV、台式计算机等等固定终端。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有传感器节点代码，传感器节点代码被处理器执行时可实现前述方法实施例的步骤及相应内容。

应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其它的顺序执行。此外，各流程图中的部分或全部步骤依据实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以基于需求灵活配置，本申请实施例对此不限制。

以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用依据本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。