工程监理质量验收方法、系统及装置

技术领域

本发明涉及工程监理领域，具体涉及一种工程监理质量验收方法、系统及装置。

背景技术

工程监理是指在建筑工程、土木工程、交通工程等各类工程项目中，由专业监理机构或专业监理人员对工程施工过程进行全面监督、检查和管理的工作。工程监理的目的是确保工程质量、进度和安全符合规定标准。

目前，在工程监理过程中，工程质量检测往往需要人工检测，检测工序比较复杂，而且工作量大，容易出现数据错误或者检测材料不全等现象，并且错误的数据往往难以溯源，这将会给工程质量改进造成较大困难，而在监理管理中及时发现错误数据、检测出可能存在的问题非常重要。因此，需要一种工程监理质量验收方法、系统及装置，能够解决以上问题。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供工程监理质量验收方法、系统及装置，能够在监理流程中不同阶段，实现智能管控，提高监理过程工程质量检测的效率，并及时发现差错。

本发明的工程监理质量验收方法，包括：

获取工程检验批数据；

将所述工程检验批数据输入到第一预测模型中，得到第一检测结果；所述第一检测结果用于指示所述工程检验批数据的合格率；

在所述合格率小于或等于预设阈值的情况下，向检测人员提示所述工程检验批数据不合格。

进一步，还包括：获取分项验收文件；

在所述合格率大于预设阈值的情况下，将所述分项验收文件输入到第二预测模型中，得到第二检测结果；所述第二检测结果用于指示所述分项验收文件是否齐全。

进一步，还包括：在所述分项验收文件齐全的情况下，将所述第一检测结果和所述第二检测结果输入到第三预测模型中，得到分部验收评估报告。

进一步，获取检测人员的身份信息，在所述身份信息与预设的身份信息一致的情况下，获取工程检验批数据；

所述身份信息包括面部信息、虹膜信息、声纹信息以及工牌信息中至少一种。

进一步，所述工程检验批数据包括建设工程的混凝土浇筑裂缝数量、混凝土表面凹凸点数目和裂缝深度中至少一种。

一种工程监理质量验收系统，包括：采集单元以及处理单元；

所述采集单元，用于获取工程检验批数据；

所述处理单元，用于将所述工程检验批数据输入到第一预测模型中，得到第一检测结果；所述第一检测结果用于指示所述工程检验批数据的合格率；在所述合格率小于或等于预设阈值的情况下，向检测人员提示所述工程检验批数据不合格。

进一步，所述采集单元，还用于获取分项验收文件；

所述处理单元，还用于将所述分项验收文件输入到第二预测模型中，得到第二检测结果；所述第二检测结果用于指示所述分项验收文件是否齐全。

进一步，所述处理单元，还用于将所述第一检测结果和所述第二检测结果输入到第三预测模型中，得到分部验收评估报告。

进一步，所述采集单元，还用于获取检测人员的身份信息，在所述身份信息与预设的身份信息一致的情况下，获取工程检验批数据；

所述身份信息包括面部信息、虹膜信息、声纹信息以及工牌信息中至少一种。

进一步，所述工程检验批数据包括建设工程的混凝土浇筑裂缝数量、混凝土表面凹凸点数目和裂缝深度中至少一种。

一种工程监理质量验收装置，包括：存储器以及若干处理设备；

所述存储器，用于存储一个或多个程序；当所述一个或多个程序被一个或多个处理设备执行，使得一个或多个处理设备实现权利要求1-5中任一所述的工程监理质量验收方法。

本发明的有益效果是：本发明公开的一种工程监理质量验收方法、系统及装置，通过利用人工智能训练好的模型同监理过程结合起来，在监理流程中不同阶段，实现智能管控，能够提高监理过程工程质量检测的效率，及时发现差错。可以及时、精准地检测数据合格率和完整性，在数据不合格的情况下，进行预警并提示，可以通过人工智能的方式优化监理流程，加强企业内部管控。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的验收方法流程示意图；

图2为本发明的预测模型训练架构图；

图3为本发明的另一种预测模型训练架构图；

图4为本发明的另一种验收方法的流程图；

图5为本发明的质量验收装置示意图；

图6为本发明的另一种质量验收装置示意图。

具体实施方式

以下结合说明书附图对本发明做出进一步的说明，如图所示：

本发明的工程监理质量验收方法，包括：

获取工程检验批数据；其中，工程检验批数据可以是对施工过程中的质量检验和验收结果的记录和统计；所述工程检验批数据包括建设工程的混凝土浇筑裂缝数量、混凝土表面凹凸点数目和裂缝深度中至少一种；工程检验批数据可以是计算平台扫描得到的数据，例如，在进行混凝土外观检查时，计算平台可以扫描混凝土的外观，进而自动获得工程检验批数据；

将所述工程检验批数据输入到第一预测模型中，得到第一检测结果；所述第一检测结果用于指示所述工程检验批数据的合格率；其中，第一预测模型可以是神经网络模型，比如长短期记忆(long short-term memory，LSTM)模型，或者循环神经网络模型(recurrent neural networks，RNN)。

该第一预测模型可以由第一训练样本得到，该第一训练样本可以包括：训练数据和训练标签，该训练数据包括：样本检验批数据，训练标签可以包括样本第一检测结果。

在所述合格率小于或等于预设阈值的情况下，向检测人员提示所述工程检验批数据不合格。其中，所述阈值可以根据实际工况进行设定。

比如，第一检测结果的合格率为50％，预测阈值为80％，则模型计算平台可以向检测人员提示检验批数据不合格。模型计算平台向检测人员提示检验批数据不合格可以采用多种方式，例如，可以通过发送语音的方式进行提示、发出提示音进行提示或者通过模型计算平台的显示屏进行提示等等。

通过上述方法，能够在监理管理中及时发现错误数据，精准地检测数据的合格率和完整性，并在数据不合格的情况下，及时进行预警和提示。

本发明的验收方法使用采集设备扫描实体数据，得到工程检验批数据，并将这些采集的数据输入到经过训练的第一预测模型中，第一预测模型将输出这些数据的检测结果，此外，如果这些数据的检测结果合格率误差较大，还可以进行预警。其中，将混凝土外观检查及允许偏差(麻面、蜂窝、露筋、裂缝、孔洞等)为实体数据。通过上述方法，能够在质量监理的过程中及时察觉记录的错误数据，并及时提醒监理人员更正。

本实施例中，还包括：获取分项验收文件；

在所述合格率大于预设阈值的情况下，将所述分项验收文件输入到第二预测模型中，得到第二检测结果；所述第二检测结果用于指示所述分项验收文件是否齐全。

其中，分项验收文件可以是对工程项目的各个分项进行验收的记录和文件。分项验收文件包括：地基基础的验收记录、桩基验收记录、混凝土结构验收记录、钢结构验收记录、建筑物外墙验收记录中的一种或多种。

第二检测结果指示分项验收文件齐全可以理解为：检测人员上传的分项验收文件和计算平台中预设分项验收文件中包括的项目全部或部分对应。在第二检测结果指示分项验收文件不齐全的情况下，计算平台可以向检测人员进行提示，例如，可以通过发送语音的方式进行提示、发出提示音进行提示或者通过计算平台的显示屏进行提示等等。

第二预测模型可以由第二训练样本得到，该第二训练样本可以包括：训练数据和训练标签，该训练数据包括：样本分项验收文件，训练标签可以包括样本第二检测结果。

通过第二预测模型检测分项验收文件是否齐全，在分项竣工文件不齐全的情况下，可以及时提醒检测人员补救，这样检测人员无需手动逐一检查分项验收文件的完整性，使得检测人员节省大量的时间和精力，从而提高了监理过程中对分项验收文件检测的效率。

本实施例中，还包括：在所述分项验收文件齐全的情况下，将所述第一检测结果和所述第二检测结果输入到第三预测模型中，得到分部验收评估报告。

其中，分部验收评估报告可以是在工程监理过程中对各个分部工程进行评估和总结的文件，它可以提供对分部工程完成情况的详细评价和分析。分部验收评估报告可以包括：工程概况、工程质量评估、安全评估、环境评估中的一种或多种。

可以在第一检测结果和第二检测结果均合格的情况下，将第一检测结果和第二检测结果输入到第三预测模型中，得到分部验收评估验收报告。

第三预测模型可以由第三训练样本得到，该第三训练样本可以包括：训练数据和训练标签，该训练数据包括样本第一检测结果和样本第二检测结果，训练标签可以包括样本分部验收评估报告。

在第一检测结果和第二检测结果均合格的情况下，可以通过第三预测模型得到验收报告，这样能够更加方便、快捷地得到验收报告，从而提高监理质量验收的效率。并且，通过引入第三预测模型，检测人员能够节省大量的时间和精力，无需手动分析和整理检测结果，直接获得评估报告。这样，减少了人工的主观因素，提高了评估的准确性和一致性。

通过上述方法，生成分部验收评估报告有助于综合评估工程质量、解决问题、交付和验收准备、决策支持以及信息共享和沟通，从而提高工程项目的质量管理水平，确保项目按时、按质完成，并为项目的顺利交付和验收提供技术支持。

本实施例中，获取检测人员的身份信息，在所述身份信息与预设的身份信息一致的情况下，获取工程检验批数据；

所述身份信息包括面部信息、虹膜信息、声纹信息以及工牌信息中至少一种。

在获取检验批验收数据工程质量检测报告之前可以获取检测人员的身份信息，从而验证检测人员是否具有获得检测结果的权限。这种身份验证的措施有助于保障检验批数据的安全性和可信度，确保只有经过授权的人员才能上传检验批数据和使用检测结果，这样，有助于确保数据的合法性和可靠性。

本发明还涉及一种工程监理质量验收系统，所述系统与上述工程监理质量验收方法相对应，可理解为是实现上述方法的系统，所述系统包括：采集单元以及处理单元；

所述采集单元，用于获取工程检验批数据；其中，所述工程检验批数据包括建设工程的混凝土浇筑裂缝数量、混凝土表面凹凸点数目和裂缝深度中至少一种；

所述处理单元，用于将所述工程检验批数据输入到第一预测模型中，得到第一检测结果；所述第一检测结果用于指示所述工程检验批数据的合格率；在所述合格率小于或等于预设阈值的情况下，向检测人员提示所述工程检验批数据不合格。

本实施例中，所述采集单元，还用于获取分项验收文件；

所述处理单元，还用于将所述分项验收文件输入到第二预测模型中，得到第二检测结果；所述第二检测结果用于指示所述分项验收文件是否齐全。

所述处理单元，还用于将所述第一检测结果和所述第二检测结果输入到第三预测模型中，得到分部验收评估报告。

所述采集单元，还用于获取检测人员的身份信息，在所述身份信息与预设的身份信息一致的情况下，获取工程检验批数据；

所述身份信息包括面部信息、虹膜信息、声纹信息以及工牌信息中至少一种。

图2是本申请实施例提供的一种预测模型训练架构图，该模型架构图可应用于图1的第一预测模型、第二预测模型、第三预测模型的训练过程中。下面以第一预测模型为例介绍模型的训练过程。

参见图2，数据采集设备260用于采集第一训练样本并存入数据库230，训练设备220基于数据库230中的训练样本得到目标模型/规则201，目标模型/规则201能够得到第一检测结果。下面将更详细地描述训练设备220如何基于得到第一检测结果。

深度神经网络中的每一层的工作可以用数学表达式

因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objectivefunction)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。在loss尽可能缩小的情况下，第一预测模型的训练成功，第一预测模型训练成功后，将工程质量检测报告输入到第一预测模型中，可以得到第一检测结果。

训练设备220得到的模型/规则可以应用不同的系统或设备中。在附图2中，执行设备210配置有I/O接口212，与外部设备进行数据交互，“检测人员”可以通过客户设备240向I/O接口212输入数据。

执行设备210可以调用数据存储系统250中的数据、代码等，也可以将数据、指令等存入数据存储系统250中。

计算模块211使用目标模型/规则201对输入的数据进行处理，即根据检验批数据得到第一检测结果。

最后，I/O接口212将处理结果返回给客户设备240，提供给检测人员。

更进一步地，训练设备220可以针对不同的目标，基于不同的数据生成相应的目标模型/规则201，以给用户提供更佳的结果。

在附图2中所示情况下，用户可以手动指定输入执行设备210中的数据，例如，在I/O接口212提供的界面中操作。另一种情况下，客户设备240可以自动地向I/O接口212输入数据并获得结果，如果客户设备240自动输入数据需要获得用户的授权，用户可以在客户设备240中设置相应权限。用户可以在客户设备240查看执行设备210输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备240也可以作为数据采集端将采集到用户历史移动信道序列数据存入数据库230。

图3是本申请实施例提供的另一种预测模型训练架构图，该训练架构可以用于训练第一预测模型、第二预测模型和第三预测模型，下面以训练第一预测模型为例介绍模型训练的过程。

如图3所示，在训练的过程中，将样本数据输入到第一模型中得到样本第一检测结果。再根据样本数据和样本第一检测结果训练第一预测模型，从而使得第一预测模型的损失函数尽可能地缩小。模型训练完毕后，可以将第一预测模型部署到模型计算平台。

在模型部署完毕后，将检验批数据输入到模型计算平台中，可以得到第一检测结果。在该第一检测结果中指示的合格率小于预设阈值的情况下，计算平台可以向检测人员提示工程质量检测报告不合格。

图4是本申请实施例提供的另一种验收方法的流程图，该方法可以包括如下步骤：

S401，获取检验批数据。

工程检验批数据可以是检测人员上传至模型计算平台的。

工程检验批数据可以是计算平台扫描得到的数据，例如，在进行混凝土外观检查时，计算平台可以扫描混凝土的外观，进而自动获得工程检验批数据。

S402，将检验批数据输入到第一预测模型中，得到第一检测结果，该第一检测结果用于指示检验批数据的合格率。

S403，判断检验批数据的合格率是否大于预设阈值。

在检验批数据的合格率大于预设阈值的情况下，可以进行步骤S421，否则，计算平台可以向检测人员提示检验批数据不合格。

S411，获取分项验收文件。

分项验收文件可以是检测人员上传至模型计算平台的。

S412，将分项验收文件输入到第二预测模型中，得到第二检测结果，该第二检测结果用于指示分项验收文件是否齐全。

第二检测结果指示分项验收文件齐全可以理解为：检测人员上传的分项验收文件和计算平台中预设分项验收文件包括的项目全部或部分对应。

在分项验收文件齐全的情况下，可以进行步骤S421，否则，计算平台可以向检测人员提示分项验收文件不齐全。

S421，将第一检测结果和第二检测结果输入到第三预测模型中，得到分部验收报告。

本申请实施例中，通过将第一预测模型、第二预测模型和第三预测模型的组合应用，可以更加方便和快捷地获取分部验收报告，从而提高监理质量检测和验收的效率。这种模型的组合使用不仅能够节省检测人员大量的时间和精力，而且无需手动分析和整理检测结果，便可以直接获得评估报告。因此，人工的主观因素得到减少，监理评估的准确性和一致性也得到了提高。

图5是本申请实施例提供的一种验收装置示意图；

该装置500可以包括获取单元510、存储单元520和处理单元530。获取单元510用于获取指令和/或数据。存储单元520于存储相应的指令和/或数据，处理单元530可以读取存储单元520中的指令和/或数据，以使得装置实现前述验收方法的实施例。

装置500包括：获取单元510：用于获取工程检验批数据；处理单元530：用于将工程检验批数据输入到第一预测模型中，得到第一检测结果，该第一检测结果用于指示工程检验批数据的合格率；在合格率小于或等于预设阈值的情况下，向检测人员提示工程检验批数据不合格。

获取单元510，还用于获取分项验收文件；处理单元530，还用于将分项验收文件输入到第二预测模型中，得到第二检测结果，该第二检测结果用于指示分项验收文件是否齐全。

处理单元530，还用于：将第一检测结果和第二检测结果输入到第三预测模型中，得到分部验收评估报告。

获取单元510，还用于：获取检测人员的身份信息，改身份信息包括：检测人员的面部信息、虹膜信息、声纹信息和工牌信息至少一种；在身份信息与预设的身份信息一致的情况下，获取工程检验批数据。

该工程检验批数据包括：建设工程的混凝土浇筑裂缝数量、混凝土表面凹凸点数目和裂缝深度中一种或多种。

图6是本申请实施例提供的另一种验收装置示意图。

如图6所示，该装置600包括处理器610、收发器620和存储器630。其中，处理器610、收发器620和存储器630通过内部连接通路互相通信，该存储器630用于存储指令，该处理器610用于执行该存储器630存储的指令，以控制该收发器620发送信号和/或接收信号。处理器610和存储器630也可以集成在一起。

该存储器630可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。存储器630可以是一个单独的器件，也可以集成在处理器610中。该处理器610可以用于执行存储器630中存储的指令，并且当该处理器610执行存储器中存储的指令时，该处理器610用于执行上述检测装置对应的方法实施例的各个步骤和/或流程。

其中，收发器620可以包括发射机和接收机。收发器620还可以进一步包括天线，天线的数量可以为一个或多个。该处理器610和存储器630与收发器620可以是集成在不同芯片上的器件。如，处理器610和存储器630可以集成在基带芯片中，收发器620可以集成在射频芯片中。该处理器610和存储器630与收发器620也可以是集成在同一个芯片上的器件。本申请对此不作限定。

上述收发器620可以用于执行获取单元510的动作，上述处理器630可以用于执行处理单元530的动作。

本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行前述实施例的验收方法。

本申请还提供了一种芯片，包括处理器和存储器。所述存储器用于存储计算机程序，所述处理器用于从所述存储器调用并运行所述计算机程序，以使得所述处理器执行前述实施例的验收方法。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。

结合本文中所公开的实施例描述的方法或算法的步骤，可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。