具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，一种起重机承载力监测系统，包括建模模块、评估模块、服务器和储存模块；

储存模块用于储存系统数据；所述建模模块用于建立起重机的受力模型，具体方法包括：

步骤SA1：获取用户起重机的设计参数和检验数据，设计参数包括起重机尺寸、起吊重力范围等数据，检验数据就是检测部门对同批次的同型号的起重机进行检测的数据；

步骤SA2：构建人工智能模型；人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；获取同型号起重机的起重数据，可以从互联网中或者厂家进行采集数据，起重数据就是起重机吊装时的物体重力、运行状态等数据，使用同型号起重机的起重数据和设计参数对人工智能模型进行训练，将训练后的人工智能模型标记为共有智能模型；

步骤SA3：使用用户起重机的设计参数和检验数据对共有智能模型进行训练，将训练后的共有智能模型标记为受力模型；受力模型是以吊物重量和吊钩位置为输入数据的，输出结果是起重机受力图；

所述评估模块用于评估待吊物品的重量和起重预警，具体方法包括：

步骤SB1：获取待吊物品的高清图像和背景图像，根据待吊物品的高清图像和背景图像提取待吊物品的轮廓；

步骤SB2：设置评估模型，获取待吊物品材质组成，待吊物品材质组成就是待吊物品各部分的材质，设置调整系数，将待吊物品材质组成、调整系数和待吊物品的轮廓整合标记为评估输入数据，将评估输入数据输入到评估模型中，获得待吊物品的评估质量；

步骤SB3：将评估质量和吊钩位置输入到受力模型中，获得起重机受力图；

步骤SB4：根据起重机受力图对待吊物品进行承载力评估，评估等级分为三个等级，分别为禁止起吊、重点监控和安全起吊；

当评估等级为禁止起吊时，对应的待吊物品禁止起吊；

当评估等级为重点监控时，对应的待吊物品在吊装的过程中需要重点监控；

当评估等级为安全起吊时，不进行操作；

步骤SB2中设置评估模型的方法包括：

获取评估历史数据，评估历史数据包括待吊物品材质组成、调整系数和待吊物品的轮廓；

为评估历史数据设置对应的评估质量；

构建人工智能模型；人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；

将评估历史数据和对应的评估质量按照设定比例划分为训练集、测试集和校验集；所述设定比例包括3：2：2、4：2：1和3：1：1；

通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为评估模型；

步骤SB1中根据待吊物品的高清图像和背景图像提取待吊物品的轮廓的方法包括：

将待吊物品的高清图像和背景图像进行图像预处理，并将图像预处理之后的图像分别标记为待吊物灰度图像和背景灰度图像，图像预处理包括图像分割、图像去噪、图像增强和灰度变换，以图像中心为原点，建立图像灰度值三维坐标系，将待吊物灰度图像和背景灰度图像的灰度值输入到坐标系中；

将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，根据灰度值确定待吊物图像的边界坐标，根据边界坐标进行分割，提取待吊物品的轮廓；

步骤SB2中设置调整系数的方法包括：

设置调整模型，将待吊物品材质组成和待吊物品的轮廓整合标记为调整输入数据，将调整输入数据输入到调整模型中，获得调整系数；

获取调整历史数据，调整历史数据包括待吊物品材质组成和待吊物品的轮廓；

为评估历史数据设置对应的调整系数；

构建人工智能模型；人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；

将调整历史数据和对应的调整系数按照设定比例划分为训练集、测试集和校验集；所述设定比例包括3：2：2、4：2：1和3：1：1；

通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为调整模型。

本发明的工作原理：建立起重机的受力模型，获取用户起重机的设计参数和检验数据，构建人工智能模型；获取同型号起重机的起重数据，使用同型号起重机的起重数据和设计参数对人工智能模型进行训练，将训练后的人工智能模型标记为共有智能模型；使用用户起重机的设计参数和检验数据对共有智能模型进行训练，将训练后的共有智能模型标记为受力模型；评估待吊物品的重量和起重预警，获取待吊物品的高清图像和背景图像，将待吊物品的高清图像和背景图像进行图像预处理，并将图像预处理之后的图像分别标记为待吊物灰度图像和背景灰度图像，以图像中心为原点，建立图像灰度值三维坐标系，将待吊物灰度图像和背景灰度图像的灰度值输入到坐标系中；将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，根据灰度值确定待吊物图像的边界坐标，根据边界坐标进行分割，提取待吊物品的轮廓；获取评估历史数据，评估历史数据包括待吊物品材质组成、调整系数和待吊物品的轮廓；为评估历史数据设置对应的评估质量；构建人工智能模型；将评估历史数据和对应的评估质量按照设定比例划分为训练集、测试集和校验集；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为评估模型；

获取待吊物品材质组成，设置调整模型，将待吊物品材质组成和待吊物品的轮廓整合标记为调整输入数据，将调整输入数据输入到调整模型中，获得调整系数；获取调整历史数据，调整历史数据包括待吊物品材质组成和待吊物品的轮廓；为评估历史数据设置对应的调整系数；构建人工智能模型；将调整历史数据和对应的调整系数按照设定比例划分为训练集、测试集和校验集；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为调整模型；将待吊物品材质组成、调整系数和待吊物品的轮廓整合标记为评估输入数据，将评估输入数据输入到评估模型中，获得待吊物品的评估质量；将评估质量和吊钩位置输入到受力模型中，获得起重机受力图；根据起重机受力图对待吊物品进行承载力评估，评估等级分为三个等级，分别为禁止起吊、重点监控和安全起吊；当评估等级为禁止起吊时，对应的待吊物品禁止起吊；当评估等级为重点监控时，对应的待吊物品在吊装的过程中需要重点监控；当评估等级为安全起吊时，不进行操作。

在本发明所提供的实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。

另对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方法而非限制，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法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。