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。

这里使用的术语用于描述实施例，并不意图限制和/或限制本公开；应该注意的是，除非上下文另有明确指示，否则单数形式的“一”、“一个”和“该”也包括复数形式；而且，尽管属于“第一”、“第二”等可以在本文中用于描述各种元件，但是元件不受这些术语的限制，这些术语仅用于区分一个元素和另一个元素。

请参阅图1-图2，本申请提供了一种建筑施工现场监控系统，包括处理器，以及与处理器相连接的数据存储模块；处理器分别与区域处理模块、救援处理模块和可视化处理模块通信和/或电气连接，区域处理模块包括边缘计算单元和与边缘计算单元相连接的数据采集单元。

本申请中，处理器主要用于完成数据交互和处理数据量大的任务；区域处理模块则是根据监测区域进行配置，用于对该监测区域进行监测和预警；救援处理模块则是在区域处理模块分析判断的基础上，对工作人员位置进行定位，以及派遣救援人员完成救助；可视化处理模块则是进行全局监控，将各个监测区域的高清图像，数据处理进度以及工作人员救援等进行实时展示，方便同一调度。

本申请提供的一种建筑施工现场监控系统的要点之一是将边缘计算融合进建筑施工现场监控系统中，提高数据处理效率；另外一个要点是通过多种技术的交叉融合，来实现监控范围的提升以及监控精度的提高。

本申请提供的一种建筑施工现场监控系统中，首先通过处理器对建筑施工现场区域进行三维建模获取三维施工模型，并对三维施工模型进行划分获取监测区域，将监测区域设置在区域处理模块。

本申请首先对需要监控的建筑施工现场区域进行建模，形成三维施工模型；然后通过自动划分方式或者手动划分方式，对三维施工模型进行划分，获取监测区域，然后将监测区域的划分结果发送至区域处理模块、可视化处理模块、救援处理模块和数据存储模块。

其中，通过自动划分方式划分监测区域包括：

分析三维施工模型获取重点设施；重点设施为建筑施工现场容易发生危险的设备或者设施，如脚手架、起重塔吊和施工高度大于2米的作业面；

以重点设施为中心，根据常数R获取重点区域；重点区域也可以理解为重点设施发生异常时，会波及到的区域，且本申请中重点区域既可以为圆形，也可以为矩形，根据具体情况选择设置；

当任意两个重点区域的重叠面积大于重叠阈值时，则将两个重点区域合并形成新的重点区域；将监测区域中除重点区域之外的区域标记为普通区域。

通过自动划分方式划分监测区域主要是对特定设施进行标注，然后形成重点区域和普通区域，以完成监测区域的划分；当建筑施工现场非常大时，重点设施比较多的情况下，这种方式能够提高效率和区域划分的准确性。

其中，通过手动划分方式划分监测区域包括：

在三维施工模型中通过手动选取重点区域，待重点区域手动选取完成之后，将监测区域中除重点区域之外的区域标记为普通区域。

通过自动划分方式划分监测区域主要是在已知重点区域的情况下，将对应重点区域在三维施工模型中区别出来，这种方式适合建筑施工现场较小，且重点区域已知的情况，也能同时保证区域划分的效率。

本申请提供的一种建筑施工现场监控系统中，还包括将监测区域设置在区域处理模块；本申请中每个重点区域至少设置一个区域处理模块，当普通区域比较小时，可以多个普通区域公用一个区域处理模块。

本申请提供的一种建筑施工现场监控系统中，数据采集单元通过采集传感器获取监测区域的监测数据，并将监测数据传输至对应的边缘计算单元、处理器和数据存储模块；边缘计算单元对监测数据进行分析获取预警标签，并根据预警标签进行预警。

边缘计算单元获取预警标签包括：

提取监测数据中的环境数据；其中，环境数据包括环境温度、环境湿度和振动数据等能够表征监测区域异常状态的数据，且环境数据为固定时长内的连续监测的数据；

通过数据存储模块获取预警评估模型；其中，预警评估模型通过训练人工智能模型获取，人工智能模型包括深度卷积神经网络和RBF神经网络；

将经归一化处理的环境数据输入至预警评估模型获取预警标签。

本申请中，利用人工智能模型的优势来获取预警标签，提高了数据处理效率，以及对监测区域中异常判断的准确度。

预警标签为大于等于0小于等于10的整数，且预警标签的值越大，表示危险程度越高，如预警标签为0时，表示对应监测区域无异常状况，预警标签为10时，表示对应监测区域出现人员伤亡。

预警评估模型的获取包括：

通过数据存储模块获取标准训练数据；其中，标准训练数据和环境数据的内容类别一致，

为标准训练数据标注预警标签；

构建人工智能模型；其中，人工智能模型包括深度卷积神经网络和RBF神经网络；

通过标准训练数据以及对应的预警标签训练人工智能模型，并将训练完成的人工智能模型标记为预警评估模型，并将训练完成的预警评估模型发送至数据存储模块进行存储。

本申请中的标准训练数据存储在数据存储模块中，且定期更新，保证数据的准确性和有效性。标准训练数据和环境数据的内容类型一致，即包括环境温度、环境湿度和振动数据，这里的振动数据既可以是监测区域中的振动平均值，又可以是监测区域的震动最大值。

值得注意的是，因为需要通过标准训练数据来训练人工智能模型，因此标准训练数据中包括监测区域发生异常状态前N秒的环境数据，以及监测区域正常时对应的环境数据；其中，N为大于0的实数。

预警评估模型定期训练获取，并发送至存储模块进行存储，以便随时调用。

本申请提供的一种建筑施工现场监控系统中，当预警标签大于标签阈值时，处理器通过图像识别技术对对应监测区域进行实时现场监测，并根据现场监测结果发送救援信号，包括；

提取监测数据中的高清图像，对高清图像进行图像预处理之后获取目标图像；

通过图像识别技术对目标图像进行分析，获取对应监测区域的异常状态；

当监测区域存在异常状态时，则生成并发送救援信号至救援处理模块；其中，异常状态包括作业面坍塌、人员聚集和高空坠物。

根据预警标签进行初步判断，当预警标签大于标签阈值时，则判定需要进行现场图像监测，然后通过高清图像和图像识别技术的结合，来识别监测区域的异常。本申请中的异常包括高空坠物、作业面坍塌等危害工人安全的现象或者行为。

本申请提供的一种建筑施工现场监控系统中，救援处理模块接收到救援信号之后，获取监测区域内的工作人员的实时位置，并完成救援人员的派遣。

本申请中，救援处理模块通过智能安全帽获取工作人员的实时位置和身体状态，并结合距离最近原则派遣救援人员，完成对身处险境的工作人员的救助。

本申请提供的一种建筑施工现场监控系统中，可视化处理模块用于展示监测区域的状态，包括数据采集、预警标签获取、实时现场监测、实时位置获取、救援人员派遣等过程的数据交互及结果展示。

本申请提供了一种建筑施工现场监控系统的监控方法，包括：

对建筑施工现场区域进行三维建模获取三维施工模型，并对三维施工模型进行划分获取监测区域，将监测区域设置在区域处理模块；

通过采集传感器获取监测区域的监测数据；其中，采集传感器包括温度传感器、振动传感器、湿度传感器和高清摄像头；

对监测数据进行分析获取预警标签，并根据预警标签进行预警；

当预警标签大于标签阈值时，通过图像识别技术对对应监测区域进行实时现场监测，并根据现场监测结果发送救援信号；

救援信号生成之后，获取监测区域内的工作人员的实时位置，并完成救援人员的派遣。

接下来，具体举例来说：

通过处理器对建筑施工现场区域进行三维建模获取三维施工模型，将三维施工模型中脚手架作为重点设施对三维建模区域进行自动划分，获取监测区域。

数据采集单元获取重点区域的监测数据，并将监测数据传输至对应的边缘计算单元、处理器和数据存储模块。

重点区域对应的边缘计算单元对监测数据进行分析获取预警标签，当预警标签不为0时，则通过报警装置(如报警器)或者智能手机进行报警；当预警标签大于3时，则处理器通过图像识别技术对监测区域的高清图像进行分析，当高清图像中存在脚手架倒塌时，则生成并发送救援信号至救援处理模块。

救援处理模块通过智能安全帽获取工作人员的实时位置和身体状态，根据工作人员的实时位置派遣救援人员完成救助。

本发明的工作原理：

对建筑施工现场区域进行三维建模获取三维施工模型，并对三维施工模型进行划分获取监测区域，将监测区域设置在区域处理模块；通过采集传感器获取监测区域的监测数据。

对监测数据进行分析获取预警标签，并根据预警标签进行预警；当预警标签大于标签阈值时，通过图像识别技术对对应监测区域进行实时现场监测，并根据现场监测结果发送救援信号。

救援信号生成之后，获取监测区域内的工作人员的实时位置，并完成救援人员的派遣。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。