CN119420882A 一种工地巡检方法、巡检系统、设备及非易失性存储介质 （中岩数字科技(浙江)有限公司）

本发明公开了一种工地巡检方法、巡检系机平台中的闭环处理机制，创新对工程质量和2对目标区域的巡检数据进行增强，通过图像变换技术对图像进行光照不变性特征提取，通过计算每个像素的局部邻域的二使用源域数据和目标域数据进行域自适应训练，通过最小化源域将融合后的特征图输入检测头进行目标分类和无人机机巢接收智能建造运管平台的指令，实现无人化或辅助飞行3无人机接收机巢的信号，完成指定时间和指定航线的巡检，巡检过程11.一种巡检专用的计算机设备，包括存储器和处理器，所述存储器存储有计算机程所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方45过最小化源域和目标域之间的分布差异优化深度学习算包括使用骨干网络提取输入图像的多尺度特征；利用特征融合模块对多尺度特征进行融[0017]本发明的另外一个目的是提供了一种工地巡检系统，通[0018]本发明的工地巡检方法可以通过自动化的工地巡检系统而容易地实施，具体如6动数据在平台机巢无人机平台中的闭环处理机制，创新对工程质量和安全的移动式监789DP=(DP1,DP2,…,Dpm，对无人机收集的数据进行特征提取得到F(DP)并构建状态[0065]其中，pro(BIRISH)为在给定风险RISK的条件下类别B的概率，σ为激活函数，当R1不大于风险评估小于R2且类别概率不小于pro2时，存在中风险，判断为风险事件聂高准确性的同时实现更快的处理速度。采用Darknet_53架构进行更好的特征提取和表示。敏感的特征，可以使用局部二值模式（LBP）。对于每个像素I(X,)，计算其局部邻域最小化源域和目标域之间的分布差异来提高模型的泛化能力。设源域样本为，λ和是权重系数。。到t之间，某一动态特征块组成，包括从P1到P5的五层特征提取。输入图像经过卷积核尺寸为3×3的卷积层和步幅提取能力，传统的C3模块被改进为C2f模块，C2f模块通过多跳跃连接有效减少了梯度信息的损失，提升了模型的特征提取质量。在特征提取的最后阶段，加入了空间金字塔池化13在多个特征尺度上聚合空间信息，增强了对目标边缘特征和语义背景的提取能力。骨干网络的多层次特征输出为特征融合模块提供了多尺度输入，既保留了低层的空间细节，辨率的底层细节特征融合。融合过程中，模型进一步利用C2f模块优化融合特征的表达能[0096]检测头是整个模型的最终输出部分，其主要功能是完成目标的分类和边界框预度池化设计，确保了模型对小目标和复杂背景场景的高效建模。与传统骨干网络相比，[0098]特征融合模块去掉了传统复杂的卷积叠加操作，采用了简单的上采样和特征拼中，涉及的各项处理功能可以通过计算机系统的核心处理器或外部扩展处理器协同完成。和障碍物避让可通过嵌入式FPGA或ASI特征。随后，传输到平台的画面通过深度学习算法（如改进后的YOLOv8模型）进行分析。[0119]本实施例采用非易失性存储介质带来了显著的技术优势。首先是数据的高可靠构中针对光照变化的优化设计，保证了在实际建筑工地环境中对目标物体的准确检测能法有效应对光照剧烈变化导致的细节丢失或目标[0129]为进一步验证模型对复杂背景的适应能力，分别统计了两组方法在建筑主体区[0131]本发明方法在复杂背景干扰条件下的目标检测实验结果显示，其在建筑主体区本发明方法通过C2f模块的跳跃连接设计和深度特征提取能力，实现了外立面裂缝和钢结