【技术实现步骤摘要】
本申请属于建筑施工安全管理，尤其是涉及一种基于边缘移动监测站的智慧工地施工安全监测云边协同预警系统及其控制系统及其控制方法。
技术介绍
1、现有的智慧工地施工安全监测系统虽然能满足日常安全监测需求，但大多的系统都十分繁杂，无法做到对工地现场的需求灵活布设和迁移，另外部分智能硬件设备能耗高、维护成本也很高，限制了其在大规模智慧工地上的广泛应用。
2、现有的智慧工地施工安全监测系统存在的主要缺点有：1）数据处理能力不足：现有的系统在数据处理、分析和挖掘方面存在一定的局限，难以快速、准确地识别出异常情况和潜在的安全隐患；2）识别精度低，容易产生误报或漏报；3）数据安全性与隐私保护不足；4）目前多数应用耗电量大，自然能源无法满足设备24小时供电需要，同时出现停电后也没有备电机制；5）大多数边缘计算联动都是平台侧执行，无法做到集数据采集、策略应用设置、边缘计算、终端联动一体化解决方案；针对上述缺点，本专利技术的目的是提供一种基于边缘移动监测站的智慧工地施工安全监测云边协同预警系统，通过智能边缘的aiot核心技术，形成物联网与人工智能、云计算与边缘计算相结合的架构体系，提高智慧工地预警的精度和可靠性，有效防止建筑工地施工时的安全事故。
技术实现思路
1、本申请提供了一种基于边缘移动监测站的智慧工地施工安全监测云边协同预警系统及其控制系统及其控制方法，解决了建筑工程施工现场对人员、设备安全监管困难的问题。
2、本申请提供了一种基于边缘移动监测站的智慧工地施工安全监测云边协
3、所述数据采集设备、声光报警器边缘移动监测站和显示设备设置在工地现场，所述数据采集设备传输信息至边缘移动监测站，所述边缘移动监测站能够下发报警指令信息至声光报警器和/或显示设备，所述边缘移动监测站还能够上传信息至位于云端的云计算数据中心，所述通信设备传输数据，所述数据采集设备、边缘移动监测站、通信设备、云计算数据中心、声光报警器和显示设备通过能源供应设备供给所需电能。
4、可选地，所述数据采集设备包括环境传感器、视频监控设备和定位设备；
5、所述环境传感器，用于收集工地环境的各项参数；
6、所述视频监控设备，用于提供现场视频流；
7、所述定位设备，用于确定监测站的位置信息。
8、本申请还提供一种基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制系统，用于控制上述预警系统，该控制系统包括工地预警系统和工地管理系统；
9、所述工地预警系统包括边缘计算模块、预警管理模块、设备管理模块；
10、所述边缘计算模块，可根据不同的业务需求制定相应规则，用于控制边缘移动监测站；
11、所述预警管理模块，对预处理后的数据进行安全风险评估，当评估结果达到预设的预警阈值时，将触发预警分析模块生成相应的预警信息；
12、所述设备管理模块：对工地上的所有设备进行远程状态监控、维护调度及使用权限管理；
13、所述工地管理系统，包括可视化模块、gis可视化地图模块、视频监控模块和告警模块。
14、所述可视化模块：用于控制显示设备，展示数据信息；
15、所述gis可视化地图模块：用于在地图上展示各个工地的位置及分布情况；
16、所述视频监控模块：用于控制数据采集设备，实时监控施工现场；
17、所述告警模块：用于就控制声光报警器告警。
18、本申请还提供一种基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，包括以下步骤：
19、基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，包括以下步骤：
20、步骤1，收集不同类型的施工安全相关数据；
21、步骤2，在云端的云计算数据中心或者本地端的边缘移动监测站采用多任务学习模型对采集的数据进行分析，并制定相应的控制策略；云端的云计算数据中心控制策略可动态调整，并下达到本地端的边缘移动监测站；
22、步骤3，位于本地端的边缘移动监测站接收到云端的云计算数据中心下达的控制策略后，对实时采集的数据进行处理；
23、步骤4，当多任务学习模型在本地端的边缘移动监测站识别出潜在的安全隐患时，向告警模块发送本地预警信号，智能告警模块将本地预警信号传输至通过声光报警器或显示屏进行告警；
24、步骤5，通过显示设备实时查看各监测点的数据及预警情况，接收云端云计算数据中心推送的信息。
25、可选地，步骤2中，多任务学习模型是采用卷积神经网络（cnn）、transformer和多任务学习框架构建而成。
26、可选地，多任务学习模型的构建和训练过程如下：
27、s21，数据输入与预处理；
28、s22，时空特征提取；
29、s23，对提取出的空间特征序列进行处理；
30、s24，共享特征表示；
31、s25，构建任务分支；
32、s26，损失函数集成，获得总损失函数；
33、s27，模型优化与训练。
34、可选地，在s23中，采用transformer编码器对提取出的空间特征序列进行处理，利用自注意力机制捕获时间维度上的长程依赖关系。
35、可选地，在s25中，根据不同的安全监测任务构建多个任务分支；
36、所述任务分支包括人员安全帽佩戴检测分支、危险区域入侵预警分支和设备故障预测分支；
37、其中， 所述人员安全帽佩戴检测分支：将共享特征表示通过全连接层和激活函数进行分类预测，输出人员是否佩戴安全帽的概率；
38、所述危险区域入侵预警分支：将共享特征表示，构建一个二分类或多分类分支，判断人员是否进入危险区域；
39、所述设备故障预测分支：对于设备状态监控，根据设备类型和故障模式设置分类数目，进行故障状态的预测。
40、可选地，在s26中，为每个任务分支分别定义损失函数，分配相应的权重因子，加权求和形成总损失函数。
41、可选地，步骤1中，施工安全相关数据包括视频流、传感器读数、设备状态信息、人员位置和行为数据。
42、本申请的有益效果为：
43、（1）实时监控与快速响应：通过边缘计算技术，移动监测站可以实现施工现场数据的本地化实时处理，极大地缩短了信息传输、分析的时间延迟，从而提高了对安全事故的预警速度和应急响应效率；
44、（2）灵活部署与适应性强：移动监测站可根据工地现场的实际需求进行动态布设和迁移，尤其适合于大型复杂、多变的施工环境，能有效覆盖各种临时性或特殊区域的安全监测需求；
45、（3）高效资源利用与成本优化：云边协同模式下，边缘设备负责轻量级的预处理和初步分析工作，减轻了云端服务本文档来自技高网...
【技术保护点】
1.基于边缘移动监测站的智慧工地施工安全监测云边协同预警系统，其特征在于，包括数据采集设备、边缘移动监测站、通信设备、云计算数据中心、声光报警器、显示设备和能源供应设备；
2.如权利要求1所述的基于边缘移动监测站的智慧工地施工安全监测云边协同预警系统，其特征在于，所述数据采集设备包括环境传感器、视频监控设备和定位设备；
3.基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制系统，其特征在于，用于控制权利要求1至2中的预警系统，该控制系统包括工地预警系统和工地管理系统；
4.基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，包括以下步骤：
5.如权利要求4所述的基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，步骤2中，多任务学习模型是采用卷积神经网络、Transformer和多任务学习框架构建而成。
6.如权利要求5所述的基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，多任务学习模型的构建和训练过程如下：
7.如权利要求6所述的基
8.如权利要求6所述的基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，在S25中，根据不同的安全监测任务构建多个任务分支；
9.如权利要求6所述的基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，在S26中，为每个任务分支分别定义损失函数，分配相应的权重因子，加权求和形成总损失函数。
10.如权利要求4所述的基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，步骤1中，施工安全相关数据包括视频流、传感器读数、设备状态信息、人员位置和行为数据。
...【技术特征摘要】
1.基于边缘移动监测站的智慧工地施工安全监测云边协同预警系统，其特征在于，包括数据采集设备、边缘移动监测站、通信设备、云计算数据中心、声光报警器、显示设备和能源供应设备；
2.如权利要求1所述的基于边缘移动监测站的智慧工地施工安全监测云边协同预警系统，其特征在于，所述数据采集设备包括环境传感器、视频监控设备和定位设备；
3.基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制系统，其特征在于，用于控制权利要求1至2中的预警系统，该控制系统包括工地预警系统和工地管理系统；
4.基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，包括以下步骤：
5.如权利要求4所述的基于边缘移动监测站的智慧工地施工安全监测云边协同预警控制方法，其特征在于，步骤2中，多任务学习模型是采用卷积神经网络、transformer和多任务学习框架构建而成。
6.如权利要求5所述的基于边缘移动监测站的智慧工...
【专利技术属性】
技术研发人员：周瑞君，郑维刚，何杰峰，
申请(专利权)人：深圳市惠博云科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。