【技术实现步骤摘要】
本专利技术涉及扬尘管控，具体涉及一种基于深度学习的城市工地扬尘风险监管方法。
技术介绍
1、城市工地和裸地在内的扬尘源通常为无组织开放源，具有源强不确定、排放随机、难以量化等特点。因此，对工地施工监管很重要。在城市的建设施工中可能部分工地对施工区域在非施工时间未进行抑尘措施等不规范作业现象，这些都对周围居民的身体健康、整体的大气环境质量构成了潜在威胁和严重挑战。目前对工地与消纳点的监管主要依靠人工线下巡查。单靠人力长时效全面监管，人力成本极高，并且监管的效率低下。而采用高分辨的卫星遥感进行监测，由于施工场地数量多、地域广阔，高空间分辨率卫星数据昂贵且中空间分辨率卫星精度有限， 限制了大范围工地和裸地扬尘源遥感监测的应用。现有的大多是对工地内的裸土覆盖情况进行识别，但缺乏进一步必要的预警机制，导致无法对识别的裸土区域进行告警。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的城市工地扬尘风险监管方法，借助实时监控摄像系统，对工地内各施工区域的裸土覆盖情况进行监管，从而对城市工地扬尘风险进行管控。
2、为实现上述目的，本申请采用以下方案：
3、一方面，本专利技术提供一种基于深度学习的城市工地扬尘风险监管方法，具体包括以下步骤：
4、s1、获取在监测时间段内工地内监管区域中各监测设备的监控视频流；
5、s2、对每个监测设备的监控视频流进行逐帧分析，将每个监测设备的图片帧存入该监测设备对应的图片识别队列中；
6、s3、
7、s4、对各监测设备对应的管控数据流进行整合，生成告警信息。
8、在一些具体实施方式中，获取监管区域内所有监控设备，根据监控设备的设备名称对监管区域内各施工区域对应的监控设备进行筛选，得到监测设备，获取监测设备在监测时间段内的监控视频流，将监测设备的唯一标识码对监控视频流进行标记。
9、在一些具体实施方式中，步骤s2中，将监控视频流按照预设时间阈值进行截取，将预设时间阈值内该监控视频流中的所有图片帧按照时间顺序依次存入图片识别队列中。
10、在一些具体实施方式中，步骤s3中得到每个监测设备对应的管控视频数据流的具体过程为：
11、s31、按照时间顺序从图片识别队列中选择第一张和最后一张图片帧输入到工地裸土识别模型中，输出识别结果；
12、s32、当识别结果为第一张和最后一张图片帧均为裸土未覆盖，将图片识别队列中的全部图片帧全部另存到新的管控数据流中，结束对当前监测设备的识别，得到当前监测设备对应的管控数据流；
13、s33、当识别结果为第一张和最后一张均为裸土已覆盖，则结束对当前图片识别队列的识别。
14、在一些具体实施方式中，步骤s3还包括步骤：
15、s34、结束对当前图片识别队列的识别后，在预设时间间隔内再次接收该监测设备的图片识别队列，重复步骤s31-s34，直到到达监测时间段的监测时长。
16、在一些具体实施方式中，若在监测时间段内当前监测设备未得到监测设备对应的管控数据流，则将最新接收到的图片识别队列中的数据另存到备份数据集中。
17、在一些具体实施方式中，图片识别队列中的图片帧按照时间顺序依次存入图片识别队列中，s3中得到管控视频数据流的具体过程为：
18、将实时采集的监控视频流的图片帧按照时间顺序不断存入图片识别队列中，图片识别队列的长度固定，同时将该监控设备的图片识别队列中的图片帧按照先入先出的方式持续发送到工地裸土识别模型中；
19、若当前图片帧的识别结果为裸土未覆盖，则将当前图片帧另存到新的管控数据流中；
20、实时判断当前管控数据流的时长是否到达预设时间阈值，若到达，则图片识别队列停止向工地裸土识别模型发送图片帧，结束对当前监测设备的识别，得到当前监测设备对应的管控数据流；
21、若当前图片帧的识别结果为裸土已覆盖，则将当前图片帧另存到备份数据集中，当备份数据集的数据到达预设数据量且到达监控时间段的时长时，则结束对当前监测设备的识别。
22、在一些具体实施方式中，步骤s4中生成告警信息的具体过程为：
23、s41、按照施工区域对各监测设备进行汇总分析，获得同一施工区域的所有监测设备对应的管控数据流；
24、s42、若同一施工区域内所有的监测设备均能获得管控数据流，则将各监测设备的管控数据流进行整合，得到视频证据，并生成当前施工区域内裸土未覆盖的告警内容；
25、s43、若同一施工区域内只有部分监测设备能获得管控数据流，则将各监测设备的管控数据流以及备份数据集进行融合，得到视频证据，并生成当前施工区域内裸土部分覆盖的告警内容；
26、s44、若同一施工区域内没有监测设备能获得管控数据流，则生成当前施工区域内裸土全部覆盖的监测信息。
27、在一些具体实施方式中，步骤s4还包括步骤：
28、s45、统计工地内所有施工区域的告警内容，将各施工区域的告警内容整合为一条告警信息，告警信息包括：编号、施工区域、施工区域类型、施工区域对应的所有监测设备唯一标识码、告警内容、视频证据的链接、告警时间。
29、在一些具体实施方式中，整合和融合的具体过程为：
30、当同一施工区域内所有的监测设备均能获得管控数据流时，将各监测设备的管控数据流合为一个视频存储，并记录视频的存储路径作为视频证据的链接；
31、当同一施工区域内只有部分监测设备能获得管控数据流时，获得无法获得管控数据流的监测设备的备份数据集，将备份数据集与管控数据流中的图片进行逐帧拼接成一个视频存储，并记录视频的存储路径作为视频证据的链接。
32、本专利技术具有的有益效果：
33、本专利技术通过深度学习模型构建工地内裸土识别模型，借助实时监控摄像系统，在监管时间内的施工区域的图像传到裸土识别模型中进行识别，且识别时由于工地内受外在情况影响较少，短时间内图像画面变化不大，因此，当在一个预设时间内若识别的结果一致，则能判断该区域的裸土覆盖情况，并根据识别结果进行分析预警，实现对工地内各施工区域的裸土覆盖情况的监管，从而实现对城市工地扬尘风险进行管控。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，获取监管区域内所有监控设备，根据监控设备的设备名称对监管区域内各施工区域对应的监控设备进行筛选，得到监测设备，获取监测设备在监测时间段内的监控视频流，根据监测设备的唯一标识码对监控视频流进行标记。
3.根据权利要求1所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，步骤S2中，将监控视频流按照预设时间阈值进行截取，将预设时间阈值内该监控视频流中的所有图片帧按照时间顺序依次存入图片识别队列中。
4.根据权利要求2所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，步骤S3中得到每个监测设备对应的管控视频数据流的具体过程为：
5.根据权利要求4所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，步骤S3还包括步骤：
6.根据权利要求5所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，若在监测时间段内当前监测设备未得到监测设备
7.根据权利要求1所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，图片识别队列中的图片帧按照时间顺序依次存入图片识别队列中，S3中得到管控视频数据流的具体过程为：
8.根据权利要求6或7所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，步骤S4中生成告警信息的具体过程为：
9.根据权利要求8所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，步骤S4还包括步骤：
10.根据权利要求8所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，整合和融合的具体过程为：
...【技术特征摘要】
1.一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，获取监管区域内所有监控设备，根据监控设备的设备名称对监管区域内各施工区域对应的监控设备进行筛选，得到监测设备，获取监测设备在监测时间段内的监控视频流，根据监测设备的唯一标识码对监控视频流进行标记。
3.根据权利要求1所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，步骤s2中，将监控视频流按照预设时间阈值进行截取，将预设时间阈值内该监控视频流中的所有图片帧按照时间顺序依次存入图片识别队列中。
4.根据权利要求2所述的一种基于深度学习的城市工地扬尘风险监管方法，其特征在于，步骤s3中得到每个监测设备对应的管控视频数据流的具体过程为：
5.根据权利要求4所述的一种基于深度学习的城市工地扬尘风...
【专利技术属性】
技术研发人员：荣家灏，牟华侨，向成才，张宜峰，
申请(专利权)人：四川国蓝中天环境科技集团有限公司，
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。