本發明涉及建筑安全監管，尤其涉及基于大數據的智能建筑安全監管系統。

背景技術：

1、在當今飛速發展的建筑行業中，建筑工地的規模和復雜程度不斷攀升，施工現場的安全管理愈發成為重中之重。施工現場材料堆放的安全性，直接關乎到施工人員的生命安危以及整個工程的順利推進，一旦出現材料滾落或坍塌事故，極有可能引發連鎖反應，造成不可挽回的嚴重后果。

2、公開號cn117765434b公開了用于建筑工程的現場視頻圖像處理方法及系統，將建筑工程現場分為：施工現場區域、進出口道路區域、材料堆放區域和設備房區域，將施工現場區域、進出口道路區域設置為一級監控區域，將材料堆放區域和設備房區域設置為二級監控區域，通過將材料堆放區域和設備房區域設置為二級監控區域，對于二級監控區域出現人或者車輛較少，主要進行物品材料的監控；通過將監控圖像的連續圖像幀進行分組，對每組圖像幀進行偏差比較，計算圖像幀分組的組內差異值；可以更加準確的保留物品變動時的監控圖像，便于更加安全的保證二級監控區域存放物品的安全性。

3、但是上述申請仍存在以下問題：雖著重對材料堆放區域實施了分區式監控，聚焦物品變動情況，一定程度上留意材料的動態信息，但僅僅停留在變動監測層面。而施工現場，當材料堆高度較高或是堆放不整齊時，若缺乏有效的預警及預防機制，就可能惡化為大規模的坍塌、滾落事故，不僅會損壞貴重材料，造成直接經濟損失，更會危及現場施工人員的生命安全。

技術實現思路

1、為解決背景技術中存在的技術問題，本發明提出基于大數據的智能建筑安全監管系統。

2、本發明提出的基于大數據的智能建筑安全監管系統，包括：

3、采集模塊：包括多個攝像頭，通過攝像頭實時采集圖片數據和視頻數據；并用于將采集到的圖片數據和視頻數據傳輸給數據存儲模塊；

4、數據存儲模塊：用于存儲采集模塊傳輸的圖片數據和視頻數據；

5、材料堆監管模塊：用于對建筑材料中的材料堆進行監管，識別材料堆的堆放高度是否符合堆放高度要求，若不符合，則觸發預警，判斷材料堆是否符合堆放整齊要求，若不符合，則觸發預警。

6、優選地，材料堆監管模塊包括：

7、深度學習模型生成單元：采用深度學習算法，通過對數據存儲模塊內的圖片數據和視頻數據進行分析，用于識別在連續幀中的材料堆的堆放高度是否符合堆放高度要求；

8、堆放整齊判定單元：在深度學習模型生成單元中，深度學習算法在材料堆堆放高度識別中，采用canny邊緣檢測算法確定材料堆的輪廓，確定材料堆放的邊界和堆放方向，采用canny邊緣檢測算法判斷材料堆是否堆放整齊。

9、優選地，材料堆監管模塊還包括：

10、材料堆堆放高度預警單元：用于材料堆堆放高度的判斷，若超過設定閾值，則觸發預警；

11、優選地，在深度學習模型生成單元中，對于數據存儲模塊中的圖片數據和視頻數據，通過深度學習算法直接識別出屬于材料堆的像素，將屬于材料堆的像素標記為特定類別，其余背景像素標記為另一類別；

12、通過將屬于材料堆的像素標記為特定類別，從圖片數據和視頻數據中生成材料堆分割圖。

13、優選地，在深度學習模型生成單元中，通過深度學習算法識別材料堆分割圖中的材料類別，根據不同的材料類別設定不同的高度閾值。

14、優選地，材料堆堆放高度預警單元中，深度學習算法在判斷材料堆分割圖中的材料類別是否超過高度閾值時，對于一個材料類別的其中一個材料堆m進行高度識別時，采用材料堆m的多個連續幀的材料堆分割圖，通過深度學習算法分別計算出材料堆m在每個材料堆分割圖的堆放高度，得到一個堆放高度集s1，然后采用卡爾曼濾波算法對堆放高度集s1進行平滑處理，得到一個堆放高度，然后判斷堆放高度是否超過所屬材料類別的設定閾值，若超過，則觸發預警。

15、優選地，堆放整齊判定單元中，采用canny邊緣檢測算法判斷材料堆是否堆放整齊，若超過設定閾值，則觸發預警，如下：

16、接收到材料堆分割圖后，輸入的彩色材料堆分割圖轉換為灰度圖像，

17、采用高斯濾波算法對灰度圖像進行平滑處理；

18、通過梯度計算，分別在水平和垂直方向上對經過高斯濾波后的圖像進行卷積操作，得到水平方向的梯度分量?gx?和垂直方向的梯度分量?gy；

19、計算出每個像素位置的梯度幅值g：

20、；

21、計算梯度方向：

22、；取值范圍為0°-360°；

23、計算出每個像素位置的梯度方向；

24、通過梯度計算，定位材料堆分割圖中像素灰度變化位置，勾勒出材料堆輪廓，確定材料堆的堆放邊界；

25、然后依據邊緣走向及連續性，采用霍夫變換技術確定材料堆的堆放方向；

26、接下來計算材料堆輪廓的邊界線段與堆放方向直線的夾角偏差，若是夾角偏差超出設定閾值，判定材料堆堆放不整齊，即刻觸發預警；

27、計算材料堆輪廓的邊界線段與堆放邊界的長度一致性偏差，若是長度一致性偏差超出設定閾值，判定材料堆堆放不整齊，即刻觸發預警；

28、計算堆放邊界的直線度，若是堆放邊界的直線度超出設定閾值，判定材料堆堆放不整齊，即刻觸發預警。

29、基于大數據的智能建筑安全監管方法，包括以下步驟：

30、通過攝像頭實時采集圖片數據和視頻數據；并用于將采集到的圖片數據和視頻數據傳輸給數據存儲模塊進行數據存儲；

31、對于數據存儲模塊中的圖片數據和視頻數據，通過深度學習算法直接識別出屬于材料堆的像素，將屬于材料堆的像素標記為特定類別，其余背景像素標記為另一類別；

32、通過將屬于材料堆的像素標記為特定類別，從圖片數據和視頻數據中生成材料堆分割圖；

33、接下來采用canny邊緣檢測算法確定材料堆分割圖的材料堆放的邊界和堆放方向，通過canny邊緣檢測算法判斷材料堆是否堆放整齊，若超過設定閾值，則觸發預警；

34、通過深度學習算法識別材料堆分割圖中的材料類別；根據不同的材料類別設定不同的高度閾值；

35、然后采用深度學習算法判斷材料堆分割圖中的材料類別是否超過高度閾值，若超過，則觸發預警；

36、深度學習算法在判斷材料堆分割圖中的材料類別是否超過高度閾值時，對于一個材料類別的其中一個材料堆m進行高度識別時，采用材料堆m的多個連續幀的材料堆分割圖，通過深度學習算法分別計算出材料堆m在每個材料堆分割圖的堆放高度，得到一個堆放高度集s1，然后采用卡爾曼濾波算法對堆放高度集s1進行平滑處理，得到一個堆放高度，然后判斷堆放高度是否超過所屬材料類別的設定閾值，若超過，則觸發預警。

37、本發明中，所提出的基于大數據的智能建筑安全監管系統，具有如下有益的技術效果：

38、1.在施工現場材料堆的安全監管中，通過深度學習算法直接識別出屬于材料堆的像素，將屬于材料堆的像素標記為特定類別，其余背景像素標記為另一類別，然后將屬于材料堆的像素標記為特定類別，從圖片數據和視頻數據中生成材料堆分割圖；濾除了圖片數據和視頻數據中背景中繁雜的建筑、器械、植被無關干擾信息。如此一來，得以聚焦材料堆自身高度特征，能夠更加精準地判斷堆放高度。

39、2.在判斷材料堆高度時，采用材料堆的多個連續幀的材料堆分割圖，利用深度學習算法算出各幀堆放高度形成堆放高度集?s1，再用卡爾曼濾波算法對其進行平滑處理得到最終堆放高度。該處理方式有效減少因圖像采集瞬間誤差、光線變化等因素導致的高度數據波動，增加高度判斷精確度，讓判斷結果更穩定可靠，增強安全監管的可信度與有效性。

40、3.?采用?canny?邊緣檢測算法確定材料堆分割圖的材料堆放邊界與方向，實時判斷材料堆是否堆放整齊，一旦超過設定閾值即刻觸發預警。這一自動化檢測手段，讓施工管理人員能及時掌握材料堆放狀態，迅速調整不整齊的堆放情況，避免因堆放雜亂引發材料失衡、坍塌，減少施工現場潛在的安全隱患，維持施工場地的有序性。

41、綜上，本技術通過識別材料堆的堆放高度是否符合堆放高度要求，判斷材料堆是否符合堆放整齊要求，可以有力預防因材料堆超高或是材料堆不整齊堆放致使材料滾落或坍塌的安全事故，最大程度保障施工現場人員的生命安全。

42、本發明的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。