基于无人机增强现实的城市工程质量智能评价方法及其系统

摘要

本发明提供了一种基于无人机增强现实的城市工程质量智能评价方法，包括：S1城市工程地分布模型的获取，以及搭载AR装置的无人机巡检路径规划；S2无人机按照规划的巡检路径飞行，根据接收到工程数据形成巡检图像；S3城市工程质量智能评价模型的建立；S4控制所述无人机飞抵待巡检的城市工程地，获得巡检图像，代入模型得到当前工程质量的评价预测结果，并通过步骤S1获取的城市工程地分布模型形成城市工程质量评价分布结果。本发明从七大工程数据的实时获取全面对工程质量给予整体评价。巡检图像能够方便根据颜色识别得分低的工程数据类型，从而找到工程薄弱环节。借助无人机AR技术做到巡检的可视化与城市工程质量评价空间化分布，从而找到工程负责主体在至少一处工程地施工中可能存在的普遍问题或受地区化影响产生的问题。无人机巡检替代了人力巡检，能够克服成本问题，并达到人难以到达的巡检位置，并通过数据的获取情况得知施工现场对于工程数据的计算和积累工作的情况。

权利要求

1.一种基于无人机增强现实的城市工程质量智能评价方法，其特征在于，包括如下步骤：

S1城市工程地分布模型的获取，以及搭载AR装置的无人机巡检路径规划；

S2无人机按照规划的巡检路径飞行，并调整飞行路线飞抵至少一处城市工程地，获取所述至少一处城市工程地的当前工程数据，并对所述工程数据进行处理，形成巡检图像；

S3城市工程质量智能评价模型的建立；其中，所述城市工程质量智能评价模型利用历史巡检图像以及当前巡检图像组成图像样本空间对人工智能模型进行训练得到；

S4控制所述无人机飞抵待巡检的城市工程地，获得巡检图像，代入利用步骤S3建立的模型得到当前工程质量的评价预测结果，并通过步骤S1获取的城市工程地分布模型形成城市工程质量评价分布结果；S2中控制无人机以规定的高度按照直线定期飞行，利用AR装置上的激光雷达感知障碍物，并在预设距离内调整飞行路线绕开障碍物，直到飞抵标引；所述获取所述至少一处城市工程地的当前工程数据，并对所述工程数据进行处理，形成巡检图像具体包括：

S2‑1构建工程数据；

所述工程数据包括历史评价得分his，当前施工进度得分pres，所述历史评价得分his包括历史工程质量平均得分hisq和历史施工进度平均得分hisproc之和；

所述历史施工进度平均得分hisproc和当前施工进度得分pres包括影响工程进度因素对应的评价得分，包括资金流得分c，物流得分logis，人力技术配置得分config，天气得分clam，工程方案状态得分s中的至少一种，其中，c＝a·[cp(t)·v'(t)·f(xi,t)]/[cps(t)·v's(t)·fs(xi,t)](当cp(t)·v'(t)·f(xi,t)≤cps(t)·v's(t)·fs(xi,t))，或者c＝a·[cps(t)·v's(t)·fs(xi,t)]/[cp(t)·v'(t)·f(xi,t)](当cp(t)·v'(t)·f(xi,t)＞cps(t)·v's(t)·fs(xi,t))，其中为a常数，根据不同的工程负责主体而取不同的值，t为当前时刻，cps(t)，v's(t)，fs(xi，t)分别为理想状况时的当前资金总量，当前周转速度，以及当前资金的分配；cp(t)，vs(t)，f(xi，t)分别为当前资金总量，当前周转速度，以及当前资金的分配；

所述物流得分logis＝hs(t)/h，其中hs(t)为理想状态时当前所需物资到达工程地小时数，h为实际物资到达时的小时数；因此当h越大logis越低，从而整体工程进度得分越低；

人力技术配置得分config包括人力配置得分hum，管理得分man，技术水平得分sk，且config＝hum·(B·man+C·sk)，其中B，C为权重，且总和为1；

所述人力配置得分 为对工程项目所有部门求和，phycpj为部门p的人员j的心理指数，包括正常值1/2np(t)，低落值0，高涨值1/np(t)，由人员进入工程地时自行选择打分；nump为工程部门p配制人数得分，且nump＝[np(t)‑n1p(t)+n2p(t)]/nsp(t)(当n1p(t)≥n2p(t))，或者nump＝[np(t)‑n2p(t)+n1p(t)]/nsp(t)(当n1p(t)＜n2p(t))，其中np(t)为当前工程项目中部门p的人数，n1p(t)为当前拟离职或拟离岗或休假人员，n2p(t)为在预设的短时期内能新任到岗的人员数，nsp(t)nsp(t)为工程项目中部门p当前理想状态‑m

时的人数；若计算结果nump＞1则取nump 作为得分值，其中m为大于1的实数；

所述管理得分 其中D，E为权重，且总和为1， 为管理者的专业水平平均得分，初级为0.1，中级为0.5，高级为1； 为经验平均得分，以五年为标准，管理平均经验在5年以下的为0.1，5‑10年为0.5，大于10年为1；

所述技术水平得分 其中F，G为权重，且总和为1， 为工程技术水平平均得分，包括技术人员的技术水平平均得分 初级为0.1，中级为0.5，高级为

1，以及工程流程设计得分design，所述工程流程设计得分以与当前预测同期的各历史施工单位面积平均预期时间 与相应的各历史施工单位面积平均完成时间 比值以及历史评价得分his定义，即 equip为设备技术水平总体得分，且equip＝level+b/y，其中level为设备技术总体层次，高层次为1，中层次为0.5，初层次为0.1，y为使用总体年数，b为预设的常数值，且b＝3‑10；

工程方案状态得分s为根据工程的方案是否发生变动而确定，当工程方案不变时为1，当工程局部变动为0，当工程方案发生整体变动时为‑pres‑s，其中pres‑s＝hisq+hisproc+c+logis+config+clam；

天气得分clam根据天气情况而定，当天气不适合施工，或工程负责主体管理者认为根据目前天气应当停工的为0，其他情况为1；

则根据分析工程质量评价总得分GD＝hisq+hisproc+pres＝hisq+hisproc+(c+logis+config+clam+s)，计算得到的GD四舍五入到小数点后两位作为最终得分值；

S2‑2无人机获取步骤S2‑1的工程数据，每项工程数据四舍五入取整，定义图像色阶0为得分0，每100个色阶对应1个得分，在0‑255色阶范围内构建所述工程数据进行数值伪彩或灰度化，形成巡检图像，具体是为hisq，hisproc，c，logis，config，clam，s七个工程数据的每一个构建r×r个像素组成的数据像素，r∈[15,30]，并根据得到的伪彩或灰度值赋予数据像素形成相应巡检数据图，依次从左往右按顺序融合七个巡检数据图形成矩形巡检图像，巡检数据图之间以灰度级255的1‑5个像素的条纹间隔。

2.如权利要求1所述的评价方法，其特征在于，S1中所述城市工程地分布模型的获取具体包括：建立城市地理坐标E，获取至少一座城市中至少一处工程地分布模型，所述工程地分布模型包括工程地边界智能提取，利用工程地周边的根据RNN循环神经网络算法提取的城市道路，RNN循环神经网络算法提取的河流道，以及语义识别的绿化带获取工程地的边界，以所述边界与东西或南北延伸直线相切的点或相交的边界上的点或重合的线中点的坐标作为该工程地的标引，在城市三维语义模型中给予表示所述标引xi，其中i为工程地的顺序号；所述无人机从监控中心起始点与目标工程地之间的直线作为规划路径。

3.如权利要求1所述的评价方法，其特征在于，所述定期为每隔若干小时，每隔一天，每隔一周，每隔15天，每隔一个月，每隔半年中至少一种。

4.如权利要求3所述的评价方法，其特征在于，S3具体包括：S3‑1获取历史巡检图像以及当前巡检图像组成图像样本空间，将其分为训练集以及验证集，两者比例为5:1‑1:1；所述历史巡检图像是指所述当前巡检图像之前获取的每一幅巡检图像；

S3‑2以七个工程数据和/或训练集中巡检图像为输入端，GD为输出端，采用人工智能模型，训练得到城市工程质量智能评价中间模型；所述人工智能模型为深度神经网络DNN，卷积神经网络CNN，或对抗网络GAN；

S3‑3使用验证集不断调整模型参数，当满足预设条件时停止训练获得最终得到城市工程质量智能评价模型。

5.如权利要求4所述的评价方法，其特征在于，S4具体包括，S4‑1控制所述无人机按照规定路径L飞抵待巡检的城市工程地，获得七个工程数据，并按照S2‑2的处理方式获得当前巡检图像，S4‑2将S4‑1中获得的所述巡检图像代入利用步骤S3‑3建立的城市工程质量智能评价模型得到当前工程质量的评价得分GD，根据得到当前工程质量的评价得分GD，各历史施工的评价得分，以及对应的各工程地历史施工单位面积平均完成时间 计算得到城市工程质量评价分布结果；

其中，所述的根据得到当前工程质量的评价得分GD，各历史施工的评价得分，以及对应的各工程地历史施工单位面积平均完成时间 计算得到城市工程质量评价分布结果具体包括：

S4‑2‑1获取当前工程已进行的时间T，及对应的多个GDv，以及各历史施工在T时刻的各历史的得分GDku，其中k为工程地序号，u为T时刻前各历史施工存在的多个得分的序号；

S4‑2‑2计算平均值 以及 则根据等式计算得到当前工程地预测结果Tea'，其中， V，K，Uk分别为当前施工程地样本空间中样本数，历史工程地总数，以及地k个历史工程地在T时刻存在的总得分个数，Tk和Ak分别为第k个工程地完成施工所用时间和工程地的面积，分别为下限为1，上限是V、K、Uk的求和；

S4‑2‑3根据Tea'以及根据步骤S1得到的获取工程地的边界计算的当前工程地的面积S，得到当前工程地总完工时间Ttotal＝Tea'·S，从而最终对至少一工程地的标引对应的至少一座城市中至少一处工程地分布模型中标记各当前工程地城市工程质量评价分布结果形成分布图，其中所述城市工程质量评价分布结果包括前巡检图像，Ttotal，T，中的至少一项； 表示当前工程已进行的时间T对应的多个GDv的平均值、 表示k个历史工程地已进行的时间T对应的总得分平均值、 表示k个历史工程地在已进行的时间T的 的平均值；

S4‑2‑4无人机利用搭载的AR装置拍摄工程地现场视频，将所述分布图投影到AR装置目视镜片前的投影屏幕上，并将经由目视镜片后方的相机拍摄的视频图像发送给监控中心。

6.一种实现如权利要求1‑5中任一项方法的基于无人机增强现实的城市工程质量智能评价系统，其特征在于，包括，至少一个搭载AR装置的无人机，服务器，监控中心；其中，所述无人机还在AR装置目视镜片正后方搭载用于拍摄施工现场视频的相机，所述服务器用于计算和记录工程数据，并将所述工程数据发送给AR装置，所述AR装置中的处理器形成巡检图像，AR装置将所述巡检图像和/或所述工程数据发送给监控中心；

所述监控中心用于构建城市工程地分布模型，建立城市工程质量智能评价模型，根据所述无人机发回的巡检图像和所述工程数据得到城市工程质量评价分布结果获得分布图，将标记有所述城市工程质量评价分布结果的分布图投影到AR装置目视镜片前的投影屏幕上，并将经由目视镜片后方的相机拍摄的视频图像发送给监控中心；

所述AR装置包括主体框架、目视镜片、投放屏幕，投影器，处理器，坐标定位器，无线数据收发器，坐标定位器用于定位无人机F坐标系的原点o’，所述主体框架采用透明材料制成。

7.一种计算机可读非暂时性存储介质，其中存储有可由服务器和监控中心运行而实现如权利要求1‑5中任一项方法的程序。

说明书

基于无人机增强现实的城市工程质量智能评价方法及其系统

技术领域

[0001] 本发明涉及一种城市工程质量的智能评价方法，尤其涉及基于无人机增强现实的城市工程质量智能评价方法及其系统，属于城市工程质量智能管理领域

背景技术

[0002] 智慧城市的构建离不开基础设置的大数据管理,利用数据而实现智慧管理,尤其是城市基础工程设置的全面获取管理数据是实现智能管理的数据基础要求。其次在于数据
的可视化，从而直观地获知工程的实施状况，并指导管理层实现工程的优化。

[0003] 现有技术解决智慧管理，考虑的是三维建模，无人机现场巡检，以及现场可视化视频的增强现实(AR)。然而三维建模只考虑工程个部分的进度情况(CN109409840A)，并不能
完整反映整体以及工程团队的历史情况，不能全面对工程质量进行评价。现实的工程团队
往往是在多个城市中分布，进行多工程任务的进行，工程之间也存在相互影响。并且三维模
型也局限在单个工程地的巡检(CN109446664A)。尽管无人机能够代替人员通过现场影像实
现机器监工(CN110971878A)，但仅仅作为代替人力巡检的一种方式，并没有从智能化评价
工程质量角度考虑技术。利用现场可视化的AR技术虽然能够实现直观的数据获取
(CN109978409A)，但也不能整体上预知工程队所负责的工程到底在完工时能否取得较好的
工程质量结果，也即仅仅局限在目前的数据获取上。

[0004] 数据的智能化使用，并实现智能化管理，进而实现工程质量的智能化评价，机器学习所代表的人工智能技术是一种可行的方案(CN109377065A)。但是，如何构造数据结果，并
用于合适的模型，用于对当前施工数据进行分析而预测工程质量，形成在时间上的智能化
质量评价，以及从空间分布上体现一个工程队的当前工程总体质量评价分布是实现工程智
慧管理以及城市工程智慧质量评价的重要考虑的两个方向。现有技术并未对此有尝试，从
而亟需一种能够利用人工智能，利用大数据实现工程质量的时间以及空间分布的完整评价
方案。

发明内容

[0005] 本发明为解决上述技术问题，考虑了两个方面的重点方案，第一无人机搭载AR装置，对工程队在城市至少一处的工程地进行数据获取并实现用于人工智能建模的数据图像
化处理，不仅替代人力，还用于数据的分析处理功能，实现质量评价的空间分布构建基础，
第二，考虑的是智能模型的构建，即如何将反映工程质量的多种不同类型数据进行结构化，
从而利用智能模型得到当前的工程质量评价预测。

[0006] 为此，本发明提供了一种基于无人机增强现实的城市工程质量智能评价方法，其特征在于包括如下步骤：

[0007] S1城市工程地分布模型的获取，以及搭载AR装置的无人机巡检路径规划；

[0008] S2无人机按照规划的巡检路径飞行，并调整飞行路线飞抵至少一处城市工程地，获取所述至少一处城市工程地的当前工程数据，并对所述工程数据进行处理，形成巡检图
像；

[0009] S3城市工程质量智能评价模型的建立；

[0010] S4控制所述无人机飞抵待巡检的城市工程地，获得巡检图像，代入利用步骤S3建立的模型得到当前工程质量的评价预测结果，并通过步骤S1获取的城市工程地分布模型形
成城市工程质量评价分布结果。

[0011] 关于S1

[0012] 所述城市工程地分布模型的获取具体包括：建立城市地理坐标E，至少一座城市中至少一处工程地分布模型获取，所述工程地分布模型包括工程地边界智能提取，利用工程
地周边的根据RNN循环神经网络算法提取的城市道路、RNN循环神经网络算法提取的河流
道、以及语义识别的绿化带获取工程地的边界，以所述边界与东西或南北延伸直线相切的
点或重合的线中点的坐标作为该工程地的标引，在城市三维语义模型中给予表示所述标引
xi(i为工程地的顺序号)；所述无人机从监控中心起始点出发作与目标工程地之间的直线
作为规划路径。

[0013] 关于S2

[0014] 控制无人机以规定的高度按照所述直线定期飞行，利用AR装置上的激光雷达感知障碍物，并在预设距离内调整飞行路线绕开障碍物，直到飞抵所述标引，所述定期为每隔若
干小时，每隔一天，每隔一周，每隔15天，每隔一个月，每隔半年中至少一种。

[0015] 所述获取所述至少一处城市工程地的当前工程数据，并对所述工程数据进行处理，形成巡检图像具体包括：

[0016] S2‑1构建工程数据

[0017] 所述工程数据包括历史评价得分his，当前施工进度得分pres，所述历史评价得分his是指工程负责主体在以往的工程施工中的平均表现，包括历史工程质量平均得分hisq
和历史施工进度平均得分hisproc之和；反映了工程的完成效率与完成质量的两个方面考
虑。

[0018] 所述历史工程质量平均得分hisq是按照各历史工程验收时测试的技术指标占标准指标的百分比和工程完工使用过程中不断积累的诊断数据与标准诊断数据的百分比的
平均值计算。

[0019] 可以理解的是，当进行施工对象是居住或办公建筑时，在完工验收时获得沉降数据，建筑结构数据等，并与标准的建筑数据做比较得到百分比。当进行施工对象是道路时，
如高架桥，可以对高架桥进行结构健康检测得到评价得分，通过与标准道路同期评价得分
相比的获取百分比。

[0020] 所述的历史施工进度平均得分hisproc和当前施工进度得分pres，包括影响工程进度因素对应的评价得分，即资金流得分c，物流得分logis，人力技术配置得分config，天
气得分clam，工程方案状态得分s中的至少一种；

[0021] 应当理解的是，当前如果不考虑其中一种得分时，比如当前尚不需要新的物资，当前的工程数据中物流得分logis即以此前考虑时的得分作为当前的得分，一旦需要新的物
资时则重新更新物流得分logis。其他得分项目以此类推。

[0022] 当前资金总量cp(t)、当前周转速度v'(t)、当前资金的分配f(xi,t)都会影响工程进度，因此，

[0023] c＝a·[cp(t)·v'(t)·f(xi,t)]/[cps(t)·v's(t)·fs(xi,t)](当cp(t)·v'(t)·f(xi,t)≤cps(t)·v's(t)·fs(xi,t))，或者c＝a·[cps(t)·v's(t)·fs(xi,t)]/[cp
(t)·v'(t)·f(xi,t)](当cp(t)·v'(t)·f(xi,t)＞cps(t)·v's(t)·fs(xi,t))，其中为a
常数，根据不同的工程负责主体而取不同的值，t为当前时刻，cps(t)，v's(t)，fs(xi，t)分别
为理想状况时的当前资金总量，当前周转速度，以及当前资金的分配，其中为a常数，根据不
同的工程负责主体而取不同的值，t为当前时刻，cps(t)，v's(t)，fs(xi，t)分别为理想状况
时的当前资金总量，当前周转速度，以及当前资金的分配；所述的cps(t)，v's(t)，fs(xi,t)
为当其他得分项数值固定为最高分时，通过改变cp(t)、v'(t)、f(xi,t)而求得完工时间最
短时对应的cp(t)、v'(t)、f(xi,t)值。

[0024] 应当理解的是，当cp(t)、v'(t)、f(xi,t)中至少一种超过理想状态时，可能反映了资金过剩、周转以及资金分配不合理，从而导致小于最高得分。当当前施工程地的资金分配
不到位，则要考虑周转速度、其他工程地资金分配的需要、可供分配的资金总量，以及工程
地施工优先级别，从而得到满足当前工程地资金分配时所需的时间，从而计算入工程进度
中。

[0025] 所述物流得分logis＝hs(t)/h，其中hs(t)为理想状态时当前所需物资到达工程地小时数(即从订货开始计算)，h为实际物资达到时的小时数。因此当h越大logis越低，从而
整体工程进度得分越低。

[0026] 人力技术配置得分config包括人力配置得分hum，管理得分man，技术水平得分sk，且config＝hum·(B·man+C·sk)，其中B，C为权重，且总和为1；

[0027] 所述人力配置得分 为对工程项目所有部门求和，phycpj为部门p的人员j的心理指数，包括正常值1/2np(t)，低落值0，高涨值1/np(t)，由人员
进入工程地时自行选择打分；nump为工程部门p配制人数得分，且且nump＝[np(t)‑n1p(t)+
n2p(t)]/nsp(t)(当n1p(t)≥n2p(t))，或者nump＝[np(t)‑n2p(t)+n1p(t)]/nsp(t)(当n1p(t)＜
n2p(t))，其中np(t)为当前工程项目中部门p的人数，n1p(t)为当前拟离职或拟离岗或休假人
员，n2p(t)为在预设的短时期内能新任到岗的人员数，nsp(t)nsp(t)为工程项目中部门p当前
‑m
理想状态时的人数。即每个人都处于高涨值时的人数。若计算结果nump＞1则取nump 作为
得分值，其中m为大于1的实数。

[0028] 可以理解的是，当离职和/或休假人员过多(即当n1p(t)≥n2p(t))则nump下降，当有预设的短时期内(一个月以内)能新任到岗的人员时则会抵消该部分降低的得分。若新任到
岗的人员过多(即n1p(t)＜n2p(t))，计算结果nump＞1说明人员配置中出现过剩问题，应当以
倒数m次幂作为该项的度量值，即过剩越多，得分越降得快。对于每个人员都存在心理指数，
因此需要乘以心理指数的总和

[0029] 所述管理得分 其中D，E为权重，且总和为1， 为管理者的专业水平平均得分，初级为0.1，中级为0.5，高级为1； 为经验平均得分，以五年为标
准，管理平均经验在5年以下的为0.1，5‑10年为0.5，大于10年为1；

[0030] 所述技术水平得分 其中F，G为权重，且总和为1， 为工程技术水平平均得分，equip为设备技术水平总体得分。 包括技术人员的技术水平平均
得分 初级为0.1，中级为0.5，高级为1，以及工程流程设计得分design，所述工程流程
设计得分以与当前预测同期的各历史施工单位面积平均预期时间 与相应的各历史施工
单位面积平均完成时间 比值以及历史评价得分his定义，即 equip＝
level+b/y，其中level为设备技术总体层次，高层次为1，中层次为0.5，初层次为0.1，根据
设备的专业性，基于的技术先进程度等确定，y为使用总体年数，b为预设的常数值，根据设
备的技术更新率情况，耐用情况等而确定，一般b＝3‑10。

[0031] 可以理解的是，工程流程设计的优劣与工程完成的效率相关，Tc越短，施工效率越高，工程流程设计得分越高。同时也与历史评价得分his相关。按照同一流程施工时，由于工
程负责主体的历史表现不同而产生额外的影响因素；而且即便在高效率完成时，完成质量
因素也应考虑，综上分析需要乘以his。

[0032] 工程方案状态得分s为根据工程的方案是否发生变动而确定，当工程方案不变时为1，当工程局部变动为0，当工程方案发生整体变动时为‑pres‑s，其中pres‑s＝hisq+
hisproc+c+logis+config+clam。

[0033] 天气得分clam根据天气情况而定，当天气不适合施工，或工程负责主体管理者认为根据目前天气应当停工的为0，其他情况为1。

[0034] 则在不考虑到影响工程进度因素相互作用时(一般认为这种相互作用是微弱的，比如在电子交易条件下资金流和天气之几乎没有相互影响，再如天气与物流之间影响也有
限，当天气不适合施工时，即便物流能够获得高分1，也不能正常施工)，根据上述分析工程
质量评价总得分GD＝hisq+hisproc+pres＝hisq+hisproc+(c+logis+config+clam+s)，计
算得到的GD四舍五入到小数点后两位作为最终得分值；

[0035] S2‑2无人机获取步骤S2‑1的工程数据，每项工程数据四舍五入取整，定义图像色阶0为得分0，每100个色阶对应1个得分，在0‑255色阶范围内构建所述工程数据进行数值伪
彩或灰度化，形成巡检图像，具体是为hisq，hisproc，c，logis，config，clam，s七个工程数
据的每一个构建r×r个像素组成的数据像素，r∈[15,30]，并根据得到的伪彩或灰度值赋
予数据像素形成相应巡检数据图，依次从左往右按顺序融合七个巡检数据图形成矩形巡检
图像，巡检数据图之间以灰度级255的1‑5个像素的条纹间隔。

[0036] 关于S3

[0037] S3具体包括，

[0038] S3‑1获取历史巡检图像，以及当前巡检图像，组成图像样本空间，将其分为训练集以及验证集，两者比例为5:1‑1:1；所述历史巡检图像是指所述当前巡检图像之前获取的每
一幅巡检图像；

[0039] S3‑2以七个工程数据和/或训练集中巡检图像为输入端，GD为输出端，采用人工智能模型，训练得到城市工程质量智能评价中间模型；所述人工智能模型为深度神经网络
DNN，卷积神经网络CNN，或对抗网络GAN；

[0040] 应当理解的是，所选的输入端数据形式决定了所适用的人工智能模型。

[0041] S3‑3使用验证集不断调整模型参数，当满足预设条件时停止训练获得最终得到城市工程质量智能评价模型；

[0042] 关于S4

[0043] S4具体包括，

[0044] S4‑1控制所述无人机按照规定路径L飞抵待巡检的城市工程地，获得七个工程数据，并按照S2‑2的处理方式获得当前巡检图像，

[0045] S4‑2将S4‑1中获得的所述巡检图像代入利用步骤S3‑3建立的城市工程质量智能评价模型得到当前工程质量的评价得分GD，根据得到当前工程质量的评价得分GD，各历史
施工的评价得分，以及对应的各工程地历史施工单位面积平均完成时间 计算得到城市
工程质量评价分布结果。

[0046] 其中所述的根据得到当前工程质量的评价得分GD，各历史施工的评价得分，以及对应的各工程地历史施工单位面积平均完成时间 计算得到城市工程质量评价分布结果
具体包括：

[0047] S4‑2‑1获取当前工程已进行的时间T，及对应的多个GDv，以及各历史施工在T时刻的各历史的得分GDku，其中k为工程地序号，u为T时刻前各历史施工存在的多个得分的序号；

[0048] S4‑2‑2计算平均值 以及 则根据等式 计算得到当前工程地预测结果Tea'，其中， V，K，
Uk分别为当前施工程地样本空间中样本数，历史工程地总数(可以是近5‑10年的历史工程
地总数，或者所有历史工程地数)，以及地k个历史工程地在T时刻存在的总得分个数，Tk和Ak
分别为第k个工程地完成施工所用时间和工程地的面积， 分别为下限为1，
上限是V、K、Uk的求和符号；

[0049] S4‑2‑3根据Tea'以及根据步骤S1得到的获取工程地的边界计算的当前工程地的面积S，得到当前工程地总完工时间Ttotal＝Tea'·S，从而最终对至少一工程地的标引对应的
至少一座城市中至少一处工程地分布模型中标记各当前工程地城市工程质量评价分布结
果形成分布图，其中所述城市工程质量评价分布结果包括当前巡检图像，Ttotal，T，
中的至少一项；

[0050] S4‑2‑4无人机利用搭载的AR装置拍摄工程地现场视频，将所述分布图投影到AR装置目视镜片前的投影屏幕上，并将经由目视镜片后方的相机拍摄的视频图像发送给监控中
心。

[0051] 本发明还提供一种实现上述方法的基于无人机增强现实的城市工程质量智能评价系统，其特征在于，包括，至少一个搭载AR装置的无人机，服务器，监控中心；其中，

[0052] 所述无人机还在AR装置目视镜片正后方搭载用于拍摄施工现场视频的相机，

[0053] 所述服务器用于计算和记录工程数据，并将所述工程数据发送给AR装置，

[0054] 所述AR装置中的处理器形成巡检图像，AR装置将所述巡检图像和/或所述工程数据发送给监控中心；

[0055] 所述监控中心用于构建城市工程地分布模型，建立城市工程质量智能评价模型，根据所述无人机发回的巡检图像和所述工程数据得到城市工程质量评价分布结果获得分
布图，将标记有所述城市工程质量评价分布结果的分布图投影到AR装置目视镜片前的投影
屏幕上，并将经由目视镜片后方的相机拍摄的视频图像发送给监控中心。

[0056] AR装置包括主体框架、目视镜片、投放屏幕、投影器、处理器、坐标定位器、无线数据收发器。坐标定位器用于定位无人机F坐标系的原点o’，可以是采用北斗定位系统。主体
框架采用透明材料(如透明钢化玻璃)制成。

[0057] 本发明还提供一种计算机可读非暂时性存储介质，其中存储有可由所述服务器和监控中心运行而实现上述基于无人机增强现实的城市工程质量智能评价方法的程序。

[0058] 有益效果，(1)从七大工程数据的实时获取全面对工程质量给予整体评价，(2)根据七大工程数据的获得伪彩和灰度化巡检图像，能够方便根据颜色识别得分低的工程数据
类型，从而找到工程薄弱环节，(3)结合历史和当前的质量的评价得分以及单位面积完成时
间，通过工程地边界计算的面积得到完工总时间，从而接借助无人机AR技术获得与城市工
程质量评价分布结果对应的现场图像，做到巡检的可视化与空间化分布，从而找到工程负
责主体在至少一处工程地施工中可能存在的普遍问题或受地区化影响产生的问题，(4)无
人机巡检替代了人力巡检，能够克服成本问题，并达到人难以到达的巡检位置，并通过数据
的获取情况得知施工现场对于工程数据的计算和积累工作的情况。

附图说明

[0059] 图1本发明一种基于无人机增强现实的城市工程质量智能评价方法步骤，

[0060] 图2具有P1‑P7七个工程地的城市1遥感影像图，其中建立了地理坐标E，智能提取到工程地边界，以及工程地P2中的标引x2，

[0061] 图3为搭载AR装置的无人机按照图2中路线R飞抵工程地P2的标引x2处时，自工程地区域服务器发接收到的工程数据而得到的巡检图像。

[0062] 图4(a)为标记了工程质量的评价得分平均值的从图2中获得的7处工程地分布模型，从而形成工程质量的评价得分平均值分布图，(b)从AR装置1的目视镜片12正后方相机
视角观察到的投影屏幕的所述城市工程质量评价分布结果分布图，

[0063] 图5本发明一种实现上述方法的基于无人机增强现实的城市工程质量智能评价系统示意图，

[0064] 图6AR装置1的结构示意图，

[0065] 其中附图标记1AR装置，2搭载AR装置的无人机，3服务器，4监控中心，11主体框架，12目视镜片，13投放屏幕，14投影器，15处理器，16坐标定位器，无17线数据收发器。

具体实施方式

[0066] 实施例1

[0067] 如图1所示一种基于无人机增强现实的城市工程质量智能评价方法，其特征在于包括如下步骤：

[0068] S1城市工程地分布模型的获取，以及搭载AR装置的无人机巡检路径规划；

[0069] S2无人机按照规划的巡检路径，并调整飞行路线飞抵至少一处城市工程地获取所述至少一处城市工程地的当前工程数据，并对所述工程数据进行处理，形成巡检图像；

[0070] S3城市工程质量智能评价模型的建立

[0071] S4控制所述无人机飞抵待巡检的城市工程地，获得巡检图像，代入利用步骤S3建立的模型得到当前工程质量的评价预测结果，并通过步骤S1获取的城市工程地分布模型形
成城市工程质量评价分布结果。

[0072] 其中，如图2所示遥感影像图，所述城市工程地分布模型的获取具体包括：建立城市1的地理坐标E，城市1中P1‑P7一共7片工程地分布模型获取，所述工程地分布模型包括工
程地边界智能提取，利用工程地周边的根据RNN循环神经网络算法提取的城市道路(图2中
白色直线构成)、以及语义识别的绿化带(位于白色线段之间或端部的灰色色块)获取工程
地的边界，以所述边界与南北延伸直线相切的点每一片工程地的标引，在城市三维语义模
型中给予表示所述标引，其中工程地P2标引为x2；所述无人机从监控中心起始点出发作与
其中一个目标工程地1之间的直线作为规划路径。

[0073] 实施例2

[0074] 监控中心控制无人机以规定的高度100m按照所述直线R每隔一天飞行，利用AR装置上的激光雷达感知障碍物，并在预设距离内调整飞行路线绕开障碍物，直到如图2中的R
路线飞抵x2。

[0075] 该7片工程地片区的服务器将当前工程数据发送给无人机，无人机中AR装置处理器对所述工程数据进行处理，形成巡检图像。具体包括

[0076] S2‑1构建工程数据

[0077] 所述工程数据包括历史评价得分his，当前施工进度得分pres，所述历史评价得分his是指工程负责主体在以往的工程施工中的平均表现，包括历史工程质量平均得分hisq
和历史施工进度平均得分hisproc之和；反映了工程的完成效率与完成质量的两个方面考
虑。

[0078] 所述历史工程质量平均得分hisq是按照各历史工程验收时测试的技术指标占标准指标的平均值98％和工程完工使用过程中不断积累的诊断数据与标准诊断数据的平均
值97％，得到总评均值97.5％。

[0079] 在图2中已经完工验收时获得沉降数据与标准的沉降数据比较得到100％，建筑结构层高，墙厚，楼板厚度，墙面垂直度以及各卧式，客厅，厨房，卫生间，阳台灯面积尺寸与国
标和开发商图纸数据比较得到平均值96％，从而得到总平均得分98％。

[0080] 所述的历史施工进度平均得分hisproc和当前施工进度得分pres，包括影响工程进度因素对应的评价得分，即资金流得分c，物流得分logis，人力技术配置得分config，天
气得分clam，工程方案状态得分s中的至少一种；

[0081] 当前资金总量cp(t)、当前周转速度v'(t)、当前资金的分配f(xi,t)都会影响工程进度，因此，

[0082] c＝a·[cp(t)·v'(t)·f(xi,t)]/[cps(t)·v's(t)·fs(xi,t)]，a＝1通过计算得到c＝0.99。

[0083] 所述物流得分logis＝hs(t)/h，其中hs(t)为理想状态时当前所需物资达到工程地48h，h为实际物资达到时的小时数51h。则logis＝0.94

[0084] 人力技术配置得分config包括人力配置得分hum，管理得分man，技术水平得分sk，且config＝hum·(B·man+C·sk)，其中考虑到一般住宅施工人力管理占主要比例，B＝
0.8，C＝0.2；

[0085] 所述人力配置得分 为对工程项目所有四个部门求和，包括人力资源(3人)、施工部门(300人)，物流部门(21人)，财会部门(3人)，phycpj为部门
p的人员j的心理指数，包括正常值1/2×327，低落值0，高涨值1/327，由人员进入工程地时
自行选择打分，发现有280人正常值，5人低落值，42人高涨值，其中人力资源和财会部门留
人皆为高涨值，物流部门7人高涨值，施工部门29人高涨值，5位工人低落值，其他295位正常
值。nump＝[327‑5+3]/328＝0.99。则hum＝0.99×(3×1/327+29×1/327+5×0+266×1/2×
327+7×1/327+14×1/2×327+3×1/327)＝0.99×0.56＝0.55。

[0086] 所述管理得分 普通住宅管理经验更占优， 为管理者的专业水平平均得分为中级0.5； 为经验平均得分为1；则man＝0.85

[0087] 所述技术水平得分 普通住宅工程技术水平更占优，为工程技术水平平均得分，包括技术人员的技术水平平均得分 工程流程设计得
分＝97％·150天/160天＝0.91；equip＝0.5+8/5＝2.1，则sk＝0.7×(0.5+0.91)+0.3×
2.1＝1.62。

[0088] 工程方案状态得分s为根据工程的方案始终未发生变动而为1，天气得分clam为1。

[0089] 则在不考虑到影响工程进度因素相互作用时，根据上述分析工程质量评价总得分GD＝hisq+hisproc+(c+logis+config+clam+s)＝97.5％+98％+(0.99+0.94+0.55×(0.8×
0.85+0.2×1.62)+1+1)＝6.44，计算得到的GD保留小数点后两位作为最终得分值；

[0090] S2‑2无人机获取步骤S2‑1的工程数据，每项工程数据四舍五入，定义图像色阶0为得分0，每100个色阶对应1个得分，在0‑255色阶范围内构建所述工程数据进行数值灰度化，
形成巡检图像，具体是为hisq，hisproc，c，logis，config，clam，s七个工程数据的每一个构
建15×15个像素组成的数据像素，并根据得到的伪彩或灰度值赋予数据像素形成相应巡检
数据图，依次从左往右按顺序融合七个巡检数据图形成巡检图像，巡检数据图之间以灰度
级255的1个像素的条纹间隔，形成灰度级为98，98，99，94，55，100，100(如图3)。

[0091] 实施例3

[0092] S3具体包括，

[0093] S3‑1获取历史巡检图像，以及当前巡检图像，组成图像样本空间，将其分为训练集以及验证集，两者比例为2:1；所述历史巡检图像是指所述当前巡检图像之前获取的每一幅
巡检图像；

[0094] S3‑2如图4所示，以七个工程数据和训练集中巡检图像为输入端，GD为输出端，采用人工智能模型，训练得到城市工程质量智能评价中间模型；所述人工智能模型为对抗网
络GAN；

[0095] S3‑3使用验证集不断调整模型参数，当满足预设条件时停止训练获得最终得到城市工程质量智能评价模型；

[0096] S4具体包括，

[0097] 如图2所示，S4‑1控制所述无人机按照规定路径L飞抵待巡检的城市工程地P4边界点上，获得七个工程数据，并按照S2‑2的处理方式获得当前巡检图像，

[0098] S4‑2将S4‑1中获得的所述巡检图像代入利用步骤S3‑3建立的城市工程质量智能评价模型得到当前工程质量的评价得分GD，所述的根据得到当前工程质量的评价得分GD，
各历史施工的评价得分，以及对应的各工程地历史施工单位面积平均完成时间30天计算得
到城市工程质量评价分布结果。

[0099] 其中所述的根据得到当前工程质量的评价得分GD，各历史施工的评价得分，以及对应的各工程地历史施工单位面积平均完成时间30天计算得到城市工程质量评价分布结
果具体包括：

[0100] S4‑2‑1获取当前工程已进行的时间60天，及对应的60个GDv，以及各历史施工在60天的各历史的得分GDku(共6×60＝360个数据)，其中k为工程地序号，u为T时刻前各历史施
工都存在的59个得分的序号(也即其他六个工程地都是每个一天巡检一次得到一副巡检图
像)；

[0101] S4‑2‑2计算平均值 以及 则根据等式 计算(等式右端指数‑1即取相应平均得分的倒数)得到当前工
程地预测结果Tea'，其中，

[0102] S4‑2‑3根据Tea'以及根据步骤S1得到的获取工程地P2的边界计算的当前工程地的2
面积S＝150000m ，得到当前工程地总完工时间Ttotal＝Tea'·150000，从而最终对7个工程地
的标引对应的城市1中7处工程地分布模型中标记各城市工程质量评价分布结果获得分布
图(图4(a))，其中所述城市工程质量评价分布结果包括当前巡检图像，Ttotal＝Tea'·
150000，60天，以及1个 和6个

[0103] S4‑2‑4无人机利用搭载的AR装置拍摄工程地现场视频，将所述分布图投影到AR装置目视镜片前的投影屏幕上(图4(b))，并将经由目视镜片后方的相机拍摄的视频图像发送
给监控中心。

[0104] 实施例4

[0105] 图5是本发明还提供一种实现上述方法的基于无人机增强现实的城市工程质量智能评价系统示意图，其特征在于，包括，至少一个搭载AR装置1(参见图6)的无人机2，服务器
3，监控中心4；其中，

[0106] 所述无人机还在AR装置1目视镜片12正后方搭载用于拍摄施工现场视频的相机，

[0107] 所述服务器用于计算和记录工程数据，并将所述工程数据发送给AR装置，

[0108] 所述AR装置1中的处理器形成巡检图像，AR装置将所述巡检图像和所述工程数据发送给监控中心4；

[0109] 所述监控中心4用于构建城市工程地分布模型，建立城市工程质量智能评价模型，根据所述无人机发回的巡检图像和所述工程数据得到城市工程质量评价分布结果获得分
布图，并将所述分布图投影到AR装置1目视镜片12前的投影屏幕13上(图4(b))，并将经由目
视镜片12后方的相机拍摄的视频图像发送给监控中心4。

[0110] 所述AR装置1包括主体框架11、目视镜片12、投放屏幕13、投影器14、处理器15、坐标定位器16、无线数据收发器17。坐标定位器16用于定位无人机F坐标系的原点o’，可以是
采用北斗定位系统。主体框架11采用透明材料(如透明钢化玻璃)制成。而处理器15、坐标定
位器16由于非透明，因而在图4(b)中遮挡了分布图中的一部分。