一种用于桥梁施工监控的无人机数据处理方法及装置

摘要

本发明公开了一种用于桥梁施工监控的无人机数据处理方法及装置，该方法包括：在桥梁水中墩的施工区域开始施工前，通过多个无人机以多个角度获取所述施工区域的多个第一图像信息；根据所述多个第一图像信息，以及预设的图像相似度算法模型，确定所述施工区域对应的施工可行性参数；在所述施工区域的围堰工程进行的过程中，通过多个无人机以多个角度获取所述围堰工程的多个第二图像信息；根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于神经网络算法，确定所述围堰工程对应的当前工程施工质量。可见，本发明能够有效提高监控效果，实现对桥梁工程的更智能的可行性分析和施工监控，提高工程效率和质量。

权利要求

1.一种用于桥梁施工监控的无人机数据处理方法，其特征在于，所述方法包括：在桥梁水中墩的施工区域开始施工前，通过多个无人机以多个角度获取所述施工区域的多个第一图像信息；

根据所述多个第一图像信息，以及预设的图像相似度算法模型，确定所述施工区域对应的施工可行性参数；所述根据所述多个第一图像信息，以及预设的图像相似度算法模型，确定所述施工区域对应的施工可行性参数，包括：基于模板匹配算法对所述多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组；

根据所述房屋图像组，以及图像识别算法，确定所述施工区域对应的多个房屋的房屋位置和房屋数量；

根据所述栈桥图像组，以及图像识别算法，确定所述施工区域对应的栈桥占据位置；

根据所述电力设备图像组，以及图像识别算法，确定所述施工区域对应的多个电力设备的设备位置和设备数量；

根据所述施工区域的欲施工范围，以及所述房屋位置、所述房屋数量、所述栈桥占据位置、所述设备位置和所述设备数量，确定所述施工区域对应的施工可行性参数；所述基于模板匹配算法对所述多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组，包括：获取房屋图像模板组、栈桥图像模板组和电力设备图像模板组；

对于每一所述第一图像信息，基于角度识别算法，确定该第一图像信息对应的拍摄角度；

根据所述拍摄角度，从所述房屋图像模板组、所述栈桥图像模板组和所述电力设备图像模板组中筛选出与所述拍摄角度对应的房屋模板图像集合、栈桥模板图像集合和设备模板图像集合；

计算该第一图像信息与所述房屋模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的房屋相似度；

计算该第一图像信息与所述栈桥模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的栈桥相似度；

计算该第一图像信息与所述设备模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的设备相似度；

设定目标函数为每一图像组中的图像数量达到最多；所述图像组为房屋图像组、栈桥图像组或电力设备图像组；

设定限定条件包括：所述房屋图像组内的图像对应的所述房屋相似度大于预设的第一相似度阈值；所述栈桥图像组内的图像对应的所述栈桥相似度大于预设的第二相似度阈值；所述电力设备图像组内的图像对应的所述设备相似度大于预设的第三相似度阈值；任一所述图像组中的图像对应的与该图像组的类型相对应的相似度类型的数值，大于任一其他所述图像组中的图像的所述相似度类型的数值；其中，当所述图像组的类型为房屋图像组时所述相似度类型为房屋相似度，当所述图像组的类型为栈桥图像组时所述相似度类型为栈桥相似度，当所述图像组的类型为电力设备图像组时所述相似度类型为设备相似度；

根据所述目标函数和所述限定条件，基于动态规划算法，对所述多个第一图像信息进行迭代分组演算，以得到房屋图像组、栈桥图像组和电力设备图像组；

在所述施工区域的围堰工程进行的过程中，通过多个无人机以多个角度获取所述围堰工程的多个第二图像信息；

根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于神经网络算法，确定所述围堰工程对应的当前工程施工质量。

2.根据权利要求1所述的用于桥梁施工监控的无人机数据处理方法，其特征在于，所述当前施工阶段为钢板桩引孔施工阶段、钢板桩施工阶段、围堰合拢施工阶段、安装支撑施工阶段、基坑开挖清淤施工阶段、封底砼浇筑施工阶段、承台墩柱施工阶段或围堰拆除施工阶段；以及，在所述根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于图像分析算法，确定所述围堰工程对应的当前工程施工质量之前，所述方法还包括：获取当前时间和所述围堰工程对应的开始施工时间和施工进度计划；

计算所述开始施工时间和所述当前时间之间的时间差；

根据所述时间差和所述施工进度计划，确定所述围堰工程对应的当前施工阶段。

3.根据权利要求1所述的用于桥梁施工监控的无人机数据处理方法，其特征在于，所述根据所述施工区域的欲施工范围，以及所述房屋位置、所述房屋数量、所述栈桥占据位置、所述设备位置和所述设备数量，确定所述施工区域对应的施工可行性参数，包括：根据所述欲施工范围，和所述房屋位置和所述房屋数量，确定所述欲施工范围内的范围房屋数量；

根据所述欲施工范围，和所述栈桥占据位置，确定所述欲施工范围内的范围栈桥长度；

根据所述欲施工范围，和所述设备位置和所述设备数量，确定所述欲施工范围内的范围设备数量；

计算所述范围房屋数量和第一数量阈值的第一差值、所述范围设备数量和第二数量阈值的第二差值以及所述范围栈桥长度和长度阈值之间的长度差值；

计算所述第一差值、所述第二差值和所述长度差值的加权求和平均值，得到所述施工区域对应的施工可行性参数；所述施工可行性参数用于发送至施工规划终端以辅助施工计划的制定；其中，所述第一差值的权重大于所述长度差值的权重大于所述第二差值的权重。

4.根据权利要求1所述的用于桥梁施工监控的无人机数据处理方法，其特征在于，所述根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于神经网络算法，确定所述围堰工程对应的当前工程施工质量，包括：获取所述围堰工程的当前施工阶段对应的至少一个神经网络模型；

将每一所述第二图像信息，输入至所述至少一个神经网络模型中，以得到每一所述第二图像信息对应的施工质量参数；所述施工质量参数包括延误程度参数和工程质量参数；

根据所有所述第二图像信息对应的施工质量参数，以及每一所述图像信息对应的拍摄角度对应的角度权重，确定所述围堰工程对应的当前工程施工质量。

5.根据权利要求4所述的用于桥梁施工监控的无人机数据处理方法，其特征在于，所述获取所述围堰工程的当前施工阶段对应的至少一个神经网络模型，包括：获取所述围堰工程的当前施工阶段对应的第一神经网络模型；

获取所述当前施工阶段的前一施工阶段和后一施工阶段分别对应的第二神经网络模型和第三神经网络模型；其中，所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型均是通过包括有多个对应施工阶段的训练图像和对应的施工质量标注的训练数据集训练得到的；

以及，所述将每一所述第二图像信息，输入至所述至少一个神经网络模型中，以得到每一所述第二图像信息对应的施工质量参数，包括：对于每一所述第二图像信息，将该第二图像信息输入至所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型中，以分别得到输出的第一质量预测结果、第二质量预测结果和第三质量预测结果；

计算所述第二质量预测结果对应的第一修正权重；所述第一修正权重与所述第二质量预测结果和预设的跨阶段预测质量阈值之间的差值成反比；

计算所述第三质量预测结果对应的第二修正权重；所述第二修正权重与所述第三质量预测结果和所述跨阶段预测质量阈值之间的差值成反比；

计算所述第一质量预测结果和所述第一修正权重和所述第二修正权重的乘积，得到该第二图像信息对应的施工质量参数。

6.根据权利要求5所述的用于桥梁施工监控的无人机数据处理方法，其特征在于，所述根据所有所述第二图像信息对应的施工质量参数，以及每一所述图像信息对应的拍摄角度对应的角度权重，确定所述围堰工程对应的当前工程施工质量，包括：对于每一所述第二图像信息，基于角度识别算法，确定该第二图像信息对应的拍摄角度；

计算该第二图像信息对应的拍摄角度与预设的清晰拍摄角度之间的角度差值；

计算与所述角度差值成反比的角度权重；

计算该第二图像信息对应的施工质量参数与所述角度权重的乘积值；

计算所有所述第二图像信息对应的所述乘积值的平均值，得到所述围堰工程对应的当前工程施工质量；所述当前工程施工质量用于发送至施工监控终端以辅助施工监控。

7.一种用于桥梁施工监控的无人机数据处理装置，其特征在于，所述装置包括：第一获取模块，用于在桥梁水中墩的施工区域开始施工前，通过多个无人机以多个角度获取所述施工区域的多个第一图像信息；

第一确定模块，用于根据所述多个第一图像信息，以及预设的图像相似度算法模型，确定所述施工区域对应的施工可行性参数，具体包括：基于模板匹配算法对所述多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组；

根据所述房屋图像组，以及图像识别算法，确定所述施工区域对应的多个房屋的房屋位置和房屋数量；

根据所述栈桥图像组，以及图像识别算法，确定所述施工区域对应的栈桥占据位置；

根据所述电力设备图像组，以及图像识别算法，确定所述施工区域对应的多个电力设备的设备位置和设备数量；

根据所述施工区域的欲施工范围，以及所述房屋位置、所述房屋数量、所述栈桥占据位置、所述设备位置和所述设备数量，确定所述施工区域对应的施工可行性参数；所述第一确定模块基于模板匹配算法对所述多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组的具体方式，包括：获取房屋图像模板组、栈桥图像模板组和电力设备图像模板组；

对于每一所述第一图像信息，基于角度识别算法，确定该第一图像信息对应的拍摄角度；

根据所述拍摄角度，从所述房屋图像模板组、所述栈桥图像模板组和所述电力设备图像模板组中筛选出与所述拍摄角度对应的房屋模板图像集合、栈桥模板图像集合和设备模板图像集合；

计算该第一图像信息与所述房屋模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的房屋相似度；

计算该第一图像信息与所述栈桥模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的栈桥相似度；

计算该第一图像信息与所述设备模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的设备相似度；

设定目标函数为每一图像组中的图像数量达到最多；所述图像组为房屋图像组、栈桥图像组或电力设备图像组；

设定限定条件包括：所述房屋图像组内的图像对应的所述房屋相似度大于预设的第一相似度阈值；所述栈桥图像组内的图像对应的所述栈桥相似度大于预设的第二相似度阈值；所述电力设备图像组内的图像对应的所述设备相似度大于预设的第三相似度阈值；任一所述图像组中的图像对应的与该图像组的类型相对应的相似度类型的数值，大于任一其他所述图像组中的图像的所述相似度类型的数值；其中，当所述图像组的类型为房屋图像组时所述相似度类型为房屋相似度，当所述图像组的类型为栈桥图像组时所述相似度类型为栈桥相似度，当所述图像组的类型为电力设备图像组时所述相似度类型为设备相似度；

根据所述目标函数和所述限定条件，基于动态规划算法，对所述多个第一图像信息进行迭代分组演算，以得到房屋图像组、栈桥图像组和电力设备图像组；

第二获取模块，用于在所述施工区域的围堰工程进行的过程中，通过多个无人机以多个角度获取所述围堰工程的多个第二图像信息；

第二确定模块，用于根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于神经网络算法，确定所述围堰工程对应的当前工程施工质量。

8.一种用于桥梁施工监控的无人机数据处理装置，其特征在于，所述装置包括：存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1‑6任一项所述的用于桥梁施工监控的无人机数据处理方法。

说明书

一种用于桥梁施工监控的无人机数据处理方法及装置

技术领域

[0001] 本发明涉及无人机数据处理技术领域，尤其涉及一种用于桥梁施工监控的无人机数据处理方法及装置。

背景技术

[0002] 随着桥梁建设规模大、覆盖面广，跨越江河时对桥梁下部结构提出了更高的要求，从现阶段桥梁发展状况来看，水中墩施工技术在其中取得了广泛应用，在桥梁建设领域具有重要地位。水中墩施工技术的应用有助于增强桥墩乃至全桥稳定性。

[0003] 而针对水中墩施工的监控技术，目前大部分仍然大部分通过人工监管的方式来实现，在一些现有技术中或许公开了摄像头设备来对现场进行监控，但没有充分考虑利用无人机的灵活性和低廉成本来提高图像获取的频率以及结合算法技术来提高监控效果。可见，现有技术存在缺陷，亟需解决。

发明内容

[0004] 本发明所要解决的技术问题在于，提供一种用于桥梁施工监控的无人机数据处理方法及装置，能够有效提高监控效果，实现对桥梁工程的更智能的可行性分析和施工监控，提高工程效率和质量。

[0005] 为了解决上述技术问题，本发明第一方面公开了一种用于桥梁施工监控的无人机数据处理方法，所述方法包括：

[0006] 在桥梁水中墩的施工区域开始施工前，通过多个无人机以多个角度获取所述施工区域的多个第一图像信息；

[0007] 根据所述多个第一图像信息，以及预设的图像相似度算法模型，确定所述施工区域对应的施工可行性参数；

[0008] 在所述施工区域的围堰工程进行的过程中，通过多个无人机以多个角度获取所述围堰工程的多个第二图像信息；

[0009] 根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于神经网络算法，确定所述围堰工程对应的当前工程施工质量。

[0010] 作为一个可选的实施方式，在本发明第一方面中，所述当前施工阶段为钢板桩引孔施工阶段、钢板桩施工阶段、围堰合拢施工阶段、安装支撑施工阶段、基坑开挖清淤施工阶段、封底砼浇筑施工阶段、承台墩柱施工阶段或围堰拆除施工阶段；以及，在所述根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于图像分析算法，确定所述围堰工程对应的当前工程施工质量之前，所述方法还包括：

[0011] 获取当前时间和所述围堰工程对应的开始施工时间和施工进度计划；

[0012] 计算所述开始施工时间和所述当前时间之间的时间差；

[0013] 根据所述时间差和所述施工进度计划，确定所述围堰工程对应的当前施工阶段。

[0014] 作为一个可选的实施方式，在本发明第一方面中，所述根据所述多个第一图像信息，以及预设的图像相似度算法模型，确定所述施工区域对应的施工可行性参数，包括：

[0015] 基于模板匹配算法对所述多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组；

[0016] 根据所述房屋图像组，以及图像识别算法，确定所述施工区域对应的多个房屋的房屋位置和房屋数量；

[0017] 根据所述栈桥图像组，以及图像识别算法，确定所述施工区域对应的栈桥占据位置；

[0018] 根据所述电力设备图像组，以及图像识别算法，确定所述施工区域对应的多个电力设备的设备位置和设备数量；

[0019] 根据所述施工区域的欲施工范围，以及所述房屋位置、所述房屋数量、所述栈桥占据位置、所述设备位置和所述设备数量，确定所述施工区域对应的施工可行性参数。

[0020] 作为一个可选的实施方式，在本发明第一方面中，所述基于模板匹配算法对所述多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组，包括：

[0021] 获取房屋图像模板组、栈桥图像模板组和电力设备图像模板组；

[0022] 对于每一所述第一图像信息，基于角度识别算法，确定该第一图像信息对应的拍摄角度；

[0023] 根据所述拍摄角度，从所述房屋图像模板组、所述栈桥图像模板组和所述电力设备图像模板组中筛选出与所述拍摄角度对应的房屋模板图像集合、栈桥模板图像集合和设备模板图像集合；

[0024] 计算该第一图像信息与所述房屋模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的房屋相似度；

[0025] 计算该第一图像信息与所述栈桥模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的栈桥相似度；

[0026] 计算该第一图像信息与所述设备模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的设备相似度；

[0027] 设定目标函数为每一图像组中的图像数量达到最多；所述图像组为房屋图像组、栈桥图像组或电力设备图像组；

[0028] 设定限定条件包括：所述房屋图像组内的图像对应的所述房屋相似度大于预设的第一相似度阈值；所述栈桥图像组内的图像对应的所述栈桥相似度大于预设的第二相似度阈值；所述电力设备图像组内的图像对应的所述设备相似度大于预设的第三相似度阈值；任一所述图像组中的图像对应的与该图像组的类型相对应的相似度类型的数值，大于任一其他所述图像组中的图像的所述相似度类型的数值；其中，当所述图像组的类型为房屋图像组时所述相似度类型为房屋相似度，当所述图像组的类型为栈桥图像组时所述相似度类型为栈桥相似度，当所述图像组的类型为电力设备图像组时所述相似度类型为设备相似度；

[0029] 根据所述目标函数和所述限定条件，基于动态规划算法，对所述多个第一图像信息进行迭代分组演算，以得到房屋图像组、栈桥图像组和电力设备图像组。

[0030] 作为一个可选的实施方式，在本发明第一方面中，所述根据所述施工区域的欲施工范围，以及所述房屋位置、所述房屋数量、所述栈桥占据位置、所述设备位置和所述设备数量，确定所述施工区域对应的施工可行性参数，包括：

[0031] 根据所述欲施工范围，和所述房屋位置和所述房屋数量，确定所述欲施工范围内的范围房屋数量；

[0032] 根据所述欲施工范围，和所述栈桥占据位置，确定所述欲施工范围内的范围栈桥长度；

[0033] 根据所述欲施工范围，和所述设备位置和所述设备数量，确定所述欲施工范围内的范围设备数量；

[0034] 计算所述范围房屋数量和第一数量阈值的第一差值、所述范围设备数量和第二数量阈值的第二差值以及所述范围栈桥长度和长度阈值之间的长度差值；

[0035] 计算所述第一差值、所述第二差值和所述长度差值的加权求和平均值，得到所述施工区域对应的施工可行性参数；所述施工可行性参数用于发送至施工规划终端以辅助施工计划的制定；其中，所述第一差值的权重大于所述长度差值的权重大于所述第二差值的权重。

[0036] 作为一个可选的实施方式，在本发明第一方面中，所述根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于神经网络算法，确定所述围堰工程对应的当前工程施工质量，包括：

[0037] 获取所述围堰工程的当前施工阶段对应的至少一个神经网络模型；

[0038] 将每一所述第二图像信息，输入至所述至少一个神经网络模型中，以得到每一所述第二图像信息对应的施工质量参数；所述施工质量参数包括延误程度参数和工程质量参数；

[0039] 根据所有所述第二图像信息对应的施工质量参数，以及每一所述图像信息对应的拍摄角度对应的角度权重，确定所述围堰工程对应的当前工程施工质量。

[0040] 作为一个可选的实施方式，在本发明第一方面中，所述获取所述围堰工程的当前施工阶段对应的至少一个神经网络模型，包括：

[0041] 获取所述围堰工程的当前施工阶段对应的第一神经网络模型；

[0042] 获取所述当前施工阶段的前一施工阶段和后一施工阶段分别对应的第二神经网络模型和第三神经网络模型；其中，所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型均是通过包括有多个对应施工阶段的训练图像和对应的施工质量标注的训练数据集训练得到的；

[0043] 以及，所述将每一所述第二图像信息，输入至所述至少一个神经网络模型中，以得到每一所述第二图像信息对应的施工质量参数，包括：

[0044] 对于每一所述第二图像信息，将该第二图像信息输入至所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型中，以分别得到输出的第一质量预测结果、第二质量预测结果和第三质量预测结果；

[0045] 计算所述第二质量预测结果对应的第一修正权重；所述第一修正权重与所述第二质量预测结果和预设的跨阶段预测质量阈值之间的差值成反比；

[0046] 计算所述第三质量预测结果对应的第二修正权重；所述第二修正权重与所述第三质量预测结果和所述跨阶段预测质量阈值之间的差值成反比；

[0047] 计算所述第一质量预测结果和所述第一修正权重和所述第二修正权重的乘积，得到该第二图像信息对应的施工质量参数。

[0048] 作为一个可选的实施方式，在本发明第一方面中，所述根据所有所述第二图像信息对应的施工质量参数，以及每一所述图像信息对应的拍摄角度对应的角度权重，确定所述围堰工程对应的当前工程施工质量，包括：

[0049] 对于每一所述第二图像信息，基于角度识别算法，确定该第二图像信息对应的拍摄角度；

[0050] 计算该第二图像信息对应的拍摄角度与预设的清晰拍摄角度之间的角度差值；

[0051] 计算与所述角度差值成反比的角度权重；

[0052] 计算该第二图像信息对应的施工质量参数与所述角度权重的乘积值；

[0053] 计算所有所述第二图像信息对应的所述乘积值的平均值，得到所述围堰工程对应的当前工程施工质量；所述当前工程施工质量用于发送至施工监控终端以辅助施工监控。

[0054] 本发明第二方面公开了一种用于桥梁施工监控的无人机数据处理装置，所述装置包括：

[0055] 第一获取模块，用于在桥梁水中墩的施工区域开始施工前，通过多个无人机以多个角度获取所述施工区域的多个第一图像信息；

[0056] 第一确定模块，用于根据所述多个第一图像信息，以及预设的图像相似度算法模型，确定所述施工区域对应的施工可行性参数；

[0057] 第二获取模块，用于在所述施工区域的围堰工程进行的过程中，通过多个无人机以多个角度获取所述围堰工程的多个第二图像信息；

[0058] 第二确定模块，用于根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于神经网络算法，确定所述围堰工程对应的当前工程施工质量。

[0059] 作为一个可选的实施方式，在本发明第二方面中，所述当前施工阶段为钢板桩引孔施工阶段、钢板桩施工阶段、围堰合拢施工阶段、安装支撑施工阶段、基坑开挖清淤施工阶段、封底砼浇筑施工阶段、承台墩柱施工阶段或围堰拆除施工阶段；以及，所述第二确定模块还用于在根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于图像分析算法，确定所述围堰工程对应的当前工程施工质量之前，执行以下步骤：

[0060] 获取当前时间和所述围堰工程对应的开始施工时间和施工进度计划；

[0061] 计算所述开始施工时间和所述当前时间之间的时间差；

[0062] 根据所述时间差和所述施工进度计划，确定所述围堰工程对应的当前施工阶段。

[0063] 作为一个可选的实施方式，在本发明第二方面中，所述第一确定模块根据所述多个第一图像信息，以及预设的图像相似度算法模型，确定所述施工区域对应的施工可行性参数的具体方式，包括：

[0064] 基于模板匹配算法对所述多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组；

[0065] 根据所述房屋图像组，以及图像识别算法，确定所述施工区域对应的多个房屋的房屋位置和房屋数量；

[0066] 根据所述栈桥图像组，以及图像识别算法，确定所述施工区域对应的栈桥占据位置；

[0067] 根据所述电力设备图像组，以及图像识别算法，确定所述施工区域对应的多个电力设备的设备位置和设备数量；

[0068] 根据所述施工区域的欲施工范围，以及所述房屋位置、所述房屋数量、所述栈桥占据位置、所述设备位置和所述设备数量，确定所述施工区域对应的施工可行性参数。

[0069] 作为一个可选的实施方式，在本发明第二方面中，所述第一确定模块基于模板匹配算法对所述多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组的具体方式，包括：

[0070] 获取房屋图像模板组、栈桥图像模板组和电力设备图像模板组；

[0071] 对于每一所述第一图像信息，基于角度识别算法，确定该第一图像信息对应的拍摄角度；

[0072] 根据所述拍摄角度，从所述房屋图像模板组、所述栈桥图像模板组和所述电力设备图像模板组中筛选出与所述拍摄角度对应的房屋模板图像集合、栈桥模板图像集合和设备模板图像集合；

[0073] 计算该第一图像信息与所述房屋模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的房屋相似度；

[0074] 计算该第一图像信息与所述栈桥模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的栈桥相似度；

[0075] 计算该第一图像信息与所述设备模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的设备相似度；

[0076] 设定目标函数为每一图像组中的图像数量达到最多；所述图像组为房屋图像组、栈桥图像组或电力设备图像组；

[0077] 设定限定条件包括：所述房屋图像组内的图像对应的所述房屋相似度大于预设的第一相似度阈值；所述栈桥图像组内的图像对应的所述栈桥相似度大于预设的第二相似度阈值；所述电力设备图像组内的图像对应的所述设备相似度大于预设的第三相似度阈值；任一所述图像组中的图像对应的与该图像组的类型相对应的相似度类型的数值，大于任一其他所述图像组中的图像的所述相似度类型的数值；其中，当所述图像组的类型为房屋图像组时所述相似度类型为房屋相似度，当所述图像组的类型为栈桥图像组时所述相似度类型为栈桥相似度，当所述图像组的类型为电力设备图像组时所述相似度类型为设备相似度；

[0078] 根据所述目标函数和所述限定条件，基于动态规划算法，对所述多个第一图像信息进行迭代分组演算，以得到房屋图像组、栈桥图像组和电力设备图像组。

[0079] 作为一个可选的实施方式，在本发明第二方面中，所述第一确定模块根据所述施工区域的欲施工范围，以及所述房屋位置、所述房屋数量、所述栈桥占据位置、所述设备位置和所述设备数量，确定所述施工区域对应的施工可行性参数的具体方式，包括：

[0080] 根据所述欲施工范围，和所述房屋位置和所述房屋数量，确定所述欲施工范围内的范围房屋数量；

[0081] 根据所述欲施工范围，和所述栈桥占据位置，确定所述欲施工范围内的范围栈桥长度；

[0082] 根据所述欲施工范围，和所述设备位置和所述设备数量，确定所述欲施工范围内的范围设备数量；

[0083] 计算所述范围房屋数量和第一数量阈值的第一差值、所述范围设备数量和第二数量阈值的第二差值以及所述范围栈桥长度和长度阈值之间的长度差值；

[0084] 计算所述第一差值、所述第二差值和所述长度差值的加权求和平均值，得到所述施工区域对应的施工可行性参数；所述施工可行性参数用于发送至施工规划终端以辅助施工计划的制定；其中，所述第一差值的权重大于所述长度差值的权重大于所述第二差值的权重。

[0085] 作为一个可选的实施方式，在本发明第二方面中，所述第二确定模块根据所述围堰工程的当前施工阶段，以及所述多个第二图像信息，基于神经网络算法，确定所述围堰工程对应的当前工程施工质量的具体方式，包括：

[0086] 获取所述围堰工程的当前施工阶段对应的至少一个神经网络模型；

[0087] 将每一所述第二图像信息，输入至所述至少一个神经网络模型中，以得到每一所述第二图像信息对应的施工质量参数；所述施工质量参数包括延误程度参数和工程质量参数；

[0088] 根据所有所述第二图像信息对应的施工质量参数，以及每一所述图像信息对应的拍摄角度对应的角度权重，确定所述围堰工程对应的当前工程施工质量。

[0089] 作为一个可选的实施方式，在本发明第二方面中，所述第二确定模块获取所述围堰工程的当前施工阶段对应的至少一个神经网络模型的具体方式，包括：

[0090] 获取所述围堰工程的当前施工阶段对应的第一神经网络模型；

[0091] 获取所述当前施工阶段的前一施工阶段和后一施工阶段分别对应的第二神经网络模型和第三神经网络模型；其中，所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型均是通过包括有多个对应施工阶段的训练图像和对应的施工质量标注的训练数据集训练得到的；

[0092] 以及，所述第二确定模块将每一所述第二图像信息，输入至所述至少一个神经网络模型中，以得到每一所述第二图像信息对应的施工质量参数的具体方式，包括：

[0093] 对于每一所述第二图像信息，将该第二图像信息输入至所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型中，以分别得到输出的第一质量预测结果、第二质量预测结果和第三质量预测结果；

[0094] 计算所述第二质量预测结果对应的第一修正权重；所述第一修正权重与所述第二质量预测结果和预设的跨阶段预测质量阈值之间的差值成反比；

[0095] 计算所述第三质量预测结果对应的第二修正权重；所述第二修正权重与所述第三质量预测结果和所述跨阶段预测质量阈值之间的差值成反比；

[0096] 计算所述第一质量预测结果和所述第一修正权重和所述第二修正权重的乘积，得到该第二图像信息对应的施工质量参数。

[0097] 作为一个可选的实施方式，在本发明第二方面中，所述第二确定模块根据所有所述第二图像信息对应的施工质量参数，以及每一所述图像信息对应的拍摄角度对应的角度权重，确定所述围堰工程对应的当前工程施工质量的具体方式，包括：

[0098] 对于每一所述第二图像信息，基于角度识别算法，确定该第二图像信息对应的拍摄角度；

[0099] 计算该第二图像信息对应的拍摄角度与预设的清晰拍摄角度之间的角度差值；

[0100] 计算与所述角度差值成反比的角度权重；

[0101] 计算该第二图像信息对应的施工质量参数与所述角度权重的乘积值；

[0102] 计算所有所述第二图像信息对应的所述乘积值的平均值，得到所述围堰工程对应的当前工程施工质量；所述当前工程施工质量用于发送至施工监控终端以辅助施工监控。

[0103] 本发明第三方面公开了另一种用于桥梁施工监控的无人机数据处理装置，所述装置包括：

[0104] 存储有可执行程序代码的存储器；

[0105] 与所述存储器耦合的处理器；

[0106] 所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的用于桥梁施工监控的无人机数据处理方法中的部分或全部步骤。

[0107] 与现有技术相比，本发明具有以下有益效果：

[0108] 可见，本发明实施例能够利用无人机的图像获取技术和数据算法模型来在桥梁施工前进行可行性分析，以及对桥梁施工进行质量监控，从而能够有效提高监控效果，实现对桥梁工程的更智能的可行性分析和施工监控，提高工程效率和质量。

附图说明

[0109] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0110] 图1是本发明实施例公开的一种用于桥梁施工监控的无人机数据处理方法的流程示意图。

[0111] 图2是本发明实施例公开的一种用于桥梁施工监控的无人机数据处理装置的结构示意图。

[0112] 图3是本发明实施例公开的另一种用于桥梁施工监控的无人机数据处理装置的结构示意图。

具体实施方式

[0113] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0114] 本发明的说明书和权利要求书及上述附图中的术语“第二”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

[0115] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0116] 本发明公开了一种用于桥梁施工监控的无人机数据处理方法及装置，能够利用无人机的图像获取技术和数据算法模型来在桥梁施工前进行可行性分析，以及对桥梁施工进行质量监控，从而能够有效提高监控效果，实现对桥梁工程的更智能的可行性分析和施工监控，提高工程效率和质量。以下分别进行详细说明。

[0117] 实施例一，请参阅图1，图1是本发明实施例公开的一种用于桥梁施工监控的无人机数据处理方法的流程示意图。其中，图1所描述的用于桥梁施工监控的无人机数据处理方法应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图1所示，该用于桥梁施工监控的无人机数据处理方法可以包括以下操作：

[0118] 101、在桥梁水中墩的施工区域开始施工前，通过多个无人机以多个角度获取施工区域的多个第一图像信息。

[0119] 102、根据多个第一图像信息，以及预设的图像相似度算法模型，确定施工区域对应的施工可行性参数。

[0120] 103、在施工区域的围堰工程进行的过程中，通过多个无人机以多个角度获取围堰工程的多个第二图像信息。

[0121] 104、根据围堰工程的当前施工阶段，以及多个第二图像信息，基于神经网络算法，确定围堰工程对应的当前工程施工质量。

[0122] 可见，上述发明实施例能够利用无人机的图像获取技术和数据算法模型来在桥梁施工前进行可行性分析，以及对桥梁施工进行质量监控，从而能够有效提高监控效果，实现对桥梁工程的更智能的可行性分析和施工监控，提高工程效率和质量。

[0123] 作为一个可选的实施例，当前施工阶段为钢板桩引孔施工阶段、钢板桩施工阶段、围堰合拢施工阶段、安装支撑施工阶段、基坑开挖清淤施工阶段、封底砼浇筑施工阶段、承台墩柱施工阶段或围堰拆除施工阶段。

[0124] 在一个具体的实施方案中，围堰工程的施工工序包括以下工序：

[0125] 工序1测量放样施工：将栈桥施工控制点 标明并经过复核无误后加以有效保护，利用现有钢管桩及钢护筒进行定位，外排钢板桩在钢管桩（现有及后增加的围檩桩）上焊接工字钢作为导向梁，内排钢板桩在钢护筒上焊接工字钢作为导向梁，用工字钢来保证打出的钢板桩在一条直线上。在打桩时作为导向位置及高程控制标志。

[0126] 工序2钢板桩引孔施工：引孔采用气动潜孔锤，成孔直径600mm，引孔间距500mm（两孔间搭接长度20cm），按顺序依次引孔至桩底标高。施工前应在钻杆上做好标记，控制引孔深度不得小于设计入岩深度（大于等于0.9米）。

[0127] 工序3钢板桩施工：施打采用50T履带式起重机吊装钢板桩至栈桥上，气动潜孔锤机械配合加藤2045钢板桩机在钢栈桥平台剩余部分上进行钢板桩施工（保证钢板桩满足设计桩长或入岩深度≥0.9米），超过18米钢板桩采取焊接接长，焊接完成后再进行插打，钢板桩焊接拼接时，两根钢板桩应对正顶紧，夹持于牢固的夹具内施焊，并应焊接牢固，同时在围堰的同一断面上钢板桩拼接接头不得大于50%，相邻桩接头上下错开不应小于2米，钢板桩焊接完成后采取错位施打，焊缝位置采用专业电焊人员钢板补焊进行钢板桩堵漏。

[0128] 工序4围堰合龙施工：本钢板桩围堰平面为正方形，所以在围堰的纵向和横向会出现转角的情况，施工转角处，使用定型角桩。为了便于合拢，合拢处的相邻两片桩为一高一低，打完每一片钢板桩都要沿导向架的法线和切线方向垂直，合拢应选择在角桩附近(一般离角桩5片)，如果距离有差距，可调整合拢边相邻一边离导向架的距离，为了防止合拢处两片桩不在一个平面内，一定要调整好角桩方向，让其一面锁口与对面的钢板桩锁口应尽量保持平行。

[0129] 工序5安装支撑施工：在安装焊接牛腿前割除桩基钢护筒，在钢板桩上设置支撑牛腿用于搭置型钢围檩，使围檩支托由钢护筒转换为钢板桩本身。在钢板桩上设置第二、三、四层围檩的支撑牛腿时，须拉设施工线保证各小牛腿顶面位于同一水平面上。围檩安装完成后在围檩上设置反向牛腿。

[0130] 工序6基坑开挖清淤施工：围堰处河床以淤泥质土、中砂为主，地质情况较差。围堰尺寸较大，使用24m长臂履带式挖掘机进行基底清淤，在挖掘设备无法施工时，采用空压机配合吸泥机进行吸泥清淤工作。

[0131] 工序7封底砼浇筑施工：封底砼采用商品砼搅拌站集中供料，施工现场采用天泵泵送至基坑底部。封底砼浇筑采用水下混凝土浇筑工艺，控制天泵软管底距河床底20cm左右，首批砼灌注之后，测量导管底口处的砼顶标高，确保软管埋深在0.5m以上。灌注过程中，根据灌注量每隔一定时间测一次标高，用以指导天泵泵管移动，使砼均匀上升。为随时监测封底砼浇筑情况，共布置10处测点。砼浇筑临近结时，全面测出砼面标高，根据测量结果，对砼面标高偏低的测点附近增加灌注量，直至所测结果满足要求。

[0132] 工序8承台墩柱施工：按照常规施工工艺钢筋绑扎、模板安装、砼浇筑方法进行承台墩柱施工。

[0133] 工序9围堰拆除施工：待承台浇筑完成后，及时在承台与钢板桩间回填中粗砂至承台面，水中承台钢板桩围堰拆除需待墩身全部施工结束再拆除围堰内支撑以及钢板桩。工艺流程为围堰注水→内支撑的拆除→内侧钢板桩拔除→双层钢板桩间砼拆除→外侧钢板桩拔除。

[0134] 具体的，在上述实施方案中，可以在不同工序对应的施工阶段使用无人机获取施工现场的图像并通过算法模型来进行施工质量的分析，更具体的，可以先在同类型围堰工程的施工过程中获取足够多的图像进行预测算法模型的训练，以将训练得到的算法模型用于后续新工程的施工监控。

[0135] 具体的，在上述步骤中的，根据围堰工程的当前施工阶段，以及多个第二图像信息，基于图像分析算法，确定围堰工程对应的当前工程施工质量之前，该方法还包括：

[0136] 获取当前时间和围堰工程对应的开始施工时间和施工进度计划；

[0137] 计算开始施工时间和当前时间之间的时间差；

[0138] 根据时间差和施工进度计划，确定围堰工程对应的当前施工阶段。

[0139] 具体的，施工进度计划中规定了多个施工阶段和对应的时间周期。

[0140] 通过上述实施例，可以通过计算时间差和施工进度计划来确定围堰工程对应的当前施工阶段，从而能够准确确定施工阶段，以助于后续基于此更准确地确定围堰工程对应的当前工程施工质量，从而能够有效提高监控效果，实现对桥梁工程的更智能的可行性分析和施工监控，提高工程效率和质量。

[0141] 作为一个可选的实施例，上述步骤中的，根据多个第一图像信息，以及预设的图像相似度算法模型，确定施工区域对应的施工可行性参数，包括：

[0142] 基于模板匹配算法对多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组；

[0143] 根据房屋图像组，以及图像识别算法，确定施工区域对应的多个房屋的房屋位置和房屋数量；

[0144] 根据栈桥图像组，以及图像识别算法，确定施工区域对应的栈桥占据位置；

[0145] 根据电力设备图像组，以及图像识别算法，确定施工区域对应的多个电力设备的设备位置和设备数量；

[0146] 根据施工区域的欲施工范围，以及房屋位置、房屋数量、栈桥占据位置、设备位置和设备数量，确定施工区域对应的施工可行性参数。

[0147] 通过上述实施例，可以通过对多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组，并基于此确定施工区域的房屋位置、房屋数量、栈桥占据位置、设备位置和设备数量，以进一步确定施工区域对应的施工可行性参数，从而能够准确分析施工区域对应的可行性，有效提高监控效果，实现对桥梁工程的更智能的可行性分析，提高工程效率和质量。

[0148] 作为一个可选的实施例，上述步骤中的，基于模板匹配算法对多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组，包括：

[0149] 获取房屋图像模板组、栈桥图像模板组和电力设备图像模板组；

[0150] 对于每一第一图像信息，基于角度识别算法，确定该第一图像信息对应的拍摄角度；

[0151] 根据拍摄角度，从房屋图像模板组、栈桥图像模板组和电力设备图像模板组中筛选出与拍摄角度对应的房屋模板图像集合、栈桥模板图像集合和设备模板图像集合；

[0152] 计算该第一图像信息与房屋模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的房屋相似度；

[0153] 计算该第一图像信息与栈桥模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的栈桥相似度；

[0154] 计算该第一图像信息与设备模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的设备相似度；

[0155] 设定目标函数为每一图像组中的图像数量达到最多；图像组为房屋图像组、栈桥图像组或电力设备图像组；

[0156] 设定限定条件包括：房屋图像组内的图像对应的房屋相似度大于预设的第一相似度阈值；栈桥图像组内的图像对应的栈桥相似度大于预设的第二相似度阈值；电力设备图像组内的图像对应的设备相似度大于预设的第三相似度阈值；任一图像组中的图像对应的与该图像组的类型相对应的相似度类型的数值，大于任一其他图像组中的图像的相似度类型的数值；其中，当图像组的类型为房屋图像组时相似度类型为房屋相似度，当图像组的类型为栈桥图像组时相似度类型为栈桥相似度，当图像组的类型为电力设备图像组时相似度类型为设备相似度；

[0157] 根据目标函数和限定条件，基于动态规划算法，对多个第一图像信息进行迭代分组演算，以得到房屋图像组、栈桥图像组和电力设备图像组。

[0158] 通过上述实施例，可以通过动态规划算法，对多个第一图像信息进行迭代分组演算，以得到房屋图像组、栈桥图像组和电力设备图像组，以辅助后续更精确地确定施工区域的房屋位置、房屋数量、栈桥占据位置、设备位置和设备数量，从而能够准确分析施工区域对应的可行性，提高监控效果，实现对桥梁工程的更智能的可行性分析，提高工程效率和质量。

[0159] 作为一个可选的实施例，上述步骤中的，根据施工区域的欲施工范围，以及房屋位置、房屋数量、栈桥占据位置、设备位置和设备数量，确定施工区域对应的施工可行性参数，包括：

[0160] 根据欲施工范围，和房屋位置和房屋数量，确定欲施工范围内的范围房屋数量；

[0161] 根据欲施工范围，和栈桥占据位置，确定欲施工范围内的范围栈桥长度；

[0162] 根据欲施工范围，和设备位置和设备数量，确定欲施工范围内的范围设备数量；

[0163] 计算范围房屋数量和第一数量阈值的第一差值、范围设备数量和第二数量阈值的第二差值以及范围栈桥长度和长度阈值之间的长度差值；

[0164] 计算第一差值、第二差值和长度差值的加权求和平均值，得到施工区域对应的施工可行性参数；施工可行性参数用于发送至施工规划终端以辅助施工计划的制定；其中，第一差值的权重大于长度差值的权重大于第二差值的权重。

[0165] 通过上述实施例，可以通过计算第一差值、第二差值和长度差值，以确定施工区域对应的施工可行性参数，从而能够准确分析施工区域对应的可行性，有效提高监控效果，实现对桥梁工程的更智能的可行性分析，提高工程效率和质量。

[0166] 作为一个可选的实施例，上述步骤中的，根据围堰工程的当前施工阶段，以及多个第二图像信息，基于神经网络算法，确定围堰工程对应的当前工程施工质量，包括：

[0167] 获取围堰工程的当前施工阶段对应的至少一个神经网络模型；

[0168] 将每一第二图像信息，输入至至少一个神经网络模型中，以得到每一第二图像信息对应的施工质量参数；施工质量参数包括延误程度参数和工程质量参数；

[0169] 根据所有第二图像信息对应的施工质量参数，以及每一图像信息对应的拍摄角度对应的角度权重，确定围堰工程对应的当前工程施工质量。

[0170] 可选的，本发明中的神经网络模型均可以为CNN结构、RNN结构或LTSM结构的神经网络模型，并通过相应的梯度下降算法和损失函数进行训练直至收敛，本发明在此不做限定。

[0171] 通过上述实施例，可以通过神经网络模型来确定每一第二图像信息对应的施工质量参数，并基于角度权重和质量参数来评估施工质量，从而能够准确评估当前工程施工质量，实现对桥梁工程的更智能的施工监控，提高工程效率和质量。

[0172] 作为一个可选的实施例，上述步骤中的，获取围堰工程的当前施工阶段对应的至少一个神经网络模型，包括：

[0173] 获取围堰工程的当前施工阶段对应的第一神经网络模型；

[0174] 获取当前施工阶段的前一施工阶段和后一施工阶段分别对应的第二神经网络模型和第三神经网络模型；其中，第一神经网络模型、第二神经网络模型和第三神经网络模型均是通过包括有多个对应施工阶段的训练图像和对应的施工质量标注的训练数据集训练得到的。

[0175] 通过上述实施例，可以通过获取多个阶段的神经网络模型来确定每一第二图像信息对应的施工质量参数，以提高后续施工质量参数的准确性，实现对桥梁工程的更智能的施工监控，提高工程效率和质量。

[0176] 作为一个可选的实施例，上述步骤中的，将每一第二图像信息，输入至至少一个神经网络模型中，以得到每一第二图像信息对应的施工质量参数，包括：

[0177] 对于每一第二图像信息，将该第二图像信息输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中，以分别得到输出的第一质量预测结果、第二质量预测结果和第三质量预测结果；

[0178] 计算第二质量预测结果对应的第一修正权重；第一修正权重与第二质量预测结果和预设的跨阶段预测质量阈值之间的差值成反比；

[0179] 计算第三质量预测结果对应的第二修正权重；第二修正权重与第三质量预测结果和跨阶段预测质量阈值之间的差值成反比；

[0180] 计算第一质量预测结果和第一修正权重和第二修正权重的乘积，得到该第二图像信息对应的施工质量参数。

[0181] 通过上述实施例，可以通过三个阶段的神经网络模型来确定和校正每一第二图像信息对应的施工质量参数，以提高后续施工质量参数的准确性，实现对桥梁工程的更智能的施工监控，提高工程效率和质量。

[0182] 作为一个可选的实施例，上述步骤中的，根据所有第二图像信息对应的施工质量参数，以及每一图像信息对应的拍摄角度对应的角度权重，确定围堰工程对应的当前工程施工质量，包括：

[0183] 对于每一第二图像信息，基于角度识别算法，确定该第二图像信息对应的拍摄角度；

[0184] 计算该第二图像信息对应的拍摄角度与预设的清晰拍摄角度之间的角度差值；

[0185] 计算与角度差值成反比的角度权重；

[0186] 计算该第二图像信息对应的施工质量参数与角度权重的乘积值；

[0187] 计算所有第二图像信息对应的乘积值的平均值，得到围堰工程对应的当前工程施工质量；当前工程施工质量用于发送至施工监控终端以辅助施工监控。

[0188] 通过上述实施例，可以通过拍摄角度与预设的清晰拍摄角度之间的角度差值来确定成反比的角度权重，并基于这一角度权重和质量参数来评估施工质量，从而能够准确评估当前工程施工质量，实现对桥梁工程的更智能的施工监控，提高工程效率和质量。

[0189] 实施例二，请参阅图2，图2是本发明实施例公开的一种用于桥梁施工监控的无人机数据处理装置的结构示意图。其中，图2所描述的用于桥梁施工监控的无人机数据处理装置应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图2所示，该用于桥梁施工监控的无人机数据处理装置可以包括：

[0190] 第一获取模块201，用于在桥梁水中墩的施工区域开始施工前，通过多个无人机以多个角度获取施工区域的多个第一图像信息；

[0191] 第一确定模块202，用于根据多个第一图像信息，以及预设的图像相似度算法模型，确定施工区域对应的施工可行性参数；

[0192] 第二获取模块203，用于在施工区域的围堰工程进行的过程中，通过多个无人机以多个角度获取围堰工程的多个第二图像信息；

[0193] 第二确定模块204，用于根据围堰工程的当前施工阶段，以及多个第二图像信息，基于神经网络算法，确定围堰工程对应的当前工程施工质量。

[0194] 作为一个可选的实施例，当前施工阶段为钢板桩引孔施工阶段、钢板桩施工阶段、围堰合拢施工阶段、安装支撑施工阶段、基坑开挖清淤施工阶段、封底砼浇筑施工阶段、承台墩柱施工阶段或围堰拆除施工阶段；以及，第二确定模块204还用于在根据围堰工程的当前施工阶段，以及多个第二图像信息，基于图像分析算法，确定围堰工程对应的当前工程施工质量之前，执行以下步骤：

[0195] 获取当前时间和围堰工程对应的开始施工时间和施工进度计划；

[0196] 计算开始施工时间和当前时间之间的时间差；

[0197] 根据时间差和施工进度计划，确定围堰工程对应的当前施工阶段。

[0198] 作为一个可选的实施例，第一确定模块202根据多个第一图像信息，以及预设的图像相似度算法模型，确定施工区域对应的施工可行性参数的具体方式，包括：

[0199] 基于模板匹配算法对多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组；

[0200] 根据房屋图像组，以及图像识别算法，确定施工区域对应的多个房屋的房屋位置和房屋数量；

[0201] 根据栈桥图像组，以及图像识别算法，确定施工区域对应的栈桥占据位置；

[0202] 根据电力设备图像组，以及图像识别算法，确定施工区域对应的多个电力设备的设备位置和设备数量；

[0203] 根据施工区域的欲施工范围，以及房屋位置、房屋数量、栈桥占据位置、设备位置和设备数量，确定施工区域对应的施工可行性参数。

[0204] 作为一个可选的实施例，第一确定模块202基于模板匹配算法对多个第一图像信息进行分组，以得到房屋图像组、栈桥图像组和电力设备图像组的具体方式，包括：

[0205] 获取房屋图像模板组、栈桥图像模板组和电力设备图像模板组；

[0206] 对于每一第一图像信息，基于角度识别算法，确定该第一图像信息对应的拍摄角度；

[0207] 根据拍摄角度，从房屋图像模板组、栈桥图像模板组和电力设备图像模板组中筛选出与拍摄角度对应的房屋模板图像集合、栈桥模板图像集合和设备模板图像集合；

[0208] 计算该第一图像信息与房屋模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的房屋相似度；

[0209] 计算该第一图像信息与栈桥模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的栈桥相似度；

[0210] 计算该第一图像信息与设备模板图像集合中每一图像的相似度的平均值，得到该第一图像信息对应的设备相似度；

[0211] 设定目标函数为每一图像组中的图像数量达到最多；图像组为房屋图像组、栈桥图像组或电力设备图像组；

[0212] 设定限定条件包括：房屋图像组内的图像对应的房屋相似度大于预设的第一相似度阈值；栈桥图像组内的图像对应的栈桥相似度大于预设的第二相似度阈值；电力设备图像组内的图像对应的设备相似度大于预设的第三相似度阈值；任一图像组中的图像对应的与该图像组的类型相对应的相似度类型的数值，大于任一其他图像组中的图像的相似度类型的数值；其中，当图像组的类型为房屋图像组时相似度类型为房屋相似度，当图像组的类型为栈桥图像组时相似度类型为栈桥相似度，当图像组的类型为电力设备图像组时相似度类型为设备相似度；

[0213] 根据目标函数和限定条件，基于动态规划算法，对多个第一图像信息进行迭代分组演算，以得到房屋图像组、栈桥图像组和电力设备图像组。

[0214] 作为一个可选的实施例，第一确定模块202根据施工区域的欲施工范围，以及房屋位置、房屋数量、栈桥占据位置、设备位置和设备数量，确定施工区域对应的施工可行性参数的具体方式，包括：

[0215] 根据欲施工范围，和房屋位置和房屋数量，确定欲施工范围内的范围房屋数量；

[0216] 根据欲施工范围，和栈桥占据位置，确定欲施工范围内的范围栈桥长度；

[0217] 根据欲施工范围，和设备位置和设备数量，确定欲施工范围内的范围设备数量；

[0218] 计算范围房屋数量和第一数量阈值的第一差值、范围设备数量和第二数量阈值的第二差值以及范围栈桥长度和长度阈值之间的长度差值；

[0219] 计算第一差值、第二差值和长度差值的加权求和平均值，得到施工区域对应的施工可行性参数；施工可行性参数用于发送至施工规划终端以辅助施工计划的制定；其中，第一差值的权重大于长度差值的权重大于第二差值的权重。

[0220] 作为一个可选的实施例，第二确定模块204根据围堰工程的当前施工阶段，以及多个第二图像信息，基于神经网络算法，确定围堰工程对应的当前工程施工质量的具体方式，包括：

[0221] 获取围堰工程的当前施工阶段对应的至少一个神经网络模型；

[0222] 将每一第二图像信息，输入至至少一个神经网络模型中，以得到每一第二图像信息对应的施工质量参数；施工质量参数包括延误程度参数和工程质量参数；

[0223] 根据所有第二图像信息对应的施工质量参数，以及每一图像信息对应的拍摄角度对应的角度权重，确定围堰工程对应的当前工程施工质量。

[0224] 作为一个可选的实施例，第二确定模块204获取围堰工程的当前施工阶段对应的至少一个神经网络模型的具体方式，包括：

[0225] 获取围堰工程的当前施工阶段对应的第一神经网络模型；

[0226] 获取当前施工阶段的前一施工阶段和后一施工阶段分别对应的第二神经网络模型和第三神经网络模型；其中，第一神经网络模型、第二神经网络模型和第三神经网络模型均是通过包括有多个对应施工阶段的训练图像和对应的施工质量标注的训练数据集训练得到的；

[0227] 以及，第二确定模块204将每一第二图像信息，输入至至少一个神经网络模型中，以得到每一第二图像信息对应的施工质量参数的具体方式，包括：

[0228] 对于每一第二图像信息，将该第二图像信息输入至第一神经网络模型、第二神经网络模型和第三神经网络模型中，以分别得到输出的第一质量预测结果、第二质量预测结果和第三质量预测结果；

[0229] 计算第二质量预测结果对应的第一修正权重；第一修正权重与第二质量预测结果和预设的跨阶段预测质量阈值之间的差值成反比；

[0230] 计算第三质量预测结果对应的第二修正权重；第二修正权重与第三质量预测结果和跨阶段预测质量阈值之间的差值成反比；

[0231] 计算第一质量预测结果和第一修正权重和第二修正权重的乘积，得到该第二图像信息对应的施工质量参数。

[0232] 作为一个可选的实施例，第二确定模块204根据所有第二图像信息对应的施工质量参数，以及每一图像信息对应的拍摄角度对应的角度权重，确定围堰工程对应的当前工程施工质量的具体方式，包括：

[0233] 对于每一第二图像信息，基于角度识别算法，确定该第二图像信息对应的拍摄角度；

[0234] 计算该第二图像信息对应的拍摄角度与预设的清晰拍摄角度之间的角度差值；

[0235] 计算与角度差值成反比的角度权重；

[0236] 计算该第二图像信息对应的施工质量参数与角度权重的乘积值；

[0237] 计算所有第二图像信息对应的乘积值的平均值，得到围堰工程对应的当前工程施工质量；当前工程施工质量用于发送至施工监控终端以辅助施工监控。

[0238] 上述实施例中的模块和步骤的具体的技术细节和技术效果，可以参照实施例一中的相应的表述，在此不再赘述。

[0239] 实施例三，请参阅图3，图3是本发明实施例公开的又一种用于桥梁施工监控的无人机数据处理装置。图3所描述的用于桥梁施工监控的无人机数据处理装置应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图3所示，该用于桥梁施工监控的无人机数据处理装置可以包括：

[0240] 存储有可执行程序代码的存储器301；

[0241] 与存储器301耦合的处理器302；

[0242] 其中，处理器302调用存储器301中存储的可执行程序代码，用于执行实施例一所描述的用于桥梁施工监控的无人机数据处理方法的步骤。

[0243] 实施例四，本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的用于桥梁施工监控的无人机数据处理方法的步骤。

[0244] 实施例五，本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一所描述的用于桥梁施工监控的无人机数据处理方法的步骤。

[0245] 上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0246] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

[0247] 本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。

[0248] 在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray， FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced  Boolean  Expression  Language)、AHDL(Altera  Hardware DescriptionLanguage)、 Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等，目前最普遍使用的是VHDL (Very‑High‑SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

[0249] 控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

[0250] 上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

[0251] 为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

[0252] 本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0253] 本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0254] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0255] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0256] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

[0257] 内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

[0258] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

[0259] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0260] 本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

[0261] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

[0262] 最后应说明的是：本发明实施例公开的一种用于桥梁施工监控的无人机数据处理方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。