基于BIM与AI的施工现场安全管理系统的制作方法

基于bim与ai的施工现场安全管理系统
技术领域
1.本发明涉及建筑领域，特别是涉及基于bim与ai的施工现场安全管理系统。


背景技术：

2.在我国城市化的发展进程中，建筑行业扮演着重要角色，然而由于建筑行业的特点，在建筑的安全生命周期，特别是现场施工环节中极易发生安全事故，危及施工人员生命健康安全。
3.现有技术中针对施工现场安全管理，通过施工现场的bim模型，应用ai图像识别算法，实现对施工现场隐患的识别与预判，针对bim与ai在施工现场安全管理方面的应用，对已有的文献进行检索、比较和分析后，筛选出如下具有代表性的现有技术信息：方案一（作者：limao zhang、xianguo wu等,起止页码529
‑
539，公布日期2016年4月27日）公开了bim
‑
based risk identification system in tunnel construction，提出了基于bim的施工安全风险识别系统，包括bim模型提取、基础知识库及风险识别三个子系统；方案二（作者：antoine j.
‑
p. tixier、matthew r. hallowell、balaji rajagopalan等，起止页码39
‑
54，建筑自动化、2017年、74期）公开了construction safety clash detection: identifying safety incompatibilities among fundamental attributes using data mining，针对施工安全风险识别，提出了基于数据挖掘的方法，通过分析安全事故的共同特征，找出识别安全风险的一般方法；方案三（作者：施庆伟、庞永师、蒋雨含，起止页码83
‑
89，土木工程与管理学报，2016年、033卷、002期）公开了基于系统动力学和bim的建筑施工安全风险预警决策模型仿真，通过仿真分析施工过程存在的安全风险；方案四（作者：尚超，文章编号：1001
‑
6945(2021)02
‑
139
‑
02）公开了5g与ai技术助力建筑工程项目管理数字化转型，实现了基于视觉识别的智能安防系统应用。
4.现有技术中针对bim与ai在施工现场安全管理方面的应用，并没有将bim与ai进行充分的结合，只是将bim与ai在某一方面进行了研究，难以充分发挥bim与ai的技术优势，并且没有实现可度量的安全预警模型（安全预警模型是对安全风险进行定位和判断的基础），且随着bim模型体量的增大，现有技术中bim模型的网络传输占用带宽资源多、传输速度慢。
5.所述bim指的是建筑信息模型，所述ai指的是人工智能。
6.因此本发明提供一种新的方案来解决此问题。


技术实现要素：

7.针对现有技术存在的不足，本发明的目的是提供基于bim与ai的施工现场安全管理系统，有效的解决了现有技术存在的bim与ai结合不充分、没有实现可度量的安全预警模型、bim模型的网络传输占用带宽资源多、传输速度慢的问题。
8.其解决的技术方案是，基于bim与ai的施工现场安全管理系统，所述管理系统包括
基础层、存储层、分析层、应用层；所述基础层为存储层提供建筑数据信息、施工现场视频图像数据信息、施工人员身份数据信息，存储层存储基础层的数据信息，分析层调用存储层的数据信息并进行分析，并将分析处理结果传输至应用层，应用层对分析层的分析处理结果进行分类展示；所述基础层为存储层提供建筑数据信息、施工现场视频图像数据信息、施工人员身份数据信息，基础层包括施工现场bim模型、视频监控系统、人脸识别门禁系统、施工人员身份信息管理系统；所述施工现场bim模型集合建设工程中的建筑数据信息，具体包含工程项目的基本信息、构件尺寸、建筑材质、场地布置；建筑数据信息又分为结构化的几何数据信息和非结构属性的数据信息；所述视频监控系统采集施工现场视频图像数据信息；所述施工人员身份信息管理系统通过人工录入的方式将施工人员身份信息录入施工人员身份信息管理系统，施工人员身份信息包括人脸信息、姓名、所属劳务单位、施工区域；所述人脸识别门禁系统通过人脸识别装置对进入施工现场的人员进行门禁管理，人员信息录入施工人员身份信息管理系统的人员为授权的施工人员，可通过人脸识别门禁系统进入施工现场；所述存储层存储基础层的数据信息，包括关系型数据库和非关系型数据库；所述关系型数据库存储的基础层的数据信息包括施工现场bim模型中结构化的几何数据信息、视频监控系统采集的施工现场视频图像数据信息、施工人员身份信息管理系统录入的施工人员身份信息，关系型数据库采用关系模型来组织数据；所述非关系型数据库存储的基础层的数据信息包括施工现场bim模型中非结构化属性的数据信息，非关系型数据库以键值对的形式存储数据；所述分析层调用存储层的数据信息并进行分析，并将分析处理结果传输至应用层，包括人工智能安全预警模型、模型轻量化、时空大数据挖掘及管理、深度学习算法训练；所述人工智能安全预警模型基于行为效应模型搭建，是可度量的模型，调用存储层存储的施工现场bim模型中得建筑数据信息，进行安全隐患模拟分析，合理规划逃生路线、消防器械放置点，并在实际施工过程中结合调用的存储层存储的视频监控系统采集的施工现场视频图像数据信息，并结合人工智能神经网络算法以及虚拟仿真技术手段，在事故出现以前，评估危险程度，发出紧急信号；所述模型轻量化是指对调用的存储层存储的施工现场bim模型进行轻量化，模型轻量化对用于保存和传输的数据信息进行压缩，模型轻量化的引擎基于webgl技术开发，将调用的存储层存储的来自视频监控系统的施工现场的视频图像数据信息、来自施工人员身份信息管理系统中的施工人员身份信息、来自人脸识别门禁系统的人员进出信息以及人工排查的隐患信息在施工现场bim模型中进行集成；所述webgl技术指的是web graphics library，是一种3d绘图协议；所述时空大数据挖掘及管理对存储层存储的各种数据进行统一运算、调度管理、让各种数据信息在管理系统内高效流转，对geojson矢量数据进行解析构建动态对象，进行动态渲染，所述geojson是用于描述简单地理要素几何属性及非空间属性的一种数据格式，
具体包含以下步骤：s1:进行基础分析,开发集成历史推理方法、聚类分析、链接分析、神经网络、判别分析、逻辑分析、人工智能这些通用性的挖掘方法，形成基础分析工具包；s2：空间分布，分析挖掘数据源的空间分布规律，计算单一专题数据源的空间粒度，通过地名地址匹配自动化或半自动化将其分布在相应尺度的基础时空数据之上，分析挖掘其空间分布规律；s3：多因子关联分析，将两种及以上专题数据源分布在相应尺度的统一基础时空数据之上，综合运用各种数学模型，挖掘专题信息之间的相关性和依赖度；s4：时空分析，将单一或多种带有时间特征的专题信息，分布在相应尺度的统一基础时空数据之上，挖掘专题信息在时间维度上的演变规律、在空间维度上的分布规律，以及在四维时空中的时空特征；s5：专题分析，面向某一专题，在基础分析工具包和空间分布、多因子关联分析、时空分析的基础上，提炼专题大数据分析的专业模型和业务流程，形成定制化、流程化的知识链，开发高自动化的分析功能，挖掘潜藏数据背后的知识与规律；s6：存储检索，对时空大数据进行分布式存储、存取、检索、并发响应及负载均衡，动态增加管理节点；s7：数据流转，将多源异构时空大数据进行共享、互操作、无缝流转，集成不同类型的数据库，并提供统一访问接口、统一查询方式和统一操作行为；s8：智能监管，对存储节点运行状态实时监控，负载均衡动态调控，监控信息主动收集、统一展示，实时分析运行问题并及时处理；所述深度学习算法训练是基于ai算法，对从存储层调用的数据进行学习和训练，包括基于ai算法的安全管理、基于ai算法的人、物管理、基于ai算法的设备安全管理；所述基于ai算法的安全管理包括安全帽佩戴识别安全管理、反光背心识别安全管理、周界闯入智能识别安全管理、人脸识别安全管理、起火智能识别安全管理；所述安全帽佩戴识别安全管理具体为：利用安全帽识别算法对进入施工现场作业区域的人员进行自动识别，若检测到人员未佩戴安全帽，则立即报警，报警信号同步推送至管理人员，同时形成抓拍台账，保存于管理系统后台；所述反光背心识别安全管理具体为：利用反光背心识别算法对进入施工现场作业区域的人员进行自动识别，人员若没穿着反光背心则立即报警，报警信号同步推送至管理人员，同时形成抓拍台账，保存于管理系统后台；所述周界闯入智能识别安全管理具体为：利用人员闯入检测算法在有人员闯入预先设置好的危险区域、或不同工种超出自身工作区域时立即报警，对发生跌倒或坠落的施工人员实时做出识别并报警，结合人脸识别门禁系统，对未经过人脸识别门禁系统进入工地的非法闯入人员做出实时识别并报警；所述人脸识别安全管理具体为：对在施工现场工地吸烟的人员自动进行人脸识别，并实时报警、图像存档；所述起火智能识别安全管理具体为：对明火、烟雾自动识别；所述基于ai算法的人、物管理具体为：对未授权并出现在物料区的人员做出实时识别并报警，对未授权并出现在物料区的车辆做出实时识别并报警；
所述基于ai算法的设备安全管理包含塔吊安全监控管理、塔吊防碰撞系统管理、吊钩可视化管理、施工电梯安全监控管理；所述塔吊安全监控管理具体为：实时监测塔吊的大臂回转角、幅度、载重数据、高度、倾角、风速，对司机进行人脸识别，对塔机间碰撞提供实时预警，并在可能碰撞时自动进行制动控制；所述塔吊防碰撞系统管理具体为：利用物联传感技术、无线通讯技术、大数据云储存技术、结合塔式起重机安全监控管理系统、施工升降机人机一体化安全监控管理系统，实时采集当前塔吊运行的载重、角度、高度、风速，传输到管理系统并存储在云数据库；所述吊钩可视化管理具体为：向塔吊司机展现吊钩周围实时的视频图像；所述施工电梯安全监控管理具体为：实时监控施工电梯的载重、高度、速度、楼层、风速、风向、倾角、防坠在位监测，对司机进行人脸识别；所述应用层对分析层的分析处理结果进行分类展示；包括空间漫游、poi兴趣点展示、视频流媒体对接、起火智能识别、人脸识别、安全帽佩戴识别、反光背心识别、周界闯入智能识别。
9.本发明所实现的有益效果：本技术充分结合bim技术与ai技术，首先构建施工现场bim模型（该模型可视化），并对施工现场bim模型进行模型轻量化以减小模型网络传输压力，其次结合视频监控系统采集的视频监控图像，基于tensorrf深度学习平台，对图像进行处理分析，发现施工现场存在的安全风险，生成安全预警信息，进而提醒安全管理人员采取措施，将危险事故发生率降到最低，有效的解决了现有技术存在的bim与ai结合不充分、没有实现可度量的安全预警模型、bim模型的网络传输占用带宽资源多、传输速度慢的问题。
附图说明
10.图1为系统架构图。
11.图2为海因里希法则示意图。
12.图3为行为效应模型。
13.图4为bim模型轻量化流程。
14.图5为空间漫游示意图。
15.图6为poi兴趣点展示示意图。
16.图7为视频流媒体对接示意图。
17.图8为智慧预警的应用中不安全行为预警示意图。
18.图9为智慧预警应用中不安全行为自动匹配的人员信息示意图。
19.图10为系统功能框图。
具体实施方式
20.为有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1
‑
10对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
21.以下将参照附图，通过实施方式详细的描述本发明提供的基于bim与ai的施工现
场安全管理系统。
22.基于bim与ai的施工现场安全管理系统，所述管理系统包括基础层、存储层、分析层、应用层；所述基础层为存储层提供建筑数据信息、施工现场视频图像数据信息、施工人员身份数据信息，存储层存储基础层的数据信息，分析层调用存储层的数据信息并进行分析，并将分析处理结果传输至应用层，应用层对分析层的分析处理结果进行分类展示。
23.所述基础层为存储层提供建筑数据信息、施工现场视频图像数据信息、施工人员身份数据信息，基础层包括施工现场bim模型、视频监控系统、人脸识别门禁系统、施工人员身份信息管理系统，基础层提供的上述数据信息保存在存储层，为存储层提供数据信息基础；所述施工现场bim模型可作为智能的建筑信息模型，集合建设工程中的建筑数据信息，供各专业重复利用完成各自工作，又可被认为是建模过程，通过改变工作流程、交付成果形式、组织构架、人员思维方式等来提升其竞争力；具体包含工程项目的基本信息、构件尺寸、建筑材质、场地布置等；建筑数据信息又分为结构化的几何数据信息和非结构属性的数据信息；所述视频监控系统采集施工现场视频图像数据信息，将视频数据通过3g或者4g或者wifi传回控制主机，可对视频图像进行实时观看、录入、回放、调出及储存等操作，对视频图像进行自动识别、存储、自动报警，同时可以智能识别施工人员未佩戴安全帽以及安全网防护缺失等现象；所述施工人员身份信息管理系统通过人工录入的方式将施工人员身份信息录入施工人员身份信息管理系统，施工人员身份信息包括人脸信息、姓名、所属劳务单位、施工区域，施工人员身份信息管理系统中的施工人员身份信息通过人工的方式进行录入，施工人员身份信息存储在劳务信息管理数据库中（劳务信息管理数据库位于存储层，属于关系型数据库）；所述人脸识别门禁系统通过人脸识别装置对进入施工现场的人员进行门禁管理，人员信息录入施工人员身份信息管理系统的人员为授权的施工人员，可通过人脸识别门禁系统进入施工现场。
24.所述存储层存储基础层的数据信息，包括关系型数据库和非关系型数据库，关系型数据库存储的基础层的数据信息包括施工现场bim模型中结构化的几何数据信息、视频监控系统采集的施工现场视频图像数据信息、施工人员身份信息管理系统录入的施工人员身份信息，关系型数据库采用关系模型来组织数据，例如mysql(mysql是一个关系型数据库管理系统），非关系型数据库存储的基础层的数据信息包括施工现场bim模型中非结构化属性的数据信息，非关系型数据库以键值对的形式存储数据，如redis（redis是一个高性能的数据库）；根据存储层的关系型数据库存储的信息，结合社会公布的各类安全事故，构建安全专业图谱，进而形成企业施工现场安全管理数据库，实现精准感知与预测；以施工现场中常见的安全风险项为例，结合图像数据特点和业务应用场景，基于非关系型数据库、java opencv库、qt技术、开发图像预处理、检测、隐患识别算法，设计基于ai的智慧工地隐患识别系统，提高工地隐患识别能力和自动处理能力，为智慧工地安全管理提供技术参考；
海因里希法则（heinrich’s law）又称“海因里希安全法则”或“海因里希事故法则”，是美国著名安全工程师海因里希（herbert william heinrich）1941年提出的300∶29∶1法则，这个法则意为：当一个企业有300起隐患或违章，非常可能要发生29起轻伤或故障，另外还有一起重伤、死亡事故，人员因素在事故中占大部分责任；对于不同的生产过程，不同类型的事故，上述比例关系不一定完全相同，但这个统计规律说明了在进行同一项活动中，无数次意外事件，必然导致重大伤亡事故的发生，要防止重大事故的发生必须减少和消除无伤害事故，要重视事故的苗头和未遂事故，否则终会酿成大祸，海因里希法则表明，在事故发生前，可能对应着大量安全隐患，因此，通过收集施工现场安全隐患数据，保存于企业施工现场安全管理数据库中，再运用大数据技术对安全事故进行预测，进而采取措施在源头消除事故隐患。
25.所述分析层调用存储层的数据信息并进行分析，生成施工现场安全预警信息，并将分析处理结果传输至应用层，包括人工智能安全预警模型、模型轻量化、时空大数据挖掘及管理、深度学习算法训练；所述人工智能安全预警模型基于行为效应模型搭建，是可度量的模型；如说明书附图的图3所示，行为效应模型也称为累积行为效应模型，该模型由4片奶酪组成，每片奶酪代表一个组织层次，第1片奶酪为组织影响，第2片为不安全的监管，第3片为不安全行为的前兆，第4片为不安全行为；每一片奶酪都代表了一层防御系统，每一片奶酪的孔洞表示为防御系统存在的缺陷，孔的大小和位置总是在不断变化，当每一块奶酪上的孔洞布置在同一条直线上时，瞬间就会形成意外的导弹机会弹道，风险会通过所有防御的漏洞导致事故发生；通过施工现场bim模型在工程前期对施工隐患进行分析识别，划定现场隐患分线等级，跟踪排查安全隐患整改情况，调用存储层存储的施工现场bim模型中得建筑数据信息，进行安全隐患模拟分析，合理规划逃生路线、消防器械放置点，并在实际施工过程中结合调用的存储层存储的视频监控系统采集的施工现场视频图像数据信息，并结合人工智能神经网络算法以及虚拟仿真技术手段，在事故出现以前，评估危险程度，发出紧急信号，以避免灾害在没有准备的情况下发生，以达到最大限度减少损失；所述模型轻量化是指对调用的存储层存储的施工现场bim模型进行轻量化，bim模型轻量化的流程如说明书附图图4所示，通过轻量化程序处理后用于保存和网络传输的数据量可以压缩到比原始三维网格的数据量小,在进行渲染前，轻量化的数据可能会解压缩以便适配于gpu（gpu是图形处理器）渲染api（api是应用程序接口）的需要，解压缩的数据量可能会增大，甚至比原先的三维网格数据量更大，这是为了渲染效率优化的考虑；模型轻量化引擎基于webgl（web graphics library是一种3d绘图协议）技术开发实现，可支持对实景三维模型、人工三维模型、矢量、地图影像、地形等多种类型数据进行上传、管理、融合展示、快速分享等功能，且提供场景管理、数据管理、源数据管理、用户管理、以及系统管理等功能；通过对施工现场bim模型轻量化应用，将调用的存储层存储的来自视频监控系统的施工现场的视频图像数据信息、来自施工人员身份信息管理系统中的施工人员身份信息、来自人脸识别门禁系统的人员进出信息以及人工排查的隐患信息在施工现场bim模型中进行集成，从而实现大量的数据在多个参建单位之间有效传递共享；
所述时空大数据挖掘及管理对存储层存储的各种数据进行统一运算、调度管理、让各种数据信息在管理系统内高效流转，在仿真的bim三维空间场景中，集成多种数据来源，通过大数据平台的统一运算、调度、管理，让各种数据或信息在系统内高效流转，及时准确传递到各子系统或功能模块，实现施工现场安全管理的数字化、信息化和智慧化，搭建动态场景层，对 geojson（ geojson是用于描述简单地理要素几何属性及非空间属性的一种数据格式） 等矢量数据进行解析构建动态对象，从而实现场景实时、动态渲染的效果；所述时空大数据挖掘及管理包含以下步骤：s1:进行基础分析,开发集成历史推理方法、聚类分析、链接分析、神经网络、判别分析、逻辑分析、人工智能等通用性的挖掘方法，形成基础分析工具包；s2：空间分布，分析挖掘数据源的空间分布规律，计算单一专题数据源的空间粒度，通过地名地址匹配自动化或半自动化将其分布在相应尺度的基础时空数据之上，分析挖掘其空间分布规律；s3：多因子关联分析，将两种及以上专题数据源分布在相应尺度的统一基础时空数据之上，综合运用各种数学模型，探求挖掘专题信息之间的相关性和依赖度；s4：时空分析，将单一或多种带有时间特征的专题信息，分布在相应尺度的统一基础时空数据之上，挖掘专题信息在时间维度上的演变规律、在空间维度上的分布规律，以及在四维时空中的时空特征；s5：专题分析，面向某一专题，在基础分析工具包和空间分布、多因子关联分析、时空分析的基础上，提炼专题大数据分析的专业模型和业务流程，形成定制化、流程化的知识链，开发高自动化的分析功能，挖掘潜藏数据背后的知识与规律；s6：存储检索，对时空大数据进行分布式存储、高效存取、精确检索、并发响应及负载均衡，具备管理节点动态增加和容灾备份等能力，提升时空大数据的查询效率、吞吐量、可用性、容错性、稳定性；s7：数据流转，将多源异构时空大数据进行共享、互操作、无缝流转，集成不同类型的数据库，并提供统一访问接口、统一查询方式和统一操作行为；s8：智能监管，对存储节点运行状态实时监控，负载均衡动态调控，监控信息主动收集、统一展示，实时分析运行问题并及时处理；建立全空间信息模型，实现地上地下、室内室外、虚实、开放、鲜活的时空大数据一体化管理，克服非关系数据库存储时空大数据存在的存储与访问的效率低下、难以满足高并发、大数据量下的实时性要求的问题，充分发挥非关系数据库的性能优势，支撑云平台，帮助用户在线调用现成的时空大数据中的数据；所述深度学习算法训练是基于ai算法，对从存储层调用的数据进行学习和训练，包括基于ai算法的安全管理、基于ai算法的人、物管理、基于ai算法的设备安全管理；所述深度学习算法训练目的是对各存储节点运行状态进行实时监控以及进行负载均衡动态调整，对监控信息主动收集和统一展示，对运行问题实时分析及时应对处理，基于ai算法使得管理系统从日常大量捕获的数据中学习和训练，使管理系统学会自动检测故障并创建预测性维护目标区域，根据计算出的风险确定优先级；所述基于ai算法的安全管理包括安全帽佩戴识别安全管理、反光背心识别安全管理、周界闯入智能识别安全管理、人脸识别安全管理、起火智能识别安全管理；
所述安全帽佩戴识别安全管理具体为：安全帽识别算法可对进入施工现场作业区域的人员进行自动识别，若检测到人员未佩戴安全帽，可立即报警，报警信号同步推送至管理人员，同时形成抓拍台账，保存于管理系统后台；所述反光背心识别安全管理具体为：反光背心识别算法可对进入施工现场作业区域的人员进行自动识别，人员若没穿着反光背心可立即报警，报警信号同步推送至管理人员，同时形成抓拍台账，保存于管理系统后台；所述周界闯入智能识别安全管理具体为：通过施工现场bim模型，人员闯入检测算法可在有人员闯入预先设置好的危险区域（禁止进入区域）、或不同工种超出自身工作区域时立即报警，确保员工的人身安全；对发生跌倒或坠落的施工人员实时做出识别并报警，保证受伤人员得到最及时的救助；结合人脸识别门禁系统，对未经过人脸识别门禁系统进入工地的非法闯入人员做出实时识别并报警；所述人脸识别安全管理具体为：对在施工现场工地吸烟的人员自动进行人脸识别，并实时报警、图像存档；所述起火智能识别安全管理具体为：对明火、烟雾自动识别；同时对未适当封盖的边洞、观察孔等进行实时识别并报警，预防事故产生；所述基于ai算法的人、物管理具体为：对未授权并出现在物料区的人员做出实时识别并报警，对未授权并出现在物料区的车辆做出实时识别并报警；所述基于ai算法的设备安全管理主要展现施工现场的一些设备的相关的实时数据并分析，例如塔吊、电梯，具体的包含塔吊安全监控管理、塔吊防碰撞系统管理、吊钩可视化管理、施工电梯安全监控管理；所述塔吊安全监控管理具体为：实时监测塔吊的大臂回转角、幅度、载重数据、高度、倾角、风速等，对司机进行人脸识别，对塔机间碰撞提供实时预警，并在可能碰撞时自动进行制动控制；所述塔吊防碰撞系统管理具体为：利用物联传感技术、无线通讯技术、大数据云储存技术、组合塔式起重机安全监控管理系统（俗称塔吊黑匣子）、施工升降机人机一体化安全监控管理系统，实时采集当前塔吊运行的载重、角度、高度、风速等安全指标数据，传输到管理系统并存储在云数据库，只要有网络覆盖的地方，我们不但可以对每台塔吊的司机进行确认，还能知道每一次起吊的重量、塔吊大臂摆动的角度、小车移动的位置以及升降机操作的具体人员、维保的具体人员，实现了人或物不安全行为的提前防控；所述吊钩可视化管理具体为：能实时以高清晰图像向塔吊司机展现吊钩周围实时的视频图像，使司机能够快速准确的做出正确的操作和判断，解决施工现场塔吊司机的视觉死角，远距离视觉模糊，语音引导易出差错等问题；所述施工电梯安全监控管理具体为：实时监控施工电梯的载重、高度、速度、楼层、风速、风向、倾角、防坠在位监测，对司机进行人脸识别；由于本技术的管理系统中包含多个工地，会并行采集大量的视频、图像信息，这就要求本技术的管理系统在推理过程中要批量处理高带宽的数据流，而且要保证平台的低延迟性；本技术采用nvidia tensorrt （一种高性能神经网络推理引擎）高性能深度学习平台，tensorrt （一个高性能的深度学习推理优化器）将网络层合并与模型压缩相结合，同
时执行归一化和转换操作，以根据指定精度(fp32、fp16 或 int8)转换为经优化的矩阵数学，从而减少延迟，提高吞吐量和效率，相较于只使用 cpu 的推理，tensorrt 可提供高达70倍的吞吐量，实时延迟仅7毫秒；tensorrt 的主要特性为：第一：支持tensorflow（一个基于数据流编程的符号数学系统）在tesla v100上可以直接提取、优化和部署tensorflow 模型，与tensorflow 框架推理相比，性能最多提高18倍；第二：支持 python api（一种应用程序接口），易用性更高，可让开发者使用 python 脚本语言调用tensorrt；第三：权重和激活精度优化，在最大程度减少精度损失的同时将 fp3全精度训练的模型量化为 fp16 和 int8 精度，从而显著提高模型的推理性能；其中fp32、fp16、int8是指tensorrt处理数据的精度，fp32指32位单精度浮点数、fp16指16位半精度浮点数、int8为8位整数；第四：网络层和张量融合（图形优化），将连续节点融合为单一节点以实现单内核执行，从而提高 gpu 利用率并优化内存和带宽；第五：内核自动调整，为 jetson、tesla 或 drive px gpu 目标平台选择最佳的数据层和最佳的并行算法及内核，从而优化执行时间；（其中jetson、tesla 或 drive px gpu 为nvidia英伟达公司发布的gpu系列）；第六：动态张量内存（内存优化），仅为每个张量分配其持续使用期间所需的内存，从而减少内存占用并改进内存重用；第七，多流执行，使用相同的模型和权重并行处理流，从而扩展为多个输入流,tensorrt可从不同深度学习框架提取经训练的神经网络，然后在任何 nvidia 深度学习平台上为所部署推理优化这些神经网络。
26.所述应用层对分析层的分析处理结果进行分类展示，包括空间漫游、poi兴趣点展示、视频流媒体对接、起火智能识别、人脸识别、安全帽佩戴识别、反光背心识别、周界闯入智能识别；所述空间漫游具体为：管理系统中用户可根据需要自由去设置漫游轨迹路线，然后可根据设置好的路线自动进行场景漫游，可用键盘wasd键结合鼠标控制行进方向，漫游时可自由控制速度及视角等，便于进行漫游操作，实现多运动形态的可视化支撑，说明书附图图5为空间漫游示意图；所述poi兴趣点展示具体为：项目建设过程中的建设地块、建设进度等业务信息可根据用户权限上传管理系统进行管理，并能够实现将该上传信息以poi兴趣点的形式挂载到三维模型上，然后点击poi兴趣点即可查看bim模型相关联业务信息，从而实现二维信息与三维模型的可视化管理，便于管理者进行空间标识与查看，说明书附图图6为poi兴趣点展示示意图；所述视频流媒体对接具体为：本技术的管理系统可实现与具备未穿戴工服识别、未佩戴安全帽识别、人脸识别功能的视频监控设备的识别信息数据进行无缝对接，视频监控设备厂家提供识别信息数据接口，在此基础上开发相关接口接收警报信息与人员信息，并将警报信息接入到本技术的管理系统中，本技术的管理系统接收到现场视频监控设备识
别到的现场安全隐患信息，完成后续的各项管理功能，图7为视频流媒体对接示意图；所述起火智能识别、人脸识别、安全帽佩戴识别、反光背心识别、周界闯入智能识别属于智慧预警的应用，管理系统可进行施工现场bim模型与现场视频监控系统的监控视频绑定关联，查看施工现场bim模型可查看相对应的视频监控画面；当监控中识别到未穿戴工服、未佩戴安全帽的不安全行为时，可及时抓拍并将抓拍信息传输到管理系统中，依据该画面中人脸信息可自动到劳务信息管理数据库中检索到对应人员信息，并针对该人员开具处罚单，扣除相应的劳务积分，管理者根据积分扣除情况实施相关处罚措施；支持三维可视化展示，支持加载插件导出的数据，并在web平台进行可视化展示，并提供旋转、平移、放大、缩小、点选、透明高亮的交互显示效果；如说明书附图图8所示为不安全行为预警示意图，说明书附图图9为与图8相对应的发生不安全行为多对应的人员信息示意图，也即是不安全行为自动匹配的人员信息示意图。
27.本技术的应用价值：本技术作为一种未来的管理方式，可带来以下有益效果：1.利用人脸识别门禁系统对出入施工现场的人员进行控制，施工现场人员必须经过人脸识别确认后才可上岗操作，以免发生危险，杜绝冒名顶替现象发生，对不同级别管理人员开放不同的管理权限，施工人员可通过人脸识别门禁系统进入施工现场，非施工人员无法通过人脸识别门禁系统进入施工现场，否则触发报警可及时通知管理人员，在劳务管理上更加的准确高效，可有效促进整个施工现场的安全秩序，有效的控制和掌握工地工作人员的进出时间；2.通过本管理系统进行24 小时不间断的监管，单位不用人工去施工现场监管，从经济上节约人力、物力、财力，减少开支，提高管理效率，大幅提高施工现场工地的安全等级，保障工地安全施工；同时施工人员容易在施工现场因违规操作造成人员伤害和工程损失，本管理系统可有效对安全隐患进行识别，提前介入防范，降低施工成本；3.通过本技术的周界闯入智能识别可防止重点部位的物资被盗，还能防止陌生人非法闯入给工地带来的威胁，施工现场的工地往往存放大量建筑材料，如钢筋、砂石、水泥等，这些材料具有很高的价值，由于监守人员无法做到24小时巡逻，容易导致深夜时物资被盗，本技术可防止物资被盗，有效提高管理水平；4.本技术的开发可形成人脸识别、安全帽佩戴识别、反光背心识别、起火智能识别、周界闯入智能识别等一系列智能识别算法，通过对这些算法的技术推广及移植，对当地科技、经济及新型业务的发展形成有益，并能带动当地经济产值；5.本技术充分结合bim技术与ai技术，首先构建施工现场bim模型（该模型可视化），并对施工现场bim模型进行模型轻量化以减小模型网络传输压力，其次结合视频监控系统采集的视频监控图像，基于tensorrf深度学习平台，对图像进行处理分析，发现施工现场存在的安全风险，生成安全预警信息，进而提醒安全管理人员采取措施，将危险事故发生率降到最低，有效的解决了现有技术存在的bim与ai结合不充分、没有实现可度量的安全预警模型、bim模型的网络传输占用带宽资源多、传输速度慢的问题。