本发明属于隧道监测视频分析，具体涉及一种基于视频信息的隧道内施工工序识别方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、在目前的隧道建设领域，施工管理和监测是至关重要的方面，然而，传统的监测手段在实时性和准确性上存在一定的局限性。随着技术的不断发展，基于图像处理和计算机视觉的隧道内施工工序识别技术成为提升施工管理水平的有效手段。过去，隧道内施工工序的监测通常依赖于人工巡查和手动记录，这种方式存在人力成本高、数据收集不及时、容易出现主观误差等问题。因此，现有技术逐渐趋向于引入自动化的工序识别技术，借助计算机算法和先进的传感器设备，实现对隧道内施工工序的实时监测和准确识别。这不仅可以提高工程管理的智能化水平，还能够有效降低人为差错，为隧道建设的高效推进提供可靠的技术支持。
3、因此，开发一种高效、准确的隧道内施工工序识别技术已经成为当前领域的研究热点。隧道现场施工工序监测是隧道施工中的关键环节，是实现信息化、动态化施工的基础。现场监控旨在掌握隧内的动态信息，以此评价施工工序的合理性，进而反馈指导隧道工程的设计和施工。
4、然而，现有的隧道内施工工序识别技还没有应用到人工智能领域的技术，往往采取人工视频远程监控的方式，具有实时性差、反应慢、人为主观性强等劣势。基于深度学习的检测算法，以基于单阶段检测算法(one-stage)和基于两阶段检测算法(two-stage)为代表。two-stage算法首先生成目标候选框，然后再对候选框进行分类和位置回归，以fasterrcnn系列和mask rcnn系列算法为代表，对目标的检测精度高，但检测速度较慢，计算量和时间复杂度高，难以适应隧道内检测实时性要求。
技术实现思路
1、为了解决上述问题，本发明提出了一种基于视频信息的隧道内施工工序识别方法及系统，本发明提出一种基于卷积神经网络的施工工序识别技术，结合enlightengan算法，实现隧道内光照变化大、可见度低等复杂场景下施工的实时监测，在减少模型体积、减少参数量、降低训练成本的同时提升检测性能、有效缓解隧道内实时监测效率低等问题。
2、根据一些实施例，本发明的第一方案提供了一种基于视频信息的隧道内施工工序识别方法，采用如下技术方案：
3、一种基于视频信息的隧道内施工工序识别方法，包括：
4、获取施工工序视频进行施工工序图像提取；
5、对施工工序图像进行预处理；
6、基于预处理后的施工工序图像，进行施工工序识别；
7、其中，所述基于预处理后的施工工序图像进行施工工序识别，包括：
8、对预处理后的施工工序图像统一尺寸，得到标准施工工序图像；
9、基于标准施工工序图像，利用多尺度扩张注意力块提取不同尺度的施工工序图像特征信息；
10、将不同尺度的施工工序图像特征信息进行融合，得到融合后的施工工序图像；
11、基于融合后的施工工序图像进行施工工序识别。
12、进一步地，所述获取施工工序视频进行施工工序图像提取，具体为：
13、获取施工工序视频，对施工工序视频帧进行颜色空间转换；
14、基于转换后的施工工序视频帧进行平均帧差异计算，得到施工工序视频帧间差异数组；
15、对施工工序视频帧间差异数组进行平滑处理，得到平滑后的帧间差异数组；
16、寻找平滑后的帧间差异数组中的局部极大值点的索引，得到施工工序视频关键帧，形成施工工序图像。
17、进一步地，所述对施工工序图像进行预处理，包括：
18、对施工工序图像进行数据增强和扩充，得到扩充施工工序图像；
19、利用enlightengan算法对扩充施工工序图像进行图像增强，得到预处理后的施工工序图像。
20、进一步地，所述对预处理后的施工工序图像统一尺寸，得到标准施工工序图像，具体为：
21、基于预处理后的施工工序图像进行图像增强；
22、利用自适应锚框自动计算适合增强后的施工工序图像的锚框参数；
23、基于增强后的施工工序图像的锚框参数，利用自适应图片缩放进行图像缩放统一尺寸，得到标准施工工序图像。
24、进一步地，所述基于标准施工工序图像，利用多尺度扩张注意力块提取不同尺度的施工工序图像特征信息，具体为：
25、基于标准施工工序图像进行特征提取，得到初始卷积特征；
26、利用多个并行的膨胀卷积操作，以不同的膨胀率捕获初始卷积特征中不同尺度的信息；
27、通过将查询、键、值的线性投影传入膨胀卷积注意力机制，每个膨胀率分别计算注意力权重，对不同尺度的局部特征进行提取，得到多头膨胀式局部注意力的输出特征；
28、通过线性投影将多头膨胀式局部注意力的输出特征映射到目标维度，得到不同尺度的施工工序图像特征信息。
29、进一步地，将不同尺度的施工工序图像特征信息进行融合，得到融合后的施工工序图像，具体为：
30、将初始卷积特征以及不同尺度的施工工序图像特征信息进行融合，得到融合特征；
31、将融合特征进行规范化处理，再通过全连接层输出，得到融合后的施工工序图像。
32、进一步地，所述多尺度扩张注意力块包括深度可分离卷积、多尺度滑动窗口扩张注意力操作和r-l。
33、根据一些实施例，本发明的第二方案提供了一种基于视频信息的隧道内施工工序识别系统，采用如下技术方案：
34、一种基于视频信息的隧道内施工工序识别系统，包括：
35、图像提取模块，被配置为获取施工工序视频进行施工工序图像提取；
36、图像预处理模块，被配置为对施工工序图像进行预处理；
37、工序识别模块，被配置为基于预处理后的施工工序图像，进行施工工序识别；
38、其中，所述基于预处理后的施工工序图像进行施工工序识别，包括：
39、对预处理后的施工工序图像统一尺寸，得到标准施工工序图像；
40、基于标准施工工序图像，利用多尺度扩张注意力块提取不同尺度的施工工序图像特征信息；
41、将不同尺度的施工工序图像特征信息进行融合，得到融合后的施工工序图像；
42、基于融合后的施工工序图像进行施工工序识别。
43、根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质。
44、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种基于视频信息的隧道内施工工序识别方法中的步骤。
45、根据一些实施例，本发明的第四方案提供了一种计算机设备。
46、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种基于视频信息的隧道内施工工序识别方法中的步骤。
47、与现有技术相比，本发明的有益效果为：
48、本发明取代了传统的人工巡检方式，人工智能的应用让隧道内的监测变得更加客观和精确，相较于传统的人工巡检，可以在不受主观情感干扰的情况下，准确、全面地捕捉到隧道内的动态行为；长期来看，自动化的智能监测可以大大降低维护成本，减少人力资源的浪费，为隧道管理者节省时间和资源；智能工序识别能够高精度、高速度地检测隧道内施工人员是否操作得当以及工序是否高效衔接，保证施工工料合理使用，人员操作规范等，工程如期交付等。
49、本发明采用自适应高精度模块对特征图进行多尺度特征提取和增强处理，从而提高检测效率。
1.一种基于视频信息的隧道内施工工序识别方法，其特征在于，包括：
2.如权利要求1所述的一种基于视频信息的隧道内施工工序识别方法，其特征在于，所述获取施工工序视频进行施工工序图像提取，具体为：
3.如权利要求1所述的一种基于视频信息的隧道内施工工序识别方法，其特征在于，所述对施工工序图像进行预处理，包括：
4.如权利要求1所述的一种基于视频信息的隧道内施工工序识别方法，其特征在于，所述对预处理后的施工工序图像统一尺寸，得到标准施工工序图像，具体为：
5.如权利要求1所述的一种基于视频信息的隧道内施工工序识别方法，其特征在于，所述基于标准施工工序图像，利用多尺度扩张注意力块提取不同尺度的施工工序图像特征信息，具体为：
6.如权利要求5所述的一种基于视频信息的隧道内施工工序识别方法，其特征在于，将不同尺度的施工工序图像特征信息进行融合，得到融合后的施工工序图像，具体为：
7.如权利要求5所述的一种基于视频信息的隧道内施工工序识别方法，其特征在于，所述多尺度扩张注意力块包括深度可分离卷积、多尺度滑动窗口扩张注意力操作和r-l。
8.一种基于视频信息的隧道内施工工序识别系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于视频信息的隧道内施工工序识别方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于视频信息的隧道内施工工序识别方法中的步骤。
