施工单位需要对工程工期进行监督并完成质量把控。执行监督检查工作时，需要投入大量的时间和人力，如检查某工作面或场地内钢筋使用是否合格。技术人员需要结合项目进度以及钢筋的设计量、技术方式、操作成果等内容对“实地成果”进行人工复核并完成登记。若施工节奏与设计进度脱节，很容易导致工序混乱，甚至无法对需要监督检测的内容进行有效控制。文章通过对视频、图片进行分析，利用大数据技术，图像识别技术，完成了对项目进程与人工数量自动识别的算法研究以及相关软件开发项目中的目标检测方案。计算机视觉技术领域中，目标检测技术的应用价值较高且技术延展性良好，目标检测可以看作图像分类与定位的结合，即给定一张图片，识别出图形的分类并将其定位，由于图片中可能存在多种需要分类的目标物，并存在多种干扰因素（如图源点阵分布、颜色拾取等），因此图片的静态检测较比动态检测的难度更大，基础逻辑更为复杂。本研究致力于实现一个有效的目标检测系统，可以有效应用于图源信息检测，为建筑施工作业的监督和管理提供便利，实现精准化管理，提高工作效率，降低管理成本。1Yolov3算法1.1算法选取目标检测技术主要分为基于特征分类与基于深度学习的自识别分类两种，基于特征分类的方法需要人工设计特征提取器，并利用提取的特征训练分类器，从而完成检测，例如基于梯度直方图(histogram of oriented gradient，HOG）和支持向量机（support vector machine，SVM）的实时检测系统[1]。特征分类通过对纹理特征提取，提高检测效率，但泛化性较差，运算复杂程度高，限制了实际的应用范围[2]。基于深度学习的方法，需要预先建立图像训练库作为深度学习的模型，利用卷积神经网络从图像像素中学习所需要的特征，通过对特征进行训练得到检测模型，最后达到自动检测识别[3]。基于深度学习的方法需要针对不同的场景单独训练模型，将特征提取和分类融合组织在同一框架内，以提高模型的训练速度以及目标检测的准确率[4]。目前的技术中，效果较优的目标检测框架有yolo，Mask R-CNN，Faster R-CNN以及RetinaNet等，文章采用的yolov3检测框架，在运行速度、实时性需求以及检测结果精确度均表现优良。1.2yolov3目标检测框架yolov3框架参考SSD和ResNet网络结构，使用Darknet-53作为特征提取的主要网络，由于Darknet-53没有常用的池化层和全链接层，只在卷积层后搭载Leaky-ReLU激活函数，因此它对于特征图尺寸的修改都是通过卷积层来实现[5]。yolov3结构如图1所示。10.19301/j.cnki.zncs.2022.11.001.F001图1yolov3结构1.3残差结构residual使用残差结构。在第一层残差结构，其输入为20820864，经过3211和6433的卷积后，生成的特征图与输入数值完成叠加。将叠加后的特征图作为新的数值并输入到下一层。yolov3的主体就是由多个残差模块组合而成，以此减小梯度爆炸的风险，强化网络的学习能力。残差结构如图2所示。10.19301/j.cnki.zncs.2022.11.001.F002图2残差结构1.4yolov3的输出尺度yolov3共有3个输出尺度（单位poi），分别为52×52，26×26，13×13。每个输出尺度之间均存在链接关系。13×13尺度输出用于检测大型目标，26×26尺度输出用于中型目标，52×52尺度输出用于检测小型目标。yolov3在13×13、26×26和52×52三种尺度下进行特征图融合与预测，得到Y1、Y2和Y3三次采样输出结果。yolov3采样输出运行逻辑如图3所示。10.19301/j.cnki.zncs.2022.11.001.F003图3yolov3采样输出运行逻辑2建筑施工进程的自动识别方案2.1进程识别方案设计研究内容主要服务于施工进程的智能化管理，并为自动识别能力提供数据分析模块。该模块以终端感知数据（如摄像头拍摄数据）为支撑，构建施工阶段自动识别和作业面维护监测功能。管理者在进行现场检查和监管时，系统能够直观给出指定作业面的施工阶段。施工进程自动识别智能化管理方案如图4所示。10.19301/j.cnki.zncs.2022.11.001.F004图4施工进程智能化管理方案2.2特征提取与标注特征提取的目的是对单位作业面内的每一个阶段的进度进行监督，并对施工质量进行把控。为了能够准确地分辨出每一阶段的不同特征，需要对各阶段内的特征值进行准确提取，为了提高准确性，项目使用图形图像注释工具Labellmg对大量的工地实时数据进行标注，将汇总后的8 000张数据按9/1的比例分成7 200张训练数据和800张测试数据，仅对训练数据标记标签，并进行训练，以此节省训练时间，提高效率，便于后续处理[6]。数据集标准成果如图5所示。10.19301/j.cnki.zncs.2022.11.001.F005图5数据集标准成果2.3模型训练项目配置Intel（R） Xeon（R） Silver 4210 CPU @ 2.20 GHz 2.19 GHz （双处理器），机带RAM为256 GB，RTX 2080ti，win10操作系统的平台作为实验环境。yolov3模型基于darknet-53架构，其训练模型通过不断迭代刷新架构参数，通过训练大量样本数据为神经网络提供学习素材，使神经网络提取的特征能够不断地接近预期输出。模型训练期间创建具有9个锚点和11个类的yolov3模型。轮次（epoch）为200次，每个epoch进行100次迭代。神经网络模型的参数更新一次即完成一次迭代。当每次迭代的loss变化不大并趋于收敛时即可得到最终的训练模型。loss曲线进行训练后将变得平缓不再下降。模型训练结果（损失曲线）如图6所示。10.19301/j.cnki.zncs.2022.11.001.F006图6模型训练结果（损失曲线）3结果及模型评价模型的评价指标采用漏检数（无法检测出作业面目前进程的图片）、检错数（检测实验中错误的数量）、总错误数（总错误数为漏检数和错检数的总和），采用准确率百分比作为工地进程算法的评价指标，公式如下：准确率=样本总数-漏检数-检错数样本总数×100%从8 000张图片数据中抽取800张作为测试集，在800张数据中得到数据的漏检数以及错检数，并计算总错误数和准确率。结果表明，此方案能够满足工地进程识别的准确率，且平均检测速度达到了23 fps，满足实时性要求。4结语为了实现作业面施工进程的自动识别，有效节约人力物力，文章构建了基于yolov3的工地进程智能识别算法方案。结果表明，在800张测试数据集中，yolov3算法对于工作面11个类的识别准确率达到了89.375%，未识别与识别错误分别为7.125%与3.5%，准确率和实时性均满足实际应用需求，方案的建设成果具有可行性和可推广价值。