买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国水利水电第七工程局有限公司;川藏铁路有限公司申请的专利基于AI视频监控的隧道施工监控分析方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120108161B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510591620.5，技术领域涉及：G08B31/00；该发明授权基于AI视频监控的隧道施工监控分析方法及系统是由贺国龙;鲁玉明;秦金德;孙志强;刘小弟;肖丙辰;罗志洪;周铠;李信;范伯达;王杰;罗维;胡双浩;冷潞槥;张丹萍;刘志勇;曹艳辉;何延志;袁得栋;郑勇设计研发完成，并于2025-05-09向国家知识产权局提交的专利申请。

本基于AI视频监控的隧道施工监控分析方法及系统在说明书摘要公布了：本发明提供一种基于AI视频监控的隧道施工监控分析方法及系统，涉及人工智能技术领域，通过多视角视频采集设备获取隧道施工原始视频流数据集合，经时空特征融合处理生成时空特征序列，其时空特征单元包含像素区域运动轨迹、人员穿戴标识、施工器械轮廓特征，然后对时空特征序列动态特征提取得动态时空特征集合，基于此执行施工人员统计处理，生成入洞人员数量统计结果、各施工部位的人员分布统计结果及人员身份匹配结果，依据人员统计结果与预设施工进度计划进行工效对比分析，生成施工进度偏差指标与资源配置优化策略，进度偏差指标超第一阈值时触发预警并输出策略至管理终端，实现对隧道施工的有效监控与管理。

本发明授权基于AI视频监控的隧道施工监控分析方法及系统在权利要求书中公布了：1.一种基于AI视频监控的隧道施工监控分析方法，其特征在于，所述方法包括： 通过部署在隧道施工区域的多视角视频采集设备实时获取施工场景的原始视频流数据集合，所述原始视频流数据集合包含时间戳对齐的多个空间连续帧序列； 对所述原始视频流数据集合进行时空特征融合处理，生成时空特征序列，所述时空特征序列中的每个时空特征单元由对应帧序列的像素区域运动轨迹特征、人员穿戴标识特征及施工器械轮廓特征组成； 对所述时空特征序列进行动态特征提取处理，得到动态时空特征集合，所述动态时空特征集合包含施工人员移动路径特征、施工器械操作频次特征及施工面作业状态特征； 基于所述动态时空特征集合执行施工人员统计处理，生成入洞人员数量统计结果、各施工部位的人员分布统计结果及人员身份匹配结果，所述人员身份匹配结果通过比对所述人员穿戴标识特征与预注册身份数据库中的标识模板确定； 根据所述入洞人员数量统计结果、所述人员分布统计结果及预设施工进度计划执行工效对比分析，生成施工进度偏差指标及资源配置优化策略，当检测到所述施工进度偏差指标超过第一阈值时触发施工预警指令并输出所述资源配置优化策略至管理终端； 所述对所述原始视频流数据集合进行时空特征融合处理，生成时空特征序列，包括： 对所述原始视频流数据集合中的每个空间连续帧序列执行运动轨迹分割处理，得到每个施工人员的像素区域运动轨迹特征，所述像素区域运动轨迹特征包括独立运动轨迹片段及对应的轨迹包围框坐标； 在所述轨迹包围框坐标对应的像素区域内提取颜色空间分布直方图，基于预训练的穿戴标识分类模型对所述颜色空间分布直方图进行分类，得到人员穿戴标识特征，所述穿戴标识分类模型通过标注有安全帽、反光衣、工种编号的训练数据集训练得到； 对所述空间连续帧序列中的施工器械轮廓进行边缘增强处理，提取增强后轮廓的多边形顶点坐标集合，基于所述多边形顶点坐标集合与预存储器械模板库进行形状匹配，确定施工器械类型及对应的操作状态； 将同一时间戳下的所述像素区域运动轨迹特征、所述人员穿戴标识特征及所述施工器械类型进行特征拼接，生成时空特征单元，按时间顺序排列所有时空特征单元得到时空特征序列； 所述对所述时空特征序列进行动态特征提取处理，得到动态时空特征集合，包括： 构建包含卷积神经网络、循环神经网络与图卷积网络的动态特征提取模型，将所述时空特征序列输入至所述动态特征提取模型中； 通过所述卷积神经网络对每个时空特征单元进行局部特征卷积操作，提取施工面作业区域的纹理变化梯度特征及器械操作动作片段特征； 通过所述循环神经网络对连续时间戳的所述纹理变化梯度特征及所述器械操作动作片段特征进行时序依赖建模，生成施工器械操作频次特征及施工面作业状态特征； 通过所述图卷积网络对所述像素区域运动轨迹特征进行空间关系建模，构建以轨迹包围框质心为节点、相邻轨迹间距为边权重的施工移动图结构，在所述施工移动图结构上进行速度-方向联合分析，计算每个施工人员在单位时间内的位移向量模长及相邻人员轨迹的角度协方差，生成施工人员移动路径特征； 聚合所述施工人员移动路径特征、所述施工器械操作频次特征及所述施工面作业状态特征，生成动态时空特征集合； 所述动态特征提取模型的训练方法包括： 获取包含时空特征序列的训练数据集及对应的标注数据集合，所述标注数据集合包含施工器械操作频次标注、施工面作业状态标注及施工人员移动路径标注； 对所述时空特征序列进行多通道特征标准化处理，将所述像素区域运动轨迹特征、人员穿戴标识特征及施工器械轮廓特征转换为零均值单位方差的归一化特征向量，确保不同特征维度的量纲单位一致； 初始化所述卷积神经网络的卷积核权重矩阵、所述循环神经网络的隐藏状态转移矩阵及所述图卷积网络的邻接矩阵更新函数，其中卷积核尺寸与所述时空特征单元的像素区域空间尺寸匹配，隐藏状态维度与所述器械操作动作片段特征的时间步长匹配，邻接矩阵的边权重维度与所述轨迹包围框质心间距的实际物理距离单位匹配； 将标准化后的时空特征序列按时间窗口切片，生成时间片段序列，每个时间片段序列包含固定数量的连续时空特征单元； 将所述时间片段序列输入至所述卷积神经网络，通过多层卷积层与池化层的交替操作提取局部纹理特征图，所述局部纹理特征图包含施工面作业区域的纹理变化梯度特征及器械操作动作片段特征； 将所述局部纹理特征图按时间顺序输入至所述循环神经网络，通过双向长短时记忆单元捕获相邻时间片的特征依赖关系，输出每个时间片的器械操作频次预测特征及施工面作业状态预测特征； 将所述时空特征序列中的像素区域运动轨迹特征输入至所述图卷积网络，基于轨迹包围框质心坐标构建动态邻接矩阵，通过节点特征聚合与边权重更新生成空间关系增强后的移动路径预测特征； 拼接所述器械操作频次预测特征、所述施工面作业状态预测特征及所述移动路径预测特征，生成动态时空特征预测集合； 计算所述动态时空特征预测集合与所述标注数据集合之间的多任务损失函数，所述多任务损失函数包括器械操作频次均方误差、施工面作业状态交叉熵损失及移动路径方向余弦相似度损失的加权和； 基于所述多任务损失函数执行反向传播优化，同步更新所述卷积神经网络的卷积核权重矩阵、所述循环神经网络的隐藏状态转移矩阵及所述图卷积网络的邻接矩阵更新函数，直至损失函数收敛。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国水利水电第七工程局有限公司;川藏铁路有限公司，其通讯地址为：611730 四川省成都市郫都区郫筒镇北大街成灌东路349号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。