機(jī)器視覺識(shí)別施工場景的知識(shí)圖譜研究

林艷婷，劉佳，李紅陽，蔣梓涵 （南京工程學(xué)院，江蘇 南京 211167）

Tim Berners Lee在1998提出Semantic Web，他提出了能夠構(gòu)建全球化“鏈接”為中心的信息系統(tǒng)，任何人都能夠?qū)⒆约何臋n采用添加鏈接方法鏈入其中。認(rèn)為鏈接作為中心與圖組織方式，相較樹層次化組織方式，對(duì)于互聯(lián)網(wǎng)開放系統(tǒng)更為適合，該方法逐漸被人發(fā)現(xiàn)并演化為World Wide Web。之后出現(xiàn)大批新興語義庫，譬如True Knowledge、Wolfram Alpha、Schema.ORG。自此之后知識(shí)圖譜也逐漸發(fā)揮應(yīng)用于語義搜索、智能回答、輔助理解、輔助大數(shù)據(jù)分析、輔助圖像分類等領(lǐng)域的功能作用。

知識(shí)圖譜構(gòu)建圖

1 施工場景知識(shí)圖譜構(gòu)建

知識(shí)圖譜構(gòu)建技術(shù)（見下圖），包括了知識(shí)獲取、知識(shí)融合、知識(shí)計(jì)算應(yīng)用三大部分。

1.1 知識(shí)抽取

知識(shí)抽取可以根據(jù)具體任務(wù)，劃分為概念抽取、實(shí)體識(shí)別、關(guān)系抽取、事件抽取與規(guī)則抽取，在傳統(tǒng)專家系統(tǒng)時(shí)代背景下，知識(shí)更多依靠手工錄入規(guī)模有限?，F(xiàn)代知識(shí)圖譜構(gòu)建，一般依靠現(xiàn)有結(jié)構(gòu)化數(shù)據(jù)資源，可以成功轉(zhuǎn)化為基礎(chǔ)數(shù)據(jù)集，并完成自動(dòng)化抽取和補(bǔ)全知識(shí)圖譜等技術(shù)，實(shí)現(xiàn)對(duì)圖譜數(shù)據(jù)資源的充分?jǐn)U展。

1.2 知識(shí)融合

對(duì)知識(shí)圖譜構(gòu)建過程中，可以根據(jù)第三方知識(shí)庫產(chǎn)品和結(jié)構(gòu)化數(shù)據(jù)，成功獲取知識(shí)輸入，譬如與開放數(shù)據(jù)項(xiàng)目相關(guān)聯(lián)，可以定期發(fā)布整理積累的語義知識(shí)數(shù)據(jù)，還有DBpedia、Yago等通用知識(shí)庫，能夠面向特定知識(shí)庫產(chǎn)品。對(duì)于多知識(shí)圖譜通合中，可以實(shí)現(xiàn)模式層、數(shù)據(jù)層相融合，這樣可以有效避免出現(xiàn)實(shí)例、關(guān)系沖突引發(fā)的冗余問題。

1.3 知識(shí)圖譜補(bǔ)全

一般以基于本體推理補(bǔ)全法、邏輯描述推理法應(yīng)用較多，知識(shí)圖譜的補(bǔ)全推理有RDFox、RACER、TrOWL、HermiT等，該類推理對(duì)于TBox概念層推理，能夠達(dá)到實(shí)體級(jí)關(guān)系補(bǔ)全效果。另類知識(shí)補(bǔ)全算法能夠基于圖結(jié)構(gòu)、關(guān)系路徑多種方法，完成實(shí)體節(jié)點(diǎn)的路徑計(jì)算，并提取周圍節(jié)點(diǎn)結(jié)構(gòu)特點(diǎn)，隨機(jī)游走有效降低特征抽取復(fù)雜度。

1.4 知識(shí)檢索及知識(shí)分析

基于知識(shí)圖譜的知識(shí)檢索，能夠通過語義檢索、智能回答兩種形式，一般經(jīng)網(wǎng)頁超鏈接，能夠搜索網(wǎng)頁，語義搜索則可以直接搜索相關(guān)事物，譬如機(jī)構(gòu)、人物、地點(diǎn)等。這些事物可能源于圖片、視頻、文本、LoT設(shè)備等多類信息資源。知識(shí)圖譜及語義技術(shù)，又提供了事物屬性、分類及關(guān)系描述，能夠更直接地完成檢索。

2 建筑施工場景信息知識(shí)圖譜構(gòu)建

2.1 理論知識(shí)子系統(tǒng)

建筑施工場景研究中在BIM技術(shù)下，IPD模式要求項(xiàng)目參與主體協(xié)同效應(yīng)，達(dá)到內(nèi)部集成管理。系統(tǒng)論作為系統(tǒng)、環(huán)境、要素之間的規(guī)律相關(guān)性，建筑施工場景識(shí)別模型，有通過工具、工序、流程、項(xiàng)目至整個(gè)領(lǐng)域場景、要素、系統(tǒng)，達(dá)到信息共享、轉(zhuǎn)換、傳輸、提取及互操作性?；诖私⒔ㄖ┕鼍白R(shí)別的知識(shí)框架（見下表）。

建筑施工場景識(shí)別的知識(shí)框架

2.2 空間場景語義提取

通過對(duì)不同對(duì)象區(qū)域定位，運(yùn)用MBR近似估算該區(qū)域，獲得一系列矩形，且對(duì)應(yīng)矩形有閉合曲線，形成的空間場景內(nèi)的不同方位關(guān)系，可以建立場景方向關(guān)系矩陣，從而直觀可示上下左右共計(jì)8個(gè)方位所處的空間位置關(guān)系，以及鄰近對(duì)象及交疊關(guān)系。經(jīng)組合區(qū)域模板，劃分場景圖像為固定大小的幾個(gè)模塊，之后分別劃分場景語義類別，并根據(jù)組合關(guān)系對(duì)畫像的場景語義類別。

2.3 施工場景數(shù)據(jù)處理

根據(jù)人工智能視角對(duì)不同的場景數(shù)據(jù)維度進(jìn)行提取，包括時(shí)間、位置區(qū)域、個(gè)體行為、不安全動(dòng)作、行為痕跡、行為性質(zhì)、風(fēng)險(xiǎn)等級(jí)等。在知識(shí)圖譜計(jì)算應(yīng)用可以經(jīng)本體及規(guī)則推理技術(shù)，獲取施工場景圖像內(nèi)的隱含知識(shí)，進(jìn)而對(duì)實(shí)體內(nèi)涵關(guān)系準(zhǔn)確預(yù)測，獲得彼此關(guān)聯(lián)的知識(shí)路徑，經(jīng)不一致檢測能夠發(fā)現(xiàn)施工場景圖像數(shù)據(jù)。以施工場景對(duì)象及施工狀態(tài)作為兩個(gè)描述維度，自動(dòng)化采集數(shù)據(jù)分析施工場景圖像語義信息，在多維度編碼處理后基于行業(yè)數(shù)據(jù)庫基礎(chǔ)上，形成了多維度施工場景數(shù)據(jù)。

2.4 空間施工場景語義融合層

在空間場景語義融合層，第一部分SPO三元組抽取，對(duì)不同種類的數(shù)據(jù)用不同的技術(shù)提取從結(jié)構(gòu)化數(shù)據(jù)庫中獲取知識(shí)：D2R；從鏈接數(shù)據(jù)中獲取知識(shí)：圖映射；從半結(jié)構(gòu)化（網(wǎng)站）數(shù)據(jù)中獲取知識(shí)：使用包裝器；從文本中獲取知識(shí)：信息抽取。第二部分融合中，將不同施工場景語義信息數(shù)據(jù)源獲取的知識(shí)進(jìn)行融合構(gòu)建數(shù)據(jù)之間的關(guān)聯(lián)。包括實(shí)體對(duì)齊、屬性對(duì)齊、沖突消解、規(guī)范化等，這一部分很多都是dirty work，更多的是做一個(gè)數(shù)據(jù)的映射、實(shí)體的匹配，可能還會(huì)涉及的是本體的構(gòu)建和融合。最后融合而成的知識(shí)庫存入上一部分提到的數(shù)據(jù)庫中。第三部分進(jìn)行驗(yàn)證，分為補(bǔ)全、糾錯(cuò)、外鏈、更新各部分，確保施工場景知識(shí)圖譜的一致性和準(zhǔn)確性。一個(gè)典型問題是，知識(shí)圖譜的構(gòu)建不是一個(gè)靜態(tài)的過程，當(dāng)引入新知識(shí)時(shí)，需要判斷新知識(shí)是否正確，與已有知識(shí)是否一致。最后采用有效的存儲(chǔ)模式支持對(duì)大規(guī)模圖數(shù)據(jù)的有效管理，實(shí)現(xiàn)對(duì)施工場景知識(shí)圖譜中知識(shí)高效查詢。

3 結(jié)語

綜上所述，通過研究為人工智能在建筑管理中的應(yīng)用提供知識(shí)層面的底層支撐，促進(jìn)機(jī)器視覺應(yīng)用于施工進(jìn)度實(shí)時(shí)檢測的發(fā)展，可以讓進(jìn)度管理人員直觀地看到項(xiàng)目施工進(jìn)度，實(shí)時(shí)、科學(xué)地進(jìn)行動(dòng)態(tài)管理和優(yōu)化控制，提高現(xiàn)場管理效率。同時(shí)也可以通過所識(shí)別到的施工進(jìn)度分析工作效率，從而提高工作效率，保證項(xiàng)目按期、保質(zhì)竣工。