机器视觉识别施工场景的知识图谱研究

2021-03-08 03:27林艳婷刘佳李红阳蒋梓涵南京工程学院江苏南京211167
安徽建筑 2021年2期

林艳婷,刘佳,李红阳,蒋梓涵 (南京工程学院,江苏 南京 211167)

Tim Berners Lee在1998提出Semantic Web,他提出了能够构建全球化“链接”为中心的信息系统,任何人都能够将自己文档采用添加链接方法链入其中。认为链接作为中心与图组织方式,相较树层次化组织方式,对于互联网开放系统更为适合,该方法逐渐被人发现并演化为World Wide Web。之后出现大批新兴语义库,譬如True Knowledge、Wolfram Alpha、Schema.ORG。自此之后知识图谱也逐渐发挥应用于语义搜索、智能回答、辅助理解、辅助大数据分析、辅助图像分类等领域的功能作用。

知识图谱构建图

1 施工场景知识图谱构建

知识图谱构建技术(见下图),包括了知识获取、知识融合、知识计算应用三大部分。

1.1 知识抽取

知识抽取可以根据具体任务,划分为概念抽取、实体识别、关系抽取、事件抽取与规则抽取,在传统专家系统时代背景下,知识更多依靠手工录入规模有限。现代知识图谱构建,一般依靠现有结构化数据资源,可以成功转化为基础数据集,并完成自动化抽取和补全知识图谱等技术,实现对图谱数据资源的充分扩展。

1.2 知识融合

对知识图谱构建过程中,可以根据第三方知识库产品和结构化数据,成功获取知识输入,譬如与开放数据项目相关联,可以定期发布整理积累的语义知识数据,还有DBpedia、Yago等通用知识库,能够面向特定知识库产品。对于多知识图谱通合中,可以实现模式层、数据层相融合,这样可以有效避免出现实例、关系冲突引发的冗余问题。

1.3 知识图谱补全

一般以基于本体推理补全法、逻辑描述推理法应用较多,知识图谱的补全推理有RDFox、RACER、TrOWL、HermiT等,该类推理对于TBox概念层推理,能够达到实体级关系补全效果。另类知识补全算法能够基于图结构、关系路径多种方法,完成实体节点的路径计算,并提取周围节点结构特点,随机游走有效降低特征抽取复杂度。

1.4 知识检索及知识分析

基于知识图谱的知识检索,能够通过语义检索、智能回答两种形式,一般经网页超链接,能够搜索网页,语义搜索则可以直接搜索相关事物,譬如机构、人物、地点等。这些事物可能源于图片、视频、文本、LoT设备等多类信息资源。知识图谱及语义技术,又提供了事物属性、分类及关系描述,能够更直接地完成检索。

2 建筑施工场景信息知识图谱构建

2.1 理论知识子系统

建筑施工场景研究中在BIM技术下,IPD模式要求项目参与主体协同效应,达到内部集成管理。系统论作为系统、环境、要素之间的规律相关性,建筑施工场景识别模型,有通过工具、工序、流程、项目至整个领域场景、要素、系统,达到信息共享、转换、传输、提取及互操作性。基于此建立建筑施工场景识别的知识框架(见下表)。

建筑施工场景识别的知识框架

2.2 空间场景语义提取

通过对不同对象区域定位,运用MBR近似估算该区域,获得一系列矩形,且对应矩形有闭合曲线,形成的空间场景内的不同方位关系,可以建立场景方向关系矩阵,从而直观可示上下左右共计8个方位所处的空间位置关系,以及邻近对象及交叠关系。经组合区域模板,划分场景图像为固定大小的几个模块,之后分别划分场景语义类别,并根据组合关系对画像的场景语义类别。

2.3 施工场景数据处理

根据人工智能视角对不同的场景数据维度进行提取,包括时间、位置区域、个体行为、不安全动作、行为痕迹、行为性质、风险等级等。在知识图谱计算应用可以经本体及规则推理技术,获取施工场景图像内的隐含知识,进而对实体内涵关系准确预测,获得彼此关联的知识路径,经不一致检测能够发现施工场景图像数据。以施工场景对象及施工状态作为两个描述维度,自动化采集数据分析施工场景图像语义信息,在多维度编码处理后基于行业数据库基础上,形成了多维度施工场景数据。

2.4 空间施工场景语义融合层

在空间场景语义融合层,第一部分SPO三元组抽取,对不同种类的数据用不同的技术提取从结构化数据库中获取知识:D2R;从链接数据中获取知识:图映射;从半结构化(网站)数据中获取知识:使用包装器;从文本中获取知识:信息抽取。第二部分融合中,将不同施工场景语义信息数据源获取的知识进行融合构建数据之间的关联。包括实体对齐、属性对齐、冲突消解、规范化等,这一部分很多都是dirty work,更多的是做一个数据的映射、实体的匹配,可能还会涉及的是本体的构建和融合。最后融合而成的知识库存入上一部分提到的数据库中。第三部分进行验证,分为补全、纠错、外链、更新各部分,确保施工场景知识图谱的一致性和准确性。一个典型问题是,知识图谱的构建不是一个静态的过程,当引入新知识时,需要判断新知识是否正确,与已有知识是否一致。最后采用有效的存储模式支持对大规模图数据的有效管理,实现对施工场景知识图谱中知识高效查询。

3 结语

综上所述,通过研究为人工智能在建筑管理中的应用提供知识层面的底层支撑,促进机器视觉应用于施工进度实时检测的发展,可以让进度管理人员直观地看到项目施工进度,实时、科学地进行动态管理和优化控制,提高现场管理效率。同时也可以通过所识别到的施工进度分析工作效率,从而提高工作效率,保证项目按期、保质竣工。