(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211341494.0 (22)申请日 2022.10.31 (71)申请人 长春龙佳网络科技有限公司 地址 130062 吉林省长 春市绿园区青石路9 号 (72)发明人 仝玉强　 (51)Int.Cl. G06Q 10/06(2012.01) G06N 3/04(2006.01) G06Q 50/08(2012.01) G06V 10/82(2022.01) G06V 20/00(2022.01) (54)发明名称 一种基于深度学习的房屋建造施工预测进 度和调配系统 (57)摘要 本发明属于应用于房屋建造施工预测进度 和调配技术领域， 具体而言， 涉及一种基于深度 学习的房屋建造施工预测进度和调配系统； 通过 对房屋建造各个部门通过房屋建造部门数据模 块输入已准备好的物料和人力数据， 传送到房屋 建造预测模块； 房屋建造一段时间后， 通过图片 收集模块收集到拍摄的正在施工的房屋照片， 上 传到深度学习图片识别平台； 根据图片识别结果 和人员确定房屋建造进行完成度数据； 房屋建造 完成度数据传送到房屋建造调配模块； 能够对现 有的数据对房屋建造进行有效的预测完成度， 不 完全依赖 人工对房屋建造的完成度确认； 并对房 屋建造有更精确的调配机制， 面对与预测完成度 的差距时， 能更多方面的对房屋建造进行调配 。 权利要求书2页 说明书7页 附图1页 CN 115392808 A 2022.11.25 CN 115392808 A 1.一种基于深度学习的房屋建造施工预测进度和调配系统， 该方法应用了图片收集模 块、 房屋建造部门数据模块、 深度学习图片识别平台、 房屋建造预测模块和 房屋建造调配模 块； 其特征在于， 所述方法包括以下步骤： 步骤1:房屋建造各个部门通过房屋建造部门数据模块输入已准备好的物料和人力数 据； 步骤2： 根据房屋建造 部门数据模块收集上来的数据传送到房屋建造预测模块； 步骤3:房屋建造一段时间后， 通过图片收集模块收集到拍摄的正在施工的房屋照片， 上传到深度学习图片识别平台； 步骤4:根据图片识别结果和房屋建造进行完成度数据传送到房屋建造调配模块； 步骤5:通过房屋建造调配模块进行房屋建造物料和人力数据调配。 2.根据权利要求1所述的一种基于深度学习的房屋建造施工预测进度和调配系统， 其 特征在于： 所述步骤1中房屋建造各个部门输入已准备好的物料和人力数据具体操作方法 包括： 房屋建造各个部门包括： 钢筋部门、 人力资源和水泥部门等部门； 对房屋建造各个部门 标记φβ， 其中β =0， 1,2,...,n； n为正整数， 表示房屋建造各个部门中β 可取值的最大值； 已 准备好的物料和人力数据表示 为房屋建造施工需要的建造物料和需要参与施工的人 数。 3.根据权利要求1所述的一种基于深度学习的房屋建造施工预测进度和调配系统， 其 特征在于： 所述步骤2中房屋建造部门数据模块收集上来的数据传送到房屋建造预测模块 操作方法包括： 通过房屋建造预测模块对收集上来的数据进行计算及 分析就知道正常情况下， 房屋建 造根据现有物料和人力数据求得 所需房屋建造 完成度； 假设影响房屋建造每一个因素输入数据 设定为x1， x2,x3...xn； 每一个影响因素的权重 设定为a1， a2,a3...an； 预计完成度设定为y； 根据数学公式： 目标函数： 为房屋建造预测模块内已存有相似条件下发生 过的完成度； i为对房屋建造相关数据 预测的标记数， 且取值为i=1,2,3..n； 分别表示对房屋建造完成度的预测和对房屋建造完 成时间的预测等数据预测； 目标函数的作用是让已存有相似条件下发生过的完成度和对房 屋建造新预测的完成度的两者差值最小， 理想情况下为零； 目标函数对a求偏导， 求得a为向 量值确定为房屋建造的权重值， 此权重值是在房屋建造预测模块中， 依据已存有相似条件 下发生过的完成度不同， 权 重值也随之改变； 需要不同程度的完成度， 权 重值是不同的； 预测最后完成度： 为在房屋建造预测模块中已存在预设对影响房屋建造每一个因素输入数据最大值权　利　要　求　书 1/2 页 2 CN 115392808 A 2的百分比， 目的是让求出的权重值缩小到范围为0% ‑100%之间， 且 预测值以百分制的数据展 示出来； an为房屋建造每一个因素的权 重值。 4.根据权利要求1所述的一种基于深度学习的房屋建造施工预测进度和调配系统， 其 特征在于： 所述步骤3中图片收集模块收集到拍摄的正在施工的房屋照 片， 上传到深度学习 图片识别平台操作方法包括： 房屋建造一段时间后， 通过图片收集模块收集到拍摄的正在施工的房屋照片， 上传到 深度学习图片识别平台； 房屋照片主 要是集中在房屋建造表面上多角度的拍摄场景和施工照片； Step1： 多角度拍摄照片上传到深度学习图片识别平台； Step2： 根据深度学习图片识别平台已经训练好的房屋建造的不同完成度照片， 对上传 的照片进行识别； Step3： 识别出现在进行房屋建造的完成度； 初步对房屋建造的完成度进行机器学习后， 再结合施工现场专业人员对房屋建造进行 确定及改变； 若现在房屋建造完成度与开始预测的数据不一样， 需要将现在房屋建造完成 度传送到房屋建造调配模块。 5.根据权利要求1所述的一种基于深度学习的房屋建造施工预测进度和调配系统， 其 特征在于： 所述 步骤5中房屋建造调配模块具体操作方法包括： 假设房屋建造的实际完成度值与 预测完成度值的差值， 占实际完成度值的比的绝对值 为M,y为预测的完成度， 为实际完成度为； 对房屋建造的调配 数量为i=1,2,3..n; 为影 响房屋建造的因素的调配输入值， xi为房屋建造实际因素发生的值； 根据M确定的数值， 在i个的影响因素的调配下， 两边的值要趋同， 达到房屋建造的预测 完成度值和实际完成度值相近及相等。 6.一种云端系统， 其特征在于： 根据房屋建造各个部门输入的数据在房屋建造预测模 块进行预测完成度， 房屋建造一段时间后， 基于深度学习图片识别平台对房屋建造进行完 成度识别 及通过房屋建造调配模块进 行资源的调配； 通过云端计算及分析对房屋建造施工 预测进度和调配， 以执行上述权利要求1 ‑5任一项所述的一种基于深度学习的房屋建造施 工预测进度和调配系统。 7.一种云端系统， 其特征在于： 所述云端在网络下， 依靠云端计算及 分析服务程序对房 屋建造施工预测进度和调配实现上述权利要求 1‑5任一项所述的一种基于深度学习的房屋 建造施工预测进度和调配系统。权　利　要　求　书 2/2 页 3 CN 115392808 A 3