河北工程大学 河北省 056038
摘要：目前，施工现场的工程监理仍然采用的是人工监察，人工监管具有效率低，排查慢，预防性差等特点，与此同时也常常出现监督人员不足，管理工作量大，违规行为操作无法有效杜绝，事故发生处理不及时，取证难度大等问题。本文对计算机图像识别的工程监理新模式进行分析，以供参考。
关键词：计算机图像识别；工程监理；探索
引言
在当前人类社会的快速发展中，一般是利用身体不同感觉器官来接收不同信息，由此能够对世界带来感知，其中，约有80%的信息是利用视觉系统来收集的，通过人眼捕捉到的图像通过大脑整合、处理之后能够给予反馈。在信息时代的发展背景下，如何高效地整合所需要的资讯，促使其对人们的思维观念带来影响，那么利用图像技术是一个比较理想的方式。
1图像识别技术的概念
随着信息设备应用技术的发展，电子计算机成为最常用的设备之一。通过降低集成电路的成本和进一步缩小范围，可以使用手持设备。因此，今天的手机是人们生活中不可分割的一部分。作为最常用的计算机设备，移动电话使您能够高效地应用成像技术，分析相关场景，并提供实用的功能来提高工作效率。该过程需要计算机可视化、图形信息整合、网络流量等，才能快速识别目标图像。成像技术使计算机设备能够快速整合输入数据，并将其转换为其他格式进行处理和转换。随着信息技术的发展，设备能够处理的图像信息量也在增加。如今，移动设备可以处理大量的图像信息，并与基于web的通信相结合，实现快速过渡，这对人们的日常工作至关重要。
2图像识别
2.1信息收集
通常，我们在屏幕上看到一个放大的图像，可以看到它是由各种粒子组成的，不同颗粒之间存在一个通常肉眼看不到的小间隙。因此，图像是连续的，但在屏幕上可以看到它实际上被不同的发光二极管染色，以控制颜色、黑暗等。这将创建连续的图像交换，例如。例如，对于通常由1920 x 1280个像素组成的显示器，当前的2200/4000显示器上的点数将急剧增加，从而使您可以快速切换到清晰的视频图像，从而以这种方式播放原始动画。索引图像和RGB图像可用于描述彩色图像。但是，RGB储存模式会以3色值录制，然后执行构成作业，并使用显示模式显示。但是，索引图像的显示模式通常存储为带有二维数组的数组，即。也就是说，图像通常存储为包含对比度、灰度等的大小。存储在每个像素中的信息类型通常是8位无符号数据。但是，随着计算机技术的不断发展，像素将不断扩展，每个图像的存储容量将超过10 GB。
2.2预处理
产生影像时，通常会发生干涉，例如例如，变换、不完整的图像数据等会导致噪音。因此，在此期间减少或消除噪音是一个关键问题，特别是在各种业务流程方面。为了确保算法的准确性，实现预处理很重要。这是一个关键元素，可用于判断预处理后的降噪方法是否合适，反之亦然，以解决偏差并确保图像的完整性。这提高了特征抽取、分割、比较和标识的稳定性。
3计算机图像处理的关键技术
3.1图像识别技术
图像识别技术指在分析和处理图像的基础上，对图像进行准确识别和分类。人工智能方向研究中一般均具有图像识别功能，通过将数据对象按照一定的特征对对象进行分组的聚类方法和通过降维找到数据的共同点减少数据集的变量。对图像进行分类并识别目标，常用的算法有K-means、卷积神经网络、YOLO算法等。
3.2图像增强技术
图像增强主要是针对原有图像画质差、目标对象与背景对比不清晰等问题的图像处理，使用伪色彩增强法、直方图增强法增强图像中的需求信息与必要信息，促进目标对象解释工作与目标区域分类工作的顺利完成。
3.3图像复原技术
针对图像受到外界不良因素影响时所采用的应急处理技术，一般通过使用同态滤波操作和维纳滤波操作技术提升已经退化的图像质量，去掉图像的模糊与噪声干扰。
4计算机图像处理技术的基本应用
图像处理技术应用于医学图像可视化技术中，构建出人体不可见的器官三维几何模型，辅助医生作出更加精准的诊断。针对恶性肿瘤治疗，图像处理技术辅助医生制定术前规划，了解病变基本形状及空间位置，在放射治疗过程中，避免射线照射到肿瘤周边的重要组织，减少对正常组织的伤害。利用数据接口和互联网与医学图像进行连接，实现医学图像远程实时传播，满足异地会诊需求，提高医院图像信息化管理水平。
5应用于工程监理的计算机图像识别系统平台搭建
5.1采集施工现场图像数据
本系统开发过程中对于现场施工图像数据的获取主要采取两种方式，一种是安装在活动板房的半固定摄像头，另一种方式是无人机搭载高清摄像机。半固定摄像头安装有轨道，可在一定范围内进行移动和旋转，通过调节摄像头位置及角度本系统平台在搭建过程中选定了299个特定场景，可以覆盖整个施工现场，通过Python语言编程可以实现摄像头对299个特定场景进行自动巡航，从而实现实时的、全过程的、不间断地获取整个施工现场图像数据。无人机搭载高清摄像机的获取图像数据的方式为人为操作无人机对建筑物细部或者环绕施工场地进行拍摄，在系统平台搭建过程中建立了用于接收无人机图像数据的rtmp服务器，通过图传技术可以将获取的图像数据实时上传至系统平台，更快捷地排查施工现场局部安全隐患。
5.2图像特征提取
图像处理结束后需要对图像特征进行提取，图像特征骨干网络提取的好坏直接关系到整个检测识别的准确度。在本系统平台搭建过程中，提取图像特征骨干网络采用深度残差卷积神经网络（英文简称DenseNet），通过基于模型权重的迁移学习方法，在已有的DenseNet预训练模型上，结合所采集的工程图像数据对其实现微调，得到一个适用于工程图像数据领域的深度学习训练模型。
6结合图像识别系统处理现场安全隐患
以识别某项目施工现场施工作业人员安全帽佩戴情况为例，对基于图像识别系统的工程监理新模式下安全隐患处理过程进行简述。在视频监控设备安装完成后，将上述系统平台安装在项目监理部电脑上，将系统平台账号与项目主管安全的监理工程师手机号绑定，当系统检测到施工现场有施工人员未佩戴安全帽时，系统将以短信的形式将报警信息发送给主管安全的监理工程师，监理工程师可根据短信报警时间在系统查找该时间段视频资料，下载保存后可作为后期对施工单位开出整改通知的依据。
结束语
计算机图像处理技术在医学、农业、交通及工业等领域广泛应用，随着时代的发展进步及5G时代的到来，计算机图像处理技术发挥着不可或缺的作用，计算机技术将成为必不可少的一项技术。
参考文献：
[1]赵永良，付鑫，杨滨名.基于计算机视觉的智能仓储图像识别系统设计与实现[J].电力信息与通信技术，2019，17（12）：31-36.
[2]王俊姝.图像识别技术应用与管理研究[J].科技创新导报，2019，16（05）：167-169.
[3]梅啟成.基于深度学习的商品图像识别方法研究[D].广东工业大学，2018.
[4]包智妍.基于图像处理的花卉识别技术的研究与实现[D].华北电力大学（北京），2017.
[5]石跃祥.计算机视觉图像语义模型的描述方法研究[D].中南大学，2017.