一种工地材料检测方法、装置及设备与流程

1.本发明涉及人工智能技术领域，特别涉及一种工地材料检测方法、装置及设备。


背景技术：

2.工地材料类型和数量众多，单纯靠人工进行区分和统计错误率较高，且可能导致工地安全事故。现有技术中大多借助模型算法实现，例如传统算法、深度学习算法、采用数据库匹配算法等，一方面传统算法检测精确度偏低，另一方面深度学习算法一般收集单类图像的边缘信息为后续目标的检测和计数提供训练集，从而完成了一个单类的检测。这种方法在实际应用的过程中，缺点一是标注成本会比较大(边缘标注信息量较多，部分材料存在外形不够规则的情况)，缺点二是若都用单类检测模型，最终模型总的数量和占用空间会较多。
3.因此，如何高效地对工地材料进行精确检测是本领域技术人员亟待解决的技术问题。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种工地材料检测方法、装置、设备及存储介质，在保证样本标注简单、模型所需存储空间较低且检测效率较高的同时，实现不同工地材料的分类和统计。其具体方案如下：
5.本技术的第一方面提供了一种工地材料检测方法，包括：
6.获取包含工地材料截面的待检测图像并对所述待检测图像进行预处理，以得到预处理后的所述待检测图像；
7.将预处理后的所述待检测图像输入至训练后的目标检测模型；其中，所述目标检测模型为利用训练集对基于深度学习算法构建的检测网络进行训练后得到的模型，所述训练集包括不同种类工地材料截面的样本图像和相应的样本标签，所述样本标签为所述样本图像中工地材料的材料种类和外接矩形位置信息；
8.基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外接矩形位置信息对所述待检测图像中的工地材料信息进行统计。
9.可选的，所述获取包含工地材料截面的待检测图像，包括：
10.通过控制智能终端设备按照预设构图规则对工地材料进行拍摄的方式获取包含工地材料截面的所述待检测图像；其中，所述样本图像的构图规则与所述预设构图规则一致。
11.可选的，所述对所述待检测图像进行预处理，以得到预处理后的所述待检测图像，包括：
12.将所述待检测图像的尺寸设置为所述目标检测模型输入图像的输入尺寸并对尺寸设置后的所述待检测图像中的像素值进行归一化处理，以得到预处理后的所述待检测图像。
13.可选的，所述将预处理后的所述待检测图像输入至训练后的目标检测模型之前，还包括：
14.构建所述训练集，并利用聚类算法对所述训练集的全部外接矩形进行聚类后得到目标锚框；
15.根据所述目标锚框的长宽参数和所述目标检测模型识别的工地材料种类数量对所述目标检测模型的模型参数进行配置，并利用所述训练集对配置后的所述目标检测模型进行训练，以得到训练后的所述目标检测模型。
16.可选的，所述利用所述训练集对配置后的所述目标检测模型进行训练，包括：
17.对基于深度学习算法构建的检测网络进行预训练并对预训练后的检测网络进行特征值稀疏训练，得到相应的参数稀疏网络权重；
18.按照第一预设阈值对所述参数稀疏网络权重进行剪枝处理，并对剪枝处理后的检测网络进行微调直至该检测网络的检测结果满足预设条件。
19.可选的，所述基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和位置信息对所述待检测图像中的工地材料信息进行统计之前，还包括：
20.将训练后的检测网络检测出的与所述待检测图像对应的检测框进行去重操作，并将去重后的检测框中置信度大与第二预设阈值的检测框对应的材料种类和外接矩形位置信息确定为训练后的所述目标检测模型的输出信息。
21.可选的，所述目标检测模型的损失函数为对yolov3网络的损失函数进行改进后得到；
22.所述目标检测模型的损失函数为：
[0023][0024]
其中，αc和γ为可调整参数，αc与所有样本图像中材料种类c对应的样本图像的数量正相关。
[0025]
可选的，所述基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外接矩形位置信息对所述待检测图像中的工地材料信息进行统计之后，还包括：
[0026]
将所述待检测图像中的工地材料信息映射至人工交互界面中的所述待检测图像中，并根据所述人机交互界面返回的人工操作结果对所述人工交互界面上显示的所述待检测图像中的工地材料信息进行相应调整；其中，所述工地材料信息包括所述待检测图像中的工地材料的材料数量、材料种类及位置信息。
[0027]
本技术的第二方面提供了一种工地材料检测装置，包括：
[0028]
获取模块，用于获取包含工地材料截面的待检测图像并对所述待检测图像进行预处理，以得到预处理后的所述待检测图像；
[0029]
输入模块，用于将预处理后的所述待检测图像输入至训练后的目标检测模型；其
中，所述目标检测模型为利用训练集对基于深度学习算法构建的检测网络进行训练后得到的模型，所述训练集包括不同种类工地材料截面的样本图像和相应的样本标签，所述样本标签为所述样本图像中工地材料的材料种类和外接矩形位置信息；
[0030]
统计模块，用于基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外接矩形位置信息对所述待检测图像中的工地材料信息进行统计。
[0031]
本技术的第三方面提供了一种电子设备，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述工地材料检测方法。
[0032]
本技术的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述工地材料检测方法。
[0033]
本技术中，先获取包含工地材料截面的待检测图像并对所述待检测图像进行预处理，以得到预处理后的所述待检测图像；然后将预处理后的所述待检测图像输入至训练后的目标检测模型；其中，所述目标检测模型为利用训练集对基于深度学习算法构建的检测网络进行训练后得到的模型，所述训练集包括不同种类工地材料截面的样本图像和相应的样本标签，所述样本标签为所述样本图像中工地材料的材料种类和外接矩形位置信息；最后基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外接矩形位置信息对所述待检测图像中的工地材料信息进行统计。本技术中用于对工地材料进行检测的目标检测模型是利用包括不同种类工地材料截面的样本图像训练得到，鉴于工地材料的截面相似性，采用材料种类和外接矩形位置信息作为样本标签，在保证样本标注简单、模型所需存储空间较低且检测效率较高的同时，实现不同工地材料的分类和统计。
附图说明
[0034]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0035]
图1为本技术提供的一种工地材料检测方法流程图；
[0036]
图2为本技术提供的一种截面为圆形的工地材料示例图；
[0037]
图3为本技术提供的一种截面为方形的工地材料示例图；
[0038]
图4为本技术提供的一种具体的yolov3网络结构图；
[0039]
图5为本技术提供的一种人工交互界面信息映射示意图；
[0040]
图6为本技术提供的一种具体的工地材料检测方法流程图；
[0041]
图7为本技术提供的一种工地材料检测装置结构示意图；
[0042]
图8为本技术提供的一种工地材料检测电子设备结构图。
具体实施方式
[0043]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
现有技术中的传统算法检测精确度偏低，深度学习算法一般收集单类图像的边缘信息为后续目标的检测和计数提供训练集，从而完成了一个单类的检测，该方法标注成本会比较大且若都用单类检测模型，最终模型总的数量和占用空间会较多。针对上述技术缺陷，本技术提用一种工地材料检测方案，在保证样本标注简单、模型所需存储空间较低且检测效率较高的同时，实现不同工地材料的分类和统计。
[0045]
图1为本技术实施例提供的一种工地材料检测方法流程图。参见图1所示，该工地材料检测方法包括：
[0046]
s11：获取包含工地材料截面的待检测图像并对所述待检测图像进行预处理，以得到预处理后的所述待检测图像。
[0047]
本实施例中，获取包含工地材料截面的待检测图像并对所述待检测图像进行预处理，以得到预处理后的所述待检测图像。具体的工地材料包括但不限于钢筋、钢管、方木、圆木、工字钢、水泥桶、方砖等，其特点是这些材料的截面(侧面)形状相似且有一定标准，一般的，工地材料截面会呈现矩形，圆形、椭圆形或方形，如图2和图3所示，从事本技术领域的人员能从中看出材料的具体类别。
[0048]
其中，所述待检测图像的横截面图像需要遵循一定的规范化标准，主要是图像中的构图规则，也即获取图像时拍照的角度和距离，本实施例通过控制智能终端设备按照预设构图规则对工地材料进行拍摄的方式获取包含工地材料截面的所述待检测图像。拍摄图像时，一般情况认为和材料堆呈水平角度、距离1-3米时拍出来的图像中材料轮廓边缘清晰效果最佳。另外，为了便于检测，需要将所述待检测图像的尺寸设置为所述目标检测模型输入图像的输入尺寸并对尺寸设置后的所述待检测图像中的像素值进行归一化处理，以得到预处理后的所述待检测图像。
[0049]
s12：将预处理后的所述待检测图像输入至训练后的目标检测模型；其中，所述目标检测模型为利用训练集对基于深度学习算法构建的检测网络进行训练后得到的模型，所述训练集包括不同种类工地材料截面的样本图像和相应的样本标签，所述样本标签为所述样本图像中工地材料的材料种类和外接矩形位置信息。
[0050]
本实施例中，在对所述待检测图像进行预处理后，将预处理后的所述待检测图像输入至训练后的目标检测模型。特别的，本实施例中的所述目标检测模型为利用训练集对基于深度学习算法构建的检测网络进行训练后得到的模型，所述训练集包括不同种类工地材料截面的样本图像和相应的样本标签，所述样本标签为所述样本图像中工地材料的材料种类和外接矩形位置信息。收集不同种类工地材料的横截面图像(需要筛选、制定标准、规范化)进行标定，标定数据包括材料的类型以及每个材料目标的外接矩形位置。其中，所述样本图像的构图规则与所述预设构图规则一致，且为了方便后续模型的训练，标注时会选取材料的最小外接矩形坐标作为标注结果。
[0051]
在此之前，需要首先构建所述训练集，并利用聚类算法对所述训练集的全部外接矩形进行聚类后得到目标锚框。聚类的目的是为了找到前面标注结果框中最有代表性的框。也即对得到的训练集中所有外接矩形进行聚类得到锚框，本实施例采用yolov3定制网络训练，图4所示为yolov3网络结构图。在此基础上，采用k-means方法进行聚类后得到9个
框，后续基于这9个框来定制检测网络。然后根据所述目标锚框的长宽参数和所述目标检测模型识别的工地材料种类数量对所述目标检测模型的模型参数进行配置，并利用所述训练集对配置后的所述目标检测模型进行训练，以得到训练后的所述目标检测模型。本实施例使用darknet的训练框架，设定好定制网络模型的参数即可开始训练。此过程观察训练loss曲线直到其趋于稳定即可。由于做过特征提取，所以一般在对训练集迭代50-100次即可达到稳定。
[0052]
其中，关于yolov3定制网络的具体过程包括对基于深度学习算法构建的检测网络进行预训练并对预训练后的检测网络进行特征值稀疏训练，得到相应的参数稀疏网络权重。然后按照第一预设阈值对所述参数稀疏网络权重进行剪枝处理，并对剪枝处理后的检测网络进行微调直至该检测网络的检测结果满足预设条件。yolov3是一个开源的目标检测网络，可以分为特征提取部分和yolo层检测部分。本实施例的定制网络主要基于两方面进行优化：一是特征提取部分做剪枝训练，用于缩减模型的大小和计算量。具体地，先用完整的yolov3网络进行预训练和特征值稀疏训练得到一个参数稀疏的网络权重，然后根据裁剪阈值(一般为0.1～0.3，即裁剪后网络参数量剩余为标准网络的10％～30％)进行参数的裁剪，去除权重较小的卷积核，最后对裁剪后的网络结构继续进行微调训练，直到效果符合预期。二是yolo层检测部分的参数，参数修改包括聚类得到的9个框的长宽参数修改以及类别数量修改(由最终需求的材料种类决定)。
[0053]
特别的，本实施例中定制网络的损失函数为对yolov3网络的损失函数进行改进后得到，具体是对yolov3标准loss函数里置信度相关函数做出优化，优化后的公式表示为：
[0054][0055]
其中，αc为定制网络可调整参数，αc与所有样本图像中材料种类c对应的样本图像的数量正相关。例如，刚开始训练时，第一类样本数量占所有样本数量20％，则α1可以设置初始值为0.2。同样的，γ也为定制网络可调整参数，优选的，γ的取值范围为2～3、αc的取值范围为0～1时网络训练效果最佳。调整这两个参数时，γ增大αc会相应减小，γ减小αc会相应增大，一般会采取等比例增大或减小，以确保改变后的αc值仍然在0～1之间。上述公式中其他参数与现有的yolov3网络的损失函数一致。
[0056]
需要说明的是，本实施例中的算法模型不仅包括训练后的模型，还包括后续使用已开源的代码或工具软件转换出的模型，例如适用于gpu平台的tensorrt模型、适用于hisi芯片的wk模型、适用于手机应用端或开发板端的ncnn模型、rknn模型等。
[0057]
s13：基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外接矩形位置信息对所述待检测图像中的工地材料信息进行统计。
[0058]
本实施例中，在得到模型检测信息后，还可以利用该信息进行统计计数，也即基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外接矩形位置信
息对所述待检测图像中的工地材料信息进行统计。在后续使用的过程中，把图像采集模块输出的图形经过模型推理后再进行统计就能得到图中工地材料的类别、位置信息(矩形)和数量，并在用户界面显示出来，为用户计数工地材料提供了方便。具体来说，将所述待检测图像中的工地材料信息映射至人工交互界面中的所述待检测图像中，并根据所述人机交互界面返回的人工操作结果对所述人工交互界面上显示的所述待检测图像中的工地材料信息进行相应调整。其中，所述工地材料信息包括所述待检测图像中的工地材料的材料数量、材料种类及位置信息。图5为所示最终计数显示结果。
[0059]
图6所示为一种具体的工地材料检测过程，首先图像收集单元收集需要计数的工地材料图片。然后算法模型所在的智能终端对图像进行标准化预处理，例如手机、智能摄像头、算法盒子等。其一为对输入图像做长宽的resize，与训练模型的输入一致，一般为416*416、608*608，长宽均为32的倍数的值，方便训练模型后续推理。其二对图像中每个像素值进行归一化，一般为减去一个均值再除以255，均值默认为0或127.5或训练模型时自定义，使得每个值都在-1～1之间。接着调用定制算法模型进行推理，智能端根据输入的图像像素值和模型中的权重进行计算，在最后的三个yolo层读取推理结果，从而得到多个检测结果数据，其中单个检测结果包含的信息包括检测出的材料类别、位置(用偏置值表示)、置信度。通过位置信息和之前提到的聚类得到的9个框可以计算出检测结果矩形在图像中的位置。另外还需对推理结果做非极大值抑制(nms)，也即将训练后的检测网络检测出的与所述待检测图像对应的检测框进行去重操作，并将去重后的检测框中置信度大与第二预设阈值的检测框对应的材料种类和外接矩形位置信息确定为训练后的所述目标检测模型的输出信息。把检测结果中重叠面积超过阈值(一般为交并比超过0.45)的检测框进行去重，取结果中置信度最高的框(置信度需要高于设定的阈值，一般为0.4-0.5)作为最后的结果来输出。最终用程序统计算法模型输出的结果，在终端界面图片中显示出工地材料的数量、类别和位置信息。经过算法推理阶段的处理，最后输出材料框的数量和类别进行显示，并在图中标明每一个材料的位置。由于多个材料重叠时画框较乱，为了美观也可以改为显示矩形框的中心点。终端用户可以对图中信息继续编辑，对图中遗漏的工地材料做出统计，得到最终的工地材料计数。信息编辑内容包括增加/删除/修改工地材料的类别和位置，之后由程序统计出人工修正后的材料数量和类别，并显示在图片上以对结果图和数据进行保存。
[0060]
本实施例可以实现用一个模型完成多种工地材料检测计数的工作，且在智能端均能完成网络模型的计算，适用范围广，能满足不同场景中对材料计数的需求。另外，本实施例中提出的定制yolov3模型来实现工程材料的检测和计数，不同结构的深度学习检测模型也能完成同样的目的，只是yolov3模型部署在智能终端设备(包括手机、智能相机、算法盒子等)的效果较为显著。因此特征提取层可以换成resnet、peleenet等比较常用的结构，检测层也可以替换为ssd、yolov4这样的结构，只要能在智能设备上实现部署应用即可。
[0061]
可见，本技术实施例先获取包含工地材料截面的待检测图像并对所述待检测图像进行预处理，以得到预处理后的所述待检测图像；然后将预处理后的所述待检测图像输入至训练后的目标检测模型；其中，所述目标检测模型为利用训练集对基于深度学习算法构建的检测网络进行训练后得到的模型，所述训练集包括不同种类工地材料截面的样本图像和相应的样本标签，所述样本标签为所述样本图像中工地材料的材料种类和外接矩形位置信息；最后基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外
接矩形位置信息对所述待检测图像中的工地材料信息进行统计。本技术实施例中用于对工地材料进行检测的目标检测模型是利用包括不同种类工地材料截面的样本图像训练得到，鉴于工地材料的截面相似性，采用材料种类和外接矩形位置信息作为样本标签，在保证样本标注简单、模型所需存储空间较低且检测效率较高的同时，实现不同工地材料的分类和统计。
[0062]
参见图7所示，本技术实施例还相应公开了一种工地材料检测装置，包括：
[0063]
获取模块11，用于获取包含工地材料截面的待检测图像并对所述待检测图像进行预处理，以得到预处理后的所述待检测图像；
[0064]
输入模块12，用于将预处理后的所述待检测图像输入至训练后的目标检测模型；其中，所述目标检测模型为利用训练集对基于深度学习算法构建的检测网络进行训练后得到的模型，所述训练集包括不同种类工地材料截面的样本图像和相应的样本标签，所述样本标签为所述样本图像中工地材料的材料种类和外接矩形位置信息；
[0065]
统计模块13，用于基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外接矩形位置信息对所述待检测图像中的工地材料信息进行统计。
[0066]
可见，本技术实施例先获取包含工地材料截面的待检测图像并对所述待检测图像进行预处理，以得到预处理后的所述待检测图像；然后将预处理后的所述待检测图像输入至训练后的目标检测模型；其中，所述目标检测模型为利用训练集对基于深度学习算法构建的检测网络进行训练后得到的模型，所述训练集包括不同种类工地材料截面的样本图像和相应的样本标签，所述样本标签为所述样本图像中工地材料的材料种类和外接矩形位置信息；最后基于训练后的所述目标检测模型输出的与所述待检测图像对应的材料种类和外接矩形位置信息对所述待检测图像中的工地材料信息进行统计。本技术实施例中用于对工地材料进行检测的目标检测模型是利用包括不同种类工地材料截面的样本图像训练得到，鉴于工地材料的截面相似性，采用材料种类和外接矩形位置信息作为样本标签，在保证样本标注简单、模型所需存储空间较低且检测效率较高的同时，实现不同工地材料的分类和统计。
[0067]
在一些具体实施例中，所述获取模块11，具体包括：
[0068]
取图单元，用于通过控制智能终端设备按照预设构图规则对工地材料进行拍摄的方式获取包含工地材料截面的所述待检测图像；其中，所述样本图像的构图规则与所述预设构图规则一致；
[0069]
预处理单元，用于将所述待检测图像的尺寸设置为所述目标检测模型输入图像的输入尺寸并对尺寸设置后的所述待检测图像中的像素值进行归一化处理，以得到预处理后的所述待检测图像。
[0070]
在一些具体实施例中，所述工地材料检测装置还包括：
[0071]
构建单元，用于构建所述训练集，并利用聚类算法对所述训练集的全部外接矩形进行聚类后得到目标锚框；
[0072]
配置单元，用于根据所述目标锚框的长宽参数和所述目标检测模型识别的工地材料种类数量对所述目标检测模型的模型参数进行配置；
[0073]
权重计算单元，用于对基于深度学习算法构建的检测网络进行预训练并对预训练后的检测网络进行特征值稀疏训练，得到相应的参数稀疏网络权重；
[0074]
剪枝单元，用于按照第一预设阈值对所述参数稀疏网络权重进行剪枝处理，并对剪枝处理后的检测网络进行微调直至该检测网络的检测结果满足预设条件，以得到训练后的所述目标检测模型；
[0075]
非极大值抑制单元，用于将训练后的检测网络检测出的与所述待检测图像对应的检测框进行去重操作，并将去重后的检测框中置信度大与第二预设阈值的检测框对应的材料种类和外接矩形位置信息确定为训练后的所述目标检测模型的输出信息；
[0076]
映射单元，用于将所述待检测图像中的工地材料信息映射至人工交互界面中的所述待检测图像中；
[0077]
调整单元，用于根据所述人机交互界面返回的人工操作结果对所述人工交互界面上显示的所述待检测图像中的工地材料信息进行相应调整；其中，所述工地材料信息包括所述待检测图像中的工地材料的材料数量、材料种类及位置信息。
[0078]
进一步的，本技术实施例还提供了一种电子设备。图8是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
[0079]
图8为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的工地材料检测方法中的相关步骤。
[0080]
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0081]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。
[0082]
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的工地材料检测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20收集到的样本图像。
[0083]
进一步的，本技术实施例还公开了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的工地材料检测方法步骤。
[0084]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0085]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作
之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0086]
以上对本发明所提供的工地材料检测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。