[0001] 本申请涉及智能评估领域，且更为具体地，涉及一种建设项目的单位工程质量监理评估方法。

[0002] 建设项目的单位工程质量监理是指针对建设项目中的每个独立单元工程(如建筑物的某一部分或某一功能单元)进行的质量监督和管理活动。单位工程质量监理旨在确保单位工程的设计、施工、材料选用等方面符合相关标准和规范，从而保证整体工程的质量和安全性。

[0003] 其中，对单位工程的观感质量进行检查是重要的一环，因为观感质量直接关系到工程的美观程度、实用性以及对使用者的舒适感和满意度。通过检查单位工程的观感质量，可以及时发现和纠正施工过程中可能存在的质量问题，提高工程的整体品质。

[0004] 传统的检查方式通常依赖于人工目视检查和经验判断，监理人员根据自身经验和标准来评估单位工程的观感质量。这种方式存在以下问题：1.主观性强：评判标准缺乏客观性，容易受个人主观因素影响，导致评估结果不够准确和一致。2.人力成本高：需要大量的人力资源进行检查和评估，效率低下且易出现疏漏。

[0005] 因此，期待一种优化的建设项目的单位工程质量监理评估方法。

[0020] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0021] 如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”“一个”“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排他性的罗列，方法或者设备也可能包含其他的步骤或元素。

[0022] 虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

[0023] 本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

[0024] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0025] 传统的检查方式通常依赖于人工目视检查和经验判断，监理人员根据自身经验和标准来评估单位工程的观感质量。这种方式存在以下问题：1.主观性强：评判标准缺乏客观性，容易受个人主观因素影响，导致评估结果不够准确和一致。2.人力成本高：需要大量的人力资源进行检查和评估，效率低下且易出现疏漏。因此，期待一种优化的建设项目的单位工程质量监理评估方法。

[0026] 在本申请的技术方案中，提出了一种建设项目的单位工程质量监理评估方法。图1为根据本申请实施例的建设项目的单位工程质量监理评估方法的流程图.图2为根据本申请实施例的建设项目的单位工程质量监理评估方法的系统架构图。如图1和图2所示，根据本申请的实施例的建设项目的单位工程质量监理评估方法，包括步骤：S1，获取待评估单位工程对象的观感图像；S2，从数据库调度观感质量达到预定标准的观感参考图像的集合；S3，提取所述观感参考图像的集合的联合共性语义特征以得到观感参考图像共性语义特征向量；S4，提取所述待评估单位工程对象的观感图像的观感语义特征以得到待评估单位工程观感图像语义特征向量；S5，基于所述待评估单位工程观感图像语义特征向量与所述观感参考图像共性语义特征向量之间的语义差异，确定所述待评估单位工程对象的观感是否符合预定标准。

[0027] 特别地，所述S1，获取待评估单位工程对象的观感图像。所述待评估单位工程对象的观感图像可以提供直观的视觉信息，这些信息可以使得后续模型能了解和分析单位工程的外观特征和质量状况。在本申请的实施例中，获取待评估单位工程对象的观感图像可以通过多种方式实现，其中包括：1.摄影或摄像：使用相机或摄像设备对单位工程进行拍摄或录像，捕捉其外观特征。2.现场勘察：监理人员或工程师可以直接前往现场，通过观察和记录来获取单位工程的观感图像。3.现有记录：如果已有施工过程中的记录图像，也可以作为评估的参考图像。

[0028] 特别地，所述S2，从数据库调度观感质量达到预定标准的观感参考图像的集合。也就是，所述数据库中这些观感质量达到预定标准的观感参考图像可以作为评估待评估单位工程对象的参照标准。具体而言，这些观感质量达到预定标准的观感参考图像的集合能提供以下信息：1.规范参照：这些观感参考图像符合预定标准，代表着工程质量达到一定要求的标杆，可以作为评估的参照标准，帮助后续模型准确评判待评估单位工程的观感质量。2.质量标准：观感参考图像展示了符合预定标准的观感质量特征，包括外观、装饰、工艺等方面，为评估工作提供了具体的质量要求和范例。3.参考对比：后续模型可以将待评估单位工程的观感图像与观感参考图像进行对比，发现差异和不足之处，从而进行更精准地评估和监理。

[0029] 特别地，所述S3，提取所述观感参考图像的集合的联合共性语义特征以得到观感参考图像共性语义特征向量。特别地，在本申请的一个具体示例中，如图4所示，所述S3，包括：S31，利用深度学习网络模型对所述观感参考图像的集合中的各个观感参考图像进行图像特征提取以得到观感图像语义特征向量的集合；S32，将所述观感图像语义特征向量的集合输入联合聚类分析网络以得到所述观感参考图像共性语义特征向量。

[0030] 具体地，所述S31，利用深度学习网络模型对所述观感参考图像的集合中的各个观感参考图像进行图像特征提取以得到观感图像语义特征向量的集合。特别地，在本申请的一个具体示例中，将所述观感参考图像的集合中的各个观感参考图像通过基于卷积神经网络模型的观感图像特征提取器以得到所述观感图像语义特征向量的集合。这里，卷积神经网络在图像处理领域表现出色，能够有效地提取图像中的高级特征，如纹理、形状、边缘等。通过使用卷积神经网络模型作为观感图像特征提取器，可以捕获到各个观感参考图像中的关键特征，有助于更准确地表示图像内容。更具体地，使用所述基于卷积神经网络模型的观感图像特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的观感图像特征提取器的最后一层的输出为所述观感图像语义特征向量的集合，所述基于卷积神经网络模型的观感图像特征提取器的第一层的输入为所述观感参考图像的集合中的各个观感参考图像。

[0031] 卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习模型，特别适用于处理具有网格结构的数据，如图像和视频。下面是卷积神经网络模型的一般结构和步骤化展开：输入层：接受输入数据，通常是图像、音频或文本等；卷积层：卷积层是CNN的核心组件之一。它通过应用一系列滤波器(也称为卷积核)来提取输入数据中的局部特征。卷积操作将滤波器与输入数据进行逐元素相乘并求和，生成特征图；激活函数：在卷积层之后，通常会应用一个非线性激活函数，如ReLU，以引入非线性特征；池化层：池化层用于减少特征图的空间尺寸，并保留最重要的特征。常见的池化操作有最大池化和平均池化；全连接层：全连接层将池化层的输出连接到一个或多个全连接层，用于将特征映射到最终的输出类别或回归值。全连接层中的每个神经元都与前一层的所有神经元相连；输出层：输出层根据任务的不同选择适当的激活函数，如softmax函数用于多分类任务，线性激活函数用于回归任务；损失函数：根据任务的不同选择适当的损失函数，如交叉熵损失函数用于分类任务，均方误差损失函数用于回归任务；反向传播和优化：通过反向传播算法和梯度下降优化算法，根据损失函数计算模型参数的梯度，并更新参数以最小化损失函数。

[0032] 值得一提的是，在本申请的其他具体示例中，还可以通过其他方式利用深度学习网络模型对所述观感参考图像的集合中的各个观感参考图像进行图像特征提取以得到观感图像语义特征向量的集合，例如：输入所述观感参考图像的集合；对所述观感参考图像的集合进行预处理；选择适合图像特征提取的预训练深度学习模型，如VGG、ResNet、Inception等；将所述观感参考图像的集合中每个观感参考图像输入到模型中，获取模型中间某一层的输出作为图像的语义特征向量；将所有观感参考图像的语义特征向量进行组合以得到所述观感图像语义特征向量的集合。

[0033] 具体地，所述S32，将所述观感图像语义特征向量的集合输入联合聚类分析网络以得到所述观感参考图像共性语义特征向量。在本申请的实际应用场景中，考虑到所述从数据库调度观感质量达到预定标准的观感参考图像的集合中可能存在一些重复和冗余信息。例如，某些所述观感参考图像可能在内容上重复，即它们展示了相似或几乎相同的场景或内容。此外，一些观感参考图像描述同一场景的不同角度，但由于摄影师的拍摄角度、光线等因素，可能会导致冗余信息的存在。这些重复和冗余信息在上述特征提取的过程中可能会被保留甚至被放大，从而影响后续的判断准确性。因此，为了减少这些冗余信息的影响，在本申请的技术方案中，将所述观感图像语义特征向量的集合输入联合聚类分析网络以捕捉所述观感图像语义特征向量的集合的核心表达，挖掘所述观感图像语义特征向量的集合中的共性特征，学习各个观感图像语义特征向量之间的潜在联系和抽象模式，从而得到观感参考图像共性语义特征向量。具体地，所述联合聚类分析网络可以自动选择并强调对目标任务具有较大贡献度的特征，而减弱或忽略那些冗余的特征，从而更好地表达观感参考图像的集合的整体图像语义信息。更具体地，将所述观感图像语义特征向量的集合输入联合聚类分析网络以得到所述观感参考图像共性语义特征向量，包括：以如下联合聚类分析公式对所述观感图像语义特征向量的集合进行处理以得到所述观感参考图像共性语义特征向量；其中，所述联合聚类分析公式为：

[0034]

[0035]

[0036] 其中，vi是所述观感图像语义特征向量的集合中第i个观感图像语义特征向量，vj是所述观感图像语义特征向量的集合中第j个观感图像语义特征向量，||·||1表示特征向量的1范数，M为所述观感图像语义特征向量的集合的长度‑1，Vk为所述观感图像语义特征向量的集合的表示，Di表示语义特征差异系数，exp(·)表示自然指数函数运算，Ns表示所述语义差异系数的总数，Pk为所述观感参考图像共性语义特征向量。

[0037] 值得一提的是，在本申请的其他具体示例中，还可以通过其他方式提取所述观感参考图像的集合的联合共性语义特征以得到观感参考图像共性语义特征向量，例如：输入所述观感参考图像的集合；使用预训练的深度学习模型作为特征提取器；对每个观感参考图像进行特征提取，获取图像的高级语义特征表示；将所有观感参考图像的特征表示进行融合，可以采用以下方法：平均池化：对所有图像的特征向量进行平均操作；最大池化：对所有图像的特征向量进行最大值操作；加权平均：根据图像的重要性对特征向量进行加权平均；将融合后的特征表示作为观感参考图像集合的共性语义特征向量。

[0038] 特别地，所述S4，提取所述待评估单位工程对象的观感图像的观感语义特征以得到待评估单位工程观感图像语义特征向量。也就是，将所述待评估单位工程对象的观感图像输入所述基于卷积神经网络模型的观感图像特征提取器以得到待评估单位工程观感图像语义特征向量。这里，同样地，利用所述基于卷积神经网络模型的观感图像特征提取器来捕捉所述待评估单位工程对象的观感图像的局部空间邻域特征信息，例如纹理、形状和结构等，这些特征能够更好地表征图像的内容。具体地，使用所述基于卷积神经网络模型的观感图像特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的观感图像特征提取器的最后一层的输出为所述待评估单位工程观感图像语义特征向量，所述基于卷积神经网络模型的观感图像特征提取器的第一层的输入为所述待评估单位工程对象的观感图像。

[0039] 特别地，所述S5，基于所述待评估单位工程观感图像语义特征向量与所述观感参考图像共性语义特征向量之间的语义差异，确定所述待评估单位工程对象的观感是否符合预定标准。特别地，在本申请的一个具体示例中，如图5所示，所述S5，包括：S51，计算所述待评估单位工程观感图像语义特征向量与所述观感参考图像共性语义特征向量之间的语义差异度；S52，基于所述语义差异度与预定阈值之间的比较，确定所述待评估单位工程对象的观感是否符合预定标准。

[0040] 具体地，所述S51，计算所述待评估单位工程观感图像语义特征向量与所述观感参考图像共性语义特征向量之间的语义差异度。特别地，在本申请的一个具体示例中，以如下语义差异量化公式计算所述待评估单位工程观感图像语义特征向量与所述观感参考图像共性语义特征向量之间的所述语义差异度；其中，所述语义差异量化公式为：

[0041]

[0042] 其中，D为所述语义差异度，v1(x)为所述待评估单位工程观感图像语义特征向量中(x)x位置的特征值，v2 为所述观感参考图像共性语义特征向量中x位置的特征值，L为所述待评估单位工程观感图像语义特征向量的维度，log(·)表示对数函数运算。

[0043] 具体地，所述S52，基于所述语义差异度与预定阈值之间的比较，确定所述待评估单位工程对象的观感是否符合预定标准。也就是，在本申请的一个具体示例中，计算所述待评估单位工程观感图像语义特征向量与所述观感参考图像共性语义特征向量之间的语义差异度；并基于所述语义差异度与预定阈值之间的比较，确定所述待评估单位工程对象的观感是否符合预定标准。也就是，通过计算语义差异度来量化和衡量待评估单位工程对象的观感图像与观感参考图像的集合之间的图像语义差异程度。这种量化方法可以为评估提供客观的依据，避免主观判断的偏差。这样以后，通过设定预定阈值，可以将观感评估过程标准化，使评估更具可比性和一致性。值得一提的是，在后续的应用过程中，定期评估语义差异度与预定阈值之间的比较结果可以帮助监测观感质量的变化趋势，为持续改进提供参考，确保对单位工程对象的观感质量的判断符合实际需求。

[0044] 值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述待评估单位工程观感图像语义特征向量与所述观感参考图像共性语义特征向量之间的语义差异，确定所述待评估单位工程对象的观感是否符合预定标准，例如：提取待评估单位工程观感图像的语义特征向量；将待评估单位工程观感图像的语义特征向量与观感参考图像共性语义特征向量进行比较，计算它们之间的语义差异；可以使用各种距离或相似度度量方法，如欧氏距离、余弦相似度等，来衡量两个特征向量之间的相似性或差异性；根据预定标准和业务需求，设定一个阈值来表示观感差异的可接受范围；将计算得到的语义差异与设定的阈值进行比较；如果语义差异小于阈值，则认为待评估单位工程对象的观感符合预定标准，可以被接受；如果语义差异大于阈值，则认为待评估单位工程对象的观感与预定标准不符，需要进一步调整或改进。

[0045] 应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于卷积神经网络模型的观感图像特征提取器和所述联合聚类分析网络进行训练。也就是说，在本申请的建设项目的单位工程质量监理评估方法中，还包括训练阶段，用于对所述基于卷积神经网络模型的观感图像特征提取器和所述联合聚类分析网络进行训练。

[0046] 图3为根据本申请实施例的建设项目的单位工程质量监理评估方法的训练阶段的流程图。如图3所示，根据本申请实施例的建设项目的单位工程质量监理评估方法，包括：训练阶段，包括：S110，获取训练数据，所述训练数据包括待评估单位工程对象的训练观感图像、度观感质量达到预定标准的训练观感参考图像的集合，以及，语义差异度的真实值；S120，将所述训练观感参考图像的集合中的各个训练观感参考图像通过所述基于卷积神经网络模型的观感图像特征提取器以得到训练观感图像语义特征向量的集合；S130，将所述训练观感图像语义特征向量的集合输入所述联合聚类分析网络以得到训练观感参考图像共性语义特征向量；S140，将所述待评估单位工程对象的训练观感图像输入所述基于卷积神经网络模型的观感图像特征提取器以得到训练待评估单位工程观感图像语义特征向量；
S150，计算所述训练待评估单位工程观感图像语义特征向量与所述训练观感参考图像共性语义特征向量之间的训练语义差异度；S160，计算所述训练语义差异度和所述语义差异度的真实值之间的交叉熵函数值；S170，以所述交叉熵函数值作为损失函数值来对所述基于卷积神经网络模型的观感图像特征提取器和所述联合聚类分析网络进行训练，其中，在所述训练的每一轮迭代中，对所述训练观感参考图像共性语义特征向量进行特征聚合优化。

[0047] 特别地，在上述技术方案中，所述训练观感图像语义特征向量的集合中的每个训练观感图像语义特征向量表达相应的观感参考图像的图像语义特征，而所述训练待评估单位工程观感图像语义特征向量表达所述训练待评估单位工程对象的观感图像的图像语义特征，因此，在将所述训练观感图像语义特征向量的集合输入联合聚类分析网络时，如果基于不同观感参考图像的图像语义特征的联合聚类存在图像语义特征分布聚合不足，则会影响所述训练观感参考图像共性语义特征向量与所述训练待评估单位工程观感图像语义特征向量在图像语义特征表达上的一致性，从而影响所述训练待评估单位工程观感图像语义特征向量与所述训练观感参考图像共性语义特征向量之间的语义差异度的计算准确性。因此，本申请的申请人优选地在每次模型迭代训练时，例如基于预测的语义差异度与真实的语义差异度之间的差值损失函数通过梯度反向传播通过所述训练观感参考图像共性语义特征向量时，对于所述训练观感参考图像共性语义特征向量，例如记为V进行特征聚合优化，具体表示为：

[0048]

[0049] 其中V是所述训练观感参考图像共性语义特征向量， 是所述训练观感参考图‑1/2像共性语义特征向量的1范数的平方，||V||2 是所述训练观感参考图像共性语义特征向量的2范数的平方根的倒数，L是所述训练观感参考图像共性语义特征向量的长度，且ε是缩放超参数。这里，以基于所述训练观感参考图像共性语义特征向量V的范数的低秩化结构表示为所述训练观感参考图像共性语义特征向量V的特征值集合聚合的投票簇，对所述训练观感参考图像共性语义特征向量V的每个特征值进行相对于信息感知框架的典范化投票，以通过聚合特征分布的方向和尺度的回归表示来将归属于同一回归类的特征值映射到类似的局部典范化坐标集合，从而提升所述训练观感参考图像共性语义特征向量V的特征集合的聚合效果，改进所述训练观感参考图像共性语义特征向量与所述训练待评估单位工程观感图像语义特征向量在图像语义特征表达上的一致性，从而提升所述训练待评估单位工程观感图像语义特征向量与所述训练观感参考图像共性语义特征向量之间的语义差异度的计算准确性。

[0050] 综上，根据本申请实施例的建设项目的单位工程质量监理评估方法被阐明，其通过采用基于深度学习的人工智能技术，挖掘待评估单位工程对象的观感图与达到预定标准的观感参考图像的集合之间的图像语义差异关联，并利用这种图像语义差异关联关系实现对观感质量的智能化评估。

[0051] 在一个具体示例(以下内容只是描述工程施工阶段的过程监理，而监理质量评估是对经过施工后已完工的单位工程的观感评估、质量保证技术资料是否完整齐全、实体分部工程质量是否全部合格进行综合评估。依据上文，示例应体现出单位工程质量评估的观感评估部分，是如何采集图文视频，如何通过数据库利用卷积神经网络进行对比分析，从而判定观感质量为“好”、“一般”或“差”的。进而结合质量保证技术资料是否完整齐全、实体分部工程质量是否全部合格进行综合评估单位工程质量为“合格”或“不合格”)中，在工程监理过程中，严格按照监理规范的要求开展监理工作，具体做法如下：

[0052] 一、工程概况

[0053] (1)井下中央变电所硐室设计总工程量75.604m(不含电缆沟相关附属工程)。其中3 3
1‑2区段施工长度为12.504m；掘进体积160.03m ；混凝土方量47m ；锚杆188根；金属网
582.57kg。

[0054] (2)2‑3区段施工长度为7.5m；掘进体积95.98m3；混凝土方量27.88m3；锚杆113根；金属网349.43kg。

[0055] (3)3‑4区段施工长度为10.2m；掘进体积162.79m3；混凝土方量51.5m3；锚杆166根；金属网517.51kg。

[0056] (4)5‑6区段施工长度为44.4m；掘进体积1243.79m3；混凝土方量364.45m3；锚杆944根；金属网2927.82kg；锚索60根。

[0057] (5)电缆沟：长度48.2m；掘进体积56.2m3；混凝土方量21.11m3。

[0058] (6)电缆壁龛1：长度0.93×8m；掘进体积4.54m3；混凝土方量1.86m3。

[0059] (7)电缆壁龛2：长度0.75×28m；掘进体积11.76m3；混凝土方量5.04m3。

[0060] (8)该巷道位于+310m水平，开口底板标高为+309.781m，9‑9、8‑8、7‑7净断面宽×高均为3.2×3.2m，支护厚度为300mm。腰线据净底板为1.6m；5‑5、6‑6净断面宽×高均为3.8×3.3m，支护厚度为400mm，腰线据净底板为1.4m；4‑4、3‑3、2‑2、1‑1净断面宽×高均为5.6×4.2m，支护厚度为500mm，腰线据净底板为1.4m，初喷厚度均为50mm砼强度为C25，砼浇筑强度均为C25。所有断面均不含电缆沟。锚杆采用成排布置，间排距为800×800mm。锚杆采用Φ20×2200mm左旋螺纹钢树脂锚杆，托板采用钢制蝶形托板，大小为150×150×8mm，锚固剂采用Z2336型锚固剂，每根锚杆配合3支锚固剂。配电室临时支护拱部加锚索加强支护，锚索采用Φ17.6×10000的钢绞线，排距2.4m，每排3根。钢筋网采用φ6.0钢筋编制而成，网孔规格为100×100mm，网孔结点采用焊，金属网搭接处使用14#铁丝每隔200mm绑扎，搭接长度为100mm。

[0061] 1、事前控制：

[0062] (1)认真审查并要求施工单位建立健全质量保证体系，质量管理和质量责任要求落实到人、到位。

[0063] (2)在工程开工前认真审查施工单位编制的《施工组织设计》及有关的专项作业措施，对于审查出来的有关施工方法、质量措施、安全等方面的问题要求施工单位进行了修改和补充，并要求所有的参建人员均认真进行学习并严格遵照执行。

[0064] (3)对进场的原材料质量严格把关，对原材料按规定见证取样、送样，不合格的原材料不允许使用到工程实体中；检查施工单位的施工人员素质(资格)是否达到施工要求、施工设备是否完好并满足使用要求、施工操作环境是否合适及施工保护措施是否到位。

[0065] (4)认真审查施工图纸，吃透设计意图，熟练掌握设计文件，认真监督施工单位严格按照设计文件进行施工；根据工程承发包合同，及时提醒并监督合同各方认真执行合同文件。

[0066] (5)把好开工关，各项条件经检查都满足要求后，方才发布开工令。

[0067] 2、事中控制：

[0068] (1)监理人员常驻施工现场，在正常施工过程中不间断地进行施工现场巡视检查，发现问题及时要求施工单位进行整改处理，不留下任何质量隐患，保证了工程质量。

[0069] (2)严格工序间的交接检查，对完成的分项、分部工程，按相应的质量评定标准和办法及时进行检查验收，上道工序验收合格后方可进入下一工序的施工。

[0070] (3)重要的工程部位要进行认真试验或技术复核，并实行旁站监理。

[0071] (4)认真审核设计变更和图纸修改，积极提出合理化建议；仔细审查施工单位的质量事故处理方案，并对质量事故处理过程与效果进行检查验收。

[0072] (5)通过定期或不定期的质量现场会议(如监理例会、专题会议等)，及时分析和通报工程质量状况，对发现的质量问题以监理指令的方式要求施工单位限期进行整改。

[0073] 3事后控制：

[0074] (1)每周五均召开监理例会，会上监理人员将巡视与旁站监理中发现的质量问题及其注意事项向施工单位提出，存在的问题要求其及时整改处理，重点注意事项要求其认真准备。

[0075] (2)每月底前由施工单位报送本月施工工程的质保资料及原始记录，监理人员检查其是否符合有关要求；之后组织有关人员对当月的施工质量进行月度分部工程验收，验收严格执行《煤矿井巷工程质量验收规范》等的有关规定，确保了工程质量。

[0076] 在施工过程中，严格按照施工合同、有关法规、法规、标准，设计文件和批准的施工作业规程要求等进行检查验收。严格执行工程报验制度，未经监理验收合格不得进行下道工序施工；原材料按标准取样送检验收，砼试块制作等都进行见证，未经监理检查验收的材料不得使用。

[0077] 以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。