CN110503627B - 建筑物裂缝检测方法、装置、存储介质及计算机设备 - Google Patents
建筑物裂缝检测方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN110503627B CN110503627B CN201910624934.5A CN201910624934A CN110503627B CN 110503627 B CN110503627 B CN 110503627B CN 201910624934 A CN201910624934 A CN 201910624934A CN 110503627 B CN110503627 B CN 110503627B
- Authority
- CN
- China
- Prior art keywords
- building
- wall
- balcony
- length data
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种建筑物裂缝检测方法、装置、存储介质及计算机设备,主要在于能够提高建筑物裂缝的检测效率和识别率,减少了建筑物存在的安全隐患,同时能够降低检测建筑物裂缝的投入成本。所述方法包括:获取待进行裂缝检测的建筑物墙面图片;将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。本发明适用于建筑物裂缝的检测。
Description
技术领域
本发明涉及信息技术领域,尤其是涉及一种建筑物裂缝检测方法、装置、存储介质及计算机设备。
背景技术
目前,通常都是通过人为观察或者专业的物理装置来检测建筑物的裂缝及其损坏程度,确定建筑物损坏程度后,相关部门会组织人员即时对其进行处理,然而,通过人为观察或者物理装置检测建筑物裂缝的效率较低,同时该种方式对建筑物裂缝的识别率也较低,不易即时发现建筑物存在的安全隐患,而且相关部门投入的侦测建筑物裂缝的成本较高。
发明内容
本发明提供了一种建筑物裂缝检测方法、装置、存储介质及计算机设备,主要在于能够提高建筑物裂缝的检测效率和识别率,减少了建筑物存在的安全隐患,同时能够降低检测建筑物裂缝的投入成本。
根据本发明的第一个方面,提供一种建筑物裂缝检测方法,包括:
获取待进行裂缝检测的建筑物墙面图片;
将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;
当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。
根据本发明的第二个方面,提供一种建筑物裂缝检测装置,包括:
获取单元,用于获取待进行裂缝检测的建筑物墙面图片;
提取单元,用于将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;
确定单元,用于当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。
根据本发明的第三个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取待进行裂缝检测的建筑物墙面图片;
将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;
当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。
根据本发明的第四个方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取待进行裂缝检测的建筑物墙面图片;
将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;
当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。
本发明提供的一种建筑物裂缝检测方法、装置、存储介质及计算机设备,与目前通过人为观察或者专业的物理装置来检测建筑物裂缝的方法相比,本发明能够获取待进行裂缝检测的建筑物墙面图片;将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝,从而能够提高建筑物裂缝的检测效率和识别率,同时能够及时发现建筑物存在的安全隐患,降低了相关部门投入的侦测建筑物裂缝的成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种建筑物裂缝检测方法流程图;
图2示出了本发明实施例提供的另一种建筑物裂缝检测方法流程图;
图3示出了本发明实施例提供的一种建筑物裂缝检测装置的结构示意图;
图4示出了本发明实施例提供的另一种建筑物裂缝检测装置的结构示意图;
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如背景技术,目前,通常都是通过人为观察或者专业的物理装置来检测建筑物的裂缝及其损坏程度,确定建筑物损坏程度后,相关部门会组织人员即时对其进行处理,然而,通过人为观察或者物理装置检测建筑物裂缝的效率较低,同时该种方式对建筑物裂缝的识别率也较低,不易即时发现建筑物存在的安全隐患,而且相关部门投入的侦测建筑物裂缝的成本较高。
为了解决上述问题,本发明实施例提供了一种建筑物裂缝检测方法,如图1所示,所述方法包括:
101、获取待进行裂缝检测的建筑物墙面图片。
其中,待进行裂缝检测的建筑物墙面图片包括建筑物东西两侧的墙面图片以及建筑物南北阳台两侧的墙面图片,具体地,通过无人机摄像头对待检测的建筑物的四周墙面进行拍摄,得到待进行裂缝检测的建筑物东西两侧的墙面图片和待进行裂缝检测的建筑物南北阳台两侧的墙面图片。
102、将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据。
其中,预设轮廓提取模型为现有技术存储在计算机识别库中,例如,预设轮廓提取算法可以为小波变换算法或者Canny边缘检测算法,该算法存储在计算机视觉函数库opencv中,通过调用该函数库中的函数对建筑物墙面图片进行轮廓提取。对于本发明实施例,分别调用findContours()函数和drawContours()函数进行轮廓的查找和轮廓的绘制,其中findContours()函数用来查找建筑物轮廓,其中,有三个参数,分别是输入图像,轮廓检索模型和轮廓近似方法,例如:
h=cv2.findContours(binaryImg,cv2.RETR_LIST,cv2.CHAIN_APPROX_NONE),其中,binaryImg表示输入的图片,RETR_LIST表示提取建筑物墙面的所有轮廓,但是不创建任何父子关系,CHAIN_APPROX_NONE表示边界所有点都会被存储,drawContours()函数用来绘制轮廓,contours=h,cv2.drawContours(temp,contours,-1,(0,255,0),3),其中,temp是白色幕布,contours是findContours()函数查找到的轮廓,-1表示全部画,之后分别代表的是颜色和厚度,由此找到建筑物墙面的轮廓线,并输出该轮廓的长度数据和宽度数据,例如,得到建筑物前面轮廓的长度数据为80cm,宽度数据为15cm。
103、当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。
其中,第一预设阈值和第二预设阈值为根据经验预先设定的建筑物墙面裂缝的长度数据和宽度数据,如果建筑物墙面轮廓的长度数据大于第一预设阈值,同时建筑物墙面轮廓的宽度数据大于第二预设阈值,则确定该建筑物墙面轮廓为建筑物墙面裂缝,例如,检测出的建筑物墙面轮廓的长度数据和宽度数据分别为80cm和15cm,该长度数据大于第一预设阈值50cm,且该宽度数据大于第二预设阈值10cm,则判定该建筑墙面轮廓为建筑物墙面裂缝;或者当建筑物墙面轮廓的长度数据大于第三预设阈值时,确定该长度数据对应的建筑物墙面轮廓为建筑物墙面裂缝,例如,当检出的建筑物墙面轮廓的长度数据为90cm,该长度数据大于第三预设阈值80cm,则无论建筑物墙面轮廓的宽度数据为多少,都将该建筑物墙面轮廓确定为建筑物墙面裂缝,需要通知相关部门进行及时修复;再或者当建筑物墙面轮廓的宽度数据大于第四预设阈值时,确定该宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝,例如,当检出的建筑物墙面轮廓的宽度数据为25cm,该宽度数据大于第四预设阈值20cm,则无论建筑物墙面轮廓的长度数据为多少,都将该建筑物墙面轮廓确定为建筑物墙面裂缝,需要通知相关部门进行及时修复。
进一步地,可以根据建筑物裂缝的长度历史数据和宽度历史数据,设定不同的安全等级,例如,将建筑物所处的安全等级划分为一级、二级和三级,若建筑物裂缝的长度数据大于50cm且小于等于70cm,宽度数据大于10cm且小于等于15cm,则该建筑物属于三级安全等级,即损害不严重;若建筑物裂缝的长度数据大于70cm且小于等于90cm,宽度数据大于15cm且小于等于20cm,则该建筑物属于二级安全等级,即损害严重;若建筑物裂缝的长度数据大于90cm,宽度数据大于20cm,则该建筑物属于一级安全等级,即损害很严重,由此相关部门会根据建筑物所属的不同安全等级采取相应的处理措施。
本发明提供的一种建筑物裂缝检测方法,与目前通过人为观察或者专业的物理装置来检测建筑物裂缝的方法相比,本发明能够获取待进行裂缝检测的建筑物墙面图片;将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝,从而能够提高建筑物裂缝的检测效率和识别率,同时能够及时发现建筑物存在的安全隐患,降低了相关部门投入的侦测建筑物裂缝的成本。
进一步的,为了更好的说明上述未标注样本数据对应各个预测类别的置信度计算过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种预测模型训练方法,如图2所示,所述方法包括:
201、获取待进行裂缝检测的建筑物墙面图片。
对于本发明实施例,获取待进行裂缝检测的建筑物东西两侧的墙面图片和待进行裂缝检测的建筑物南北阳台两侧的墙面图片的具体过程与步骤101相同,在此不再赘述。此外,在获取待进行裂缝检测的建筑物墙面图片之后,需要对待进行裂缝检测的建筑物墙面图片进行预处理,在步骤201之后,所述方法还包括:对所述建筑物墙面图片进行灰度化处理,得到灰度化处理后的建筑物墙面图片,并将所述灰度化处理后的建筑物墙面图片分割成预设块数的图片;根据分割后的各个图片的像素值,分别计算所述各个图片的方差,并将所述各个图片的方差由小到大进行排序;根据所述各个图片方差的排列顺序,将预设排名之前的方差对应的图片像素值设置为0,并将剩余方差对应的图片像素值设置为255,得到二值化处理后的建筑物墙面图片。具体地,首先将获取的待进行裂缝检测的建筑物墙面图片放缩到480*640的大小,并将该图片进行灰度化处理,例如,放缩后的建筑物墙面图片的像素点分量为(R,G,B),灰度化后的R=处理前R*0.3+处理前G*0.59+处理前的B*0.11,灰度化后的G=处理前R*0.3+处理前G*0.59+处理前的B*0.11,灰度化后的B=处理前R*0.3+处理前G*0.59+处理前的B*0.11,由此得到灰度化处理后的建筑物墙面图片,之后对该灰度化处理后的建筑物墙面图片进行小块分割,每个小块图片的大小为12*16,由此分割为40*40个小块,接着对分割后的小块图片进行二值化处理,具体地,根据每个小块的像素值分别计算每个小块图片的方差
其中,x代表小块中每个像素点的像素值,代表像素值的均值,n代表每个小块有n个像素点,之后将小块图片方差按从小到大的顺序排列,得到一组新的数据为,将方差/>,/>,...,/>对应的小块图片的像素值设置为255,其余小块图片的像素值设置为0,由此实现对建筑物墙面图片的二值化处理,并对预处理后的建筑物东西两侧的墙面图片和建筑物南北阳台两侧的墙面图片进行轮廓提取。
202、判断所述建筑物墙面图片是否为建筑物南北阳台两侧墙面图片。若是,则执行步骤203;若否,则执行步骤204。
对于本发明实施例,通过无人机摄像头对待检测的建筑物的四周墙面进行拍摄,得到待进行裂缝检测的建筑物墙面图片,并将该建筑物墙面图片人工分为建筑物东西两侧的墙面图片和建筑物南北阳台两侧的墙面图片,若该建筑物墙面图片为建筑物东西两侧的墙面图片,则将待检测的建筑物东西两侧的墙面图片输入至预设轮廓提取模型进行轮廓提取;若该建筑物墙面图片为建筑物南北阳台两侧的墙面图片,则将待检测的建筑物南北阳台两侧的墙面图片输入至预设非阳台区域识别模型进行识别,获取该建筑物南北阳台两侧墙面的非阳台区域,之后再将识别出非阳台区域的建筑物南北阳台两侧的墙面图片输入至预设轮廓提取模型进行轮廓提取,得到该建筑物南北阳台两侧的墙面轮廓的长度数据和宽度数据。
203、将所述建筑物南北阳台两侧墙面图片输入至预设非阳台区域识别模型进行识别,得到建筑物南北阳台两侧墙面的非阳台墙面区域。
其中,预设非阳台区域识别模型为预设全卷积网络模型,对于本发明实施例,为了识别建筑物南北阳台两侧墙面的非阳台墙面区域,步骤203具体包括:将所述建筑物南北阳台两侧墙面图片输入至预设非阳台区域识别模型进行识别,得到建筑物南北阳台两侧墙面对应的像素级热图;根据所述像素级热图中的不同颜色区域,确定所述建筑物南北阳台两侧墙面的非阳台墙面区域。其中,预设全卷积网络模型共有8层卷积层,第一层卷积层的卷积核的个数、宽度、高度和厚度分别为96*11*11*3,第二层卷积层的卷积核的个数、宽度、高度和厚度分别为256*5*5*48,第三层卷积层的卷积核的个数、宽度、高度和厚度分别为384*3*3*256,第四层卷积层的卷积核的个数、宽度、高度和厚度分别为384*3*3*192,第五层卷积层的卷积核的个数、宽度、高度和厚度分别为256*3*3*192,第6层的卷积核的大小(通道数,宽,高)为(4096,1,1),第7层的卷积核的大小(通道数,宽,高)为(4096,1,1),第8层的卷积核的大小(通道数,宽,高)为(1000,1,1),上述卷积核的步长可以均设置为1,卷积核的填充方式为padding=SAME,填充是用0填充。为了确保全卷积网络模型的识别精度,应用航拍的建筑物南北阳台两侧的墙面图片对全卷积网络模型进行训练,具体训练时,首先应用基本图片集对全卷积网络模型进行训练,得到初步训练的全卷积网络模型,之后对获取的建筑物南北阳台两侧的墙面图片进行标注,应用标注后的建筑物南北阳台两侧的墙面图片对初步训练的全卷积网络模型进行二次训练,得到预设全卷积网络模型。
具体地,将建筑物南北阳台两侧的墙面图片输入至预设全卷积网络模型进行识别,输入的建筑物南北阳台两侧的墙面图片的大小为3*480*640,第一层卷积层的卷积核的个数、宽度、高度和厚度分别为96*11*11*3,该图片经过第一层卷积层处理,得到的图片大小为96*240*320,第二层卷积层的卷积核的个数、宽度、高度和厚度分别为256*5*5*48,该图片经过第二层卷积层处理,得到的图片大小为256*120*160,第三层卷积层的卷积核的个数、宽度、高度和厚度分别为384*3*3*256,该图片经过第三层卷积层处理,得到图片的大小为384*60*80,第四层卷积层的卷积核的个数、宽度、高度和厚度分别为384*3*3*192,该图片经过第四层卷积层处理,得到图片的大小为384*60*80,第五层卷积层的卷积核的个数、宽度、高度和厚度分别为256*3*3*192,该图片经过第五层卷积层处理,得到图片的大小为256*60*80,第6层的卷积核的大小(通道数,宽,高)为(4096,1,1),该图片经过第六层卷积层处理,得到的图片大小为4096*30*40,第7层的卷积核的大小(通道数,宽,高)为(4096,1,1),该图片经过第七层卷积层处理,得到图片的大小为4096*30*40,第8层的卷积核的大小(通道数,宽,高)为(1000,1,1),该图片经过第八层卷积层处理,得到图片的大小为1000*30*40,上述卷积核的步长可以均设置为1,卷积核的填充方式为padding=SAME,填充是用0填充。由此该预设全卷积网络模型最后输出的是像素级的热图,根据该热图上的不同颜色区域,可以区分建筑物的非阳台墙面区域和建筑物的阳台墙面区域。由此,识别出建筑物南北阳台两侧墙面的非阳台墙面区域,再将识别出非阳台墙面区域的建筑物南北阳台两侧墙面图片输入至预设轮廓提取模型进行轮廓提取。
204、将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据。
其中,所述预设轮廓提取模型为预设边缘检测轮廓提取模型,对于本发明实施例,当建筑物墙面图片为建筑物南北阳台两侧墙面图片时,步骤204具体包括:将所述建筑物南北阳台两侧墙面图片对应的非阳台墙面区域输入至预设边缘检测轮廓提取模型进行轮廓查找;根据查找到的非阳台墙面区域的轮廓进行绘制,并输出绘制后的非阳台墙面区域轮廓的长度数据和宽度数据。具体地,分别将建筑物东西两侧的墙面图片和识别出非阳台墙面区域的建筑物南北阳台两侧的墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物东西两侧墙面轮廓的长度数据和宽度数据,以及建筑物南北阳台两侧墙面的非阳台墙面区域轮廓的长度数据和宽度数据,轮廓提取的具体过程与步骤102相同,在此不再赘述。
205、当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。
对于本发明实施例,为了确定第一预设阈值和第二预设阈值,在步骤205之前,所述方法还包括:获取不同时间段对应的建筑物裂缝的长度数据和宽度数据;根据所述建筑物裂缝的长度数据和宽度数据,分别计算不同时间段对应的建筑物裂缝的长度数据均值和宽度数据均值;将各个长度数据均值中最小值确定为第一预设阈值,并将各个宽度数据均值中最小值确定为第二预设阈值。例如,收集近一年某片区域建筑物1-3月份,4-6月份,7-9月份,10-12月份这四个阶段的建筑物裂缝的长度和宽度数据,分别计算1-3月份,4-6月份,7-9月份,10-12月份这四个阶段裂缝的长度数据均值和宽度数据均值,长度数据均值分别为x1,x2,x3,x4,宽度数据均值分别为y1,y2,y3,y4,分别选取长度数据均值和宽度数据均值中的最小值确定为建筑物裂缝的第一预设阈值和第二预设阈值。进一步地,为了确定建筑物所属的安全等级,在步骤205之后,所述方法还包括:根据所述建筑物墙面裂缝的长度数据和宽度数据,确定建筑物所属的安全等级。
本发明提供的另一种建筑物裂缝检测方法,与目前通过人为观察或者专业的物理装置来检测建筑物裂缝的方法相比,本发明能够获取待进行裂缝检测的建筑物墙面图片;将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝,从而能够提高建筑物裂缝的检测效率和识别率,同时能够及时发现建筑物存在的安全隐患,降低了相关部门投入的侦测建筑物裂缝的成本。
进一步地,作为图1的具体实现,本发明实施例提供了一种建筑物裂缝检测装置,如图3所示,所述装置包括:获取单元31、提取单元32和确定单元33。
所述获取单元31,可以用于获取待进行裂缝检测的建筑物墙面图片。所述获取单元31是本装置中获取待进行裂缝检测的建筑物墙面图片的主要功能模块。
所述提取单元32,可以用于将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据。所述提取单元32是本装置中将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据的主要功能模块,也是核心模块。
所述确定单元33,可以用于当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。所述确定单元33是本装置中当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝的主要功能模块,也是核心模块。
对于本发明实施例,为了识别建筑物南北阳台两侧墙面的非阳台墙面区域,所述装置还包括:识别装置34。
所述识别装置34,可以用于当所述建筑物墙面图片为建筑物南北阳台两侧墙面图片时,将所述建筑物南北阳台两侧墙面图片输入至预设非阳台区域识别模型进行识别,得到建筑物南北阳台两侧墙面的非阳台墙面区域。
进一步地,当待进行裂缝检测的建筑物墙面图片为建筑物南北阳台两侧墙面图片时,所述提取单元32,包括查找模块和绘制模块。
所述查找模块,可以用于将所述建筑物南北阳台两侧墙面图片对应的非阳台墙面区域输入至预设边缘检测轮廓提取模型进行轮廓查找;
所述绘制模块,可以用于根据查找到的非阳台墙面区域的轮廓进行绘制,并输出绘制后的非阳台墙面区域轮廓的长度数据和宽度数据。
此外,为了进一步确定建筑物南北阳台两侧墙面的非阳台墙面区域,所述识别单元34还包括:识别模块341和确定模块342。
所述识别模块341,可以用于将所述建筑物南北阳台两侧墙面图片输入至预设非阳台区域识别模型进行识别,得到建筑物南北阳台两侧墙面对应的像素级热图。
所述确定模块342,可以用于根据所述像素级热图中的不同颜色区域,确定所述建筑物南北阳台两侧墙面的非阳台墙面区域。
对于本发明实施例,为了对待进行裂缝检测的墙面图片进行预处理,所述装置还包括:处理单元35、计算单元36和设置单元37。
所述处理单元35,可以用于对所述建筑物墙面图片进行灰度化处理,得到灰度化处理后的建筑物墙面图片,并将所述灰度化处理后的建筑物墙面图片分割成预设块数的图片。
所述计算单元36,可以用于根据分割后的各个图片的像素值,分别计算所述各个图片的方差,并将所述各个图片的方差由小到大进行排序。
所述设置单元37,可以用于根据所述各个图片方差的排列顺序,将预设排名之前的方差对应的图片像素值设置为0,并将剩余方差对应的图片像素值设置为255,得到二值化处理后的建筑物墙面图片。
在具体应用场景中,为了确定建筑物墙面轮廓的第一预设阈值和第二预设阈值,所述获取单元31,还可以用于获取不同时间段对应的建筑物裂缝的长度数据和宽度数据。
所述计算单元36,还可以用于根据所述建筑物裂缝的长度数据和宽度数据,分别计算不同时间段对应的建筑物裂缝的长度数据均值和宽度数据均值。
所述确定单元33,还可以用于将各个长度数据均值中最小值确定为第一预设阈值,并将各个宽度数据均值中最小值确定为第二预设阈值。
此外,为了确定待检测建筑物所属的安全等级,所述确定单元33,还可以用于根据所述建筑物墙面裂缝的长度数据和宽度数据,确定建筑物所属的安全等级。
需要说明的是,本发明实施例提供的一种建筑物裂缝检测装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:获取待进行裂缝检测的建筑物墙面图片;将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。
基于上述如图1所示方法和如图3所示装置的实施例,本发明实施例还提供了一种计算机设备的实体结构图,如图5所示,该计算机设备包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:获取待进行裂缝检测的建筑物墙面图片;将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝。
通过本发明的技术方案,能够获取待进行裂缝检测的建筑物墙面图片;将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝,从而能够提高建筑物裂缝的检测效率和识别率,同时能够及时发现建筑物存在的安全隐患,降低了相关部门投入的侦测建筑物裂缝的成本。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (7)
1.一种建筑物裂缝检测方法,其特征在于,包括:
获取待进行裂缝检测的建筑物墙面图片;
将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;
当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝,其中,所述第一预设阈值和第二预设阈值为根据经验预先设定的建筑物墙面裂缝的长度数据和宽度数据;
其中,所述将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据,包括:
若所述建筑物墙面图片为建筑物东西两侧的墙面图片,则将待检测的建筑物东西两侧的墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物东西两侧的墙面轮廓的长度数据和宽度数据;
若所述建筑物墙面图片为建筑物南北阳台两侧墙面图片,则将所述建筑物南北阳台两侧墙面图片输入至预设非阳台区域识别模型进行识别,得到建筑物南北阳台两侧墙面的非阳台墙面区域;
将所述建筑物南北阳台两侧墙面图片对应的非阳台墙面区域输入至预设边缘检测轮廓提取模型进行轮廓查找;
根据查找到的非阳台墙面区域的轮廓进行绘制,并输出绘制后的非阳台墙面区域轮廓的长度数据和宽度数据;
其中,在所述当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝之前,所述方法还包括:
获取不同时间段对应的建筑物裂缝的长度数据和宽度数据;
根据所述建筑物裂缝的长度数据和宽度数据,分别计算不同时间段对应的建筑物裂缝的长度数据均值和宽度数据均值;
将各个长度数据均值中最小值确定为第一预设阈值,并将各个宽度数据均值中最小值确定为第二预设阈值。
2.根据权利要求1所述的方法,其特征在于,所述将所述建筑物南北阳台两侧墙面图片输入至预设非阳台区域识别模型进行识别,得到建筑物南北阳台两侧墙面的非阳台墙面区域包括:
将所述建筑物南北阳台两侧墙面图片输入至预设非阳台区域识别模型进行识别,得到建筑物南北阳台两侧墙面对应的像素级热图;
根据所述像素级热图中的不同颜色区域,确定所述建筑物南北阳台两侧墙面的非阳台墙面区域。
3.根据权利要求1所述的方法,其特征在于,在所述获取待进行裂缝检测的建筑物墙面图片之后,所述方法还包括:
对所述建筑物墙面图片进行灰度化处理,得到灰度化处理后的建筑物墙面图片,并将所述灰度化处理后的建筑物墙面图片分割成预设块数的图片;
根据分割后的各个图片的像素值,分别计算所述各个图片的方差,并将所述各个图片的方差由小到大进行排序;
根据所述各个图片方差的排列顺序,将预设排名之前的方差对应的图片像素值设置为0,并将剩余方差对应的图片像素值设置为255,得到二值化处理后的建筑物墙面图片。
4.根据权利要求1-3任一项所述的方法,其特征在于,在所述当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝之后,所述方法还包括:
根据所述建筑物墙面裂缝的长度数据和宽度数据,确定建筑物所属的安全等级。
5.一种建筑物裂缝检测装置,其特征在于,包括:
获取单元,用于获取待进行裂缝检测的建筑物墙面图片;
提取单元,用于将所述建筑物墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物墙面轮廓的长度数据和宽度数据;
确定单元,用于当所述长度数据大于第一预设阈值且所述宽度数据大于第二预设阈值时,确定所述长度数据和宽度数据对应的建筑物墙面轮廓为建筑物墙面裂缝,其中,所述第一预设阈值和第二预设阈值为根据经验预先设定的建筑物墙面裂缝的长度数据和宽度数据;
其中,所述提取单元,用于若所述建筑物墙面图片为建筑物东西两侧的墙面图片,则将待检测的建筑物东西两侧的墙面图片输入至预设轮廓提取模型进行轮廓提取,得到建筑物东西两侧的墙面轮廓的长度数据和宽度数据;若所述建筑物墙面图片为建筑物南北阳台两侧墙面图片,则将所述建筑物南北阳台两侧墙面图片输入至预设非阳台区域识别模型进行识别,得到建筑物南北阳台两侧墙面的非阳台墙面区域;将所述建筑物南北阳台两侧墙面图片对应的非阳台墙面区域输入至预设边缘检测轮廓提取模型进行轮廓查找;根据查找到的非阳台墙面区域的轮廓进行绘制,并输出绘制后的非阳台墙面区域轮廓的长度数据和宽度数据;
所述确定单元,用于获取不同时间段对应的建筑物裂缝的长度数据和宽度数据;根据所述建筑物裂缝的长度数据和宽度数据,分别计算不同时间段对应的建筑物裂缝的长度数据均值和宽度数据均值;将各个长度数据均值中最小值确定为第一预设阈值,并将各个宽度数据均值中最小值确定为第二预设阈值。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624934.5A CN110503627B (zh) | 2019-07-11 | 2019-07-11 | 建筑物裂缝检测方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624934.5A CN110503627B (zh) | 2019-07-11 | 2019-07-11 | 建筑物裂缝检测方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503627A CN110503627A (zh) | 2019-11-26 |
CN110503627B true CN110503627B (zh) | 2024-05-10 |
Family
ID=68585583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624934.5A Active CN110503627B (zh) | 2019-07-11 | 2019-07-11 | 建筑物裂缝检测方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503627B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105408B (zh) * | 2019-12-27 | 2022-05-03 | 南京大学 | 一种基于图像处理的建筑物表面裂缝检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891231A (zh) * | 2015-01-26 | 2016-08-24 | 青岛农业大学 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
WO2017054314A1 (zh) * | 2015-09-29 | 2017-04-06 | 百度在线网络技术(北京)有限公司 | 一种建筑物高度计算方法、装置和存储介质 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN108226180A (zh) * | 2018-01-11 | 2018-06-29 | 上海应用技术大学 | 一种针对crts ii型板式轨道的裂缝检测方法 |
CN109632103A (zh) * | 2018-11-22 | 2019-04-16 | 西安理工大学 | 高空建筑物温度分布与表面裂缝远程监测系统及监测方法 |
-
2019
- 2019-07-11 CN CN201910624934.5A patent/CN110503627B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891231A (zh) * | 2015-01-26 | 2016-08-24 | 青岛农业大学 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
WO2017054314A1 (zh) * | 2015-09-29 | 2017-04-06 | 百度在线网络技术(北京)有限公司 | 一种建筑物高度计算方法、装置和存储介质 |
CN108226180A (zh) * | 2018-01-11 | 2018-06-29 | 上海应用技术大学 | 一种针对crts ii型板式轨道的裂缝检测方法 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN109632103A (zh) * | 2018-11-22 | 2019-04-16 | 西安理工大学 | 高空建筑物温度分布与表面裂缝远程监测系统及监测方法 |
Non-Patent Citations (1)
Title |
---|
基于特征分布的建筑墙体裂缝图像识别方法;曹艳玲;袁义宏;;沈阳工业大学学报(第02期);第117-122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110503627A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503108B (zh) | 违章建筑识别方法及装置、存储介质、计算机设备 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN103955660B (zh) | 一种批量二维码图像识别方法 | |
CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
CN110781839A (zh) | 一种基于滑窗的大尺寸图像中小目标识别方法 | |
CN111695609B (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN103870597B (zh) | 一种无水印图片的搜索方法及装置 | |
CN110133443B (zh) | 基于平行视觉的输电线路部件检测方法、系统、装置 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN113744268B (zh) | 一种裂纹检测方法、电子设备及可读存储介质 | |
CN112651953B (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN104574325A (zh) | 一种天空光估计方法与系统及其图像去雾方法 | |
CN112991217A (zh) | 一种医学图像采集方法、装置及设备 | |
CN110503627B (zh) | 建筑物裂缝检测方法、装置、存储介质及计算机设备 | |
CN112541911A (zh) | 图像处理方法及装置 | |
CN113393430A (zh) | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 | |
CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN115147405A (zh) | 一种快速新能源电池无损检测方法 | |
CN115841641A (zh) | 车辆内部视频的脱敏方法、系统、电子设备及存储介质 | |
CN115063759A (zh) | 一种三维车道线检测方法、装置、交通工具及存储介质 | |
CN111028313B (zh) | 桌台分布图像生成方法及装置 | |
CN111382628B (zh) | 同行判定方法及装置 | |
CN112541899A (zh) | 证件的残缺检测方法、装置、电子设备及计算机存储介质 | |
CN112149600A (zh) | 一种大数据汽车驾驶区域图像分析方法及系统 | |
CN111382741A (zh) | 一种自然场景图片中文本检测方法、系统及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |