CN111896549B - 一种基于机器学习的建筑物裂缝监测系统和方法 - Google Patents
一种基于机器学习的建筑物裂缝监测系统和方法 Download PDFInfo
- Publication number
- CN111896549B CN111896549B CN202010779939.8A CN202010779939A CN111896549B CN 111896549 B CN111896549 B CN 111896549B CN 202010779939 A CN202010779939 A CN 202010779939A CN 111896549 B CN111896549 B CN 111896549B
- Authority
- CN
- China
- Prior art keywords
- crack
- building
- image
- data
- machine learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000010801 machine learning Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 14
- 230000018109 developmental process Effects 0.000 description 14
- 238000005259 measurement Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect 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
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及建筑物裂缝监测技术领域，公开了一种基于机器学习的建筑物裂缝监测系统和方法，监测系统包括图像采集装置、裂缝监测仪、服务器、数据传输装置、显示装置、现场采集软件、分析处理软件和后台处理软件，使用上述系统，可以快速准确的监测建筑物裂缝情况，并实现对裂缝的发展趋势的预警分析，模拟裂缝的未来发展情形。
Description
技术领域
本发明涉及建筑物裂缝监测技术领域，尤其涉及一种基于机器学习的建筑物裂缝监测系统和方法。
背景技术
因表面裂缝而影响工程质量甚至导致建筑物垮塌的案例屡见不鲜，裂缝特征反映了建筑物当前的工作和结构状态，当裂缝特征参数超过安全阈值时，不仅会影响建筑设施的美观性、耐久性，甚至会危及人身财产的安全。因此，正确评价建筑物表面裂缝，预测其发展情况，对建筑物整体结构的评估、鉴定、维护工作以及做好在建在役建筑物的安全管理工作具有非常重要的现实意义。
现有的裂缝监测方法包括以下几种:1)通过标尺和裂缝宽度对比卡来测量裂缝宽度；2)通过裂缝显微镜来测量裂缝宽度，即采用具有一定放大倍数的显微镜直接观测裂缝宽度，可将测量精度定位在0.02mm-0.05mm；3)将裂缝图像显示在显示屏上，利用人工读取裂缝宽度；将裂缝图像显示在显示屏上，借助图像处理算法对裂缝图像进行处理和识别，自动判读裂缝宽度。现有的裂缝监测方法或多或少存在些许问题，例如，通过标尺和裂缝宽度对比卡来测量裂缝宽度，该方法虽然简单，但需投入大量人力和时间，测量精度低；通过裂缝显微镜来测量裂缝宽度，该方法需要人工近距离调节焦距、读数和记录，还需额外配置光源，测量速度慢且劳动强度大，易造成人为读数误差；人工读取裂缝图像中的裂缝宽度，该方法虽避免了裂缝显微镜必须近距离调节焦距的要求，降低了裂缝测量的劳动强度，但仍需人工估测并记录裂缝宽度，存在人工读数时的离散性；自动判读裂缝图像中的裂缝宽度，则存在图像采集设备易受天气、物距、角度及建筑物表面材质等因素影响的问题，采集图像会出现亮度不均或对比度低等现象，影响图像裂缝边缘的检测和提取，最终影响测量精度。
发明内容
(一)要解决的技术问题
本发明实施例提供一种基于机器学习的建筑物裂缝监测系统和方法，用以快速准确的监测建筑物裂缝情况，并实现对裂缝的发展趋势的预警分析，模拟裂缝的未来发展情形。
(二)发明内容
本发明实施例提供一种基于机器学习的建筑物裂缝监测系统，包括：
图像采集装置，用于采集建筑物图像；
裂缝监测仪，包括位移传感器、温度传感器和气压传感器；
服务器，用于接受、存储、分析和转发图像采集装置和裂缝监测仪采集到的数据；
数据传输装置，用于将图像采集装置和裂缝监测仪采集的数据传输至服务器；
显示装置，用于显示图像采集装置采集到的建筑物图像、裂缝监测仪采集到的各项参数和服务器的分析结果；
还包括与上述硬件相配合使用的软件系统，软件系统包括：
现场采集软件，用于将图像采集装置和裂缝监测仪采集的数据进行汇总、存储和转发；
分析处理软件，用于将由现场采集软件转发而来的原始现场数据分别进行二次处理并导入到后台处理软件；
后台处理软件，接受由分析处理软件导入而来的二次处理过后的数据，将该数据导入机器学习模块进行深度学习，得到相应的建筑物缝隙监测模型。
优选的，后台处理软件采用深度神经网络算法或者贝叶斯算法中的一种作为机器学习算法。
优选的，图像采集装置设置在固定安装的拍摄位，或者设置在无人机、非接触监测仪、爬壁机器人与机器臂等多种图像获取平台中的一种或几种上。
优选的，数据传输装置采用ZigBee无线传输协议与所述服务器之间进行通信。
一种基于机器学习的建筑物裂缝监测方法，上述任意一种基于机器学习的建筑物裂缝监测系统，包括以下步骤：
步骤一、使用图像采集装置采集建筑物表面裂缝的图像，由现场采集软件存储为数据组A1；
步骤二、使用裂缝监测仪获取建筑物表面裂缝的特征数据由所述现场采集软件存储为X1；
步骤三、使用分析处理软件将A1，X1进行二次处理，得到优化后的数据A1*，X1*；
步骤四、对建筑物采取加压或者升温处理，重复步骤1至步骤三，得到数据A2*，X2*；
步骤五、多次执行步骤四，得到样本集[A1*、A2*、A3*…An*]，[X1*，X2*，X3*…Xn*]；
步骤六、将样本集[A1*、A2*、A3*…An*]作为输入端，[X1*，X2*，X3*…Xn*]作为输出端导入机器学习模块进行深度学习，即可获得所需的裂缝检测模型M。
步骤六、使用图像采集装置采集建筑物表面裂缝的图像Am，将其导入到裂缝检测模型M，即可测算出此时建筑物表面裂缝的特征数据Xm。
优选的，分析处理软件对步骤一中图像采集装置采集到的建筑物表面裂缝图像的处理包括：基于RGB到YUV的色彩模型转化方式提升裂缝图像的对比度和亮度、基于改进阈值函数的小波阈值去噪算法处理，以及基于中值滤波和拉普拉斯算子的灰度拉伸算法处理。
优选的，分析处理软件对步骤一中图像采集装置采集到的建筑物表面裂缝图像的处理还包括：基于改进Canny算子的灰度阈值边缘检测和基于提取算法实现粗定位、基于邻域梯度特征的高斯曲线拟合亚像素定位算法实现亚像素精度定位，以及基于阈值分割和迭代法相融合的最佳阈值法和最大类间方差法进行裂缝图像二值化用以最大程度地保持图像裂缝特征完整度。
优选的，步骤一中图像采集装置采集到建筑物表面裂缝的图像经过分析处理软件处理后，计算出裂缝的像素周长、像素面积、像素宽以及中心线长度。
优选的，裂缝的像素周长通过统计图像中裂缝相邻边缘点的距离求得，裂缝的像素面积通过统计图像中裂缝边缘线包含的像素点求得。
优选的，采用水平距离边缘点法和切线垂线法测量裂缝的像素宽，采用数像素点法测量裂缝面积，采用中心线法先确定裂缝中心线，然后用首尾点距离法、相邻点距离总和法或离散点拟合曲线法计算中心线长度。
(三)有益效果
本发明实施例提供的一种基于机器学习的建筑物裂缝监测系统，包括硬件部分和软件部分，其中硬件部分包括用于采集建筑物图像的图像采集装置、用于监测裂缝参数的裂缝监测仪、用于接受、存储、分析和转发图像采集装置和所述裂缝监测仪采集到的数据、用于将图像采集装置和裂缝监测仪采集的数据传输至服务器和显示装置，软件包括现场采集软件、分析处理软件和后台处理软件，使用上述基于机器学习的建筑物裂缝监测系统，采取相应的监测方法可以实现对建筑物裂缝的评估与预测。监测方法如下：使用图像采集装置采集建筑物表面的裂缝图像，由现场采集软件对裂缝图像进行汇总，转发至分析处理软件处理，计算出裂缝的像素周长、像素面积、像素宽以及中心线长度等参数，将这组数据作为A1*，使用裂缝监测仪采集A1*对应时刻的建筑物的裂缝长度、宽度、现场温度、现场气压等数据，将这组特征数据导入本系统作为样本数据X1。由此，得到一组输入输出数据样本A1*、X1*，反复执行上述操作，得到多组数据样本，进而得到样本集[A1*、A2*、A3*…An*]，[X1*，X2*，X3*…Xn*]；将样本集[A1*、A2*、A3*…An*]作为输入端，[X1*，X2*，X3*…Xn*]作为输出端导入机器学习模块进行深度学习，即可获得所需的裂缝检测模型M，使用图像采集装置采集建筑物表面裂缝的图像Am，将其导入到裂缝检测模型M，即可测算出此时建筑物表面裂缝的特征数据Xm。
采用上述基于机器学习的建筑物裂缝监测系统和方法，无需使用高精度裂缝监测仪，仅需通过图像采集装置获取建筑物裂缝图像，将裂缝图像数据输入模型中即可得到裂缝的特征数据，具备测量精度高、速度快的优点。与此同时，还能借助机器学习的方法，根据大量的样本数据分析出环境等因素对裂缝发展的影响，实现对裂缝的发展趋势的预警分析，模拟裂缝的未来发展情形。
附图说明
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于机器学习的建筑物裂缝监测系统的整体结构示意图；
图2是本发明的一种基于机器学习的建筑物裂缝监测系统的功能模块图；
图3是本发明的一种基于机器学习的建筑物裂缝监测方法的流程图；
图4是本发明的一种基于机器学习的建筑物裂缝监测方法的神经网络训练示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“第一”“第二”“第三”是为了清楚说明产品部件进行的编号，不代表任何实质性区别。“上”“下”“左”“右”的方向均以附图所示方向为准。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在发明实施例中的具体含义。
图1是本实施例中的提供的一种基于机器学习的建筑物裂缝监测系统的整体结构示意图，利用最新的测试技术、信息集成技术将现有的分散的测试系统进行信息集成，在一个平台上进行所有相关监测信息的集成化显示，便于整体分析和决策。系统的总体结构包括硬件部分和软件部分。
本系统的硬件部分包括：图像采集装置、裂缝监测仪、服务器、显示装置和数据传输装置。图像采集装置包括图像采集系统、照明系统，其用于采集建筑物图像并传输至服务器；裂缝监测仪内设有高精度位移传感器、温度传感器、气压传感器，其用于采集裂缝的特征数据并传输至服务器。服务器用于接收、存储、发送数据，并进行运算处理。显示装置用于显示监测数据、采集的图像、分析图表、动态模拟画面等，根据现场情况，系统可接入多个显示装置同时显示所有信息。
裂缝监测仪能够通过高精度的位移传感器来采集裂缝宽度变化的数据，位移传感器的精度达到±2μm；通过温度传感器采集环境温度的数据，传感器精度达到±0.5；通过ZigBee无线网络将上述数据定时传输至控制台，从而对数据进行存储、分析和处理；在未联网的状态下，可以将上述数据存储在本地，联网时可以通过本地的通讯接口将数据取出分析；此外，还可以通过本地通讯接口与计算机进行通信，由计算机进行参数设置，如无线参数、工作模式、测量间隔等。裂缝监测仪还具有控制数据采集频率功能，使用者能够根据不同建筑物特点，设置裂缝监测仪的数据采集频率，对不同建筑物表面实现定期或实时监测。例如：对高风险区采取高频定期监测，对低风险区采取低频定期监测。
本系统的软件包括现场采集软件、数据传输软件、后台处理软件，其中，现场采集软件包括图像采集装置中的图像采集软件、裂缝监测仪中的裂缝数据采集软件，后台处理软件包括图像处理软件、分析处理软件、机器学习软件、画面显示软件。
其中，将硬件和软件按照相应的功能划分，可以分为如图2所示的五大功能模块：设备管理模块、图像处理模块、机器学习模块、裂缝监测模块、趋势预警模块。
设备管理模块用于控制现场设备，现场可包含多个图像采集装置和多个裂缝监测仪，设备管理模块可以设置每个图像采集装置的采集频率、采集路径、图片亮度，以及每个裂缝监测仪的采集频率。
图像处理模块用于对现场采集的图像进行图像增强和图像分割，并提取图像的数据特征。图像增强有助于减少图片数据量，图像分割技术用于识别裂缝，提高裂缝图像边缘监测及提取效果。在本发明中，采用基于RGB到YUV的色彩模型转化方式提升裂缝图像的对比度和亮度，提出基于改进阈值函数的小波阈值去噪算法及基于中值滤波和拉普拉斯算子的灰度拉伸算法，与经典软硬阈值函数去噪方法和单一图像增强算法相比，去噪效果更佳，且明显提升背景和裂缝之间的对比度和亮度。图像分割通常采用3种不同的原理：区域方法、边界方法和边缘方法。在本发明中，在基于经典微分边缘检测算子和曲线拟合的亚像素边缘定位技术上，提出基于改进Canny算子的灰度阈值边缘检测和提取算法实现粗定位，再基于邻域梯度特征的高斯曲线拟合亚像素定位算法实现亚像素精度定位，用此方法进行边缘定位的精度高且误差小。为进一步突出图像裂缝特征，采用阈值分割和迭代法相融合的最佳阈值法和最大类间方差法进行裂缝图像二值化，最大程度地保持图像裂缝特征完整度。图像经过处理后，可计算出裂缝的像素宽、像素周长、像素面积等信息。裂缝像素周长可通过统计图像中裂缝相邻边缘点的距离求得，裂缝像素面积可通过统计图像中裂缝边缘线包含的像素点求得。在本发明中，采用水平距离边缘点法和切线垂线法测量裂缝宽度，采用数像素点法测量裂缝面积，采用中心线法先确定裂缝中心线，然后用首尾点距离法、相邻点距离总和法或离散点拟合曲线法计算中心线长度，通过Matlab编程实现上述测量算法。
机器学习模块用于对导入的数据进行深度学习，输出裂缝监测模型。机器学习模块可以设置不同的建筑物类型，导入不同的数据集合，进行深度学习后，得到多个不同建筑物的裂缝监测模型。
裂缝监测模块用于获取裂缝的特征数据，通过机器学习模块得到裂缝监测模型后，根据当前建筑物类型选择合适的裂缝监测模型，输入现场采集的图像数据，即可获得对应的裂缝特征数据。
趋势预警模块用于对选定的数据进行统计分析，获得裂缝发展趋势。根据采集到的大量温度、气压、裂缝特征数据，分析出外界因素对裂缝发展的影响，对裂缝后续的发展进行预测模拟，提前进行预警。
与此同时，本发明还提供一种基于机器学习的建筑物裂缝监测方法，主要使用了上述基于机器学习的建筑物裂缝监测系统。如图3所示，监测方法包括样本数据采集、监测模型获取、实时裂缝监测、发展趋势预警四个主要步骤：
(1)样本数据采集
本发明采用图像采集装置获取建筑物表面裂缝的图像，采集多个点的图像并导入本系统进行图像处理，图像经过处理后，系统可计算出裂缝的像素宽、像素周长、像素面积等信息，将这组基于图像获得的数据作为样本数据A1；同时，通过高精度裂缝监测仪获取建筑物表面裂缝的特征数据，高精度裂缝监测仪内含高精度位移传感器、温度传感器和气压传感器，可获得裂缝长度、宽度、现场温度、现场气压等数据，将这组特征数据导入本系统作为样本数据X1。由此，得到一组输入输出数据样本A1*、X1*。
对建筑物进行加压试验或升温试验，定时监测其表面裂缝的变化，按照上述方法继续采集图像数据和裂缝特征数据，由此获得大量的样本数据，从而得到输入样本集[A1、A2、A3……An]和输出样本集[X1、X2、X3……Xn]。
(2)监测模型获取
将输入样本集[A1、A2、A3……An]和输出样本集[X1、X2、X3……Xn]作为训练数据集，通过机器学习方法，获得裂缝监测模型M。机器学习方法可以采取神经网络方法和贝叶斯方法等。
本发明以神经网络方法为例，通过神经网络模型的方法进行深度学习，获得裂缝监测模型，图4为神经网络模型训练示意图。首先，将训练数据集导入神经网络模型中，将输入样本集[A1、A2、A3……An]作为输入端，将输出样本集[X1、X2、X3……Xn]作为输出端，导入神经网络模型中；然后，神经网络模型进行深度学习，待其学习成功后，即可获得所需的裂缝监测模型M。
裂缝监测模型M的功能为：只需输入裂缝图像数据An，即可获得对应的裂缝特征数据Xn。
(3)实时裂缝监测
获得裂缝监测模型M后，采用图像采集装置获取建筑物表面裂缝的图像，导入本系统进行图像处理，系统计算出裂缝的像素宽、像素周长、像素面积等信息，将这组基于图像获得的数据作为样本数据An，输入裂缝监测模型M中，裂缝监测模型M自动输出对应的裂缝特征数据Xn。
为实现非人工接触的建筑物表面图像的清晰化获取，可利用固定安装的拍摄系统、无人机、非接触检测仪、爬壁机器人与机械臂等多种图像获取平台，通过安装相机、测距与补光系统，而后通过人工控制或GPS的路线规划来拍摄建筑物结构表面图像的技术，这种方法自动化程度高，既可以对已知裂缝位置进行针对性监测，又可以定期对建筑物整体进行全面监测，有助于对新裂缝出现的时间与位置进行感知。根据监测需要，设置图像采集时间间隔，即可实现建筑物的实时裂缝监测。
(4)发展趋势预警
本发明通过对采集的大量样本数据进行分析，根据裂缝特征数据、现场环境数据(温度、气压)，分析出外界因素对裂缝发展的影响，从而对裂缝后续的发展趋势进行预测及模拟，提前进行预警分析，便于建筑物安全管理工作的开展。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于机器学习的建筑物裂缝监测方法，使用了一种基于机器学习的建筑物裂缝监测系统，包括：图像采集装置，用于采集建筑物图像；裂缝监测仪，包括位移传感器、温度传感器和气压传感器；服务器，用于接受、存储、分析和转发所述图像采集装置和所述裂缝监测仪采集到的数据；数据传输装置，用于将所述图像采集装置和所述裂缝监测仪采集的数据传输至所述服务器；显示装置，用于显示所述图像采集装置采集到的建筑物图像、所述裂缝监测仪采集到的各项参数和所述服务器的分析结果；还包括与上述硬件相配合使用的软件系统，所述软件系统包括：现场采集软件，用于将所述图像采集装置和所述裂缝监测仪采集的数据进行汇总、存储和转发；分析处理软件，用于将由所述现场采集软件转发而来的原始现场数据分别进行二次处理并导入到后台处理软件；后台处理软件，接受由所述分析处理软件导入而来的二次处理过后的数据，将该数据导入机器学习模块进行深度学习，得到相应的建筑物缝隙监测模型；
其特征在于：包括以下步骤：
步骤一、使用图像采集装置采集建筑物表面裂缝的图像，由所述现场采集软件存储为数据组A1；
步骤二、使用裂缝监测仪获取建筑物表面裂缝的特征数据由所述现场采集软件存储为X1；
步骤三、使用所述分析处理软件将A1，X1进行二次处理，得到优化后的数据A1*，X1*；
步骤四、对建筑物采取加压或者升温处理，重复步骤1至步骤三，得到数据A2*，X2*；
步骤五、多次执行步骤四，得到样本集[A1*、A2*、A3*…An*]，[X1*，X2*，X3*…Xn*]；
步骤六、将样本集[A1*、A2*、A3*…An*]作为输入端，[X1*，X2*，X3*…Xn*]作为输出端导入机器学习模块进行深度学习，即可获得所需的裂缝检测模型M；
步骤七、使用图像采集装置采集建筑物表面裂缝的图像Am，将其导入到裂缝检测模型M，即可测算出此时建筑物表面裂缝的特征数据Xm。
2.根据权利要求1所述的一种基于机器学习的建筑物裂缝监测方法，其特征在于，所述分析处理软件对步骤一中图像采集装置采集到的建筑物表面裂缝图像的处理包括：基于RGB到YUV的色彩模型转化方式提升裂缝图像的对比度和亮度、基于改进阈值函数的小波阈值去噪算法处理，以及基于中值滤波和拉普拉斯算子的灰度拉伸算法处理。
3.根据权利要求1所述的一种基于机器学习的建筑物裂缝监测方法，其特征在于，所述分析处理软件对步骤一中图像采集装置采集到的建筑物表面裂缝图像的处理还包括：基于改进Canny算子的灰度阈值边缘检测和基于提取算法实现粗定位、基于邻域梯度特征的高斯曲线拟合亚像素定位算法实现亚像素精度定位，以及基于阈值分割和迭代法相融合的最佳阈值法和最大类间方差法进行裂缝图像二值化用以最大程度地保持图像裂缝特征完整度。
4.根据权利要求1至3中任意一项所述的一种基于机器学习的建筑物裂缝监测方法，其特征在于，所述步骤一中图像采集装置采集到建筑物表面裂缝的图像经过所述分析处理软件处理后，计算出裂缝的像素宽、像素周长、像素面积以及中心线长度。
5.根据权利要求4所述的一种基于机器学习的建筑物裂缝监测方法，其特征在于，所述裂缝的像素周长通过统计图像中裂缝相邻边缘点的距离求得，裂缝的像素面积通过统计图像中裂缝边缘线包含的像素点求得。
6.根据权利要求4所述的一种基于机器学习的建筑物裂缝监测方法，其特征在于，采用水平距离边缘点法和切线垂线法测量裂缝的像素宽，采用数像素点法测量裂缝面积，采用中心线法先确定裂缝中心线，然后用首尾点距离法、相邻点距离总和法或离散点拟合曲线法计算中心线长度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010779939.8A CN111896549B (zh) | 2020-08-05 | 2020-08-05 | 一种基于机器学习的建筑物裂缝监测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010779939.8A CN111896549B (zh) | 2020-08-05 | 2020-08-05 | 一种基于机器学习的建筑物裂缝监测系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111896549A CN111896549A (zh) | 2020-11-06 |
| CN111896549B true CN111896549B (zh) | 2024-05-07 |
Family
ID=73245735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010779939.8A Active CN111896549B (zh) | 2020-08-05 | 2020-08-05 | 一种基于机器学习的建筑物裂缝监测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111896549B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113267398B (zh) * | 2021-04-30 | 2023-02-24 | 国网河北省电力有限公司衡水供电分公司 | 电杆力学检测系统、控制方法和服务器 |
| CN113720438B (zh) * | 2021-07-23 | 2023-06-16 | 鹏城实验室 | 一种构件裂缝信息监测方法、装置、终端设备及存储介质 |
| CN114049356B (zh) * | 2022-01-17 | 2022-04-12 | 湖南大学 | 一种结构表观裂缝检测方法、装置及系统 |
| CN114724040A (zh) * | 2022-05-06 | 2022-07-08 | 悉地（苏州）勘察设计顾问有限公司 | 一种基于航拍拼接图像的混凝土裂缝识别方法及系统 |
| CN115393270B (zh) * | 2022-07-14 | 2023-06-23 | 北京建筑大学 | 建筑遗产病害自动识别预测方法、装置及设备 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110098127A (ko) * | 2010-02-26 | 2011-09-01 | 한국표준과학연구원 | 영상처리기법을 이용한 균열측정시스템의 역치값 보정을 위한 캘리브레이션 장치 및 방법 |
| CN102901696A (zh) * | 2012-09-21 | 2013-01-30 | 中国石油大学(华东) | 基于裂缝可视化观测的岩心三维多参数测量仪 |
| CN103486971A (zh) * | 2013-08-14 | 2014-01-01 | 北京交通大学 | 一种地铁隧道裂缝宽度检测及校正算法 |
| KR101462467B1 (ko) * | 2014-04-10 | 2014-11-27 | 주식회사 에이베스트 | 이동 단말기를 이용한 콘크리트 균열 측정장치 및 그 제어방법 |
| CN104568981A (zh) * | 2015-01-06 | 2015-04-29 | 中科华核电技术研究院有限公司北京分公司 | 基于图像的建筑物墙壁缺陷测量方法及其系统 |
| JP2015190978A (ja) * | 2014-03-28 | 2015-11-02 | 株式会社Ｃｕｂｉｃ | 四角形や円錐台形状を持つ構築物の画像計測装置及びその方法 |
| KR101569193B1 (ko) * | 2015-06-05 | 2015-11-13 | 주식회사 케이엠티엘 | 원거리용 균열 측정장치 및 이를 이용하는 균열 측정방법 |
| CN105910540A (zh) * | 2016-06-23 | 2016-08-31 | 吴江市建设工程质量检测中心有限公司 | 一种用于现场检测建筑墙体裂缝的方法 |
| CN107063095A (zh) * | 2016-12-23 | 2017-08-18 | 张晓明 | 一种既有建筑房屋结构裂缝宽度变化的实时监测报警系统及识别方法 |
| CN107782733A (zh) * | 2017-09-30 | 2018-03-09 | 中国船舶重工集团公司第七〇九研究所 | 金属表面缺陷的图像识别无损检测装置及方法 |
| CN208187890U (zh) * | 2018-05-24 | 2018-12-04 | 长安大学 | 一种土体裂隙自动监测装置 |
| CN109541022A (zh) * | 2018-10-30 | 2019-03-29 | 中铁大桥科学研究院有限公司 | 一种桥梁结构裂缝健康监测分析方法 |
| CN109738460A (zh) * | 2019-01-28 | 2019-05-10 | 西京学院 | 一种用于土木工程结构表观缺陷的评定检测系统 |
| CN109767444A (zh) * | 2019-01-21 | 2019-05-17 | 福建省特种设备检验研究院 | 一种基于无人机的裂缝检测方法 |
| CN209182263U (zh) * | 2018-11-05 | 2019-07-30 | 天津市宏智钢铁有限公司 | 一种焊缝激光检测装置 |
| WO2019163329A1 (ja) * | 2018-02-21 | 2019-08-29 | 富士フイルム株式会社 | 画像処理装置及び画像処理方法 |
-
2020
- 2020-08-05 CN CN202010779939.8A patent/CN111896549B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110098127A (ko) * | 2010-02-26 | 2011-09-01 | 한국표준과학연구원 | 영상처리기법을 이용한 균열측정시스템의 역치값 보정을 위한 캘리브레이션 장치 및 방법 |
| CN102901696A (zh) * | 2012-09-21 | 2013-01-30 | 中国石油大学(华东) | 基于裂缝可视化观测的岩心三维多参数测量仪 |
| CN103486971A (zh) * | 2013-08-14 | 2014-01-01 | 北京交通大学 | 一种地铁隧道裂缝宽度检测及校正算法 |
| JP2015190978A (ja) * | 2014-03-28 | 2015-11-02 | 株式会社Ｃｕｂｉｃ | 四角形や円錐台形状を持つ構築物の画像計測装置及びその方法 |
| KR101462467B1 (ko) * | 2014-04-10 | 2014-11-27 | 주식회사 에이베스트 | 이동 단말기를 이용한 콘크리트 균열 측정장치 및 그 제어방법 |
| CN104568981A (zh) * | 2015-01-06 | 2015-04-29 | 中科华核电技术研究院有限公司北京分公司 | 基于图像的建筑物墙壁缺陷测量方法及其系统 |
| KR101569193B1 (ko) * | 2015-06-05 | 2015-11-13 | 주식회사 케이엠티엘 | 원거리용 균열 측정장치 및 이를 이용하는 균열 측정방법 |
| CN105910540A (zh) * | 2016-06-23 | 2016-08-31 | 吴江市建设工程质量检测中心有限公司 | 一种用于现场检测建筑墙体裂缝的方法 |
| CN107063095A (zh) * | 2016-12-23 | 2017-08-18 | 张晓明 | 一种既有建筑房屋结构裂缝宽度变化的实时监测报警系统及识别方法 |
| CN107782733A (zh) * | 2017-09-30 | 2018-03-09 | 中国船舶重工集团公司第七〇九研究所 | 金属表面缺陷的图像识别无损检测装置及方法 |
| WO2019163329A1 (ja) * | 2018-02-21 | 2019-08-29 | 富士フイルム株式会社 | 画像処理装置及び画像処理方法 |
| CN208187890U (zh) * | 2018-05-24 | 2018-12-04 | 长安大学 | 一种土体裂隙自动监测装置 |
| CN109541022A (zh) * | 2018-10-30 | 2019-03-29 | 中铁大桥科学研究院有限公司 | 一种桥梁结构裂缝健康监测分析方法 |
| CN209182263U (zh) * | 2018-11-05 | 2019-07-30 | 天津市宏智钢铁有限公司 | 一种焊缝激光检测装置 |
| CN109767444A (zh) * | 2019-01-21 | 2019-05-17 | 福建省特种设备检验研究院 | 一种基于无人机的裂缝检测方法 |
| CN109738460A (zh) * | 2019-01-28 | 2019-05-10 | 西京学院 | 一种用于土木工程结构表观缺陷的评定检测系统 |
Non-Patent Citations (4)
| Title |
|---|
| 一种基于图像处理的通信铁塔和建筑物高度测量方法;赵慧;金思晔;陈瑞;焦良葆;;科技资讯(第07期);全文 * |
| 基于无线传感器网络的安全壳裂缝实时监测系统;徐亚明;黎建洲;周建国;;测绘地理信息(第03期);全文 * |
| 结构裂缝的放大数码摄像及实时传输检测技术;陈颖;吴小波;耿丽;浦沪军;;工程质量(第S2期);全文 * |
| 远距离混凝土桥梁结构表面裂缝精确提取算法;李刚;贺拴海;巨永锋;刘伟;;中国公路学报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111896549A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111896549B (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
| CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
| CN105335963A (zh) | 一种边缘缺陷检测方法及装置 | |
| KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
| CN112966772A (zh) | 一种多人在线的图像半自动标注方法及系统 | |
| CN102456142A (zh) | 一种基于计算机视觉的烟气黑度分析方法 | |
| CN104252056A (zh) | 一种基板的检测方法及装置 | |
| CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
| CN109064449B (zh) | 一种桥梁表面病害的检测方法 | |
| CN110969610A (zh) | 基于深度学习的电力设备红外热图的识别方法及系统 | |
| CN115331002A (zh) | 一种基于ar眼镜实现热力站故障远程处理方法 | |
| CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
| Tayo et al. | Portable crack width calculation of concrete road pavement using machine vision | |
| CN114462646B (zh) | 一种基于接触网安全巡检的杆号牌识别方法及系统 | |
| CN114441452B (zh) | 一种光纤尾纤检测方法 | |
| CN117237925B (zh) | 一种基于计算机视觉的智慧道路病害巡检方法及系统 | |
| CN113592839A (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
| CN115289991B (zh) | 地铁轨道形变监测方法、装置及电子设备 | |
| CN115938009A (zh) | 一种智能电子巡检定位方法及系统 | |
| CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
| CN114812403A (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| JP3194996B2 (ja) | 疵検査装置 | |
| CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 | |
| CN111833307A (zh) | 一种风力机叶片裂纹诊断方法及装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230202 Address after: 518000 101, No.15 Tongle Street, Dapeng Community, Dapeng Street, Dapeng New District, Shenzhen, Guangdong Province Applicant after: SHENZHEN RELABO NUCLEAR ENERGY TECHNOLOGY DEVELOPMENT CO.,LTD. Applicant after: WUHAN University Address before: 518000 No. 19, Pengrong Street, Dapeng Street, Dapeng New District, Shenzhen, Guangdong Province Applicant before: SHENZHEN RELABO NUCLEAR ENERGY TECHNOLOGY DEVELOPMENT CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |