CN112197746A - 一种清水砖墙表面风化程度智能检测设备及检测方法 - Google Patents

一种清水砖墙表面风化程度智能检测设备及检测方法 Download PDF

Info

Publication number
CN112197746A
CN112197746A CN202010971388.5A CN202010971388A CN112197746A CN 112197746 A CN112197746 A CN 112197746A CN 202010971388 A CN202010971388 A CN 202010971388A CN 112197746 A CN112197746 A CN 112197746A
Authority
CN
China
Prior art keywords
brick wall
weathering
intelligent
module
fresh water
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.)
Granted
Application number
CN202010971388.5A
Other languages
English (en)
Other versions
CN112197746B (zh
Inventor
张英楠
谷志旺
张铭
黄轶
张波
汪小林
任瑛楠
何娇
王佳伟
张少伟
辛佩康
王伟茂
孙沈鹏
陈雪峡
蔡观生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Construction No 4 Group Co Ltd
Original Assignee
Shanghai Construction No 4 Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Construction No 4 Group Co Ltd filed Critical Shanghai Construction No 4 Group Co Ltd
Priority to CN202010971388.5A priority Critical patent/CN112197746B/zh
Publication of CN112197746A publication Critical patent/CN112197746A/zh
Application granted granted Critical
Publication of CN112197746B publication Critical patent/CN112197746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G01N2021/8887—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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

针对传统清水砖墙表面风化检测技术人为因素干扰大、检测效率低、检测精度低、操作流程复杂且重复性高等不足，本发明提出一种清水砖墙表面风化程度智能检测设备及检测方法。一种清水砖墙表面风化程度智能检测设备包括近景摄影测量设备、以及云平台处理系统；所述近景摄影测量设备包括机身、以及设置于机身上的双高清拍摄镜头、激光发射器、数据处理器、数据收发器；所述双高清拍摄镜头、激光发射器、数据收发器分别与数据处理器信号连接；所述云平台处理系统包括，智能检测模块、检测结果显示模块、存储模块、以及数据收发模块；所述智能检测模块、检测结果显示模块、数据收发模块分别与存储模块信号连接；所述数据收发器与数据收发模块信号连接。

Description

一种清水砖墙表面风化程度智能检测设备及检测方法
技术领域
本发明属于建筑施工技术领域，特别涉及一种清水砖墙表面风化程度智能检测设备及检测方法。
背景技术
古建筑及历史建筑往往采用清水砖墙为主体建筑材料，由于自然环境的长期影响，表面风化成为清水砖墙最易发生和最常出现的损伤之一。目前，检测清水砖墙表面风化损伤大多采用人工视觉进行检测，利用人眼识别及经验判断对清水砖墙上的表面风化区域进行标记和测量。这种传统的人工检测方法受人为影响因素大，检测效率低，且大面积的清水砖墙表面风化检测工作极易引起人的视觉疲劳，造成错检、漏检等情况。此外，对于较高墙面、地下室墙体等复杂、危险部位的表面风化检测，采用传统的人工检测方法通常需要搭设脚手架等其他辅助措施进行配合，工作流程较为复杂，同时也存在一定的危险性。综上，需要提出一个新的清水砖墙表面风化智能检测方法，并研发相应设备，改进上述人工检测方法的不足。
发明内容
针对传统清水砖墙表面风化人工检测技术人为因素干扰大、检测效率低、检测精度低、操作流程复杂且重复性高等诸多不足，本发明利用计算机视觉及深度学习等人工智能技术，提出一种清水砖墙表面风化程度智能检测设备及检测方法，实现高效率、高精度、高操作性、高实用性的清水砖墙表面风化智能检测。
本发明的一种清水砖墙表面风化程度智能检测设备的技术方案如下：
一种清水砖墙表面风化程度智能检测设备，包括近景摄影测量设备、以及云平台处理系统；所述近景摄影测量设备包括机身、以及设置于机身上的双高清拍摄镜头、激光发射器、数据处理器、数据收发器；所述双高清拍摄镜头、激光发射器、数据收发器分别与数据处理器信号连接；所述云平台处理系统包括，智能检测模块、检测结果显示模块、存储模块、以及数据收发模块；所述智能检测模块、检测结果显示模块、数据收发模块分别与存储模块信号连接；所述数据收发器与数据收发模块信号连接。
本发明的清水砖墙表面风化程度智能检测设备，使用时，首先，采用近景摄影测量设备对待检测区域进行拍照、测距，获得照片及测距数据；然后，数据处理器根据双高清拍摄镜头的设备参数及测距数据计算得到照片的单位像素点所对应的实际距离，并将照片及单位像素点所对应的实际距离通过数据收发器发送至云平台处理系统；最后，智能检测模块接收照片及单位像素点所对应的实际距离，对照片中的清水砖墙表面风化区域进行识别，并通过单位像素点所对应的实际距离确定清水砖墙表面风化区域的大小，生成检测结果。采用近景摄影测量设备拍照取证，可以避免检测人员进入危险区域，从而保证检测人员的人身安全。并且，采用近景摄影测量设备拍照取证，可以很方便的对一些检测人员难以到达的地点进行检测，避免搭设脚手架等一系列辅助工序，便于现场操作。另外，采用智能检测模块对照片中的清水砖墙表面风化区域进行识别，能够避免人工检测过程中由于视觉疲劳而造成错检、漏检等情况的发生，提高检测效率。
进一步的，所述清水砖墙表面风化程度智能检测设备中，所述近景摄影测量设备还包括存储器、以及显示器，所述存储器与数据收发器信号连接，所述显示器与存储器信号连接。近景摄影测量设备可以从云平台处理系统上获取检测结果，并存储在存储器中，需要时，检测人员可以通过显示器查看存储器中的检测结果，及时获得检测结果相关的资料。
进一步的，所述清水砖墙表面风化程度智能检测设备中，所述数据处理器包括像素点距离计算模块。像素点距离计算模块利用双高清拍摄镜头的设备参数及激光发射器传输的数据，计算得到采集图像单位像素点间的实际距离。
进一步的，所述清水砖墙表面风化程度智能检测设备中，还包括与数据收发模块信号连接的客户端。客户端可以从云平台处理系统上获取检测结果。
进一步的，所述清水砖墙表面风化程度智能检测设备中，具体的，所述数据收发器为5G网络收发器。
本发明还提供一种清水砖墙表面风化程度的检测方法。
本发明的一种清水砖墙表面风化程度的检测方法的技术方案，使用上述清水砖墙表面风化程度智能检测设备，包括如下步骤：
S1，采用近景摄影测量设备对待检测区域进行拍照、测距，获得照片及测距数据；
S2，数据处理器根据双高清拍摄镜头的设备参数及测距数据计算得到照片的单位像素点所对应的实际距离，并将照片及单位像素点所对应的实际距离通过数据收发器发送至云平台处理系统；
S3，智能检测模块接收照片及单位像素点所对应的实际距离，对照片中的清水砖墙表面风化区域进行识别，并通过单位像素点所对应的实际距离确定清水砖墙表面风化区域的大小，生成检测结果。检测结果包括标记的照片、样本风化率、以及样本风化程度，具体的数据，也可以包括对照片的说明、以及建议采取的修缮措施等内容。
本发明的一种清水砖墙表面风化程度的检测方法，采用近景摄影测量设备拍照取证，可以避免检测人员进入危险区域，从而保证检测人员的人身安全。并且，采用近景摄影测量设备拍照取证，可以很方便的对一些检测人员难以到达的地点进行检测，避免搭设脚手架等一系列辅助工序，便于现场操作。另外，采用智能检测模块对照片中的清水砖墙表面风化区域进行识别，能够避免人工检测过程中由于视觉疲劳而造成错检、漏检等情况的发生，提高检测效率。
进一步的，所述清水砖墙表面风化程度的检测方法中，为了保证检测的准确性，S1中，近景摄影测量设备与待检测区域之间的距离不超过5米，与待检测区域的拍摄角度不超过±45度。
进一步的，所述清水砖墙表面风化程度的检测方法中，S3中，包括：
S3-1，对以往人工检测清水砖墙表面风化的影像资料进行收集，并将图像中的表面风化区域进行人工标记，建立清水砖墙表面风化图像数据库；
S3-2，利用清水砖墙表面风化图像数据库建立基于深度卷积神经网络的清水砖墙表面风化智能识别模型；清水砖墙表面风化智能识别模型可以建立在CPU/GPU云平台训练引擎上；
S3-3，对所述清水砖墙表面风化智能识别模型进行训练，直至清水砖墙表面风化智能识别模型的损失函数值小于预定阈值；具体的，首先对深度卷积神经网络进行参数初始化，包括设定权重初始值、学习率初始值、卷积核个数、以及卷积核尺寸等神经网络参数，导入清水砖墙表面风化图像数据库，确定输入张量值与目标张量值；之后，开展卷积层、下采样层及全连接层的正向传播训练，计算得出损失函数值；判断损失函数值是否小于预定阈值；若损失函数值小于预定阈值，则训练结束，锁定清水砖墙表面风化智能识别模型中的所有权重值，准备发布；若损失函数值大于预定阈值，则开展全连接层、下采样层及卷积层的反向传播训练，根据整体误差分配比重，更新卷积层、下采样层及全连接层的权重值，并再次进行正向传播训练，以此循环，直至损失函数值小于预定阈值结束。
S3-4，将清水砖墙表面风化智能识别模型发布、部署上线至智能检测模块中；
S3-5，智能检测模块接收照片及单位像素点所对应的实际距离，并通过清水砖墙表面风化智能识别模型对照片中的清水砖墙表面风化区域进行识别，并通过单位像素点所对应的实际距离确定清水砖墙表面风化区域的大小，生成检测结果。
清水砖墙表面风化智能识别模型能有效地判断清水砖墙表面风化的位置、风化面积的大小、以及风化程度，并且，能通过不断获取新的资料进行训练，优化模型，从而更准确地对清水砖墙表面风化的位置、大小、以及风化程度进行判断。
进一步的，所述清水砖墙表面风化程度的检测方法中，为了便于数据的浏览，还包括：S4，将检测结果显示至检测结果显示模块，并保存至存储模块。
进一步的，所述清水砖墙表面风化程度的检测方法中，所述清水砖墙表面风化程度智能检测设备还包括客户端，为了便于数据的浏览，步骤还包括：
S5，将检测结果发送至近景摄影测量设备、以及客户端。
附图说明
图1是本发明的一种清水砖墙表面风化程度智能检测设备的结构示意图；
图2是本发明的一种清水砖墙表面风化程度智能检测设备的近景摄影测量设备的正面示意图；
图3是本发明的一种清水砖墙表面风化程度智能检测设备的近景摄影测量设备的背面示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
实施例1：
参考图1至图3，本实施例的一种清水砖墙表面风化程度智能检测设备，包括近景摄影测量设备1、以及云平台处理系统2；所述近景摄影测量设备1包括机身11、以及设置于机身11上的双高清拍摄镜头12、激光发射器13、数据处理器14、数据收发器15；所述双高清拍摄镜头12、激光发射器13、数据收发器15分别与数据处理器14信号连接；所述云平台处理系统2包括，智能检测模块21、检测结果显示模块22、存储模块23、以及数据收发模块24；所述智能检测模块21、检测结果显示模块22、数据收发模块24分别与存储模块23信号连接；所述数据收发器15与数据收发模块24信号连接。
本发明的清水砖墙表面风化程度智能检测设备，使用时，首先，采用近景摄影测量设备1对待检测区域进行拍照、测距，获得照片及测距数据；然后，数据处理器14根据双高清拍摄镜头12的设备参数及测距数据计算得到照片的单位像素点所对应的实际距离，并将照片及单位像素点所对应的实际距离通过数据收发器15发送至云平台处理系统2；最后，智能检测模块21接收照片及单位像素点所对应的实际距离，对照片中的清水砖墙表面风化区域进行识别，并通过单位像素点所对应的实际距离确定清水砖墙表面风化区域的大小，生成检测结果。采用近景摄影测量设备1拍照取证，可以避免检测人员进入危险区域，从而保证检测人员的人身安全。并且，采用近景摄影测量设备1拍照取证，便于对一些检测人员难以到达的地点进行检测，避免搭设脚手架等一系列辅助工序，便于现场操作。另外，采用智能检测模块21对照片中的清水砖墙表面风化区域进行识别，能够有效避免人工检测过程中由于视觉疲劳而造成错检、漏检等情况的发生，提高检测精度和检测效率。
作为较佳的实施方式，所述清水砖墙表面风化程度智能检测设备中，所述近景摄影测量设备1还包括存储器16、以及显示器17，所述存储器16与数据收发器15信号连接，所述显示器17与存储器16信号连接。近景摄影测量设备1可以从云平台处理系统2上获取检测结果，并存储在存储器16中，需要时，检测人员可以通过显示器17查看存储器16中的检测结果，及时获得检测结果相关的资料。
作为较佳的实施方式，所述清水砖墙表面风化程度智能检测设备中，所述数据处理器14包括像素点距离计算模块。像素点距离计算模块利用双高清拍摄镜头12的设备参数及激光发射器13传输的数据，计算得到采集图像单位像素点间的实际距离。
作为较佳的实施方式，所述清水砖墙表面风化程度智能检测设备中，还包括与数据收发模块24信号连接的客户端3。客户端3可以从云平台处理系统2上获取检测结果。
作为较佳的实施方式，所述清水砖墙表面风化程度智能检测设备中，具体的，所述数据收发器15为5G网络收发器。
作为较佳的实施方式，所述清水砖墙表面风化程度智能检测设备中，为了提高拍摄效果，在机身11上安装闪光灯。
作为较佳的实施方式，所述清水砖墙表面风化程度智能检测设备中，为了便于资料的获取，存储器16可以为移动存储器，如SD卡等设备。
实施例2：
本发明还提供一种清水砖墙表面风化程度的检测方法。
本发明的一种清水砖墙表面风化程度的检测方法的技术方案，使用上述清水砖墙表面风化程度智能检测设备，包括如下步骤：
S1，采用近景摄影测量设备1对待检测区域进行拍照、测距，获得照片及测距数据；
S2，数据处理器14根据双高清拍摄镜头12的设备参数及测距数据计算得到照片的单位像素点所对应的实际距离。具体的，通过激光发射器13、以及数据处理器14得到激光发射与接收信号的时间差为t，进而通过激光发射速度v、以及拍摄角度α，计算得到近景摄影测量设备1与待检测区域的实际距离l为v*t*cos(α)。之后，利用相似三角形原理，通过双高清拍摄镜头12的距离b、镜头焦距f、双镜头视差z以及图像校正参数β，计算得到单位像素点的实际距离p为β*(f*b)/(l*z)。最后，将照片及单位像素点所对应的实际距离p通过数据收发器15发送至云平台处理系统2；
S3，智能检测模块21接收照片及单位像素点所对应的实际距离p，对照片中的清水砖墙表面风化区域进行识别，并通过单位像素点所对应的实际距离p确定清水砖墙表面风化区域的大小，生成检测结果。检测结果包括标记的照片、样本风化率、以及样本风化程度，具体的数据，也可以包括对照片的说明、以及建议采取的修缮措施等内容。
本发明的一种清水砖墙表面风化程度的检测方法，采用近景摄影测量设备1拍照取证，可以避免检测人员进入危险区域，从而保证检测人员的人身安全。并且，采用近景摄影测量设备1拍照取证，可以很方便的对一些检测人员难以到达的地点进行检测，避免搭设脚手架等一系列辅助工序，便于现场操作。另外，采用智能检测模块21对照片中的清水砖墙表面风化区域进行识别，能够避免人工检测过程中由于视觉疲劳而造成错检、漏检等情况的发生，提高检测效率。
作为较佳的实施方式，所述清水砖墙表面风化程度的检测方法中，为了保证检测的准确性，S1中，近景摄影测量设备1与待检测区域之间的距离不超过5米，与待检测区域的拍摄角度不超过±45度。
作为较佳的实施方式，所述清水砖墙表面风化程度的检测方法中，S3中，包括：
S3-1，对以往人工检测清水砖墙表面风化的影像资料进行收集，并将图像中的表面风化区域进行人工标记，建立清水砖墙表面风化图像数据库；
S3-2，利用清水砖墙表面风化图像数据库建立基于深度卷积神经网络的清水砖墙表面风化智能识别模型；清水砖墙表面风化智能识别模型可以建立在CPU/GPU云平台训练引擎上；
S3-3，对所述清水砖墙表面风化智能识别模型进行训练，直至清水砖墙表面风化智能识别模型的损失函数值小于预定阈值。具体的，首先对深度卷积神经网络进行参数初始化，包括设定权重初始值、学习率初始值、卷积核个数、以及卷积核尺寸等神经网络参数，导入清水砖墙表面风化图像数据库，确定输入张量值与目标张量值。之后，开展卷积层、下采样层及全连接层的正向传播训练，计算得出损失函数值，判断损失函数值是否小于预定阈值。若损失函数值小于预定阈值，则训练结束，锁定清水砖墙表面风化智能识别模型中的所有权重值，准备发布；若损失函数值大于预定阈值，则开展全连接层、下采样层及卷积层的反向传播训练，根据整体误差分配比重，更新卷积层、下采样层及全连接层的权重值，并再次进行正向传播训练，以此循环，直至损失函数值小于预定阈值结束；
S3-4，将清水砖墙表面风化智能识别模型发布、部署上线至智能检测模块21中；
S3-5，智能检测模块21接收照片及单位像素点所对应的实际距离，并通过清水砖墙表面风化智能识别模型对照片中的清水砖墙表面风化区域进行识别，并通过单位像素点所对应的实际距离确定清水砖墙表面风化区域的大小，生成检测结果。
清水砖墙表面风化智能识别模型能有效的判断清水砖墙表面风化的位置、风化面积的大小、以及风化程度，并且，能通过不断获取新的资料进行训练，优化模型，从而更准确地对清水砖墙表面风化的位置、大小、以及风化程度进行判断。
作为较佳的实施方式，所述清水砖墙表面风化程度的检测方法中，为了便于数据的浏览，还包括：S4，将检测结果显示至检测结果显示模块22，并保存至存储模块23。
作为较佳的实施方式，所述清水砖墙表面风化程度的检测方法中，所述清水砖墙表面风化程度智能检测设备还包括客户端3，为了便于数据的浏览，步骤还包括：
S5，将检测结果发送至近景摄影测量设备1、以及客户端3。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (11)

1.一种清水砖墙表面风化程度智能检测设备，其特征在于，包括近景摄影测量设备(1)、以及云平台处理系统(2)；
所述近景摄影测量设备(1)包括机身(11)、以及设置于机身(11)上的双高清拍摄镜头(12)、激光发射器(13)、数据处理器(14)、数据收发器(15)；所述双高清拍摄镜头(12)、激光发射器(13)、数据收发器(15)分别与数据处理器(14)信号连接；
所述云平台处理系统(2)包括，智能检测模块(21)、检测结果显示模块(22)、存储模块(23)、以及数据收发模块(24)；所述智能检测模块(21)、检测结果显示模块(22)、数据收发模块(24)分别与存储模块(23)信号连接；
所述数据收发器(15)与数据收发模块(24)信号连接。
2.如权利要求1所述的清水砖墙表面风化程度智能检测设备，其特征在于，所述近景摄影测量设备(1)还包括存储器(16)、以及显示器(17)，所述存储器(16)与数据收发器(15)信号连接，所述显示器(17)与存储器(16)信号连接。
3.如权利要求1所述的清水砖墙表面风化程度智能检测设备，其特征在于，所述数据处理器(14)包括像素点距离计算模块。
4.如权利要求1所述的清水砖墙表面风化程度智能检测设备，其特征在于，还包括与数据收发模块(24)信号连接的客户端(3)。
5.如权利要求1所述的清水砖墙表面风化程度智能检测设备，其特征在于，所述数据收发器(15)为5G网络收发器。
6.一种清水砖墙表面风化程度的检测方法，其特征在于，使用如权利要求1所述的清水砖墙表面风化程度智能检测设备，包括如下步骤：
S1，采用近景摄影测量设备(1)对待检测区域进行拍照、测距，获得照片及测距数据；
S2，数据处理器(14)根据双高清拍摄镜头(12)的设备参数及测距数据计算得到照片的单位像素点所对应的实际距离，并将照片及单位像素点所对应的实际距离通过数据收发器(15)发送至云平台处理系统(2)；
S3，智能检测模块(21)接收照片及单位像素点所对应的实际距离，对照片中的清水砖墙表面风化区域进行识别，并通过单位像素点所对应的实际距离确定清水砖墙表面风化区域的大小，生成检测结果。
7.如权利要求6所述的清水砖墙表面风化程度的检测方法，其特征在于，S1中，近景摄影测量设备(1)与待检测区域之间的距离不超过5米，与待检测区域的拍摄角度不超过±45度。
8.如权利要求6所述的清水砖墙表面风化程度的检测方法，其特征在于，S3中，包括：
S3-1，对以往人工检测清水砖墙表面风化的影像资料进行收集，并将图像中的表面风化区域进行人工标记，建立清水砖墙表面风化图像数据库；
S3-2，利用清水砖墙表面风化图像数据库建立基于深度卷积神经网络的清水砖墙表面风化智能识别模型；
S3-3，对所述清水砖墙表面风化智能识别模型进行训练，直至清水砖墙表面风化智能识别模型的损失函数值小于预定阈值；
S3-4，将清水砖墙表面风化智能识别模型发布、部署上线至智能检测模块(21)中；
S3-5，智能检测模块(21)接收照片及单位像素点所对应的实际距离，并通过清水砖墙表面风化智能识别模型对照片中的清水砖墙表面风化区域进行识别，并通过单位像素点所对应的实际距离确定清水砖墙表面风化区域的大小，生成检测结果。
9.如权利要求6所述的清水砖墙表面风化程度的检测方法，其特征在于，还包括：
S4，将检测结果显示至检测结果显示模块(22)，并保存至存储模块(23)。
10.如权利要求9所述的清水砖墙表面风化程度的检测方法，其特征在于，所述清水砖墙表面风化程度智能检测设备还包括客户端(3)，还包括：
S5，将检测结果发送至近景摄影测量设备(1)、以及客户端(3)。
11.如权利要求8所述的清水砖墙表面风化程度的检测方法，其特征在于，S3-3中，包括：
S3-3-1，首先对深度卷积神经网络进行参数初始化，包括设定权重初始值、学习率初始值、卷积核个数、以及卷积核尺寸等神经网络参数，导入清水砖墙表面风化图像数据库，确定输入张量值与目标张量值；
S3-3-2，开展卷积层、下采样层及全连接层的正向传播训练，计算得出损失函数值；
S3-3-3，判断损失函数值是否小于预定阈值；若损失函数值小于预定阈值，则训练结束，锁定清水砖墙表面风化智能识别模型中的所有权重值，准备发布；若损失函数值大于预定阈值，则开展全连接层、下采样层及卷积层的反向传播训练，根据整体误差分配比重，更新卷积层、下采样层及全连接层的权重值，并再次进行正向传播训练，以此循环，直至损失函数值小于预定阈值结束。
CN202010971388.5A 2020-09-16 2020-09-16 一种清水砖墙表面风化程度智能检测设备及检测方法 Active CN112197746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010971388.5A CN112197746B (zh) 2020-09-16 2020-09-16 一种清水砖墙表面风化程度智能检测设备及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010971388.5A CN112197746B (zh) 2020-09-16 2020-09-16 一种清水砖墙表面风化程度智能检测设备及检测方法

Publications (2)

Publication Number Publication Date
CN112197746A true CN112197746A (zh) 2021-01-08
CN112197746B CN112197746B (zh) 2022-06-21

Family

ID=74014938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010971388.5A Active CN112197746B (zh) 2020-09-16 2020-09-16 一种清水砖墙表面风化程度智能检测设备及检测方法

Country Status (1)

Country Link
CN (1) CN112197746B (zh)

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276138A (zh) * 2008-04-30 2008-10-01 北京工业大学 一种基线长度自动调节的双目立体摄像机
CN101308018A (zh) * 2008-05-30 2008-11-19 汤一平 基于双目全方位视觉传感器的立体视觉测量装置
CN101556152A (zh) * 2009-04-23 2009-10-14 上海交通大学 交通事故现场图像数据信息采集及处理方法
CN102012217A (zh) * 2010-10-19 2011-04-13 南京大学 一种基于双目视觉的大形貌物体三维几何外形测量方法
DE102009050073A1 (de) * 2009-10-20 2011-04-21 Fachhochschule Gelsenkirchen Bildsensoranordnung zur Erfassung von Bildinformationen für die automatische Bilddatenverarbeitung
CN102183524A (zh) * 2011-01-10 2011-09-14 哈尔滨工业大学 用于土木工程结构表观缺陷评定的双ccd检测方法及系统
CN102385752A (zh) * 2011-11-01 2012-03-21 清华大学深圳研究生院 一种基于距离和色彩差异的立体匹配方法
CN102867304A (zh) * 2012-09-04 2013-01-09 南京航空航天大学 双目立体视觉系统中场景立体深度与视差的关系建立方法
KR20130047843A (ko) * 2011-11-01 2013-05-09 임용근 3차원 레이저 동영상 디스플레이 시스템
US20130194415A1 (en) * 2012-01-30 2013-08-01 Sanyo Machine Works, Ltd. Prepreg pasting state inspection apparatus
CN104390584A (zh) * 2014-05-22 2015-03-04 北京中天荣泰科技发展有限公司 双目视觉激光标定测量装置及测量方法
EP2852161A1 (en) * 2012-06-28 2015-03-25 ZTE Corporation Method and device for implementing stereo imaging
CN105698767A (zh) * 2015-12-30 2016-06-22 哈尔滨工业大学深圳研究生院 一种基于视觉的水下测量方法
WO2016180386A1 (de) * 2015-05-13 2016-11-17 Oligo Lichttechnik Gmbh Leuchte zur optischen kontrolle von oberflächen
CN106872486A (zh) * 2017-03-29 2017-06-20 中国核工业华兴建设有限公司 一种大体积清水混凝土墙表面缺陷检测方法
CN108507539A (zh) * 2018-02-11 2018-09-07 上海航天控制技术研究所 一种光学相机单线阵推扫模式等地面分辨率成像方法
CN108547329A (zh) * 2018-03-05 2018-09-18 上海建工集团股份有限公司 地下连续墙水平位移测量系统及方法
US20180299387A1 (en) * 2016-01-22 2018-10-18 Fujifilm Corporation Imaging support device and imaging support method
CN108802043A (zh) * 2017-05-11 2018-11-13 成都中信华瑞科技有限公司 隧道检测装置、检测系统及隧道病害信息提取方法
CN108918539A (zh) * 2018-07-27 2018-11-30 同济大学 一种隧道结构表观病害检测装置及方法
CN109373904A (zh) * 2018-12-17 2019-02-22 石家庄爱赛科技有限公司 三维视觉检测装置及三维视觉检测方法
CN109410139A (zh) * 2018-10-22 2019-03-01 湖南六新智能科技有限公司 一种文物内部和表面病害数字化分析评估方法
CN109856163A (zh) * 2019-01-28 2019-06-07 重庆中烟工业有限责任公司 一种烟用打孔接装纸孔洞检测器
CN109931906A (zh) * 2019-03-28 2019-06-25 杭州华雁云态信息技术有限公司 摄像机测距方法、装置以及电子设备
CN110031170A (zh) * 2019-04-24 2019-07-19 华南理工大学 一种柔性铰接板振动测量控制装置及控制方法
CN110966956A (zh) * 2019-11-19 2020-04-07 北京伟景智能科技有限公司 一种基于双目视觉的三维检测装置和方法
CN210464461U (zh) * 2019-10-25 2020-05-05 广西壮族自治区基础地理信息中心 一种近景摄影测量装置

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276138A (zh) * 2008-04-30 2008-10-01 北京工业大学 一种基线长度自动调节的双目立体摄像机
CN101308018A (zh) * 2008-05-30 2008-11-19 汤一平 基于双目全方位视觉传感器的立体视觉测量装置
CN101556152A (zh) * 2009-04-23 2009-10-14 上海交通大学 交通事故现场图像数据信息采集及处理方法
DE102009050073A1 (de) * 2009-10-20 2011-04-21 Fachhochschule Gelsenkirchen Bildsensoranordnung zur Erfassung von Bildinformationen für die automatische Bilddatenverarbeitung
CN102012217A (zh) * 2010-10-19 2011-04-13 南京大学 一种基于双目视觉的大形貌物体三维几何外形测量方法
CN102183524A (zh) * 2011-01-10 2011-09-14 哈尔滨工业大学 用于土木工程结构表观缺陷评定的双ccd检测方法及系统
CN102385752A (zh) * 2011-11-01 2012-03-21 清华大学深圳研究生院 一种基于距离和色彩差异的立体匹配方法
KR20130047843A (ko) * 2011-11-01 2013-05-09 임용근 3차원 레이저 동영상 디스플레이 시스템
US20130194415A1 (en) * 2012-01-30 2013-08-01 Sanyo Machine Works, Ltd. Prepreg pasting state inspection apparatus
EP2852161A1 (en) * 2012-06-28 2015-03-25 ZTE Corporation Method and device for implementing stereo imaging
CN102867304A (zh) * 2012-09-04 2013-01-09 南京航空航天大学 双目立体视觉系统中场景立体深度与视差的关系建立方法
CN104390584A (zh) * 2014-05-22 2015-03-04 北京中天荣泰科技发展有限公司 双目视觉激光标定测量装置及测量方法
WO2016180386A1 (de) * 2015-05-13 2016-11-17 Oligo Lichttechnik Gmbh Leuchte zur optischen kontrolle von oberflächen
CN105698767A (zh) * 2015-12-30 2016-06-22 哈尔滨工业大学深圳研究生院 一种基于视觉的水下测量方法
US20180299387A1 (en) * 2016-01-22 2018-10-18 Fujifilm Corporation Imaging support device and imaging support method
CN106872486A (zh) * 2017-03-29 2017-06-20 中国核工业华兴建设有限公司 一种大体积清水混凝土墙表面缺陷检测方法
CN108802043A (zh) * 2017-05-11 2018-11-13 成都中信华瑞科技有限公司 隧道检测装置、检测系统及隧道病害信息提取方法
CN108507539A (zh) * 2018-02-11 2018-09-07 上海航天控制技术研究所 一种光学相机单线阵推扫模式等地面分辨率成像方法
CN108547329A (zh) * 2018-03-05 2018-09-18 上海建工集团股份有限公司 地下连续墙水平位移测量系统及方法
CN108918539A (zh) * 2018-07-27 2018-11-30 同济大学 一种隧道结构表观病害检测装置及方法
CN109410139A (zh) * 2018-10-22 2019-03-01 湖南六新智能科技有限公司 一种文物内部和表面病害数字化分析评估方法
CN109373904A (zh) * 2018-12-17 2019-02-22 石家庄爱赛科技有限公司 三维视觉检测装置及三维视觉检测方法
CN109856163A (zh) * 2019-01-28 2019-06-07 重庆中烟工业有限责任公司 一种烟用打孔接装纸孔洞检测器
CN109931906A (zh) * 2019-03-28 2019-06-25 杭州华雁云态信息技术有限公司 摄像机测距方法、装置以及电子设备
CN110031170A (zh) * 2019-04-24 2019-07-19 华南理工大学 一种柔性铰接板振动测量控制装置及控制方法
CN210464461U (zh) * 2019-10-25 2020-05-05 广西壮族自治区基础地理信息中心 一种近景摄影测量装置
CN110966956A (zh) * 2019-11-19 2020-04-07 北京伟景智能科技有限公司 一种基于双目视觉的三维检测装置和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王欣: "基于运动恢复的双目视觉三维重建系统设计", 《光学精密工程》 *
邵宝峰: "一种基于点激光和双目视觉的货物尺寸测量的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN112197746B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN101957178B (zh) 一种隧道衬砌裂缝测量方法及其测量装置
CN102798350B (zh) 一种臂架挠度的测量方法、装置及系统
CN113252700B (zh) 一种结构裂缝检测方法、设备及系统
CN102346013A (zh) 一种隧道衬砌裂缝宽度的测量方法及装置
CN107687841A (zh) 一种测距方法及装置
CN109443476B (zh) 一种水位波动过程非接触量测装置及方法
CN106949879A (zh) 基于摄影测量原理的物联网建筑三维实时监测分析方法
CN104173054A (zh) 基于双目视觉技术的人体身高测量方法及其装置
EP3194883B1 (en) Method and relevant device for measuring distance with auto-calibration and temperature compensation
CN107851331B (zh) 平滑对象的三维模型以减轻伪影
CN111445522B (zh) 被动式夜视智能探雷系统及智能探雷方法
CN104482921A (zh) 一种水面目标的测量方法
CN113884011A (zh) 一种非接触式混凝土表观裂缝测量设备和方法
CN103759701A (zh) 基于安卓平台的手机智能测距方法
CN103499341A (zh) 一种电杆倾斜测量仪及其使用方法
CN116989679A (zh) 一种基于图像处理的高速公路高边坡位移集成监测方法
CN112197746B (zh) 一种清水砖墙表面风化程度智能检测设备及检测方法
CN113095447A (zh) 一种基于图像识别的检测方法及系统
CN112101211A (zh) 一种基于目标检测和双目测距的人员与吊臂位置计算方法
CN115601517A (zh) 岩体结构面信息采集方法、装置、电子设备及存储介质
CN205300519U (zh) 铁塔变形测量装置
CN114266835A (zh) 一种非量测相机的变形监测控制方法与系统
CN113744393A (zh) 一种多层级边坡滑坡变化监测方法
KR20140033597A (ko) 영상정보를 활용한 흘수 측정방법
CN107784171B (zh) 一种空间模型构建方法

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