CN112505148A - 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 - Google Patents
基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 Download PDFInfo
- Publication number
- CN112505148A CN112505148A CN202011459628.XA CN202011459628A CN112505148A CN 112505148 A CN112505148 A CN 112505148A CN 202011459628 A CN202011459628 A CN 202011459628A CN 112505148 A CN112505148 A CN 112505148A
- Authority
- CN
- China
- Prior art keywords
- glass curtain
- curtain wall
- lens
- active safety
- sub
- 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.)
- Pending
Links
- 239000011521 glass Substances 0.000 title claims abstract description 125
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000005286 illumination Methods 0.000 claims abstract description 37
- 239000000919 ceramic Substances 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims abstract description 10
- 238000007689 inspection Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 25
- 238000000034 method Methods 0.000 description 20
- 238000005259 measurement Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010587 phase diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/24—Probes
- G01N29/2418—Probes using optoacoustic interaction with the material, e.g. laser radiation, photoacoustics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- Acoustics & Sound (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种玻璃幕墙服役状态的主动安全检测系统,包括检测装置,检测装置包括相机、激光频闪照明箱、激光控制器、电子控制箱、工控机、压电陶瓷、第一透镜、第二透镜、分光棱镜、第一反射镜、第二反射镜以及第三透镜;第一反射镜与光轴成一定小夹角;电子控制箱输出正弦信号调制信号以产生超声波激励墙体,使得安装在墙体上的待测玻璃幕墙形成振动;激光控制器用于控制激光频闪照明箱产生与待测玻璃幕墙上形成的振动同频的频闪光来对待测玻璃幕墙进行照明;被待测玻璃幕墙反射的光经过第一透镜和第二透镜形成的4f系统入射至分光棱镜后分为两束第一和第二子束;第一、第二子束分别被第一、第二反射镜反射并通过第三透镜汇聚并发生干涉。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统。
背景技术
玻璃幕墙是指由支承结构体系可相对主体结构有一定位移能力、不分担主体结构所受作用的建筑外围护结构或装饰结构。墙体有单层和双层玻璃两种。高层建筑目前有很多都采用玻璃幕墙。
然而,这些玻璃幕墙存在很多安全隐患,目前需要一种能够对玻璃幕墙进行安全检测的技术。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不意图确定本发明的关键或重要部分,也不意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
本发明提供了一种玻璃幕墙服役状态的主动安全检测系统,以至少解决现有技术中的上述问题。
本发明提供了一种玻璃幕墙服役状态的主动安全检测系统,所述主动安全检测系统包括检测装置,检测装置包括相机、激光频闪照明箱、激光控制器、电子控制箱、工控机、压电陶瓷、第一透镜、第二透镜、分光棱镜、第一反射镜、第二反射镜以及第三透镜;所述电子控制箱用于输出正弦信号调制信号以产生超声波激励墙体,使得安装在所述墙体上的待测玻璃幕墙形成振动;所述激光控制器用于控制所述激光频闪照明箱产生与所述待测玻璃幕墙上形成的振动同频的频闪光来对所述待测玻璃幕墙进行照明;所述第一透镜和所述第二透镜形成4f系统,使得被所述待测玻璃幕墙反射的光经过所述4f系统后入射至所述分光棱镜后分为第一子束和第二子束;所述第一子束经所述分光棱镜的分光面反射后,沿着与所述第一反射镜的镜面法线方向成预设夹角的方向入射至所述第一反射镜;所述第二子束经所述分光棱镜的分光面透射后,沿着所述第二反射镜的镜面法线方向入射至所述第二反射镜;其中,所述压电陶瓷用于连接所述第二反射镜以控制所述第二反射镜在沿光轴的方向上产生预设的正位移或负位移;从所述第一反射镜反射回的第一子束经所述分光棱镜透射后,经所述第三透镜后向所述相机输出;从所述第二反射镜反射回的第二子束经所述分光棱镜反射后,经所述第三透镜后向所述相机输出,并与向所述相机输出的第一子束汇聚并发生干涉,由所述相机接收对应的干涉图像,以通过所述相机将所述干涉图像发送至工控机。
优选地,所述预设夹角为大于0且小于30度的角度;所述预设夹角为2度、5度或10度。
优选地,检测装置还包括声控器以及发射器;所述电子控制箱连接所述声控器,所述电子控制箱通过所述声控器以及发射器控制所产生的超声波激励所述墙体。
优选地,检测装置还包括红外热传感装置,用于对待测玻璃幕墙进行传感而得到热传感数据。
优选地,所述工控机5用于对获得的干涉图像进行所述预处理。
优选地,所述预处理包括滤波和降噪。
优选地,所述工控机5还用于利用预先构建的玻璃幕墙检测数据识别算法模型对预处理后的干涉图像进行识别和分析。
优选地,所述玻璃幕墙检测数据识别算法模型通过预先获得大量的训练数据,通过神经网络训练模型而获得。
优选地,所述主动安全检测系统包括多个检测装置,所述多个检测装置用于设置在多个检测点,以获得对应检测点的玻璃幕墙的检测数据,所述检测数据至少包括对应的干涉图像。
优选地,所述训练数据具有对应的标签,标签包括损耗的类型和损耗的等级;损耗的类型分为裂痕、凹坑、划痕、破碎和污渍;每种损耗划分为0级、1级、2级和3级,0级表示没有损耗,1-3级表示损耗越来越严重。
本发明的一种玻璃幕墙服役状态主动安全检测系统,在建筑物玻璃幕墙服役状态的检测上能够测量尽可能大的区域,有助于发现大面积的振动分布异常(通常对应于缺陷),同时也提高了扫描速度,大幅度提高工作效率,相对于传统的时间平均法测量所需的时间较短。
本发明实施例的玻璃幕墙服役状态的主动安全检测系统,其集成4f系统,结构简单、光路稳定、视场角大,可更适用于建筑物玻璃幕墙服役状态主动安全检测系统。
通过以下结合附图对本发明的最佳实施例的详细说明,本发明的这些以及其他优点将更加明显。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。其中:
图1是示出本发明的一种玻璃幕墙服役状态的主动安全检测系统的一个示例性结构的示意图;
图2是示出本发明的一种玻璃幕墙服役状态的主动安全检测系统的另一个示例性结构的示意图;
图3是示出本发明的一种玻璃幕墙服役状态的主动安全检测系统的一个优选实施例中的示例结构示意图;
图4是激光频闪照明示意图;
图5是被测物的成像图;
图6是获得的干涉图;
图7是实时相减条纹图;
图8是示出第一透镜和第二透镜组成的4f光学系统的示意图;
图9是示出根据本发明的玻璃幕墙服役状态的主动安全检测系统的视场角原理的示意图。
本领域技术人员应当理解,附图中的元件仅仅是为了简单和清楚起见而示出的,而且不一定是按比例绘制的。例如,附图中某些元件的尺寸可能相对于其他元件放大了,以便有助于提高对本发明实施例的理解。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与系统及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本发明内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
本发明提供了一种玻璃幕墙服役状态的主动安全检测系统。
下面结合图1来描述上述一种玻璃幕墙服役状态的主动安全检测系统的一个示例。
本发明针对目前既有玻璃幕墙服役状态安全检测现状,提出了一种玻璃幕墙服役状态主动安全检测系统,该系统能够获得的干涉图像经过后续分析能够获得玻璃幕墙服役状态的有效信息,是否安全等,是否有损坏等,实现安全检测。
如图1所示,上述玻璃幕墙服役状态的主动安全检测系统包括检测装置。
该检测装置是一种用于获得玻璃幕墙服役状态的干涉图像的装置。
检测装置的结构例如可以如图1所示,包括相机1、激光频闪照明箱2、激光控制器3、电子控制箱4、工控机5、压电陶瓷10、第一透镜11、第二透镜12、分光棱镜13、第一反射镜14、第二反射镜15以及第三透镜16。
电子控制箱4用于输出正弦信号调制信号以产生超声波激励墙体9,使得安装在墙体9上的待测玻璃幕墙8形成振动。
激光控制器3用于控制激光频闪照明箱2产生与待测玻璃幕墙8上形成的振动同频的频闪光来对待测玻璃幕墙8进行照明;第一透镜11和第二透镜12形成4f系统,使得被待测玻璃幕墙8反射的光经过4f系统后入射至分光棱镜13后分为第一子束和第二子束。
第一子束经分光棱镜13的分光面反射后,沿着与第一反射镜14的镜面法线方向成预设夹角的方向入射至第一反射镜14。
第二子束经分光棱镜13的分光面透射后,沿着第二反射镜15的镜面法线方向入射至第二反射镜15。
其中,压电陶瓷10用于连接第二反射镜15以控制第二反射镜15在沿光轴的方向上产生预设的正位移或负位移。
从第一反射镜14反射回的第一子束经分光棱镜13透射后,经第三透镜16后向相机1输出。
从第二反射镜15反射回的第二子束经分光棱镜13反射后,经第三透镜16后向相机1输出,并与向相机1输出的第一子束汇聚并发生干涉,由相机1接收对应的干涉图像,以通过相机1将干涉图像发送至工控机5。
其中,预设夹角可以为大于0且小于30度的角度。
例如,预设夹角为2度、5度或10度等。
在一个示例中,检测装置还可以包括声控器6以及发射器7。
如图2所示,电子控制箱4连接声控器6,电子控制箱4通过所述声控器6以及发射器7控制所产生的超声波激励所述墙体9。
这样,工控机5可以对获得的干涉图像进行预处理(例如去噪、滤波等,或者也可以包括其他预处理)后,再利用预先构建的玻璃幕墙检测数据识别算法模型对预处理后的干涉图像进行识别和分析。
其中,玻璃幕墙检测数据识别算法模型例如可以通过预先获得大量的训练数据,通过神经网络训练模型而获得。
在一个示例中,检测装置还可以包括红外热传感装置。红外热传感装置可用于对待测玻璃幕墙8进行传感,得到传感数据(例如红外成像、辐射和光谱测量等)。
在另一个示例中,该系统可以包括多个如图1所示的检测装置(可选地,每个如图1所示的装置还可以对应设置一个或多个红外热传感装置)。这样,在城市多个预设地点设置上述装置,例如可以利用物联网实现多个预设地点之间的数据获取与通信,由此能够获得上述多个预设地点的玻璃幕墙的相关数据(对应的干涉图像以及传感数据等)。这样,获得的训练数据具有对应的标签,如损耗的类型和损耗的等级等,比如,损耗的类型可以分为裂痕、凹坑、划痕、破碎、污渍等等,等级可以按照严重程度进行划分,如每种损耗可以划分为0级、1级、2级和3级,0级表示没有损耗,1-3级表示损耗越来越严重。
这样,通过传感网、物联网、数据预处理和大数据管理等技术对大数据进行前期收集和前期处理筛选。
下面,描述本发明的一个优选实施例。
在获得训练数据时,可以获得雾霾、变光照、遮挡等复杂干扰条件下的训练数据,获得复杂环境下玻璃幕墙检测数据识别算法模型,通过深度学习算法实现玻璃幕墙服役状态的检测和风险评估,建筑所有玻璃幕墙定期检测并进行数据分析,实现城市所有建筑幕墙大数据安全,实现建筑玻璃幕墙服役状态的主动安全检测和预测。
由于建筑物玻璃幕墙面积很大,用于大面积振动测量时需要考虑视场角和激光频闪照明能量的问题。现有的测量装置受装置结构和尺寸的影响,视场角相对较小,这使它在工作距离也受到限制,通常视场角最大不超过28°。
除视场角问题外,大面积振动测量还需注意照明能量问题。一方面,因为采用频闪光照明降低了数字相机的曝光量,所以需要激光提供足够的照明能量;另一方面,因为被测目标的面积较大,所以也要求激光提供足够的照明能量。这两方面的因素促使大面积测量需要大功率的激光进行照明,同时还需保证激光具有较好的时间相干性和空间相干性。
这样,可以实现对振动振幅空间梯度的定量测量,或者根据振动分布的情况进行无损检测。该方法具备全场性、非接触性、快速性、抗干扰能力强,结构稳定,激光相干要求较低,能够适用于玻璃幕墙的无损检测。
为解决这一难题,采用如图3所示的示例结构测量建筑物玻璃幕墙缺陷,结合图3来说明系统的结构和工作原理。在图3中,虚线框内为检测装置,其中30包括如图1或图2所示的相机1、压电陶瓷10、第一透镜11、第二透镜12、分光棱镜13、第一反射镜14、第二反射镜15以及第三透镜16,作为检测端。
由检测端30、激光频闪照明箱2、激光控制器3、电子控制箱4和工控机5(工控机5中设有对应的软件模块)共五部分构成。测量时,电子控制箱输出正弦信号调制信号,产生超声波激励墙体9,使玻璃幕墙8形成振动。因为声音强度呈正弦波变化,所以玻璃幕墙上各点也是按正弦规律振动。如果玻璃幕墙表面条件均匀,那么玻璃幕墙振动振幅的分布均匀变化;如果玻璃幕墙存在开裂、破损等缺陷,那么缺陷所对应墙体位置的振动幅度与周边明显不一致。通过电子控制箱中同步信号发生器的调节,激光频闪照明箱产生跟振动同频的频闪光照明墙体,然后检测端30将所获得的干涉图记录在计算机(工控机5)里。通过频闪照明法,检测端30可以得到玻璃幕墙振动振幅分布的空间梯度,积分后可得到振动振幅的分布。通过观察分析跟振幅分布相关的散斑条纹形状,可以获得玻璃幕墙缺陷的位置和大小。
下面结合图4来描述上述时间平均法和频闪照明法。
频闪照明法采用激光频闪照明,其频率与振动频率一致,使照明锁定在振动的某一个相位上。频闪照明法分别获得两个不同状态(例如一个玻璃幕墙完好的状态1,另一个是玻璃幕墙破损或裂开等状态2)下的相位图,然后相减得到对应于被测目标位移空间梯度分布的相位差分布。比如当激励信号分别处于波峰或波谷时,频闪照明法得到各自所对应的相位图,相减即可得到对应于振动振幅变化最大时的位移空间梯度分布,由此,通过频闪照明法实现了定量测量全场振动振幅空间梯度分布。
频闪光照明的示意图由图4给出。当激励振动为简谐振动时,被测目标表面任何一点的位置都做简谐振动,被测目标离面位移与时间的关系可以用图中所示的正弦波描述。频闪照明一直发生在振动的一个特定相位上,比如图中所示波峰的位置,假设此时其初始相位为α。如果频闪照明的脉冲较窄,那么对于检测端30来说,其测量的对象等同于一个静止目标,可以使用相移技术来获得对应于振动波峰位置的相位图。接着在下一个时刻控制频闪照明,使之移动到振动的另一个相位上,比如如图4所示移动了相位β后,到波谷的位置。同样可以获得对应于振动波谷位置的相位图。频闪照明的关键是频闪光与振动同频,如此照明可以锁定在振动的特定相位上。理论上频闪光的脉宽要尽量窄,振动相位的变化要尽量小。如果脉宽比较宽,那么所得到的干涉图实际上是振动在一小段时间的积分。因为振动的变化是非线性的,所以过大的频闪脉宽会影响最终的相位图。过窄的频闪照明会导致激光照明亮度不够,因此需要根据实际情况选择合适的频闪占空比。
参见图1或图2,被测物反射回来的光通过检测端30(相当于图1或图2中的相机1、压电陶瓷10、第一透镜11、第二透镜12、分光棱镜13、第一反射镜14、第二反射镜15以及第三透镜16)时将按一定角度被分为两束,使物体上的每个点在像平面上都成两个像;或者说像平面上的每个点都对应着物体上的两个点。
由激光器发出的激光可以经过扩束镜或其他扩束元件后照射到被测表面。物光通过检测端30后形成相互干涉的图像,然后成像在数字相机的靶面上。如图1-3所示,检测端30中,第一反射镜14与光轴之间有一个小的角度,这个角度可以根据经验设置,或者通过试验的方法确定。第二反射镜15垂直于光轴且与压电陶瓷连接,起到相移的作用。
物光通过分光棱镜后被分成两束,再分别由第一反射镜14和第二反射镜15反射。然而,经由第一反射镜14反射后的光束将偏转一定角度,经由相移镜反射后的光束则平行于光轴,最后两束反射光再次通过分光棱镜汇聚,并通过成像镜头后在相机靶面上形成两个相互错位的干涉图像。
下面结合图5-图7来描述利用上述装置进行测量的一个例子。
图5示出了被测物,图6是利用装置所获得的干涉图,图7是基于图6所获得的实时相减条纹图。可以通过解析图7的条纹来分析物体的变形情况。
参见图6,其中两个图像在X方向产生位移,S为位移量的大小。这样,通过利用本发明实施例的上述装置对建筑物玻璃幕墙服役状态进行主动安全检测,可以得到图7所示的蝴蝶斑,本领域技术人员能够根据该蝴蝶斑确定玻璃幕墙的缺陷位置及大小。
此外,在该优选实施例中,通过使用4f系统扩大系统的视场角,如图8所示,图中f1和f2分别为透镜L1(即上文所述的第一透镜)和透镜L2(即上文所述的第二透镜)的焦距,例如可以f1=f2。在本发明实施例的玻璃幕墙服役状态的主动安全检测系统中,4f系统成像透镜的像面与输入平面重合,探测平面和相机靶面重合。这样,使得本发明实施例的玻璃幕墙服役状态的主动安全检测系统能够具有较大的视场角,图9示意性地示出了上述玻璃幕墙服役状态的主动安全检测系统的一部分,能够看出该系统的视场角较大。
采用上述基于频闪照明法的玻璃幕墙服役状态的主动安全检测系统,在建筑物玻璃幕墙服役状态的检测上能够测量尽可能大的区域,有助于发现大面积的振动分布异常(通常对应于缺陷),同时也提高了扫描速度,大幅度提高工作效率,相对于传统的时间平均法测量所需的时间较短。
本发明实施例的玻璃幕墙服役状态的主动安全检测系统,其集成4f系统,结构简单、光路稳定、视场角大,可更适用于建筑物玻璃幕墙服役状态主动安全检测系统。
当CCD相机获得图像后将其保存至电脑中,然后对图像采用卷积神经网络对建筑物玻璃幕墙质量缺陷进行检测并分级。深度神经网络通过构建多层网络,对目标进行多层表示,以期通过多层的高层次特征来表示数据的抽象语义信息,获得更好的特征鲁棒性。
此外,系统可以采用卷积神经网络(Convolutional Neural Network,CNN)实现模型的构建和检测,对于大型图像处理有出色表现。它包括卷积层和池化层。例如,可以以keras作为高级开发API,能够以最小的时延把已知数据转换为实验结果,以 Tensorflow或caffe深度学习框架为后端的环境下实现。实验所采用的数据经过本发明实施例的玻璃幕墙服役状态的主动安全检测系统采集制作成数据集。对得到的图片进行读取并按照训练、验证、测试数据分开,对神经网络进行训练,采用交叉熵函数等方法进行成本函数优化,得到最终的墙建筑物玻璃幕墙服役状态主动安全检测结果。
为了实现基于智能视觉和大数据的玻璃幕墙服役状态主动安全检测系统,可以收集想要检测的玻璃幕墙墙体实例,然后以预定方式对其进行量化。通过读取各个城市建筑样本数据来获取墙体数据,标记缺陷,然后上传到云端数据分析中心,利用k-means等算法分析并学习,对样本数据进行多次建模和评估,以判断当前玻璃幕墙墙体的缺陷情况。例如,可以在数周或数月内执行此过程,以收集玻璃幕墙墙体示例,不同的照明条件,一天不同的时间,不同的气温,创建一个代表墙体的多样图像数据库,在获取并分析了足够多的数据之后,系统会对玻璃幕墙墙体情况进行二次建模,告知用户玻璃幕墙墙体有无缺陷及缺陷类型。利用本发明实施例的玻璃幕墙服役状态的主动安全检测系统,可以实地收集玻璃幕墙墙体缺陷的图像,推测玻璃幕墙墙体缺陷,而不需要耗费大量人力、物力成本去收集墙体信息,这既降低了项目的部署难度,也节约了资金消耗,具有智能分析和提醒功能,有效检测玻璃幕墙墙体缺陷。
在实际应用中,可以将各个城市的玻璃幕墙墙体缺陷录入云端数据分析中心,每个城市建立一个数据库,并设置密码;安装墙体诊断系统接口,按照诊断系统协议读取玻璃幕墙墙体缺陷数据后,将数据上传至云端数据分析中心中对应各城市的玻璃幕墙墙体缺陷数据库。
对云端数据分析中心利用深度学习算法分析得到的玻璃幕墙墙体数据建立分类模型,对不平衡数据集进行处理,使用欠采样使数据集达到平衡;避免出现正常数据比例过大,异常数据比例过小的现象;对数据集建立分类模型,辅助分析玻璃幕墙的缺陷;将数据贴上正常与异常两个标签,然后按相同比例分为两部分:去除标签的数据集和保留标签数据集;采用基于k-means等算法的异常检测机制对无标签数据集进行聚类分析,采用基于k-means算法的异常检测机制对有标签数据集进行同样聚类分析,比较其他数据点到簇中心的距离方差,即可判断该点是异常状态还是正常状态。无标签的数据集还需要在后期加入各类混合模型来计算数据被分在不同类中的概率,进而实现数据点的细分类,获得更为精确的结果,避免过拟合的产生。
此外,利用本发明实施例的玻璃幕墙服役状态的主动安全检测系统对玻璃幕墙墙体缺陷进行检测,收集其相位图,对相位图进行滤波等操作。对实时数据集建立预测模型,为预警提供技术支持;使用墙体出现的异常数据点来刻画墙体缺陷的状态,利用自编码器进行异常信息的检测,采用卷积神经网络对玻璃幕墙质量缺陷进行检测并分级,以keras等作为高级开发API,以Tensorflow或caffe深度学习框架为后端的环境下实现;对数据进行分析,采用交叉熵函数等方法进行成本函数优化,得到墙体缺陷模型;自编码器中的模型有压缩数据和恢复数据的作用,压缩和恢复主要针对隐藏层中的特征数据;被提取出的特征数据将经过sigmoid函数,以实现玻璃幕墙缺陷数据的离散化,进而满足了K-means算法的使用条件;通过神经网络赋予每个属性权值,以克服K-means算法各属性等权的缺点;自编码器玻璃幕墙墙体缺陷进行再次建模可以,给有缺陷的玻璃幕墙预警,后期有针对性地修缮,大幅度提高个性智能化预警的水平。
此外,可以通过云端数据分析中心将分析完成的数据存储至对应城市玻璃幕墙情况的数据库中,并将分析结果发送至用户移动端,查看时需输入步骤一中设置的密码,确保数据安全性;移动端根据数据告知用户当前玻璃幕墙状况,提示危险玻璃幕墙墙体,实现实时检测。最后,建立度量指标;量化模型的性能,检验模型的正确性、稳定性和可依赖性,进而辅助后续的改进。
在实际应用中,本发明的上述系统还可以和红外热传感技术等多传感器信息全面获取玻璃幕墙服役状态数据,通过传感网、物联网、数据预处理和大数据管理等技术对大数据进行前期收集和前期处理筛选。对雾霾、变光照、遮挡等复杂干扰条件进行分析,通过深度学习算法等实现玻璃幕墙服役状态的检测和风险评估,建筑所有玻璃幕墙定期检测并进行数据分析,实现城市所有建筑幕墙大数据安全,实现建筑玻璃幕墙服役状态的主动安全检测和预测。其利用自动化优化算法,提供了基于安全域和智能模型玻璃幕墙服役预警与隐患挖掘方法与技术,例如可以按照先关标准规范要求研制出样机并在现场实验,提升城市建筑玻璃幕墙在线健康诊断的实时性和预测性水平。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书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。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.玻璃幕墙服役状态的主动安全检测系统,其特征在于,所述主动安全检测系统包括检测装置,所述检测装置包括相机(1)、激光频闪照明箱(2)、激光控制器(3)、电子控制箱(4)、工控机(5)、压电陶瓷(10)、第一透镜(11)、第二透镜(12)、分光棱镜(13)、第一反射镜(14)、第二反射镜(15)以及第三透镜(16);
所述电子控制箱(4)用于输出正弦信号调制信号以产生超声波激励墙体(9),使得安装在所述墙体(9)上的待测玻璃幕墙(8)形成振动;
所述激光控制器(3)用于控制所述激光频闪照明箱(2)产生与所述待测玻璃幕墙(8)上形成的振动同频的频闪光来对所述待测玻璃幕墙(8)进行照明;所述第一透镜(11)和所述第二透镜(12)形成4f系统,使得被所述待测玻璃幕墙(8)反射的光经过所述4f系统后入射至所述分光棱镜(13)后分为第一子束和第二子束;
所述第一子束经所述分光棱镜(13)的分光面反射后,沿着与所述第一反射镜(14)的镜面法线方向成预设夹角的方向入射至所述第一反射镜(14);
所述第二子束经所述分光棱镜(13)的分光面透射后,沿着所述第二反射镜(15)的镜面法线方向入射至所述第二反射镜(15);
其中,所述压电陶瓷(10)用于连接所述第二反射镜(15)以控制所述第二反射镜(15)在沿光轴的方向上产生预设的正位移或负位移;
从所述第一反射镜(14)反射回的第一子束经所述分光棱镜(13)透射后,经所述第三透镜(16)后向所述相机(1)输出;
从所述第二反射镜(15)反射回的第二子束经所述分光棱镜(13)反射后,经所述第三透镜(16)后向所述相机(1)输出,并与向所述相机(1)输出的第一子束汇聚并发生干涉,由所述相机(1)接收对应的干涉图像,以通过所述相机(1)将所述干涉图像发送至工控机(5)。
2.根据权利要求1所述的玻璃幕墙服役状态的主动安全检测系统,其特征在于,所述预设夹角为大于0且小于30度的角度;所述预设夹角为2度、5度或10度。
3.根据权利要求1所述的玻璃幕墙服役状态的主动安全检测系统,其特征在于所述检测装置还包括声控器(6)以及发射器(7);所述电子控制箱(4)连接所述声控器(6),所述电子控制箱(4)通过所述声控器(6)以及发射器(7)控制所产生的超声波激励所述墙体(9)。
4.根据权利要求1所述的玻璃幕墙服役状态的主动安全检测系统,其特征在于所述检测装置还包括红外热传感装置,用于对待测玻璃幕墙进行传感而得到热传感数据。
5.根据权利要求1所述的玻璃幕墙服役状态的主动安全检测系统,其特征在于,所述工控机5用于对获得的干涉图像进行所述预处理。
6.根据权利要求5所述的主动安全检测系统,其特征在于所述预处理包括滤波和降噪。
7.根据权利要求5所述的玻璃幕墙服役状态的主动安全检测系统,其特征在于,所述工控机5还用于利用预先构建的玻璃幕墙检测数据识别算法模型对预处理后的干涉图像进行识别和分析。
8.根据权利要求7所述的玻璃幕墙服役状态的主动安全检测系统,其特征在于,所述玻璃幕墙检测数据识别算法模型通过预先获得大量的训练数据,通过神经网络训练模型而获得。
9.根据权利要求1-8中任一项所述的玻璃幕墙服役状态的主动安全检测系统,其特征在于,所述主动安全检测系统包括多个检测装置,所述多个检测装置用于设置在多个检测点,以获得对应检测点的玻璃幕墙的检测数据,所述检测数据至少包括对应的干涉图像。
10.根据权利要求8或9所述的玻璃幕墙服役状态的主动安全检测系统,其特征在于,所述训练数据具有对应的标签,标签包括损耗的类型和损耗的等级;损耗的类型分为裂痕、凹坑、划痕、破碎和污渍;每种损耗划分为0级、1级、2级和3级,0级表示没有损耗,1-3级表示损耗越来越严重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011459628.XA CN112505148A (zh) | 2020-12-13 | 2020-12-13 | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011459628.XA CN112505148A (zh) | 2020-12-13 | 2020-12-13 | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112505148A true CN112505148A (zh) | 2021-03-16 |
Family
ID=74973864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011459628.XA Pending CN112505148A (zh) | 2020-12-13 | 2020-12-13 | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112505148A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114608451A (zh) * | 2022-03-21 | 2022-06-10 | 中山大学 | 一种基于神经网络的离面位移测量方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1078415A (ja) * | 1995-10-24 | 1998-03-24 | Toppan Printing Co Ltd | 非接触非破壊の材料評価方法とその装置及び弾性波励起方法と弾性波励起装置 |
CN101858890A (zh) * | 2010-05-14 | 2010-10-13 | 东南大学 | 小尺寸材料浅层缺陷检测系统 |
US20140293737A1 (en) * | 2012-06-08 | 2014-10-02 | Panasonic Corporation | Acousto-optic image capture device |
CN111521566A (zh) * | 2020-06-09 | 2020-08-11 | 中国计量科学研究院 | 基于双波混合的激光超声无损检测系统 |
CN112066901A (zh) * | 2020-08-27 | 2020-12-11 | 中国科学院上海光学精密机械研究所 | 超声可调光谱干涉测量装置和测量方法 |
CN112666254A (zh) * | 2020-12-13 | 2021-04-16 | 河南省科学院应用物理研究所有限公司 | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测方法 |
CN213843125U (zh) * | 2020-12-13 | 2021-07-30 | 河南省科学院应用物理研究所有限公司 | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 |
-
2020
- 2020-12-13 CN CN202011459628.XA patent/CN112505148A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1078415A (ja) * | 1995-10-24 | 1998-03-24 | Toppan Printing Co Ltd | 非接触非破壊の材料評価方法とその装置及び弾性波励起方法と弾性波励起装置 |
CN101858890A (zh) * | 2010-05-14 | 2010-10-13 | 东南大学 | 小尺寸材料浅层缺陷检测系统 |
US20140293737A1 (en) * | 2012-06-08 | 2014-10-02 | Panasonic Corporation | Acousto-optic image capture device |
CN111521566A (zh) * | 2020-06-09 | 2020-08-11 | 中国计量科学研究院 | 基于双波混合的激光超声无损检测系统 |
CN112066901A (zh) * | 2020-08-27 | 2020-12-11 | 中国科学院上海光学精密机械研究所 | 超声可调光谱干涉测量装置和测量方法 |
CN112666254A (zh) * | 2020-12-13 | 2021-04-16 | 河南省科学院应用物理研究所有限公司 | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测方法 |
CN213843125U (zh) * | 2020-12-13 | 2021-07-30 | 河南省科学院应用物理研究所有限公司 | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114608451A (zh) * | 2022-03-21 | 2022-06-10 | 中山大学 | 一种基于神经网络的离面位移测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112666254B (zh) | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测方法 | |
CN102441737B (zh) | 用于确定焊缝端部的形状的设备和方法 | |
CN107462581A (zh) | 缺陷检测方法以及缺陷检测装置 | |
Liu et al. | Microscopic scattering imaging measurement and digital evaluation system of defects for fine optical surface | |
Park et al. | Vision‐based natural frequency identification using laser speckle imaging and parallel computing | |
CN213843125U (zh) | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 | |
KR102621156B1 (ko) | 인공지능을 이용하여 위험도를 평가하는 용접 검사 시스템 및 그 방법 | |
CN102081045B (zh) | 一种基于激光电视全息技术的结构损伤识别方法 | |
US20230256513A1 (en) | Method and Apparatus for Additive Manufacture of a Workpiece | |
CN112505148A (zh) | 基于智能视觉和大数据的玻璃幕墙服役状态的主动安全检测系统 | |
Ghafoor et al. | Non-contact detection of railhead defects and their classification by using convolutional neural network | |
West et al. | Applying concepts of complexity to structural health monitoring | |
CN105334216A (zh) | 用于自动部件检查的方法与系统 | |
Chen et al. | Shape characterization and depth recognition of metal cracks based on laser infrared thermography and machine learning | |
CN110849884A (zh) | 一种复合绝缘子内部粘接缺陷的检测方法和系统 | |
CN114627121B (zh) | 一种结构构件应力检测方法、装置、设备及介质 | |
JP2021001851A (ja) | 振動評価装置、及び振動評価システム | |
Nyongesa et al. | Neural fuzzy analysis of delaminated composites from shearography imaging | |
Sutcliffe et al. | Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks | |
Liu et al. | Practical ultrasonic damage monitoring on pipelines using component analysis methods | |
KR20030083359A (ko) | 영상처리장치를 이용한 구조물의 균열 자동 인식 방법 및그 분석장치 | |
JP2021113717A (ja) | 振動評価装置、及び振動評価システム | |
JP7503285B2 (ja) | 検査システム | |
Chan et al. | Fatigue Crack Prognostics by Optical Quantification of Defect Frequency | |
WO2024095756A1 (ja) | 溶接状態の判定方法及び判定システム |
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 |