CN113592869B - 一种建筑幕墙玻璃破裂图像识别方法及报警系统 - Google Patents

Abstract

本发明实施例提供一种建筑幕墙玻璃破裂图像识别方法及报警系统，通过获取采集的各个建筑定点位置的建筑幕墙图像数据，基于预先训练的幕墙破损识别模型对建筑幕墙图像数据进行幕墙破损识别，获得幕墙破损分布信息，基于幕墙破损分布信息生成对应的报警信息集合，并依据报警信息集合对对应的各个建筑定点位置关联的终端设备进行报警提示。如此，无需人为参与过多的远程监控，可以通过训练的幕墙破损识别模型自动且实时地对建筑幕墙图像数据进行幕墙破损识别后进行及时报警处理，提高幕墙破损识别效率和报警效率。

Description

一种建筑幕墙玻璃破裂图像识别方法及报警系统

技术领域

本发明涉及图像识别技术领域，具体而言，涉及一种建筑幕墙玻璃破裂图像识别方法及报警系统。

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。玻璃幕墙是一种美观新颖的建筑墙体装饰方法。

基于此，玻璃幕墙一旦发生破裂，将对建筑外围护结构或装饰结构产生影响，因此需要及时获知其完整状态，相关技术中通常主要是人为参与远程监控与识别，这种方式需要消耗较多的人力成本，也难以实现及时报警处理。

发明内容

为了至少克服现有技术中的上述不足，本发明的目的在于提供一种建筑幕墙玻璃破裂图像识别方法及报警系统。

第一方面，本发明提供一种建筑幕墙玻璃破裂图像识别方法，应用于建筑幕墙报警系统，所述方法包括：

获取采集的各个建筑定点位置的建筑幕墙图像数据；

基于预先训练的幕墙破损识别模型对所述建筑幕墙图像数据进行幕墙破损识别，获得幕墙破损分布信息；

基于所述幕墙破损分布信息生成对应的报警信息集合，并依据所述报警信息集合对对应的各个建筑定点位置关联的终端设备进行报警提示。

第二方面，本发明实施例还提供一种建筑幕墙报警系统，所述建筑幕墙报警系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述的建筑幕墙玻璃破裂图像识别方法。

依据上述任意一个方面，通过获取采集的各个建筑定点位置的建筑幕墙图像数据，基于预先训练的幕墙破损识别模型对建筑幕墙图像数据进行幕墙破损识别，获得幕墙破损分布信息，基于幕墙破损分布信息生成对应的报警信息集合，并依据报警信息集合对对应的各个建筑定点位置关联的终端设备进行报警提示。如此，无需人为参与过多的远程监控，可以通过训练的幕墙破损识别模型自动且实时地对建筑幕墙图像数据进行幕墙破损识别后进行及时报警处理，提高幕墙破损识别效率和报警效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。

图1为本发明实施例提供的建筑幕墙玻璃破裂图像识别方法的流程示意图；

图2为本发明实施例提供的用于实现上述的建筑幕墙玻璃破裂图像识别方法的建筑幕墙报警系统的结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和利用本发明，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本发明的原则和范围的情况下，本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本发明并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

本发明中所使用的术语仅用于描述特定的示例性实施例，并不限制本发明的范围。如本发明使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本发明说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。

根据以下对附图的描述，本发明的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本发明说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本发明的范围。应当理解的是，附图并不是按比例绘制的。

本发明中使用了流程图用来说明根据本发明的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。

下面结合说明书附图对本发明进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本发明一种实施例提供的建筑幕墙玻璃破裂图像识别方法的流程示意图，下面对该建筑幕墙玻璃破裂图像识别方法进行详细介绍。

步骤S110，获取采集的各个建筑定点位置的建筑幕墙图像数据。

例如，可以由设置在各个建筑定点位置的图像采集装置实时或者每隔预设时间段采集各个建筑定点位置的建筑幕墙图像数据。

步骤S120，基于预先训练的幕墙破损识别模型对所述建筑幕墙图像数据进行幕墙破损识别，获得幕墙破损分布信息。

本实施例中，该幕墙破损识别模型可以基于AI技术预先训练获得，训练完成的幕墙破损识别模型可以具有对任意建筑幕墙图像数据进行幕墙破损识别的能力。

步骤S130，基于所述幕墙破损分布信息生成对应的报警信息集合，并依据所述报警信息集合对对应的各个建筑定点位置关联的终端设备进行报警提示。

本实施例中，可以将幕墙破损分布信息中匹配预设报警触发条件特征的目标幕墙破损分布信息作为报警信息从而生成对应的报警信息集合，而后发送给各个建筑定点位置关联的终端设备进行报警提示。

基于以上步骤，本实施例通过获取采集的各个建筑定点位置的建筑幕墙图像数据，基于预先训练的幕墙破损识别模型对建筑幕墙图像数据进行幕墙破损识别，获得幕墙破损分布信息，基于幕墙破损分布信息生成对应的报警信息集合，并依据报警信息集合对对应的各个建筑定点位置关联的终端设备进行报警提示。如此，无需人为参与过多的远程监控，可以通过训练的幕墙破损识别模型自动且实时地对建筑幕墙图像数据进行幕墙破损识别后进行及时报警处理，提高幕墙破损识别效率和报警效率。

一种设计思路中，步骤S120的具体实现步骤如下。

步骤S121，基于所述幕墙破损识别模型确定所述建筑幕墙图像数据包括的幕墙破损区域和幕墙破损触发活动，以及确定所述幕墙破损区域对应的幕墙破损区域属性、所述幕墙破损触发活动对应的幕墙破损触发活动属性。

步骤S122，将所述建筑幕墙图像数据、所述幕墙破损区域及对应的幕墙破损区域属性、所述幕墙破损触发活动及对应的幕墙破损触发活动属性作为所述幕墙破损分布信息。

例如，可以将所述建筑幕墙图像数据输入训练好的幕墙破损识别模型中，基于幕墙破损识别模型包括的幕墙破损区域预测单元识别该所述建筑幕墙图像数据包括的幕墙破损区域所关联的幕墙破损区域属性，以及基于幕墙破损识别模型包括的幕墙破损触发活动预测单元识别该所述建筑幕墙图像数据对应的幕墙破损触发活动所关联的幕墙破损触发活动属性。

一种设计思路中，以上的幕墙破损识别模型可以通过如下步骤训练获得。

步骤S101：获取参考建筑幕墙图像数据序列，该参考建筑幕墙图像数据序列包括携带幕墙破损区域属性和幕墙破损触发活动属性的所述建筑幕墙图像数据。

例如，可以获取大量的所述建筑幕墙图像数据，然后添加这些所述建筑幕墙图像数据中包括的幕墙破损区域对应的幕墙破损区域属性，以及添加这些所述建筑幕墙图像数据中所采用的幕墙破损触发活动对应的幕墙破损触发活动属性。

上述所述建筑幕墙图像数据中标注的幕墙破损区域属性，预设破损属性网络包括的幕墙破损区域属性，以及预设特征数据集中包括的幕墙破损区域属性，均以预设的用于表示幕墙破损区域属性的标识进行表示。

基于以上确定每个所述建筑幕墙图像数据中每个建筑幕墙图像中包括的幕墙破损区域对应的幕墙破损区域属性及包括的幕墙破损触发活动对应的幕墙破损触发活动属性，将添加的所有所述建筑幕墙图像数据组成参考建筑幕墙图像数据序列。以及基于上述方式配置预设破损属性网络、预设特征数据集以及预设触发活动特征库之后，即可利用获得的参考建筑幕墙图像数据序列进行训练。

步骤S102：配置用于生成幕墙破损分布信息的幕墙破损识别模型的模型架构，该幕墙破损识别模型包括采用多层结构AI网络单元和组合关注特征层的幕墙破损触发活动预测单元。

例如，将特征提取节点、幕墙破损区域-偏移提取节点、区域属性搜索节点及区域属性预测节点进行级联，得到幕墙破损区域预测单元。将触发原因查找节点、关键源查找节点及组合AI单元网络均与幕墙破损触发活动属性预测节点进行级联，得到幕墙破损触发活动预测单元。其中，组合AI单元网络包括多层结构AI网络单元和组合关注特征层。将幕墙破损区域预测单元和幕墙破损触发活动预测单元均与代价节点级联。其中代价节点可以采用KL散度。

步骤S103：依据所述参考建筑幕墙图像数据序列包括的所述建筑幕墙图像数据，对所述幕墙破损识别模型进行模型训练。

一种设计思路中，可以对幕墙破损识别模型进行目标次数的迭代训练阶段，可以理解的是每个迭代训练阶段的训练过程是大致相同的，因此以下基于如下步骤（1）-（5）进行说明。

（1）从参考建筑幕墙图像数据序列中获取目标数量的所述建筑幕墙图像数据。

幕墙破损识别模型可以实时输入多个所述建筑幕墙图像数据。在当前阶段从步骤S101获得的参考建筑幕墙图像数据序列中获取目标数量的所述建筑幕墙图像数据。该目标数量即为该幕墙破损识别模型支持的最大数量，例如100。

（2）将所述建筑幕墙图像数据分别输入幕墙破损区域预测单元和幕墙破损触发活动预测单元中，然后并行执行（3）-（5）。

将所述建筑幕墙图像数据输入幕墙破损区域预测单元包括的特征提取节点中，同时将所述建筑幕墙图像数据输入幕墙破损触发活动预测单元中的触发原因查找节点、关键源查找节点及组合AI单元网络中。基于幕墙破损区域预测单元和幕墙破损触发活动预测单元并行地对所述建筑幕墙图像数据进行幕墙破损区域学习预测及幕墙破损触发活动学习预测，提高训练效率，所述建筑幕墙图像数据的幕墙破损区域及幕墙破损触发活动学习预测速度较快。且幕墙破损触发活动预测单元中基于触发原因查找节点、关键源查找节点及组合AI单元网络并行对所述建筑幕墙图像数据进行幕墙破损触发活动学习预测，提高幕墙破损触发活动学习预测的效率。

（3）基于幕墙破损区域预测单元识别所述建筑幕墙图像数据包括的幕墙破损区域对应的幕墙破损区域属性。

例如，可以基于特征提取节点提取所述建筑幕墙图像数据中每个图像数据的图像特征向量。由于幕墙破损区域的图像特征向量多数为无用噪声特征向量，因此从标记图像特征向量后的所述建筑幕墙图像数据中删除图像特征向量为预设图像特征向量的图像数据，从而过滤掉所述建筑幕墙图像数据中的噪声特征，提高学习训练效率。

在此基础上，可以基于幕墙破损区域-偏移提取节点提取完成删除后的所述建筑幕墙图像数据中包括的幕墙破损定位区域，该幕墙破损定位区域包括所述建筑幕墙图像数据的数据内容中涵盖的幕墙破损区域以及幕墙破损区域间的关系。

在提取出幕墙破损定位区域之后，基于区域属性搜索节点确定该幕墙破损定位区域对应的幕墙破损区域属性。在步骤S101中添加所述建筑幕墙图像数据时同步配置预设破损属性网络。依据上述提取的幕墙破损定位区域，基于区域属性搜索节点搜索预设破损属性网络是否涵盖该幕墙破损定位区域对应的幕墙破损区域属性。若是，则从预设破损属性网络获取该幕墙破损定位区域对应的幕墙破损区域属性。然后基于区域属性预测节点生成该幕墙破损定位区域对应的幕墙破损区域属性。

在步骤S101中添加所述建筑幕墙图像数据时还同步配置了涵盖大量所述建筑幕墙图像数据对应的图像数据特征集及幕墙破损区域属性的预设特征数据集。若在预设破损属性网络未搜索到该幕墙破损定位区域对应的幕墙破损区域属性，则依据删除预设图像特征向量的图像数据以后的所述建筑幕墙图像数据，基于特征提取网络生成所述建筑幕墙图像数据对应的图像数据特征集。基于区域属性搜索节点搜索预设特征数据集中是否涵盖与所述建筑幕墙图像数据的图像数据特征集之间的特征相关度量值大于目标度量值的图像数据特征集。若是，则将特征相关度量值大于目标度量值的图像数据特征集对应的幕墙破损区域属性确定为所述建筑幕墙图像数据的幕墙破损定位区域对应的幕墙破损区域属性，基于区域属性预测节点生成该幕墙破损定位区域对应的幕墙破损区域属性。若在预设特征数据集中未搜索到与所述建筑幕墙图像数据的图像数据特征集之间的特征相关度量值大于目标度量值的图像数据特征集，则将该所述建筑幕墙图像数据的幕墙破损定位区域对应的幕墙破损区域属性设置为预设幕墙破损区域属性，基于区域属性预测节点生成该幕墙破损定位区域对应的幕墙破损区域属性。

（4）基于幕墙破损触发活动预测单元识别所述建筑幕墙图像数据对应的幕墙破损触发活动对应的幕墙破损触发活动属性。

由于幕墙破损触发活动通常为动态图像特征，因此可以从所述建筑幕墙图像数据中提取动态图像数据单元。依据提取的动态图像数据单元和预设触发活动特征库，基于触发原因查找节点获取该所述建筑幕墙图像数据对应的第一幕墙破损触发活动预测信息。即基于触发原因查找节点在预设触发活动特征库中搜索提取的动态图像数据单元的触发活动特征，将搜索出的触发活动特征对应的幕墙破损触发活动属性确定为提取的动态图像数据单元对应的幕墙破损触发活动属性。其中，第一幕墙破损触发活动预测信息包括确定出的动态图像数据单元对应的幕墙破损触发活动属性。

与上述触发活动特征搜索操作对应同步，还依据所述建筑幕墙图像数据和预设关键触发活动特征库，基于关键源查找节点获取该所述建筑幕墙图像数据对应的第二幕墙破损触发活动预测信息。即基于关键源查找节点在预设关键触发活动特征库中搜索所述建筑幕墙图像数据中的触发活动特征点，从预设关键触发活动特征库中获取搜索到的触发活动特征点对应的幕墙破损触发活动属性，将所述幕墙破损触发活动属性确定为该所述建筑幕墙图像数据对应的幕墙破损触发活动属性。其中，第二幕墙破损触发活动预测信息包括确定出的触发活动特征点对应的幕墙破损触发活动属性。

与上述触发活动特征搜索和幕墙破损触发活动搜索操作对应同步，还基于组合AI单元网络获取所述建筑幕墙图像数据对应的第三幕墙破损触发活动预测信息。例如，将该所述建筑幕墙图像数据中携带幕墙破损区域属性的图像数据用第一目标图像特征点集与其它特征点进行划分，以及将携带幕墙破损触发活动属性的图像数据用第二目标图像特征点集与其它特征点进行划分，第一目标图像特征点集与第二目标图像特征点集为不同的图像特征点。基于特定的图像特征点将幕墙破损区域和幕墙破损触发活动的图像数据与其它特征点进行划分，以方便后续组合AI单元网络调用所述建筑幕墙图像数据。

基于组合AI单元网络中的多层结构AI网络单元对所述建筑幕墙图像数据进行特征提取，得到对应的图像数据特征集信息。基于组合AI单元网络中的组合关注特征层确定图像数据特征集信息中每个图像数据特征集对应的组合关注影响值。依据每个图像数据特征集及每个图像数据特征集对应的组合关注影响值，基于多层结构AI网络单元包括的活动预测网络计算所述建筑幕墙图像数据包括的幕墙破损触发活动对应于各个幕墙破损触发活动属性的支持度。将最大支持度的幕墙破损触发活动属性确定为所述建筑幕墙图像数据对应的第三幕墙破损触发活动预测信息。第三幕墙破损触发活动预测信息中包括上述最大支持度的幕墙破损触发活动属性。

组合AI单元网络的输入为所述建筑幕墙图像数据中的图像数据特征点集合，输出为该图像数据特征点集合中的幕墙破损触发活动为各幕墙破损触发活动属性的支持度，将最大支持度的幕墙破损触发活动属性确定为所述建筑幕墙图像数据对应的第三幕墙破损触发活动预测信息。第三幕墙破损触发活动预测信息中包括上述最大支持度的幕墙破损触发活动属性。

基于触发原因查找节点、关键源查找节点及组合AI单元网络并行处理所述建筑幕墙图像数据，得到第一幕墙破损触发活动预测信息、所述第二幕墙破损触发活动预测信息和所述第三幕墙破损触发活动预测信息后，依据第一幕墙破损触发活动预测信息、第二幕墙破损触发活动预测信息和第三幕墙破损触发活动预测信息，基于幕墙破损触发活动属性预测节点确定所述建筑幕墙图像数据对应的幕墙破损触发活动对应的幕墙破损触发活动属性。例如，分别确定第一幕墙破损触发活动预测信息、第二幕墙破损触发活动预测信息和第三幕墙破损触发活动预测信息中每种幕墙破损触发活动属性在获得的所有幕墙破损触发活动属性中的影响权重；若获得的各幕墙破损触发活动属性的影响权重不均相等，则将影响权重最大的幕墙破损触发活动属性确定为所述建筑幕墙图像数据对应的幕墙破损触发活动对应的幕墙破损触发活动属性；若获得的各幕墙破损触发活动属性所占比重均相等，则将所述建筑幕墙图像数据对应的幕墙破损触发活动设置为预设幕墙破损触发活动属性。

（5）依据预测的幕墙破损区域属性及幕墙破损触发活动属性，基于代价节点计算本次训练阶段的代价参数值。

基于上述（3）和（4）得到的所述建筑幕墙图像数据中幕墙破损区域所关联的幕墙破损区域属性及幕墙破损触发活动所关联的幕墙破损触发活动属性后，将预测的幕墙破损区域属性和幕墙破损触发活动属性输入代价节点中。为实现幕墙破损区域属性分类和幕墙破损触发活动学习预测的组合学习，代价节点可以使用KL散度。

基于以上步骤，通过幕墙破损识别模型，该幕墙破损识别模型在幕墙破损触发活动学习预测方面引入组合关注特征层来优化多层结构AI网络单元，可以提高模型性能。在多层结构AI网络单元加组合关注特征层来进行幕墙破损触发活动学习预测的同时，还采用触发活动特征搜索和幕墙破损触发活动关键源搜索的方式进行幕墙破损触发活动学习预测，提升幕墙破损触发活动学习预测的性能。在幕墙破损区域学习预测方面，删除噪声的图像数据，提高学习训练效率，且结合预设破损属性网络进行幕墙破损区域学习预测，提高幕墙破损区域学习预测的性能。

在以上实施例基础上，在应用阶段，本发明实施例提供的方法还可以包括以下步骤。

步骤S140，搜集各个建筑定点位置在预设时间周期内的建筑幕墙玻璃破裂报警数据。

步骤S150，获取所述建筑幕墙玻璃破裂报警数据在建筑事故模拟端下生成的多个建筑事故模拟数据流。

步骤S160，对所述多个建筑事故模拟数据流进行可疑事故原因挖掘，得到与所述建筑幕墙玻璃破裂报警数据相关的多个标的可疑事故原因。

步骤S170，对应于多个所述标的可疑事故原因中的每个标的可疑事故原因，依据所述建筑幕墙玻璃破裂报警数据在所述多个建筑事故模拟数据流中的事故引导网络数据，以及所述标的可疑事故原因在所述多个建筑事故模拟数据流中的原因相关数据，确定所述建筑幕墙玻璃破裂报警数据和所述标的可疑事故原因在所述多个建筑事故模拟数据流中的可疑度量值，得到所述标的可疑事故原因对应的可疑度量值序列。

步骤S180，基于多个所述标的可疑事故原因分别关联的可疑度量值序列，确定所述建筑幕墙玻璃破裂报警数据的可疑事故原因热力图。

步骤S190，基于所述可疑事故原因热力图，从在先配置的解决方案数据库中获取与所述可疑事故原因热力图相关的目标解决方案数据。

一种示例性的设计中，以上方法还可以包括确定所述标的可疑事故原因的原因相关数据的步骤，例如可以对所述标的可疑事故原因进行源数据追溯，得到所述标的可疑事故原因在建筑事故模拟端下对应的源数据轨迹，将得到的所述可疑事故原因的源数据轨迹作为所述标的可疑事故原因在所述多个建筑事故模拟数据流中的原因相关数据。

在此基础上，作为一种可能的设计思路中，步骤S170譬如可以通过以下示例性的步骤实现。

步骤S171，针对所述多个建筑事故模拟数据流中的每个建筑事故模拟数据流，在当前游走的建筑事故模拟数据流中，依据所述标的可疑事故原因的事故原因点对应的源数据轨迹，确定一个可疑事故原因分量作为参考事故原因分量。

步骤S172，依据所述参考事故原因分量，在所述当前游走的建筑事故模拟数据流中，确定与所述建筑幕墙玻璃破裂报警数据的关键报警模拟节点相关的关键建筑事故模拟数据流，并将所述关键建筑事故模拟数据流与所述关键报警模拟节点的共享建筑事故模拟分量作为关键报警模拟分量，所述关键报警模拟节点是依据所述当前游走的建筑事故模拟数据流中的建筑幕墙玻璃破裂报警数据在当前报警模拟周期之前的预设报警模拟周期内的事故引导网络数据而得到，且在所述当前游走的建筑事故模拟数据流中指示所述建筑幕墙玻璃破裂报警数据的当前报警模拟节点。

步骤S173，依据所述参考事故原因分量和所述关键报警模拟分量，确定所述建筑幕墙玻璃破裂报警数据和所述标的可疑事故原因在所述当前游走的建筑事故模拟数据流中的可疑度量值。

步骤S174，依据针对所述多个建筑事故模拟数据流分别关联的可疑度量值，得到所述标的可疑事故原因对应的可疑度量值序列。

或者在此基础上，作为一种可能的设计思路中，步骤S170譬如可以通过以下示例性的步骤实现。

步骤S175，依次游走所述多个建筑事故模拟数据流中的每个建筑事故模拟数据流，在当前游走的建筑事故模拟数据流中，依据可疑决策网络的网络参数层信息，将所述标的可疑事故原因的事故原因点对应的源数据轨迹中的多个可疑事故原因分量，链接到可疑评估标签下，得到相应的预测可疑事故原因分量序列，以及将所述建筑幕墙玻璃破裂报警数据的事故引导网络数据链接到所述可疑评估标签下，得到相应的可疑评估分量。

步骤S176，依据所述预测可疑事故原因分量序列对所述标的可疑事故原因进行挖掘分析，确定所述可疑评估标签下，用于指示所述当前游走的建筑事故模拟数据流中的所述标的可疑事故原因的事故原因点。

步骤S177，依据所述事故原因点以及所述可疑评估分量，确定所述建筑幕墙玻璃破裂报警数据和所述标的可疑事故原因的可疑度量值。

步骤S178，依据针对所述多个建筑事故模拟数据流对应的可疑度量值，得到所述标的可疑事故原因对应的可疑度量值序列。

图2示出了本发明实施例提供的用于实现上述的建筑幕墙玻璃破裂图像识别方法的建筑幕墙报警系统100的硬件结构意图，如图2所示，建筑幕墙报警系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在一些实施例中，建筑幕墙报警系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，建筑幕墙报警系统100可以是分布式的系统)。在一些实施例中，建筑幕墙报警系统100可以是本地的，也可以是远程的。例如，建筑幕墙报警系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，建筑幕墙报警系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，建筑幕墙报警系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

机器可读存储介质120可以储存数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端所述数据。在一些实施例中，机器可读存储介质120可以储存建筑幕墙报警系统100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。

在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的建筑幕墙玻璃破裂图像识别方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。

处理器110的具体实现过程可参见上述建筑幕墙报警系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本发明实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上建筑幕墙玻璃破裂图像识别方法。

应当理解的是，以上描述仅出于说明的目的，并不旨在限制本发明的范围。对于本领域的普通技术人员来说，可以根据本发明的描述，做出多种修改和变化。然而，这些修改和变化不会背离本发明的范围。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本发明的限制。虽然此处并没有明确说明，本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议，所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。

同时，本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明多个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。

本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，主动编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (10)

1.一种建筑幕墙玻璃破裂图像识别方法，其特征在于，应用于建筑幕墙报警系统，所述方法包括：

获取采集的各个建筑定点位置的建筑幕墙图像数据；

基于预先训练的幕墙破损识别模型对所述建筑幕墙图像数据进行幕墙破损识别，获得幕墙破损分布信息；

基于所述幕墙破损分布信息生成对应的报警信息集合，并依据所述报警信息集合对对应的各个建筑定点位置关联的终端设备进行报警提示；

其中，所述基于预先训练的幕墙破损识别模型对所述建筑幕墙图像数据进行幕墙破损识别，获得幕墙破损分布信息的步骤，包括：

基于所述幕墙破损识别模型确定所述建筑幕墙图像数据包括的幕墙破损区域和幕墙破损触发活动，以及确定所述幕墙破损区域对应的幕墙破损区域属性、所述幕墙破损触发活动对应的幕墙破损触发活动属性；

将所述建筑幕墙图像数据、所述幕墙破损区域及对应的幕墙破损区域属性、所述幕墙破损触发活动及对应的幕墙破损触发活动属性作为所述幕墙破损分布信息。

2.根据权利要求1所述的建筑幕墙玻璃破裂图像识别方法，其特征在于，所述方法还包括：

获取参考建筑幕墙图像数据序列，所述参考建筑幕墙图像数据序列包括携带幕墙破损区域属性和幕墙破损触发活动属性的所述建筑幕墙图像数据；

配置用于生成幕墙破损分布信息的幕墙破损识别模型的模型架构，所述幕墙破损识别模型包括采用多层结构AI网络单元和组合关注特征层的幕墙破损触发活动预测单元；

依据所述参考建筑幕墙图像数据序列包括的所述建筑幕墙图像数据，对所述幕墙破损识别模型进行模型训练。

3.根据权利要求2所述的建筑幕墙玻璃破裂图像识别方法，其特征在于，所述配置用于生成幕墙破损分布信息的幕墙破损识别模型的模型架构，包括：

将特征提取节点、幕墙破损区域-偏移提取节点、区域属性搜索节点及区域属性预测节点进行级联，得到幕墙破损区域预测单元；

将触发原因查找节点、关键源查找节点及组合AI单元网络均与幕墙破损触发活动属性预测节点进行级联，得到所述幕墙破损触发活动预测单元；所述组合AI单元网络包括所述多层结构AI网络单元和所述组合关注特征层；

将所述幕墙破损区域预测单元和所述幕墙破损触发活动预测单元均与代价节点级联；

所述依据所述参考建筑幕墙图像数据序列包括的所述建筑幕墙图像数据，对所述幕墙破损识别模型进行模型训练，包括：

从所述参考建筑幕墙图像数据序列中获取目标数量的所述建筑幕墙图像数据；

将所述建筑幕墙图像数据分别输入所述幕墙破损区域预测单元和所述幕墙破损触发活动预测单元中；

基于所述幕墙破损区域预测单元识别所述建筑幕墙图像数据包括的幕墙破损区域对应的幕墙破损区域属性；

基于所述幕墙破损触发活动预测单元识别所述建筑幕墙图像数据对应的幕墙破损触发活动对应的幕墙破损触发活动属性；

依据预测的所述幕墙破损区域属性及所述幕墙破损触发活动属性，基于所述代价节点计算本次训练阶段的代价参数值。

4.根据权利要求3所述的建筑幕墙玻璃破裂图像识别方法，其特征在于，所述基于所述幕墙破损区域预测单元识别所述建筑幕墙图像数据包括的幕墙破损区域对应的幕墙破损区域属性，包括：

基于所述特征提取节点提取所述建筑幕墙图像数据中每个图像数据的图像特征向量；

从所述建筑幕墙图像数据中删除图像特征向量为预设图像特征向量的图像数据；

基于所述幕墙破损区域-偏移提取节点提取完成删除后的所述建筑幕墙图像数据中包括的幕墙破损定位区域；

基于所述区域属性搜索节点确定所述幕墙破损定位区域对应的幕墙破损区域属性；

基于所述区域属性预测节点生成所述幕墙破损定位区域对应的所述幕墙破损区域属性。

5.根据权利要求4所述的建筑幕墙玻璃破裂图像识别方法，其特征在于，所述基于所述区域属性搜索节点确定所述幕墙破损定位区域对应的幕墙破损区域属性，包括：

依据所述幕墙破损定位区域，基于所述区域属性搜索节点搜索预设破损属性网络是否涵盖所述幕墙破损定位区域对应的幕墙破损区域属性；

若是，则从所述预设破损属性网络获取所述幕墙破损定位区域对应的幕墙破损区域属性；

若否，则依据完成删除后的所述建筑幕墙图像数据，生成所述建筑幕墙图像数据对应的图像数据特征集；

基于所述区域属性搜索节点搜索预设特征数据集中是否涵盖与所述图像数据特征集之间的特征相关度量值大于目标度量值的图像数据特征集；

若是，则将所述特征相关度量值大于目标度量值的图像数据特征集对应的幕墙破损区域属性确定为所述幕墙破损定位区域对应的幕墙破损区域属性；

若否，则将所述幕墙破损定位区域对应的幕墙破损区域属性设置为预设幕墙破损区域属性。

6.根据权利要求3所述的建筑幕墙玻璃破裂图像识别方法，其特征在于，所述基于所述幕墙破损触发活动预测单元识别所述建筑幕墙图像数据对应的幕墙破损触发活动对应的幕墙破损触发活动属性，包括：

从所述建筑幕墙图像数据中提取动态图像数据单元；

依据所述动态图像数据单元和预设触发活动特征库，基于所述触发原因查找节点获取所述建筑幕墙图像数据对应的第一幕墙破损触发活动预测信息；

依据所述建筑幕墙图像数据和预设关键触发活动特征库，基于所述关键源查找节点获取所述建筑幕墙图像数据对应的第二幕墙破损触发活动预测信息；

基于所述组合AI单元网络获取所述建筑幕墙图像数据对应的第三幕墙破损触发活动预测信息；

依据所述第一幕墙破损触发活动预测信息、所述第二幕墙破损触发活动预测信息和所述第三幕墙破损触发活动预测信息，基于所述幕墙破损触发活动属性预测节点确定所述建筑幕墙图像数据对应的幕墙破损触发活动对应的幕墙破损触发活动属性。

7.根据权利要求6所述的建筑幕墙玻璃破裂图像识别方法，其特征在于，所述基于所述组合AI单元网络获取所述建筑幕墙图像数据对应的第三幕墙破损触发活动预测信息，包括：

将所述建筑幕墙图像数据中携带幕墙破损区域属性的图像数据用第一目标图像特征点集与其它特征点进行划分，以及将携带幕墙破损触发活动属性的图像数据用第二目标图像特征点集与其它特征点进行划分；

基于所述组合AI单元网络中的所述多层结构AI网络单元对所述建筑幕墙图像数据进行特征提取，得到对应的图像数据特征集信息；

基于所述组合AI单元网络中的所述组合关注特征层确定所述图像数据特征集信息中每个图像数据特征集对应的组合关注影响值；

依据所述每个图像数据特征集及所述每个图像数据特征集对应的组合关注影响值，基于所述多层结构AI网络单元包括的活动预测网络计算所述建筑幕墙图像数据包括的幕墙破损触发活动对应于各个幕墙破损触发活动属性的支持度；

将最大支持度的幕墙破损触发活动属性确定为所述建筑幕墙图像数据对应的第三幕墙破损触发活动预测信息。

8.根据权利要求1所述的建筑幕墙玻璃破裂图像识别方法，其特征在于，所述方法还包括：

搜集各个建筑定点位置在预设时间周期内的建筑幕墙玻璃破裂报警数据；

获取所述建筑幕墙玻璃破裂报警数据在建筑事故模拟端下生成的多个建筑事故模拟数据流；

对所述多个建筑事故模拟数据流进行可疑事故原因挖掘，得到与所述建筑幕墙玻璃破裂报警数据相关的多个标的可疑事故原因；

对应于多个所述标的可疑事故原因中的每个标的可疑事故原因，依据所述建筑幕墙玻璃破裂报警数据在所述多个建筑事故模拟数据流中的事故引导网络数据，以及所述标的可疑事故原因在所述多个建筑事故模拟数据流中的原因相关数据，确定所述建筑幕墙玻璃破裂报警数据和所述标的可疑事故原因在所述多个建筑事故模拟数据流中的可疑度量值，得到所述标的可疑事故原因对应的可疑度量值序列；

基于多个所述标的可疑事故原因分别关联的可疑度量值序列，确定所述建筑幕墙玻璃破裂报警数据的可疑事故原因热力图；

基于所述可疑事故原因热力图，从在先配置的解决方案数据库中获取与所述可疑事故原因热力图相关的目标解决方案数据。

9.根据权利要求8所述的建筑幕墙玻璃破裂图像识别方法，其特征在于，所述方法还包括确定所述标的可疑事故原因的原因相关数据的步骤，所述步骤包括：

对所述标的可疑事故原因进行源数据追溯，得到所述标的可疑事故原因在建筑事故模拟端下对应的源数据轨迹，将得到的所述可疑事故原因的源数据轨迹作为所述标的可疑事故原因在所述多个建筑事故模拟数据流中的原因相关数据。

10.一种建筑幕墙报警系统，其特征在于，所述建筑幕墙报警系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-9中任意一项的建筑幕墙玻璃破裂图像识别方法。

Images