CN113762073A - 一种古建筑斜坡瓦面破损自动评估方法 - Google Patents

一种古建筑斜坡瓦面破损自动评估方法 Download PDF

Info

Publication number
CN113762073A
CN113762073A CN202110862301.5A CN202110862301A CN113762073A CN 113762073 A CN113762073 A CN 113762073A CN 202110862301 A CN202110862301 A CN 202110862301A CN 113762073 A CN113762073 A CN 113762073A
Authority
CN
China
Prior art keywords
image
damage
value
tile surface
state identification
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
CN202110862301.5A
Other languages
English (en)
Other versions
CN113762073B (zh
Inventor
张永成
段思同
张涛
芮敏
赵度薇
毕傲睿
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110862301.5A priority Critical patent/CN113762073B/zh
Publication of CN113762073A publication Critical patent/CN113762073A/zh
Application granted granted Critical
Publication of CN113762073B publication Critical patent/CN113762073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种古建筑斜坡瓦面破损自动评估方法，首先对屋面瓦片进行图像采集和数字图像分区命名的预处理；然后对预处理得到的屋面瓦片图像利用卷积神经网络进行破损状态识别，包括图像异常检测、图像异常提取、提取破损分类和模型验证测试，得到破损状态识别结果；最后根据破损状态识别结果进行评估并给出维护方法。本发明能够快速准确确定屋面瓦片的破损情况并准确定位，节省修缮工作中的破损位置查找工作时间，并根据不同的破损情况给出针对性修缮建议，以便于更加有效快捷完成修缮工作。

Description

一种古建筑斜坡瓦面破损自动评估方法
技术领域
本发明涉及一种古建筑斜坡瓦面破损自动评估方法，属于古建筑修复领域。
背景技术
随着社会经济的发展，经济结构中，旅游业扮演的角色日渐重要，而基于传统文化的古镇也成为旅游业中的热点项目。在对古镇进行旅游开发时，首先要面对的就是对古建筑的开发修缮，而在古建筑结构中，无论建筑的等级还是挖面的种类，屋面问题是古建筑修复中的重点问题。屋面由一块块的瓦片组合而成，瓦片与瓦片之间的通过灰泥粘接和勾缝相结合，而在瓦片的安装修缮工作中，所有的瓦片结瓦工作都由人工操作。
现有的对屋面修缮方法，通常是在屋面发生破损事故之后进行维修保护，而在此过程的中需要花费大量的时间和精力来寻找破损的位置所在。因此，一种能够缩短屋面破损位置寻找时间、准确高效给出评估结果的方法，对古建筑修复的发展至关重要。
现提出一种基于机器视觉方法的古建筑斜坡瓦面破损自动评估方法，通过无人机对古建筑屋面情况进行实时拍摄，并且利用计算机对其进行自动查找识别屋面问题所在，对屋面瓦片破损情况整体评估，更为及时有效地开展修复工作。
发明内容
发明目的：本发明目的在于提供一种基于机器视觉，对古建筑屋面的斜坡瓦片状况准确并快速完成破损识别评估，并根据评估的结果给出相应修复建议的方法。
技术方案：本发明的古建筑斜坡瓦面破损自动评估方法，包括以下步骤：
(1)对屋面瓦片进行图像采集和数字图像分区命名的预处理；
(2)对预处理得到的屋面瓦片图像利用卷积神经网络进行破损状态识别，包括图像异常检测、图像异常提取、提取破损分类和模型验证测试，得到破损状态识别结果；
(3)根据破损状态识别结果进行评估并给出维护方法。
由于对建筑屋顶图像采集过程存在危险，在此优选使用无人机进行图像采集，而直接采集的图像内存过大不便于识别处理，因此对图片进行分区划分处理；所述步骤(1)中预处理包括以下步骤：
(11)规划无人机路径并对划分后区域进行图像采集；
(12)对采集到的图像进行网格划分；
(13)对划分后的图像进行命名编号。
其中，每张图像均等分成9个区域，并以图像命名以9个区域作为分类标准。
为识别出瓦片的受损或正常状态，在此通过卷积神经网络技术进行异常检测，利用卷积自编码器作为异常检测器，所述步骤(2)中图像异常检测，通过图像的每个像素输入与输出之间差的平方，评估重构质量，公式如下：
Figure BDA0003186194240000021
其中，e为评价重构质量的重构误差，p表示输入像素点，
Figure BDA0003186194240000022
表示重构输入像素点，即输出点，p和
Figure BDA0003186194240000023
位于第x行第y列，c为图像的颜色通道，由于输入与输出像素值位于-1到1之间，e的最大值为3×[1-(-1)]×2＝12。
进一步的，在完成异常的识别之后，步骤(2)中图像异常提取通过对图像的分割和提取异常分数完成，即通过单个图像数据的局部图像阈值TL和整个图像数据集的全局图像阈值TG协同使用，提取破损瓦片图像并过滤未破损瓦片图像。
对图像所有像素的异常分数进行排序，选择对应于适当百分位的异常分数，异常分数的计算过程如下：
Figure BDA0003186194240000024
其中，APG为异常分数，PG为计算APG选定的百分位数，ni表示图像i的总像素，N表示图像总数；
所述局部图像阈值TL的计算过程如下：
Figure BDA0003186194240000025
其中，PL为计算TL选定的百分位数，n表示图像的总像素。
所述步骤(2)中图像异常提取包括以下根据异常分数确定提取缺陷阈值的步骤：
(21)将默认的TG值设置为0.5；
(22)根据选定的百分位数PG计算异常分数APG；
(23)若APG大于默认值，则更新TG值；
(24)根据选定的百分位数PL计算TL；
(25)判断TL是否大于αTG，若大于，选择TL作为阈值T，否则选择TG作为阈值T；
其中，α为折减系数，取值范围为小于1的正实数。
优选的，在所述步骤(2)中提取破损分类中，对图像预处理过程中对图像网格划分后，通过ResNet架构作为分类器进行模型训练，通过将上一层的重要信息传播到下一层来增强网络的表征能力，从而使信息损失最小化，避免了训练精度的下降。
在模型训练前，计算并存储训练数据集合验证数据集的均值和标准差，以供后续规范化使用；模型训练时，采用分类交叉熵CC作为损失函数，便于对图像破损分类的训练，对图像的损失值计算单独损失的总和，计算过程如下：
Figure BDA0003186194240000031
其中l＝0、1、2分别表示无缺破损、开裂、剥落的分类；yl表示类l的单热编码标签的二进制值；pl表示分类器预测的类l的概率，且p0+p1+p2＝1。
所述步骤(2)中模型验证测试中，对模型训练后的图像模型输入分类器并验证其损失值和准确率，通过验证则输出最小验证损失的最佳模型，测试生成无破损、开裂和剥落的概率并输出。
所述步骤(3)中评估内容包括异常检测所检测到实际破损的命中率、检测忽略破损的漏报率和误报率，计算过程如下：
Figure BDA0003186194240000032
Figure BDA0003186194240000033
Figure BDA0003186194240000034
命中率+漏报率＝100％；
其中，TP表示检测为破损实际为破损，TN表示检测为非破损实际为非破损，FP表示检测为破损实际为非破损，FN表示检测为非破损实际为破损。
有益效果：与现有技术相比，本发明具有如下显著优点：能够快速准确确定屋面瓦片的破损情况，缩短了屋顶破损处位置的寻找过程；对破损情况进行评估并给出针对性建议，更有效快捷完成修缮工作；更及时发现破损情况，避免损坏的进一步扩大。
附图说明
图1为本发明的方法流程图；
图2为无人机楼与楼之间路径规划示意图；
图3为无人机露面之上路径规划示意图
图4为采集图片的区域划分示意图；
图5为瓦片状态示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明的古建筑斜坡瓦面破损自动评估方法，包括以下步骤：
(1)对屋面瓦片进行图像采集和数字图像分区命名的预处理；
(2)对预处理得到的屋面瓦片图像利用卷积神经网络进行破损状态识别，包括图像异常检测、图像异常提取、提取破损分类和模型验证测试，得到破损状态识别结果；
(3)根据破损状态识别结果进行评估并给出维护方法。
由于对建筑屋顶图像采集过程存在危险，在此优选使用无人机进行图像采集，而直接采集的图像内存过大不便于识别处理，因此对图片进行分区划分处理；所述步骤(1)中预处理包括以下步骤：
(11)规划无人机路径并对划分后区域进行图像采集；
(12)对采集到的图像进行网格划分；
(13)对划分后的图像进行命名编号。
其中，每张图像均等分成9个区域，并以图像命名以9个区域作为分类标准。本实施例中针对教学楼的瓦片进行试研究，结合图2、图3和图4，初始先对无人机的路径进行规划划分后再进行图像采集，再进一步对采集到的图像进行网格划分。
首先学习无人机的操作过程，进行低空试飞，试飞成功后正式使用无人机拍摄瓦片。试飞拍摄过程中，发现教学楼的3楼和4楼两个楼层均有瓦片，故以一号楼东侧3楼的瓦片作为拍摄起点，依次朝东南西北四个方向的3楼和4楼瓦片进行拍摄。遇大面积瓦片区域时，由于无人机远程拍摄导致图像不够清晰，不足以后期识别，故采用三分法，将整个大区域划分成三个均等区域，进行区域拍摄。一号楼拍摄完成后，对二号楼、三号楼、四号楼、五号楼依次进行上述操作。
再进一步的，在瓦片图像拍摄进程中，由于拍照技术的不成熟，拍摄的瓦片图像避免不了有重合的一部分，导致数据有所偏差。并且用无人机拍摄的图片内存太大，在卷积神经网络中不方便进行识别故采用三分法。三分法既可以横向划分，又可以竖向划分。当两者结合使用时，即采用“井”字形构图。本论文将采用九宫格形构图，减小内存，将每一张瓦片图像进行精细化划分，在卷积神经网络以及分类器中得以精确识别。
对图像划分后的区域进行命名，由于本实施例中的图像被分成九个区域，在此以九个区域作为分类标准进行说明，在命名时考虑到教学楼的编号、瓦片所在楼层、瓦片的方向，采用以下命名如：X1-4-N-3，其中，“X1”代表教学楼的编号，“4”代表瓦片所在的楼层，“N”代表是北向的瓦片。“8”代表是图像中的第8块区域。
异常检测：
在异常检测之前，对采集到的瓦片图片进行区域划分，为识别出瓦片的受损或正常状态，在此通过卷积神经网络技术进行异常检测，利用卷积自编码器作为异常检测器，在编码器中，输入经过连续的卷积块，在每一个下采样步骤中增加一倍的通道数，以增加编码特征的表示。在瓶颈(也被称为代码，50个神经元的全连通层)之前，将特征图扁平化并向下采样到100个神经元的全连通层，以实现每个特征间良好的相干性:使用双曲正切函数作为最后一层，将每个神经元的值压缩到-1和1之间，其取值范围与输入值相同。即所述步骤(2)中图像异常检测，通过图像的每个像素输入与输出之间差的平方，评估重构质量，公式如下：
Figure BDA0003186194240000051
其中，e为评价重构质量的重构误差，p表示输入像素点，
Figure BDA0003186194240000052
表示重构输入像素点，即输出点，p和
Figure BDA0003186194240000053
位于第x行第y列，c为图像的颜色通道，由于输入与输出像素值位于-1到1之间，e的最大值为3×[1-(-1)]×2＝12。
在完成异常的识别之后，步骤(2)中图像异常提取通过对图像的分割和提取异常分数完成，即通过单个图像数据的局部图像阈值TL和整个图像数据集的全局图像阈值TG协同使用，提取破损瓦片图像并过滤未破损瓦片图像。
对图像所有像素的异常分数进行排序，选择对应于适当百分位的异常分数，异常分数的计算过程如下：
Figure BDA0003186194240000054
其中，APG为异常分数，PG为计算APG选定的百分位数，ni表示图像i的总像素，N表示图像总数；
所述局部图像阈值TL的计算过程如下：
Figure BDA0003186194240000055
其中，PL为计算TL选定的百分位数，n表示图像的总像素。
所述步骤(2)中图像异常提取包括以下根据异常分数确定提取缺陷阈值的步骤：
(21)将默认的TG值设置为0.5；
(22)根据选定的百分位数PG计算异常分数APG；
(23)若APG大于默认值，则更新TG值；
(24)根据选定的百分位数PL计算TL；
(25)判断TL是否大于αTG，若大于，选择TL作为阈值T，否则选择TG作为阈值T；
其中，α为折减系数，取值范围为小于1的正实数。
破损结果评估：
步骤1：与之前的异常检测类似，在标注标签之前，高分辨率瓦片图像被裁剪成不同的尺寸。
步骤2：然后我们采用著名的ResNet架构作为分类器，利用训练数据集从头开始进行模型训练。在本研究中，考虑到可用的计算资源和所需的训练时间，我们采用了由50个卷积层组成的ResNet-50。
步骤3；采用5倍交叉验证方法验证和评估ResNet-50，在对屋面瓦片图像进行破损分类方面的性能。图像数据集被分成5个等大小的子集，每个训练时间使用其中一个子集作为验证数据集。换在每第k次交叉验证中，性能最好的模型(验证损失最低)，作为建议的图像识别屋面瓦片破损评价的分类器。
此外，标签采用单热编码，将标签的数值整数转换为三个元素的一维向量。例如，图像在开裂时的标签，即数值为1，被转换为向量＝<0，1，0>。换句话说，这表明图像属于裂解类的概率为1.0，属于其他两类的概率为0.0。
步骤4：采用分类交叉熵(CC)作为损失函数，便于对图像破损分类的训练。对于图像，损失值被计算为单独损失的总和。对于每个类标签如下：
Figure BDA0003186194240000061
其中l＝0、1、2分别表示无缺破损、开裂、剥落的分类；yl表示类l的单热编码标签的二进制值；pl表示分类器预测的类l的概率，且p0+p1+p2＝1。采用了批量尺寸大小为24的图像训练，并采用Adam作为优化算法。
步骤5：在模型训练后的每个瓦片图像进行模型验证。计算分类交叉熵和准确率。验证损失的值被用作终止训练过程的指标，其中，如果连续30个图像没有观察到验证损失的减少，则模型训练将中止。
测试阶段与验证阶段相似，只考虑从异常提取中检索到的可疑破损。然后将归一化后的瓦片图像逐个发送到5个分类器(建立在前5次交叉验证的基础上)，生成无破损、开裂和剥落的概率。然后，实现最大值的参数来确定补丁最可能属于的类。
所述步骤(2)中模型验证测试中，对模型训练后的图像模型输入分类器并验证其损失值和准确率，通过验证则输出最小验证损失的最佳模型，测试生成无破损、开裂和剥落的概率并输出。
用于计算TG和TL的百分位数设置为99.9％，所有四个测试数据集的α设置为0.4。集合A的裁剪尺度为512像素，即高于其他三个数据集(即256像素)，以确保无缝提取剥落区域。进行数据汇总与计算并联系实地测量数据可得，提取的图像中的破损对于集合B，C，D的覆盖率相似，即15.7％-18.6％，提取的集合A中破损约占总破损的38.6％。
所述步骤(3)中评估内容包括异常检测所检测到实际破损的命中率、检测忽略破损的漏报率和误报率，计算过程如下：
Figure BDA0003186194240000071
Figure BDA0003186194240000072
Figure BDA0003186194240000073
命中率+漏报率＝100％；
其中，TP表示检测为破损实际为破损，TN表示检测为非破损实际为非破损，FP表示检测为破损实际为非破损，FN表示检测为非破损实际为破损。
结合图5，本发明将每一张瓦片图像分为九张均等大小的图像，故以每一小张图像作为一个研究区域，设定每一个研究区域为10平方米。经过拍摄，发现瓦片的状态分为以下三种情况，即无破损、开裂、剥落。将破损程度分为四个体系，依次分别是红色(重度)、橙色(中度)、黄色(轻中度)、绿色(轻度)，每一个区域有上百块瓦片，定义0-5块瓦片破损为绿色(轻度)，5-15块瓦片破损为黄色(轻中度)、15-25块瓦片破损为橙色(中度)、25块以上瓦片破损为红色(重度)，根据破损状态的识别结果，提出评估的方法，包括针对四种不同程度的破损建议，维修人员根据每一张命名图像的精确位置进行准确的修复施工。
最后提出维护方案，根据不同的破损程度，以及每一张命名图像的精确位置，施工技术人员带好修复材料、施工用的安全机具、安全设施防护用品，到相应区域进行修复。若瓦片出现开裂，则(1)使用麻刀灰勾抹到破损处，将麻刀灰塞严裂缝处，并且找平；(2)再沿盖瓦垄的两侧抹一层夹垄灰，保证抹灰直顺、新老瓦片搭接密实；(3)最后打水槎子并刷浆轧光；(4)首先要做好防护措施，防止破损瓦片以及其他物品坠落，然后拆除剥落和松动的瓦片，将基层清理干净；(5)再找到钢筋网绑铜丝、将瓦片绑扎牢固并用高标号砂浆铺贴；(6)最后将杂物清理好运输出去。整个过程要保证瓦片行列整齐，搭接紧密，没有起伏现象。
下表为本实施例步骤(3)中评估内容包括异常检测所检测到实际破损的命中率、检测忽略破损的漏报率和误报率测试数据及其结果
测试数据 命中率(％) 漏报率(％) 误报率(％)
集合A 85.7 14.3 17.6
集合B 88.5 11.5 10.6
集合C 95.6 4.4 15.5
集合D 84.8 15.2 12.9

Claims (10)

1.一种古建筑斜坡瓦面破损自动评估方法，其特征在于，包括以下步骤：
(1)对屋面瓦片进行图像采集和数字图像分区命名的预处理；
(2)对预处理得到的屋面瓦片图像利用卷积神经网络进行破损状态识别，包括图像异常检测、图像异常提取、提取破损分类和模型验证测试，得到破损状态识别结果；
(3)根据破损状态识别结果进行评估并给出维护方法。
2.根据权利要求1所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述步骤(1)中预处理包括以下步骤：
(11)规划无人机路径并对划分后区域进行图像采集；
(12)对采集到的图像进行网格划分；
(13)对划分后的图像进行命名编号。
3.根据权利要求1所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述步骤(2)中图像异常检测，通过图像的每个像素输入与输出之间差的平方，评估重构质量，公式如下：
Figure FDA0003186194230000011
其中，e为评价重构质量的重构误差，p表示输入像素点，
Figure FDA0003186194230000012
表示重构输入像素点，即输出点，p和
Figure FDA0003186194230000013
位于第x行第y列，c为图像的颜色通道，由于输入与输出像素值位于-1到1之间，e的最大值为3×[1-(-1)]×2＝12。
4.根据权利要求1所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述步骤(2)中图像异常提取通过对图像的分割和提取异常分数完成，即通过单个图像数据的局部图像阈值TL和整个图像数据集的全局图像阈值TG协同使用，提取破损瓦片图像并过滤未破损瓦片图像。
5.根据权利要求4所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述异常分数的计算过程如下：
Figure FDA0003186194230000014
其中，APG为异常分数，PG为计算APG根据实际需求选定的百分位数，ni表示图像i的总像素，N表示图像总数；
所述局部图像阈值TL的计算过程如下：
Figure FDA0003186194230000015
其中，PL为计算TL选定的百分位数，n表示图像的总像素。
6.根据权利要求1所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述步骤(2)中图像异常提取包括以下根据异常分数确定提取缺陷阈值的步骤：
(21)将默认的TG值设置为0.5；
(22)根据选定的百分位数PG计算异常分数APG；
(23)若APG大于默认值，则更新TG值；
(24)根据选定的百分位数PL计算TL；
(25)判断TL是否大于αTG，若大于，选择TL作为阈值T，否则选择TG作为阈值T；
其中，α为折减系数，取值范围为小于1的正实数。
7.根据权利要求1所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述步骤(2)中提取破损分类中，对图像预处理过程中对图像网格划分后，通过ResNet架构作为分类器进行模型训练。
8.根据权利要求7所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述模型训练前，计算并存储预设数据的训练数据集和实际采集数据的验证数据集的均值和标准差；模型训练时，采用分类交叉熵CC作为损失函数，对图像的损失值计算单独损失的总和，计算过程如下：
Figure FDA0003186194230000021
其中l＝0、1、2分别表示无缺破损、开裂、剥落的分类；yl表示类l的单热编码标签的二进制值；pl表示分类器预测的类l的概率，且p0+p1+p2＝1。
9.根据权利要求1所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述步骤(2)中模型验证测试中，对模型训练后的图像模型输入分类器进行分类，并验证其损失值和准确率，通过验证则输出最小验证损失的最佳模型，测试生成无破损、开裂和剥落的概率并输出。
10.根据权利要求1所述的古建筑斜坡瓦面破损自动评估方法，其特征在于，所述步骤(3)中评估内容包括异常检测所检测到实际破损的命中率、检测忽略破损的漏报率和误报率，计算过程如下：
Figure FDA0003186194230000031
Figure FDA0003186194230000032
Figure FDA0003186194230000033
命中率+漏报率＝100％；
其中，TP表示检测为破损实际为破损，TN表示检测为非破损实际为非破损，FP表示检测为破损实际为非破损，FN表示检测为非破损实际为破损。
CN202110862301.5A 2021-07-29 2021-07-29 一种古建筑斜坡瓦面破损自动评估方法 Active CN113762073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110862301.5A CN113762073B (zh) 2021-07-29 2021-07-29 一种古建筑斜坡瓦面破损自动评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110862301.5A CN113762073B (zh) 2021-07-29 2021-07-29 一种古建筑斜坡瓦面破损自动评估方法

Publications (2)

Publication Number Publication Date
CN113762073A true CN113762073A (zh) 2021-12-07
CN113762073B CN113762073B (zh) 2024-03-29

Family

ID=78788232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110862301.5A Active CN113762073B (zh) 2021-07-29 2021-07-29 一种古建筑斜坡瓦面破损自动评估方法

Country Status (1)

Country Link
CN (1) CN113762073B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10607331B1 (en) * 2019-06-28 2020-03-31 Corning Incorporated Image segmentation into overlapping tiles
CN111080636A (zh) * 2019-12-23 2020-04-28 杨静日 彩钢瓦表面缺陷的cnn语义分割自学习检测方法
CN113095127A (zh) * 2021-03-01 2021-07-09 兰州大学 一种基于卫星图像的建筑震后定位与破坏状态评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10607331B1 (en) * 2019-06-28 2020-03-31 Corning Incorporated Image segmentation into overlapping tiles
CN111080636A (zh) * 2019-12-23 2020-04-28 杨静日 彩钢瓦表面缺陷的cnn语义分割自学习检测方法
CN113095127A (zh) * 2021-03-01 2021-07-09 兰州大学 一种基于卫星图像的建筑震后定位与破坏状态评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZOU, Z ; WANG, NN;ZHAO, P;ZHAO, XF: "REAL-TIME DETECTION OF ANCIENT ARCHITECTURE FEATURES BASED ON SMARTPHONES", PROCEEDINGS OF THE ASME CONFERENCE ON SMART MATERIALS ADAPTIVE STRUCTURES AND INTELLIGENT SYSTEMS *
王念念: "深度学习在古建筑表面损伤检测中的应用研究", 中国博士学位论文全文数据库, pages 21 *

Also Published As

Publication number Publication date
CN113762073B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
Li et al. Automatic defect detection of metro tunnel surfaces using a vision-based inspection system
CN110111331B (zh) 基于机器视觉的蜂窝纸芯缺陷检测方法
CN109767423B (zh) 一种沥青路面图像的裂缝检测方法
CN107154040A (zh) 一种隧道衬砌表面图像裂缝检测方法
CN110992349A (zh) 一种基于深度学习的地下管道异常自动化定位与识别方法
CN111899288A (zh) 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法
JP2023139099A (ja) 学習用データ収集装置、学習用データ収集方法、及びプログラム
CN104537651A (zh) 一种路面图像中裂缝比例检测算法及系统
CN113689445B (zh) 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法
CN111127465A (zh) 一种桥梁检测报告自动生成方法及系统
CN114581764B (zh) 基于深度学习算法的地下结构裂纹病害判别方法
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
CN113674216A (zh) 一种基于深度学习的地铁隧道病害检测方法
CN115841466A (zh) 排水管网缺陷自动定量评估方法
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN113763363A (zh) 一种排水管道破裂缺陷检测及等级评定方法
CN111220619B (zh) 一种绝缘子自爆检测方法
CN113962929A (zh) 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线
CN114387261A (zh) 一种适用于铁路钢桥螺栓病害的自动检测方法
CN112985515B (zh) 一种产品紧固件装配合格性检测方法、系统及存储介质
CN112726360B (zh) 一种机场混凝土道面裂缝修补方法
CN113762073B (zh) 一种古建筑斜坡瓦面破损自动评估方法
CN111027946A (zh) 一种桥梁检测报告生成方法及系统
CN116402753A (zh) 一种基于改进的YOLOv5的钢材缺陷检测方法
CN116183622A (zh) 一种基于点云信息的地铁渗漏水检测方法

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