CN114663408A - 一种基于人工智能的门窗水密性能检测方法 - Google Patents
一种基于人工智能的门窗水密性能检测方法 Download PDFInfo
- Publication number
- CN114663408A CN114663408A CN202210321338.1A CN202210321338A CN114663408A CN 114663408 A CN114663408 A CN 114663408A CN 202210321338 A CN202210321338 A CN 202210321338A CN 114663408 A CN114663408 A CN 114663408A
- Authority
- CN
- China
- Prior art keywords
- door
- window
- leakage
- thermal imaging
- area
- 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
Links
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及门窗检测领域,具体涉及一种基于人工智能的门窗水密性能检测方法,包括:获取待测试门窗的热成像图像;对所述热成像图像进行ROI区域划分,获取所述热成像图像的边框区域;对所述边框区域进行水密性能测试,获取所述边框区域新渗漏区域产生的平均时间、渗漏区域合并评分和整体渗漏速率;根据所述边框区域新渗漏区域产生的平均时间、渗漏区域合并评分和整体渗漏速率,构建所述边框区域的水密性能判断模型;根据所述边框区域的水密性能判断模型,对所述待测试门窗的水密性能进行分级,得到所述待测试门窗的水密性能级别。上述方法用于对门窗的水密性能进行检测,通过上述方法可有效判断出门窗的渗漏水平。
Description
技术领域
本发明涉及门窗检测领域,具体涉及一种基于人工智能的门窗水密性能检测方法。
背景技术
随着我国民用建筑的大规模发展,建筑日趋高层化,因建筑采光和外观美化的需要,门窗的单体面积日趋大型化和墙体化,同时幕墙的样式也变得越来越多。幕墙是建筑的外衣,在新型建筑中应用量比较大。随着社会的不断发展进步,人们对幕墙的要求越来越高,其结构和功能不断提升,人们对幕墙的要求由最初的只注重美观大方,变为注重设计效果、功能、舒适程度等多方面。幕墙设计阶段,有些设计单位仅注重幕墙结构设计,对其强度进行精确计算,由于对幕墙门窗水密性设计重视程度不够,使雨水渗漏成为建筑物幕墙最普遍的问题,严重影响了幕墙整体使用效果。因此,有必要对幕墙门窗的水密性检测的可靠度做进一步提升,使幕墙满足人们的需求。
目前对于幕墙门窗水密性检测主要是利用检测设备模拟外门窗在暴风雨天气中所处于的模拟状态,采用供压系统、供水系统以及测压和水流量系统对外门窗两侧的压力差值进行计量,然后确定严重泄漏时的压力差值,最后确定外门窗的水密性系数和等级。
上述现有技术耗时耗力,且对检测场所有局限性,对于门窗的渗漏水平检测不够精确,所以,亟需一种方法用于提高检测门窗水密性的效率和精度。
发明内容
本发明提供了一种基于人工智能的门窗水密性能检测方法,包括:获取待测试门窗的热成像图像;对所述热成像图像进行ROI区域划分,获取所述热成像图像的边框区域;对所述边框区域进行水密性能测试,构建所述边框区域的水密性能判断模型;根据所述边框区域的所述水密性能判断模型,对所述待测试门窗的水密性能进行分级,得到所述待测试门窗的水密性能级别,相比于现有技术,通过结合红外热成像与机器视觉,可以尽最大可能消除现有门窗水密性检测存在的设计定级不严谨、定级计算差别大的问题,避免对门窗水密性定级带来诸多不确定因素。
进一步的,本发明利用ROI区域与图像处理并结合时序分析获取了门窗中新渗漏区域产生的平均时间、门窗渗漏区域合并评分、门窗整体渗漏速率,可有效判断出门窗的渗漏水平,提高检测门窗水密性的效率和精度。
为达到上述目的,本发明采用以下技术方案,一种基于人工智能的门窗水密性能检测方法,包括:
获取待测试门窗的热成像图像。
对所述热成像图像进行ROI区域划分,获取所述热成像图像的边框区域。
在预设环境下,对所述边框区域进行水密性能测试,获取所述边框区域新渗漏区域产生的平均时间、渗漏区域合并评分和整体渗漏速率。
根据所述边框区域所述新渗漏区域产生的平均时间、所述渗漏区域合并评分和所述整体渗漏速率,构建所述边框区域的水密性能判断模型。
根据所述边框区域的所述水密性能判断模型,对所述待测试门窗的水密性能进行分级,得到所述待测试门窗的水密性能级别。
进一步的,所述一种基于人工智能的门窗水密性能检测方法,所述获取热成像图像的边框区域的方法,包括:
获取待测试门窗的热成像图像。
对所述热成像图像进行ROI区域划分:将所述待测试门窗的门窗玻璃区域标记为第一ROI区域,将所述待测试门窗的门窗区域标记为第二ROI区域。
根据所述第一ROI区域和所述第二ROI区域,获取所述热成像图像的边框区域。
进一步的,所述一种基于人工智能的门窗水密性能检测方法,所述预设环境,包括:
利用供压系统对待测试的门窗产生动态的风压:所述供压系统在预设压力范围内进行调节。
利用淋水系统对所述待测试的门窗进行喷水:所述淋水系统中的喷淋设备与所述待测试门窗的距离在预设范围内,且喷淋均匀。
进一步的,所述一种基于人工智能的门窗水密性能检测方法,所述获取边框区域新渗漏区域产生的平均时间的方法,包括:
获取所述边框区域的热成像图像的温度极差序列。
根据所述温度极差序列所有值大小,获取所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像。
获取所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像中的第二连通域数目。
根据所述第二连通域数目,获取所述第二连通域数目的直方图及其差值序列。
根据所述第二连通域数目的直方图的差值序列,获取所述边框区域总的渗漏区域数目、所述边框区域新渗漏区域出现时刻和所述边框区域新渗漏区域出现时刻的差值。
根据所述边框区域总的渗漏区域数目、所述边框区域新渗漏区域出现时刻和所述边框区域新渗漏区域出现时刻的差值,获取边框区域新渗漏区域产生的平均时间。
进一步的,所述一种基于人工智能的门窗水密性能检测方法,所述渗漏区域合并评分的表达式如下:
式中:v2即存在的渗漏区域合并时刻的数目,xj表示第j个合并时刻时的连通域数目,Xj表示第二连通域直方图中差值序列的第j个合并时刻时的值,V表示渗漏区域合并评分值。
进一步的,所述一种基于人工智能的门窗水密性能检测方法,所述获取边框区域整体渗漏速率的方法,包括:
获取所述边框区域的热成像图像的温度极差序列。
根据所述温度极差序列所有值大小,获取所述边框区域发生渗漏时刻及检测周期最后一次拍摄热成像图像的时刻。
获取所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像。
对所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像进行阈值化操作,获取所述热成像图像对应的二值图。
统计所述二值图中的每个像素值的数目,获得边框区域发生渗漏时刻及检测周期最后一次拍摄的热成像图像的渗漏比例。
根据所述边框区域发生渗漏时刻及检测周期最后一次拍摄热成像图像的时刻和所述渗漏比例,获取边框区域整体渗漏速率。
进一步的,所述一种基于人工智能的门窗水密性能检测方法,所述边框区域的水密性能判断模型L的表达式如下:
式中:t0、t分别表示检测周期最后一次拍摄时热成像的时刻、发生渗漏时的时刻;B0、B分别表示检测周期最后一次拍摄热成像的渗漏比例、发生渗漏时热成像图像的渗漏比例;W1、W2、W3、W4为映射系数,为检测周期的整体渗漏速率,V表示渗漏区域合并评分值,t′表示新渗漏区域产生的平均时间,τ表示调整经验值,避免(t0-t)过小。
本发明的有益效果在于:
通过结合红外热成像与机器视觉对门窗进行水密性能检测,相比于现有技术,可以尽最大可能消除现有门窗水密性检测存在的设计定级不严谨、定级计算差别大的问题,避免对门窗水密性定级带来诸多不确定因素。
针对于门窗的渗漏水平,本发明利用ROI区域与图像处理并结合时序分析获取了门窗中新渗漏区域产生的平均时间、门窗渗漏区域合并评分、门窗整体渗漏速率,相比于现有技术,该方法可有效判断出门窗的渗漏水平,提高检测门窗水密性的效率和精度。
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简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种门窗水密性能检测方法流程示意图;
图2是本发明实施例提供的一种门窗水密性能检测方法流程示意图。
具体实施方式
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,所描述的实施例仅仅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。
实施例1
本发明实施例提供一种基于人工智能的门窗水密性能检测方法,如图1所示,包括:
101、获取待测试门窗的热成像图像。
其中,热成像图像是基于热成像技术获得,是利用红外探测器和光学成像物镜接收被测目标的红外辐射能量分布图形反映到红外探测器的光敏元件上,从而获得红外热像图,这种热像图与物体表面的热分布场相对应。通俗地讲红外热像仪就是将物体发出的不可见红外能量转变为可见的热图像。热图像的上面的不同颜色代表被测物体的不同温度。
其中,利用热成像图像判断门窗水密性能是由于水的热容比建筑材料的热容大,在同样的热辐射条件下,渗漏部位由于水分的存在,使其热容量增大,其温度的升高较小,从而在红外热图像上形成“冷点”,即温度会较低。因此通过门窗缝隙处的热成像可以判断门窗的水密性能。
102、对所述热成像图像进行ROI区域划分,获取所述热成像图像的边框区域。
其中,对图像进行ROI区域划分,是为了获取门窗中存在渗漏缝隙的主要区域,以达到减少计算量提高效率的目的。
103、对所述边框区域进行水密性能测试,获取所述边框区域新渗漏区域产生的平均时间、渗漏区域合并评分和整体渗漏速率。
其中,水密性能测试时需要模拟实际环境,主要是因为门窗出现渗漏需要有以下三点:1)幕墙门窗表面有缝隙;2)门窗缝隙处有少量的水;3)外力作用使水珠沿缝隙渗入门窗中。所以需要在门窗外利用螺旋风机等给幕墙产生动态的风压,供压系统应在一定的压力范围内进行调节,同时利用淋水系统对门窗进行喷水,喷淋设备与试件的距离需在一定范围内,喷淋需要均匀。
104、根据所述边框区域所述新渗漏区域产生的平均时间、所述渗漏区域合并评分和所述整体渗漏速率,构建所述边框区域的水密性能判断模型。
其中,水密性能判断模型得到的值越大,代表该门窗水密性越差。
105、根据所述边框区域的所述水密性能判断模型,对所述待测试门窗的水密性能进行分级,得到所述待测试门窗的水密性能级别。
其中,门窗水密性能设计等级确定(简称水密性定级)是目前建筑工程中极易忽视的内容,水密性定级过高则成本增加且窗型较难选择,水密性定级过低则在台风袭击时易渗漏。因此,如何合理确定门窗水密性能设计等级是非常必要的。现有水密性定级方法存在设计定级不严谨,定级计算差别大,不同的标准或同一标准不同的计算公式对设计指标值计算结果差别较大,对门窗水密性定级带来诸多不确定因素。
其中,待测试门窗的水密性能级别越高代表该门窗的水密性越差,当门窗的水密性能级别为1级时,认定该门窗的水密性能最好,防止雨水渗漏能力最强。
本实施例的有益效果在于:
通过结合红外热成像与机器视觉对门窗进行水密性能检测,相比于现有技术,可以尽最大可能消除现有门窗水密性检测存在的设计定级不严谨、定级计算差别大的问题,避免对门窗水密性定级带来诸多不确定因素。
针对于门窗的渗漏水平,本实施例利用ROI区域与图像处理并结合时序分析获取了门窗中新渗漏区域产生的平均时间、门窗渗漏区域合并评分、门窗整体渗漏速率,相比于现有技术,该方法可有效判断出门窗的渗漏水平,提高检测门窗水密性的效率和精度。
实施例2
本发明实施例提供一种基于人工智能的门窗水密性能检测方法,如图2所示,包括:
201、获取待测试门窗的热成像图像。
首先布置热红外相机正对门窗,采集门窗的热成像数据,得到门窗热成像,相机要正对热红外相机,为了方便统一分析图像。所述热成像布置在屋内,该屋安装了待测试门窗。
202、对所述热成像图像进行ROI区域划分,获取所述热成像图像的边框区域。
对热成像图像进行ROI区域划分,包含第一ROI区域、第二ROI区域。
所述第一ROI区域为门窗玻璃区域,第二ROI区域为门窗区域。
然后获取边框区域ROI3:
ROI3=ROI2-ROI1
式中:ROI1、ROI2分别为门窗玻璃区域、门窗区域。
门窗水密性能检测过程中,需要对门开关进行基础关严。同时应保证环境温度接近,不存在不同位置环境温度较大差异。
由于相机位姿固定,因此对于每次检测都需要人为标记出ROI1、ROI2区域,并计算得到ROI3区域。
203、获取所述边框区域的热成像图像的温度极差序列。
对所述边框区域进行水密性能测试,水密性检测时需要的环境包括:
利用供压系统对待测试的门窗产生动态的风压:所述供压系统应在一定的压力范围内进行调节。
利用淋水系统对所述待测试的门窗进行喷水:喷淋设备与所述待测试门窗的距离需在一定范围内,且喷淋需要均匀。所述压力范围实施者可自行设置,不在本实施例讨论范围。
所述边框区域水密性能检测时间为15分钟一个周期,通过15分钟的实时监测来判断门窗是否发生渗漏,来评估门窗水密性能,实施者也可以根据条件选择不同时间的检测周期。对于热成像相机而言,可选择每1秒对门窗进行一次图像采集。
通常门窗发生渗漏,主要是水通过门窗边框区域上的缝隙来流出,因此下述主要分析ROI3区域。
其中,Ti为边框区域第i个像素的温度,n为边框区域的像素个数。
然后获取当前拍摄的热成像图像的TopK个温度最小的温度值。K的经验值为15,选取TopK是为了避免误检。
获取温度极差序列R:
其中,Tmin为一个最小的温度值,由于有K个Tmin,因此最终得到的温度极差序列的长度为15。
204、根据所述温度极差序列所有值大小,获取所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像。
当差值大于温度阈值G时,认为区域存在较大温度差,可能发生了门窗渗漏,G的经验值为2,即差值大于2摄氏度认定该位置存在门窗渗漏。最终用温度阈值将图像中的数据分为两类,一类中初始温度与热成像图像的像素点的温度的差异小于这个阈值,另一类中的初始温度与热成像图像的像素点的温度差异均大于或者等于该温度。
205、获取所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像中的第二连通域数目。
利用阈值化操作,最终得到所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像的二值图像。
对于二值图像中,像素值为255的即为渗漏区域,像素值为0的为背景区域。
然后对二值图像进行连通域提取,连通域提取的方法如基于行程的标记、基于轮廓的标记等,这里不再赘述其技术细节。最终得到第一连通域,第一连通域可能包含多个,每个第一连通域即可认为是门窗的一处渗漏区域。同时记录此时刻连通域的个数。同时对第一连通域面积进行筛选,将第一连通域面积少于G1的进行过滤,最终得到大于G1的连通域,称为第二连通域。G1的经验值为10。即此处认为小于G1的连通域为误检区域。然后记录第二连通域的数目为Num。
206、根据所述第二连通域数目,获取所述第二连通域数目的直方图及其差值序列。
获取第二连通域数目的直方图,横坐标为时刻,纵坐标为第二连通域数目。
进一步的,获取第二连通域直方图中的差值序列X:
X(t)=x(t+1)-x(t)
x(t+1)表示t+1时刻的第二连通域数目,x(t)表示t时刻的第二连通域数目。
最终得到差值序列,由于t=0不存在,因此其相比第二连通域数目的直方图序列长度小1,为了对齐长度,在差值序列首个元素前添加一个0值。
207、根据所述第二连通域数目的直方图的差值序列,获取所述边框区域总的渗漏区域数目、所述边框区域新渗漏区域出现时刻和所述边框区域新渗漏区域出现时刻的差值。
需要说明的是,第二连通域数目直方图中也可能存在渗漏区域并和、新渗漏区域同时出现的现象,可以调节相机检测的频率来减少该类误差,本实施例为1秒检测一次,提高检测频率来减少误差。
对于差值序列中的每一个正数的时刻,都认为是新渗漏区域出现的时刻,正数数目记为v1。
存在负数的数目v2即发生了v2次渗漏区域的合并。获取发生渗漏区域合并时的时刻,表示为差值序列中为负数的时刻,该时刻为合并时刻。
获取总的泄露区域数目U:
其中,v1即存在的新渗漏区域出现时刻的数目,Xi分别表示第i个新渗漏区域出现时刻的差值(差值序列的第i个新渗漏区域出现时刻的值,该值可表示渗漏区域的数目变化量)。
208、根据所述边框区域总的渗漏区域数目、所述边框区域新渗漏区域出现时刻和所述边框区域新渗漏区域出现时刻的差值,获取边框区域新渗漏区域产生的平均时间t′。
平均时间t′的表达式如下:
v1即存在的新渗漏区域出现时刻的数目,ti、Xi分别表示第i个新渗漏区域出现时的时刻、差值(差值序列的第i个新渗漏区域出现时刻时的值,该值可表示渗漏区域的数目变化量)。U为所述边框区域总的渗漏区域数目。最终得到的t′值越大,表示渗漏区域产生的时间越长,水密性能相对越好。
209、获取渗漏区域合并评分。
渗漏区域合并评分V表达式如下:
式中:v2即存在的合并时刻的数目,xj表示第j个合并时刻时的连通域数目,Xj表示差值序列的第j个合并时刻时的值,V表示渗漏区域合并评分值。
210、对所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像进行阈值化操作,获取所述热成像图像对应的二值图。
211、统计所述二值图中的每个像素值的数目,获得边框区域发生渗漏时刻及检测周期最后一次拍摄的热成像图像的渗漏比例。
统计二值图像中的每个像素值的数目,得到渗漏区域像素数目N1,边框区域像素数目N2,进一步计算其比例:
式中:B为渗漏比例,取值在[0,1]之间。N1为渗漏区域像素数目,N2为边框区域像素数目。
212、根据所述边框区域发生渗漏时刻及检测周期最后一次拍摄热成像图像的时刻和所述渗漏比例,获取边框区域整体渗漏速率。
213、根据所述边框区域所述新渗漏区域产生的平均时间、所述渗漏区域合并评分和所述整体渗漏速率,构建所述边框区域的水密性能判断模型。
所述边框区域的水密性能判断模型L的表达式如下:
式中:其中t0、t分别表示检测周期最后一次拍摄时热成像的时刻(即900秒时刻)、发生渗漏时的时刻,单位为秒。B0、B分别表示检测周期最后一次拍摄热成像的渗漏比例、发生渗漏时热成像图像的渗漏比例。W1、W2、W3、W4为映射系数,经验值分别为3t0、1、0.5、10,为检测周期的整体渗漏速率,该值越大代表整体门窗渗漏速率越快。logW3t′使得t′越大,该项值越小,根据取值,该项会存在负数区间,因此加上W4,使得该项为正数;该项值越大,代表新渗漏区域产生的平均时间越短,代表门窗存在较多缝隙,水密性能越差。τ为调整经验值,取180,避免(t0-t)过小,导致该项值过大。
214、根据所述边框区域的所述水密性能判断模型,对所述待测试门窗的水密性能进行分级,得到所述待测试门窗的水密性能级别。
所述水密性能L判断模型,L值越大,代表该门窗水密性越差。
然后实施者可根据水密性能L值进行分级,具体如下:
对于温度极差序列一直未大于温度阈值的,认定该门窗的水密性能最好,防止雨水渗漏能力最强,为1级。
水密性能L值处在(0,1],水密性能为2级;
水密性能L值处在(1,2],水密性能为3级;
水密性能L值处在(2,3],水密性能为4级;
水密性能L值处在(3,4],水密性能为5级;
水密性能L值大于4的,水密性能为6级;
最终得到门窗的水密性能级别,其级别越高代表水密性越差。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的门窗水密性能检测方法,其特征在于,包括:
获取待测试门窗的热成像图像;
对所述热成像图像进行ROI区域划分,获取所述热成像图像的边框区域;
在预设环境下,对所述边框区域进行水密性能测试,获取所述边框区域新渗漏区域产生的平均时间、渗漏区域合并评分和整体渗漏速率;
根据所述边框区域所述新渗漏区域产生的平均时间、所述渗漏区域合并评分和所述整体渗漏速率,构建所述边框区域的水密性能判断模型;
根据所述边框区域的所述水密性能判断模型,对所述待测试门窗的水密性能进行分级,得到所述待测试门窗的水密性能级别。
2.根据权利要求1所述的一种基于人工智能的门窗水密性能检测方法,其特征在于,所述获取热成像图像的边框区域的方法,包括:
获取待测试门窗的热成像图像;
对所述热成像图像进行ROI区域划分:将所述待测试门窗的门窗玻璃区域标记为第一ROI区域,将所述待测试门窗的门窗区域标记为第二ROI区域;
根据所述第一ROI区域和所述第二ROI区域,获取所述热成像图像的边框区域。
3.根据权利要求1所述的一种基于人工智能的门窗水密性能检测方法,其特征在于,所述预设环境,包括:
利用供压系统对待测试的门窗产生动态的风压:所述供压系统在预设压力范围内进行调节;
利用淋水系统对所述待测试的门窗进行喷水:所述淋水系统中的喷淋设备与所述待测试门窗的距离在预设范围内,且喷淋均匀。
4.根据权利要求1所述的一种基于人工智能的门窗水密性能检测方法,其特征在于,所述获取边框区域新渗漏区域产生的平均时间的方法,包括:
获取所述边框区域的热成像图像的温度极差序列;
根据所述温度极差序列所有值大小,获取所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像;
获取所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像中的第二连通域数目;
根据所述第二连通域数目,获取所述第二连通域数目的直方图及其差值序列;
根据所述第二连通域数目的直方图的差值序列,获取所述边框区域总的渗漏区域数目、所述边框区域新渗漏区域出现时刻和所述边框区域新渗漏区域出现时刻的差值;
根据所述边框区域总的渗漏区域数目、所述边框区域新渗漏区域出现时刻和所述边框区域新渗漏区域出现时刻的差值,获取边框区域新渗漏区域产生的平均时间。
6.根据权利要求1所述的一种基于人工智能的门窗水密性能检测方法,其特征在于,所述获取边框区域整体渗漏速率的方法,包括:
获取所述边框区域的热成像图像的温度极差序列;
根据所述温度极差序列所有值大小,获取所述边框区域发生渗漏时刻及检测周期最后一次拍摄热成像图像的时刻;
获取所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像;
对所述边框区域发生渗漏时刻及其后续每一时刻的热成像图像进行阈值化操作,获取所述热成像图像对应的二值图;
统计所述二值图中的每个像素值的数目,获得边框区域发生渗漏时刻及检测周期最后一次拍摄的热成像图像的渗漏比例;
根据所述边框区域发生渗漏时刻及检测周期最后一次拍摄热成像图像的时刻和所述渗漏比例,获取边框区域整体渗漏速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321338.1A CN114663408B (zh) | 2022-03-30 | 2022-03-30 | 一种基于人工智能的门窗水密性能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321338.1A CN114663408B (zh) | 2022-03-30 | 2022-03-30 | 一种基于人工智能的门窗水密性能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663408A true CN114663408A (zh) | 2022-06-24 |
CN114663408B CN114663408B (zh) | 2023-04-28 |
Family
ID=82032543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210321338.1A Active CN114663408B (zh) | 2022-03-30 | 2022-03-30 | 一种基于人工智能的门窗水密性能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663408B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109443428A (zh) * | 2018-10-25 | 2019-03-08 | 南京工大建设工程技术有限公司 | 一种外墙防水工程施工质量检测鉴定方法 |
US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
CN112785560A (zh) * | 2021-01-06 | 2021-05-11 | 李俊 | 一种基于人工智能的气密性检测水体更新方法及系统 |
-
2022
- 2022-03-30 CN CN202210321338.1A patent/CN114663408B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
CN109443428A (zh) * | 2018-10-25 | 2019-03-08 | 南京工大建设工程技术有限公司 | 一种外墙防水工程施工质量检测鉴定方法 |
CN112785560A (zh) * | 2021-01-06 | 2021-05-11 | 李俊 | 一种基于人工智能的气密性检测水体更新方法及系统 |
Non-Patent Citations (1)
Title |
---|
唐晨浩 等: "红外热成像检测技术在幕墙门窗渗漏检测中的应用", 《工程质量》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114663408B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114359416B (zh) | 一种建筑物外墙空鼓渗漏异常检测及定位方法 | |
CN110717403B (zh) | 一种人脸多目标跟踪方法 | |
Garg et al. | Vision and rain | |
CN102707340B (zh) | 一种基于视频图像的降雨量测量方法 | |
CN102252623B (zh) | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 | |
CN111798386B (zh) | 一种基于边缘识别与最大序列密度估计的河道流速测量方法 | |
CN101586956B (zh) | 基于单目摄像机的河流水位监测方法 | |
US11367171B2 (en) | Method for detecting hollowing of exterior wall finish layer | |
CN110874592B (zh) | 一种基于总有界变分的森林火灾烟雾图像检测方法 | |
CN109902633A (zh) | 基于固定位摄像机监控视频的异常事件检测方法及装置 | |
CN101806700B (zh) | 土壤入渗性能的测量方法及测量系统 | |
KR102380014B1 (ko) | 영역 온도차 기반 창호의 열성능 저하 부위 탐지 및 판정 방법 | |
CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
CN116030060A (zh) | 一种塑料颗粒质量检测方法 | |
KR20230132686A (ko) | PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법 | |
CN115144434A (zh) | 一种利用红外热成像技术检测建筑物外墙缺陷的方法 | |
CN102721988B (zh) | 基于天空可见光图像的日照时数测量方法 | |
CN114663408B (zh) | 一种基于人工智能的门窗水密性能检测方法 | |
Du et al. | Quantification of atmospheric visibility with dual digital cameras during daytime and nighttime | |
CN108510527B (zh) | 一种基于帧差法和运动点聚类的运动目标检测方法 | |
CN115830460A (zh) | 一种用于河道防汛的实时监控方法及系统 | |
AU2021102276A4 (en) | A Detection Method for Quantity of Residual Plastic Films Based on Heuristic Iterative Algorithm and Its Early Warning System | |
Zacksenhouse et al. | Automatic spatial characterization of low-speed streaks from thermal images | |
CN113781513A (zh) | 一种电厂供水管道泄漏检测方法及系统 | |
CN112683459A (zh) | 基于人工智能的气密性检测过程相机光圈调节方法及系统 |
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 |