CN114858921B - 一种建筑幕墙健康监测损伤识别方法与系统 - Google Patents
一种建筑幕墙健康监测损伤识别方法与系统 Download PDFInfo
- Publication number
- CN114858921B CN114858921B CN202210544305.3A CN202210544305A CN114858921B CN 114858921 B CN114858921 B CN 114858921B CN 202210544305 A CN202210544305 A CN 202210544305A CN 114858921 B CN114858921 B CN 114858921B
- Authority
- CN
- China
- Prior art keywords
- curtain wall
- building curtain
- image
- building
- original image
- 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.)
- Active
Links
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
- 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
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及幕墙健康监测技术领域,公开了一种建筑幕墙健康监测损伤识别方法与系统,所述方法包括:获取建筑幕墙原始图像,实时采集建筑幕墙图像以及建筑幕墙反射的声波信号;分别提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,将实时提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配;构建基于决策树的幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出建筑幕墙的破碎检测结果;根据幕墙形变检测结果以及幕墙破碎检测结果进行建筑幕墙健康监测警告。本发明所述方法通过基于图像特征以及信号特征的特征比对,实现建筑幕墙是否发生形变损伤、破碎损伤的识别监测。
Description
技术领域
本发明涉及幕墙健康监测技术领域,尤其涉及一种建筑幕墙健康监测损伤识别方法。
背景技术
随着建筑幕墙体量和构造程度复杂性的提高,对幕墙检测技术的要求也随之提高,要求幕墙检测设备不仅能够检测大规格的建筑幕墙,还需要具有简单轻便的特性,传统幕墙检测方法主要为采用反力架安装幕墙试件,在幕墙平面沿着水平方向进行低周反复运动,模拟测量受地震、狂风等影响时建筑幕墙产生的变形程度,但反力架制作成本高,占地面积大,无法满足建筑幕墙健康监测的经常性、实时性。鉴于此,本方案提出一种基于图像特征以及信号特征的建筑幕墙健康实时监测的方法。
发明内容
本发明提供一种建筑幕墙健康监测损伤识别方法,目的在于(1)实现建筑幕墙健康的实时监测;(2)实现建筑幕墙是否发生形变损伤、破碎损伤的识别判断。
实现上述目的,本发明提供的一种建筑幕墙健康监测损伤识别方法,包括以下步骤:
S1、获取建筑幕墙原始图像,并在建筑幕墙表面设置超声波发射和接收装置;
S2、实时采集建筑幕墙图像以及建筑幕墙反射的声波信号;
S3、分别提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,将实时提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配,若匹配结果低于匹配阈值,则说明建筑幕墙存在形变;
S4、构建基于决策树的幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出建筑幕墙的破碎检测结果;
S5、根据幕墙形变检测结果以及幕墙破碎检测结果进行建筑幕墙健康监测警告。
作为本发明的进一步改进方法:
所述S1步骤中获取建筑幕墙原始图像并设置超声波发射和接收装置,包括:
在建筑幕墙附近设置摄像设备,利用摄像设备获取建筑幕墙原始图像I0,并将获取的建筑幕墙原始图像发送到幕墙损伤识别装置,所述建筑幕墙原始图像为不存在损伤的建筑幕墙的完整图像,在本发明一个具体实施例中,用户可直接将建筑幕墙原始图像发送到幕墙损伤识别装置;
在建筑幕墙表面设置超声波发射和接收装置。
所述S2步骤中实时采集建筑幕墙图像以及建筑幕墙反射的声波信号,包括:
所述超声波发射装置实时向建筑幕墙发射超声波信号,所述超声波信号s(t)为:
其中:
β表示超声波的信号幅值,将其设置为2;
α表示超声波的信号带宽,将其设置为103;
f表示超声波发射装置的中心频率,将其设置为80Hz;
τ表示超声波的偏移时间,将其设置为0.05;
t表示信号的时域信息;
超声波信号到达幕墙表面后形成回波信号x(t),利用超声波接收装置实时接收幕墙反射的回波信号x(t),并将接收到的回波信号x(t)发送到幕墙损伤识别装置,在本发明一个具体实施例中,若幕墙表面存在破碎,则会导致接收到的回波信号异常,通过监测回波信号可以实现幕墙的破碎检测;
利用摄像设备实时采集建筑幕墙图像,则当前时刻采集的建筑幕墙图像为I,将采集到的建筑幕墙图像实时发送到幕墙损伤识别装置。
所述S3步骤中提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,包括:
幕墙损伤识别装置利用轮廓特征提取方法分别提取建筑幕墙图像I以及建筑幕墙原始图像I0的轮廓特征,所述轮廓特征提取方法的流程为:
1)利用均值滤波器对图像进行均值滤波处理,所述均值滤波处理的公式为:
其中:
I(i,j)表示图像像素,(i,j)表示像素坐标;
N表示以像素I(i,j)为中心的模板,在本发明一个具体实施例中,所选取模板为3×3像素模板;
∑NI(i,j)表示模板N所覆盖区域的像素值之和;
n表示模板N所覆盖区域的像素个数;
g(i,j)表示图像像素I(i,j)滤波处理后的灰度值;
2)计算任意图像像素的梯度值:
其中:
3)分别计算任意图像像素I(i,j)灰度值g(i,j)在[0,M)与[M,L]出现的概率P1,P2,其中[0,L]表示灰度级,L=255,P1+P2=1;计算像素灰度值在[0,M)与[M,L]的平均灰度值μ1,μ2,以及图像的平均灰度值μ,则图像灰度方差σ2的计算公式为:
σ2=P1(μ-μ1)2+P2(μ-μ2)2
遍历M∈[0,L]的所有灰度级数M,当σ2最大时的M即为图像二值化阈值∈,则对于滤波处理后的图像,将灰度值大于等于∈的像素的灰度值调整为255,将其余像素的灰度值调整为0,得到二值化图像;
4)从二值化图像的左上方开始逐行扫描,直到扫描到第一个像素的灰度值为255时,记录该像素为I′(i1,j1);以该像素为中心,I′(i1,j1-1)为起始点,在I′(i1,j1)邻域内以顺时针方向查找边缘像素,将第一个边缘像素记为I′(i2,j2);
5)以I′(i1,j1)为中心,在I′(i1,j1)邻域内以I′(i2,j2)为起点逆时针查找边缘像素,将查找到的边缘像素作为下一轮边缘像素查找的起点,重复步骤5),直到循环至起始点I′(i2,j2),得到以像素I′(i1,j1)为中心的轮廓特征;
6)设定扫描点为轮廓特征区域的左方邻近像素,并返回步骤4),以设定的扫描点开始逐行扫描,得到图像的轮廓特征;
所述建筑幕墙图像I的轮廓特征为w(I),建筑幕墙原始图像I0的轮廓特征为w(I0)。
所述S3步骤中将提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配,得到幕墙形变检测结果,包括:
幕墙损伤识别装置计算建筑幕墙图像轮廓特征w(I)与建筑幕墙原始图像的轮廓特征w(I0)的特征匹配结果,所述计算公式为:
其中:
Sim(w(I),w(I0))表示建筑幕墙图像轮廓特征w(I)与建筑幕墙原始图像的轮廓特征w(I0)的匹配结果;
w1,w2为权重,将w1设置为0.3,将w2设置为0.7;
若特征匹配结果Sim(w(I),w(I0))大于特征匹配阈值,则说明建筑幕墙的轮廓发生较大变化,存在幕墙形变,在本发明一个具体实施例中,将特征匹配阈值设置为1.6。
所述S4步骤中构建幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出幕墙破碎检测结果,包括:
基于决策树构建幕墙破碎检测模型,幕墙破碎检测模型的输入为实时采集的回波信号x(t),输出为幕墙破碎检测结果,并将幕墙破碎检测模型置于幕墙损伤识别装置内,所述幕墙破碎检测模型的训练流程为:
1)获取训练数据集data:
data={(x1(t),y1),(x2(t),y2),...,(xk(t),yk)}
其中:
(xk(t),yk)表示第k组训练数据,xk(t)表示回波信号,yk={0,1},yk=1表示回波信号xk(t)所对应的幕墙发生破碎,yk=0表示回波信号xk(t)所对应的幕墙未发生破碎,k表示训练数据的数量;
2)计算回波信号中每个极值所对应时域信息的Gini指标,选取Gini指标最大的时域信息作为决策树的分裂节点,所述Gini指标的计算公式为:
其中:
t=(t0,t1,...,tv)表示回波信号的时域信息,t0表示回波信号的初始时域信息,tv表示回波信号的结束时域信息;
tg表示回波信号极值点所对应的时域信息;
d表示训练数据集中发生破碎的训练数据;
以tg将训练数据中的回波信号划分为两个子集,所述子集分别为信号时域信息在(t0,...,tg)的子集data1以及信号时域信息在(tg+1,...,tv)的子集data2,训练数据d在两个子集中的值分别为xd(t0,...,tg),xd(tg+1,...,tv),P(d,tg)表示xd(t0,...,tg)和xd(tg+1,...,tv)的余弦相似度;
将实时采集的回波信号x(t)输入到模型中,模型按照决策树的分裂节点将回波信号进行时域切分,并将切分后的两段信号分别与历史信号进行余弦相似度比对,若相似度低于0.7,则输出为幕墙存在破碎的检测结果,否则输出幕墙不存在破碎的检测结果。
所述S5步骤中根据幕墙形变检测结果以及幕墙破碎检测结果进行建筑幕墙健康监测警告,包括:
根据幕墙损伤识别装置计算得到的幕墙形变检测结果以及幕墙破碎检测结果,若幕墙形变或破碎,则向幕墙维护人员发出警告信息。
此外,本发明还提供一种建筑幕墙健康监测损伤识别系统,其特征在于,所述系统包括:
摄像设备,用于获取建筑幕墙原始图像以及实时拍摄建筑幕墙图像,将所获取的图像传输到幕墙损伤识别装置;
超声波发射和接收装置,用于实时向建筑幕墙发射超声波信号,并实时接收幕墙反射的回波信号,将接收到的回波信号发送到幕墙损伤识别装置;
通信设备,用于实现各装置的通信;
幕墙损伤识别装置,用于提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,将实时提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配,若匹配结果低于匹配阈值,则说明建筑幕墙存在形变;构建基于决策树的幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出建筑幕墙的破碎检测结果。
相对于现有技术,本发明提出一种建筑幕墙健康监测损伤识别方法,该技术具有以下优势:
首先,本方案提出一种轮廓特征提取方法,通过分别提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,比较实时采集的建筑幕墙图像与完整的建筑幕墙原始图像的轮廓差别,若两者轮廓相差较大,说明建筑幕墙可能发生形变,导致所对应的图像边缘轮廓发生较大改变,所述轮廓特征提取方法的流程为:1)利用均值滤波器对图像进行均值滤波处理,所述均值滤波处理的公式为:
其中:I(i,j)表示图像像素,(i,j)表示像素坐标;N表示以像素I(i,j)为中心的模板,在本发明一个具体实施例中,所选取模板为3×3像素模板;∑NI(i,j)表示模板N所覆盖区域的像素值之和;n表示模板N所覆盖区域的像素个数;g(i,j)表示图像像素I(i,j)滤波处理后的灰度值;2)计算任意图像像素的梯度值:
其中:表示图像像素I(i,j)的梯度值;设置梯度阈值为q,将/>的图像像素I(i,j)作为图像的边缘像素;3)分别计算任意图像像素I(i,j)灰度值g(i,j)在[0,M)与[M,L]出现的概率P1,P2,其中[0,L]表示灰度级,L=255,P1+P2=1;计算像素灰度值在[0,M)与[M,L]的平均灰度值μ1,μ2,以及图像的平均灰度值μ,则图像灰度方差σ2的计算公式为:
σ2=P1(μ-μ1)2+P2(μ-μ2)2
遍历M∈[0,L]的所有灰度级数M,当σ2最大时的M即为图像二值化阈值∈,则对于滤波处理后的图像,将灰度值大于等于∈的像素的灰度值调整为255,将其余像素的灰度值调整为0,得到二值化图像;4)从二值化图像的左上方开始逐行扫描,直到扫描到第一个像素的灰度值为255时,记录该像素为I′(i1,j1);以该像素为中心,I′(i1,j1-1)为起始点,在I′(i1,j1)邻域内以顺时针方向查找边缘像素,将第一个边缘像素记为I′(i2,j2);5)以I′(i1,j1)为中心,在I′(i1,j1)邻域内以I′(i2,j2)为起点逆时针查找边缘像素,将查找到的边缘像素作为下一轮边缘像素查找的起点,重复步骤5),直到循环至起始点I′(i2,j2),得到以像素I′(i1,j1)为中心的轮廓特征;6)设定扫描点为轮廓特征区域的左方邻近像素,并返回步骤4),以设定的扫描点开始逐行扫描,得到图像的轮廓特征;所述建筑幕墙图像I的轮廓特征为w(I),建筑幕墙原始图像I0的轮廓特征为w(I0)。通过计算建筑幕墙图像轮廓特征w(I)与建筑幕墙原始图像的轮廓特征w(I0)的特征匹配结果,所述计算公式为:
其中:Sim(w(I),w(I0))表示建筑幕墙图像轮廓特征w(I)与建筑幕墙原始图像的轮廓特征w(I0)的匹配结果;numw(I)表示建筑幕墙图像轮廓特征w(I)中的轮廓数量,表示建筑幕墙原始图像的轮廓特征w(I0)中的轮廓数量;Sw(I)表示建筑幕墙图像轮廓特征w(I)中的轮廓内区域面积,/>表示建筑幕墙原始图像的轮廓特征w(I0)中的轮廓内区域面积;w1,w2为权重,将w1设置为0.3,将w2设置为0.7;若特征匹配结果Sim(w(I),w(I0))大于特征匹配阈值,则说明建筑幕墙的轮廓发生较大变化,存在幕墙形变,从而实现建筑幕墙形变损伤的实时监测。
同时,本方案提出一种建筑幕墙破碎的检测方法,通过基于决策树构建幕墙破碎检测模型,幕墙破碎检测模型的输入为实时采集的回波信号x(t),输出为幕墙破碎检测结果,若幕墙表面存在破碎,则会导致接收到的回波信号异常,通过监测回波信号可以实现幕墙的破碎检测,所述幕墙破碎检测模型的训练流程为:获取训练数据集data:
data={(x1(t),y1),(x2(t),y2),...,(xk(t),yk)}
其中:(xk(t),yk)表示第k组训练数据,xk(t)表示回波信号,yk={0,1},yk=1表示回波信号xk(t)所对应的幕墙发生破碎,yk=0表示回波信号xk(t)所对应的幕墙未发生破碎,k表示训练数据的数量;计算回波信号中每个极值所对应时域信息的Gini指标,选取Gini指标最大的时域信息作为决策树的分裂节点,所述Gini指标的计算公式为:
其中:t=(t0,t1,...,tv)表示回波信号的时域信息,t0表示回波信号的初始时域信息,tv表示回波信号的结束时域信息;tg表示回波信号极值点所对应的时域信息;d表示训练数据集中发生破碎的训练数据;以tg将训练数据中的回波信号划分为两个子集,所述子集分别为信号时域信息在(t0,...,tg)的子集data1以及信号时域信息在(tg+1,...,tv)的子集data2,训练数据d在两个子集中的值分别为xd(t0,...,tg),xd(tg+1,...,tv),P(d,tg)表示xd(t0,...,tg)和xd(tg+1,...,tv)的余弦相似度;将实时采集的回波信号x(t)输入到模型中,模型按照决策树的分裂节点将回波信号进行时域切分,并将切分后的两段信号分别与历史信号进行余弦相似度比对,若相似度低于0.7,则输出为幕墙存在破碎的检测结果,否则输出幕墙不存在破碎的检测结果,从而实现建筑幕墙破碎损伤的实时监测。
附图说明
图1为本发明一实施例提供的一种建筑幕墙健康监测损伤识别方法的流程示意图;
图2为本发明一实施例提供的一种建筑幕墙健康监测损伤识别系统的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
S1:获取建筑幕墙原始图像,并在建筑幕墙表面设置超声波发射和接收装置。
所述S1步骤中获取建筑幕墙原始图像并设置超声波发射和接收装置,包括:
在建筑幕墙附近设置摄像设备,利用摄像设备获取建筑幕墙原始图像I0,并将获取的建筑幕墙原始图像发送到幕墙损伤识别装置,所述建筑幕墙原始图像为不存在损伤的建筑幕墙的完整图像,在本发明一个具体实施例中,用户可直接将建筑幕墙原始图像发送到幕墙损伤识别装置;
在建筑幕墙表面设置超声波发射和接收装置。
S2:实时采集建筑幕墙图像以及建筑幕墙反射的声波信号。
所述S2步骤中实时采集建筑幕墙图像以及建筑幕墙反射的声波信号,包括:
所述超声波发射装置实时向建筑幕墙发射超声波信号,所述超声波信号s(t)为:
其中:
β表示超声波的信号幅值,将其设置为2;
α表示超声波的信号带宽,将其设置为103;
f表示超声波发射装置的中心频率,将其设置为80Hz;
τ表示超声波的偏移时间,将其设置为0.05;
t表示信号的时域信息;
超声波信号到达幕墙表面后形成回波信号x(t),利用超声波接收装置实时接收幕墙反射的回波信号x(t),并将接收到的回波信号x(t)发送到幕墙损伤识别装置,在本发明一个具体实施例中,若幕墙表面存在破碎,则会导致接收到的回波信号异常,通过监测回波信号可以实现幕墙的破碎检测;
利用摄像设备实时采集建筑幕墙图像,则当前时刻采集的建筑幕墙图像为I,将采集到的建筑幕墙图像实时发送到幕墙损伤识别装置。
S3:分别提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,将实时提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配,若匹配结果低于匹配阈值,则说明建筑幕墙存在形变。
所述S3步骤中提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,包括:
幕墙损伤识别装置利用轮廓特征提取方法分别提取建筑幕墙图像I以及建筑幕墙原始图像I0的轮廓特征,所述轮廓特征提取方法的流程为:
1)利用均值滤波器对图像进行均值滤波处理,所述均值滤波处理的公式为:
其中:
I(i,j)表示图像像素,(i,j)表示像素坐标;
N表示以像素I(i,j)为中心的模板,在本发明一个具体实施例中,所选取模板为3×3像素模板;
∑NI(i,j)表示模板N所覆盖区域的像素值之和;
n表示模板N所覆盖区域的像素个数;
g(i,j)表示图像像素I(i,j)滤波处理后的灰度值;
2)计算任意图像像素的梯度值:
其中:
3)分别计算任意图像像素I(i,j)灰度值g(i,j)在[0,M)与[M,L]出现的概率P1,P2,其中[0,L]表示灰度级,L=255,P1+P2=1;计算像素灰度值在[0,M)与[M,L]的平均灰度值μ1,μ2,以及图像的平均灰度值μ,则图像灰度方差σ2的计算公式为:
σ2=P1(μ-μ1)2+P2(μ-μ2)2
遍历M∈[0,L]的所有灰度级数M,当σ2最大时的M即为图像二值化阈值∈,则对于滤波处理后的图像,将灰度值大于等于∈的像素的灰度值调整为255,将其余像素的灰度值调整为0,得到二值化图像;
4)从二值化图像的左上方开始逐行扫描,直到扫描到第一个像素的灰度值为255时,记录该像素为I′(i1,j1);以该像素为中心,I′(i1,j1-1)为起始点,在I′(i1,j1)邻域内以顺时针方向查找边缘像素,将第一个边缘像素记为I′(i2,j2);
5)以I′(i1,j1)为中心,在I′(i1,j1)邻域内以I′(i2,j2)为起点逆时针查找边缘像素,将查找到的边缘像素作为下一轮边缘像素查找的起点,重复步骤5),直到循环至起始点I′(i2,j2),得到以像素I′(i1,j1)为中心的轮廓特征;
6)设定扫描点为轮廓特征区域的左方邻近像素,并返回步骤4),以设定的扫描点开始逐行扫描,得到图像的轮廓特征;
所述建筑幕墙图像I的轮廓特征为w(I),建筑幕墙原始图像I0的轮廓特征为w(I0)。
所述S3步骤中将提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配,得到幕墙形变检测结果,包括:
幕墙损伤识别装置计算建筑幕墙图像轮廓特征w(I)与建筑幕墙原始图像的轮廓特征w(I0)的特征匹配结果,所述计算公式为:
其中:
Sim(w(I),w(I0))表示建筑幕墙图像轮廓特征w(I)与建筑幕墙原始图像的轮廓特征w(I0)的匹配结果;
w1,w2为权重,将w1设置为0.3,将w2设置为0.7;
若特征匹配结果Sim(w(I),w(I0))大于特征匹配阈值,则说明建筑幕墙的轮廓发生较大变化,存在幕墙形变,在本发明一个具体实施例中,将特征匹配阈值设置为1.6。
S4、构建基于决策树的幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出建筑幕墙的破碎检测结果。
所述S4步骤中构建幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出幕墙破碎检测结果,包括:
基于决策树构建幕墙破碎检测模型,幕墙破碎检测模型的输入为实时采集的回波信号x(t),输出为幕墙破碎检测结果,并将幕墙破碎检测模型置于幕墙损伤识别装置内,所述幕墙破碎检测模型的训练流程为:
1)获取训练数据集data:
data={(x1(t),y1),(x2(t),y2),...,(xk(t),yk)}
其中:
(xk(t),yk)表示第k组训练数据,xk(t)表示回波信号,yk={0,1},yk=1表示回波信号xk(t)所对应的幕墙发生破碎,yk=0表示回波信号xk(t)所对应的幕墙未发生破碎,k表示训练数据的数量;
2)计算回波信号中每个极值所对应时域信息的Gini指标,选取Gini指标最大的时域信息作为决策树的分裂节点,所述Gini指标的计算公式为:
其中:
t=(t0,t1,…,tv)表示回波信号的时域信息,t0表示回波信号的初始时域信息,tv表示回波信号的结束时域信息;
tg表示回波信号极值点所对应的时域信息;
d表示训练数据集中发生破碎的训练数据;
以tg将训练数据中的回波信号划分为两个子集,所述子集分别为信号时域信息在(t0,...,tg)的子集data1以及信号时域信息在(tg+1,...,tv)的子集data2,训练数据d在两个子集中的值分别为xd(t0,...,tg),xd(tg+1,...,tv),P(d,tg)表示xd(t0,...,tg)和xd(tg+1,...,tv)的余弦相似度;
将实时采集的回波信号x(t)输入到模型中,模型按照决策树的分裂节点将回波信号进行时域切分,并将切分后的两段信号分别与历史信号进行余弦相似度比对,若相似度低于0.7,则输出为幕墙存在破碎的检测结果,否则输出幕墙不存在破碎的检测结果。
S5、根据幕墙形变检测结果以及幕墙破碎检测结果进行建筑幕墙健康监测警告。
所述S5步骤中根据幕墙形变检测结果以及幕墙破碎检测结果进行建筑幕墙健康监测警告,包括:
根据幕墙损伤识别装置计算得到的幕墙形变检测结果以及幕墙破碎检测结果,若幕墙形变或破碎,则向幕墙维护人员发出警告信息。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种建筑幕墙健康监测损伤识别方法与系统,其特征在于,所述方法包括:
S1、获取建筑幕墙原始图像,并在建筑幕墙表面设置超声波发射和接收装置;
S2、实时采集建筑幕墙图像以及建筑幕墙反射的声波信号;
S3、分别提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,将实时提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配,若匹配结果低于匹配阈值,则说明建筑幕墙存在形变;
S4、构建基于决策树的幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出建筑幕墙的破碎检测结果;
S5、根据幕墙形变检测结果以及幕墙破碎检测结果进行建筑幕墙健康监测警告;
所述S3步骤中提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,包括:
幕墙损伤识别装置利用轮廓特征提取方法分别提取建筑幕墙图像I以及建筑幕墙原始图像I0的轮廓特征,所述轮廓特征提取方法的流程为:
1)利用均值滤波器对图像进行均值滤波处理,所述均值滤波处理的公式为:
其中:
I(i,j)表示图像像素,(i,j)表示像素坐标;
N表示以像素I(i,j)为中心的模板;
∑NI(i,j)表示模板N所覆盖区域的像素值之和;
n表示模板N所覆盖区域的像素个数;
g(i,j)表示图像像素I(i,j)滤波处理后的灰度值;
2)计算任意图像像素的梯度值:
其中:
3)分别计算任意图像像素I(i,j)灰度值g(i,j)在[0,M)与[M,L]出现的概率P1,P2,其中[0,L]表示灰度级,L=255,P1+P2=1;计算像素灰度值在[0,M)与[M,L]的平均灰度值μ1,μ2,以及图像的平均灰度值μ,则图像灰度方差σ2的计算公式为:
σ2=P1(μ-μ1)2+P2(μ-μ2)2遍历M∈[0,L]的所有灰度级数M,当σ2最大时的M即为图像二值化阈值∈,则对于滤波处理后的图像,将灰度值大于等于∈的像素的灰度值调整为255,将其余像素的灰度值调整为0,得到二值化图像;
4)从二值化图像的左上方开始逐行扫描,直到扫描到第一个像素的灰度值为255时,记录该像素为I′(i1,j1);以该像素为中心,I′(i1,j1-1)为起始点,在I′(i1,j1)邻域内以顺时针方向查找边缘像素,将第一个边缘像素记为I′(i2,j2);
5)以I′(i1,j1)为中心,在I′(i1,j1)邻域内以I′(i2,j2)为起点逆时针查找边缘像素,将查找到的边缘像素作为下一轮边缘像素查找的起点,重复步骤5),直到循环至起始点I′(i2,j2),得到以像素I′(i1,j1)为中心的轮廓特征;
6)设定扫描点为轮廓特征区域的左方邻近像素,并返回步骤4),以设定的扫描点开始逐行扫描,得到图像的轮廓特征;
所述建筑幕墙图像I的轮廓特征为w(I),建筑幕墙原始图像I0的轮廓特征为w(I0)。
2.如权利要求1所述的一种建筑幕墙健康监测损伤识别方法,其特征在于,所述S1步骤中获取建筑幕墙原始图像并设置超声波发射和接收装置,包括:
在建筑幕墙附近设置摄像设备,利用摄像设备获取建筑幕墙原始图像I0,并将获取的建筑幕墙原始图像发送到幕墙损伤识别装置,所述建筑幕墙原始图像为不存在损伤的建筑幕墙的完整图像;
在建筑幕墙表面设置超声波发射和接收装置。
3.如权利要求1所述的一种建筑幕墙健康监测损伤识别方法,其特征在于,所述S2步骤中实时采集建筑幕墙图像以及建筑幕墙反射的声波信号,包括:
所述超声波发射和接收装置实时向建筑幕墙发射超声波信号,所述超声波信号s(t)为:
其中:
β表示超声波的信号幅值,将其设置为2;
α表示超声波的信号带宽,将其设置为103;
f表示超声波发射装置的中心频率,将其设置为80Hz;
τ表示超声波的偏移时间,将其设置为0.05;
t表示信号的时域信息;
超声波信号到达幕墙表面后形成回波信号x(t),利用超声波接收装置实时接收幕墙反射的回波信号x(t),并将接收到的回波信号x(t)发送到幕墙损伤识别装置;
利用摄像设备实时采集建筑幕墙图像,则当前时刻采集的建筑幕墙图像为I,将采集到的建筑幕墙图像实时发送到幕墙损伤识别装置。
4.如权利要求1所述的一种建筑幕墙健康监测损伤识别方法,其特征在于,所述S3步骤中将提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配,得到幕墙形变检测结果,包括:
幕墙损伤识别装置计算建筑幕墙图像轮廓特征w(I)与建筑幕墙原始图像的轮廓特征w(I0)的特征匹配结果,所述计算公式为:
其中:
Sim(w(I),w(I0))表示建筑幕墙图像轮廓特征w(I)与建筑幕墙原始图像的轮廓特征w(I0)的匹配结果;
w1,w2为权重,将w1设置为0.3,将w2设置为0.7;
若特征匹配结果Sim(w(I),w(I0))大于特征匹配阈值,则说明建筑幕墙的轮廓发生较大变化,存在幕墙形变,将特征匹配阈值设置为1.6。
5.如权利要求1所述的一种建筑幕墙健康监测损伤识别方法,其特征在于,所述S4步骤中构建幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出幕墙破碎检测结果,包括:
基于决策树构建幕墙破碎检测模型,幕墙破碎检测模型的输入为实时采集的回波信号x(t),输出为幕墙破碎检测结果,并将幕墙破碎检测模型置于幕墙损伤识别装置内,所述幕墙破碎检测模型的训练流程为:
1)获取训练数据集data:
data={(x1(t),y1),(x2(t),y2),...,(xk(t),yk)}
其中:
(xk(t),yk)表示第k组训练数据,xk(t)表示回波信号,yk={0,1},yk=1表示回波信号xk(t)所对应的幕墙发生破碎,yk=0表示回波信号xk(t)所对应的幕墙未发生破碎,k表示训练数据的数量;
2)计算回波信号中每个极值所对应时域信息的Gini指标,选取Gini指标最大的时域信息作为决策树的分裂节点,所述Gini指标的计算公式为:
其中:
t=(t0,t1,...,tv)表示回波信号的时域信息,t0表示回波信号的初始时域信息,tv表示回波信号的结束时域信息;
tg表示回波信号极值点所对应的时域信息;
d表示训练数据集中发生破碎的训练数据;
以tg将训练数据中的回波信号划分为两个子集,所述子集分别为信号时域信息在(t0,...,tg)的子集data1以及信号时域信息在(tg+1,...,tv)的子集data2,训练数据d在两个子集中的值分别为xd(t0,...,tg),xd(tg+1,...,tv),P(d,tg)表示xd(t0,...,tg)和xd(tg+1,...,tv)的余弦相似度;
将实时采集的回波信号x(t)输入到模型中,模型按照决策树的分裂节点将回波信号进行时域切分,并将切分后的两段信号分别与历史信号进行余弦相似度比对,若相似度低于0.7,则输出为幕墙存在破碎的检测结果,否则输出幕墙不存在破碎的检测结果。
6.如权利要求4-5任一所述的一种建筑幕墙健康监测损伤识别方法,其特征在于,所述S5步骤中根据幕墙形变检测结果以及幕墙破碎检测结果进行建筑幕墙健康监测警告,包括:
根据幕墙损伤识别装置计算得到的幕墙形变检测结果以及幕墙破碎检测结果,若幕墙形变或破碎,则向幕墙维护人员发出警告信息。
7.一种建筑幕墙健康监测损伤识别系统,其特征在于,所述系统包括:
摄像设备,用于获取建筑幕墙原始图像以及实时拍摄建筑幕墙图像,将所获取的图像传输到幕墙损伤识别装置;
超声波发射和接收装置,用于实时向建筑幕墙发射超声波信号,并实时接收幕墙反射的回波信号,将接收到的回波信号发送到幕墙损伤识别装置;
通信设备,用于实现各装置的通信;
幕墙损伤识别装置,用于提取建筑幕墙图像和建筑幕墙原始图像的轮廓特征,将实时提取的建筑幕墙图像轮廓特征与建筑幕墙原始图像的轮廓特征进行特征匹配,若匹配结果低于匹配阈值,则说明建筑幕墙存在形变;构建基于决策树的幕墙破碎检测模型,将建筑幕墙实时反射的声波信号输入到模型中,模型输出建筑幕墙的破碎检测结果,以实现如权利要求1所述的一种建筑幕墙健康监测损伤识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544305.3A CN114858921B (zh) | 2022-05-18 | 2022-05-18 | 一种建筑幕墙健康监测损伤识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544305.3A CN114858921B (zh) | 2022-05-18 | 2022-05-18 | 一种建筑幕墙健康监测损伤识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114858921A CN114858921A (zh) | 2022-08-05 |
CN114858921B true CN114858921B (zh) | 2023-06-30 |
Family
ID=82639139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210544305.3A Active CN114858921B (zh) | 2022-05-18 | 2022-05-18 | 一种建筑幕墙健康监测损伤识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114858921B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN215375238U (zh) * | 2021-08-06 | 2021-12-31 | 中建深圳装饰有限公司 | 一种既有幕墙钢结构损伤超声导波检测装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2931453B2 (ja) * | 1991-09-24 | 1999-08-09 | 株式会社トキメック | 土木建築構造物の超音波探傷装置 |
CN106018418A (zh) * | 2016-06-28 | 2016-10-12 | 上海玻机智能幕墙股份有限公司 | 既有建筑幕墙检测系统及检测方法 |
US10514363B2 (en) * | 2018-02-23 | 2019-12-24 | The Boeing Company | Laser ultrasound scanning for visualizing damage or irregularities |
CN110596123A (zh) * | 2019-09-27 | 2019-12-20 | 北京奥博泰科技有限公司 | 一种现场检测钢化玻璃幕墙杂质和缺陷的装置及方法 |
CN111879779B (zh) * | 2020-08-10 | 2022-11-08 | 济南大学 | 一种微损伤的建筑幕墙检测方法 |
CN113592869B (zh) * | 2021-09-29 | 2021-11-26 | 广东省有色工业建筑质量检测站有限公司 | 一种建筑幕墙玻璃破裂图像识别方法及报警系统 |
CN114118143A (zh) * | 2021-11-08 | 2022-03-01 | 湖南弘辉科技有限公司 | 一种高速风机叶片外形检测方法 |
-
2022
- 2022-05-18 CN CN202210544305.3A patent/CN114858921B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN215375238U (zh) * | 2021-08-06 | 2021-12-31 | 中建深圳装饰有限公司 | 一种既有幕墙钢结构损伤超声导波检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114858921A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241975B (zh) | 一种基于移动端边缘计算的人脸识别检测方法及系统 | |
CN111505632A (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
CN116546023B (zh) | 一种油气作业区暴力行为识别方法及系统 | |
CN109377601B (zh) | 一种基于指纹识别的智能办公室门禁系统 | |
CN114255468A (zh) | 一种笔迹识别方法及其相关设备 | |
CN115440196A (zh) | 基于用户面部表情的语音识别方法、装置、介质及设备 | |
CN115601503A (zh) | 基于遥感立体影像的建筑物提取系统及方法 | |
CN114858921B (zh) | 一种建筑幕墙健康监测损伤识别方法与系统 | |
CN110163103B (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
CN112579803B (zh) | 一种图像数据清洗方法、装置、电子设备及存储介质 | |
CN113947570A (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
CN112883355B (zh) | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 | |
Wang | Research on the computer vision cracked eggs detecting method | |
CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及系统 | |
CN115616566A (zh) | 一种基于fmcw毫米波雷达的步态识别方法、系统及存储介质 | |
CN106780398B (zh) | 一种基于噪声预测的图像去噪方法 | |
CN114627164A (zh) | 一种图像局部结构差异评估方法及系统 | |
CN113593145A (zh) | 一种基于门禁设备的智能缴费系统 | |
CN114445691A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN114550224A (zh) | 基于深度学习的指纹图像识别比对方法、装置和电子设备 | |
CN113591620A (zh) | 一种基于一体式移动采集设备的预警方法、装置及系统 | |
CN113989325A (zh) | 一种基于矩阵“最大数”的多目标匹配算法 | |
CN113052260A (zh) | 基于图像配准和目标检测的变电站异物识别方法及系统 | |
Balamurugan et al. | Classification of Land Cover in Satellite Image using supervised and unsupervised Techniques | |
CN116631108B (zh) | 一种基于人脸识别技术的小区安防方法、装置和设备 |
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 |