CN115393270B - 建筑遗产病害自动识别预测方法、装置及设备 - Google Patents

Abstract

本发明提供了一种建筑遗产病害自动识别预测方法、装置及设备。该装置可以依托图像采集单元、环境传感单元收集建筑遗产的图像和环境物理量，建立建筑遗产裂隙基础数据库，并将数据传输至深度学习模块发掘环境物理量与建筑遗产裂隙间的识别预测模型，最终通过识别预测模块实时预测未来建筑遗产的状态，将可能发生裂隙的信号发送至相关保护及管理部门。本发明实施例能够对建筑遗产所处环境的环境物理量进行实时监测并识别预测建筑遗产裂隙宽度及深度，降低了建筑遗产保护及管理工作中人力消耗、提高了保护效率和准确性，增强了建筑遗产保护的信息化、自动化和规模化。

Description

建筑遗产病害自动识别预测方法、装置及设备

技术领域

本发明涉及文物古建筑保护修复技术领域，具体而言，涉及一种建筑遗产病害自动识别预测方法、装置及设备。

背景技术

建筑遗产作为历史文化遗产的重要分支，是历史宝贵财富，然而这些宝贵的建筑遗产正在遭受物理、化学、生物等多方面因素影响，呈现出不同的病害类型，包括裂隙、脱落、褪色、疱疹、起甲、酥碱、空鼓和霉变，在这其中裂隙对建筑遗产的危害最大。因此保存建筑遗产并使其免受物理、化学、生物等因素导致的病害是非常重要的。

目前对于建筑遗产的保护已经做了大量的工作，对建筑遗产病害机理进行深入分析的同时，也曾展开国际合作针对特定建筑遗产开展全方位保护项目。但当前建筑遗产保护的信息化、自动化、规模化裂隙深度低，缺乏行之有效的规范和标准，保护及管理工作耗费人力、不够客观且效率低下。

发明内容

本发明解决的传统建筑遗产保护及管理工作耗费人力、不够客观且效率低下的问题。

为解决上述问题，本发明提供了一种建筑遗产病害自动识别预测方法，所述方法包括：获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量；所述建筑遗产的图像包括建筑遗产的外部图像和内部图像，所述环境物理量包括以下至少一项：温度、湿度、风速、光照、空气质量；将所述建筑遗产的图像与所述环境物理量输入预先训练的识别预测模型，得到所述建筑遗产裂隙宽度及深度；所述识别预测模型由建筑遗产裂隙宽度及深度作为因变量，建筑遗产的图像作为中间变量，环境物理量作为自变量构建，基于建筑遗产裂隙训练集采用深度学习算法训练得到；所述建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物理量。

可选地，所述识别预测模型包括裂隙宽度预测模型及裂隙深度预测模型，所述识别预测模型的训练过程包括：获取建筑遗产的不同时刻的外部图像、内部图像及环境物理量；计算相邻时刻的得到外部图像裂隙宽度像素值的差值，得到外部图像裂隙宽度像素值的一阶差分值，以及计算相邻时刻的得到内部图像裂隙深度像素值的差值，得到内部图像裂隙深度像素值的一阶差分值；将外部图像裂隙宽度像素值的一阶差分值作为因变量，将环境物理量作为自变量，构建裂隙宽度预测模型；将内部图像裂隙深度像素值的一阶差分值作为因变量，将环境物理量作为自变量，构建裂隙深度预测模型。

可选地，所述外部图像由高分辨摄影成像技术获得，所述内部图像由光学相干层析成像技术获得；所述识别预测模型的训练过程包括：

对第m个建筑遗产拍摄不同时刻的n_i张图像，每幅图像的像素值可表示为：

通过计算dq+1与dq两个时刻图像的像素值的差值，可得到这两个时刻像素值的一阶差分值R_dq；

y_dq+1-y_dq＝R_dq

(d＝1,2,3……m,q＝1,2,3……n_i)

将外部图像裂隙宽度像素值的一阶差分值R_{dq Ⅰ}作为因变量，将环境物理量作为自变量，构建裂隙宽度预测模型；

R_{dq Ⅰ}＝β₀+β₁T_dq+β₂H_dq+β₃W_dq+β₄L_dq+β₅A_dq

将内部图像裂隙深度像素值的一阶差分值R_{dq Ⅱ}作为因变量，将环境物理量作为自变量，构建裂隙深度预测模型；

R_{dq Ⅱ}＝γ₀+γ₁T_dq+γ₂H_dq+γ₃W_dq+γ₄L_dq+γ₅A_dq

其中，其中，T_dq表示温度，H_dq表示湿度，W_dq表示风速，L_dq表示光照，A_dq表示空气质量，β₀与γ₀、β₁与γ₁、β₂与γ₂、β₃与γ₃、β₄与γ₄、β₅与γ₅分别为各环境物理量对应系数。

可选地，所述识别预测模型的训练过程还包括：获取多个预先标注裂隙宽度及深度的建筑遗产的图像；将所述多个预先标注裂隙宽度及深度的建筑遗产的图像输入卷积神经网络模型进行深度学习，直至满足训练终止条件。

可选地，所述将所述多个预先标注裂隙宽度及深度的建筑遗产的图像输入卷积神经网络模型进行深度学习，直至满足训练终止条件，包括：提取多个预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值，以及内部图像裂隙深度的一阶差分值；将预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值以及预先标注裂隙宽度及深度的建筑遗产的内部图像裂隙深度像素值的一阶差分值，输入卷积神经网络模型进行深度学习，直至满足训练终止条件。

可选地，所述获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量，包括：按照固定时间间隔获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量。

可选地，所述方法还包括：将所述建筑遗产的实时图像输入所述识别预测模型，得到所述建筑遗产当前的裂隙宽度及深度。

可选地，所述方法还包括：将所述建筑遗产裂隙宽度及深度的预测结果报送至相关保护及管理部门，以及时制定预防性保护策略。

本发明提供一种建筑遗产病害自动识别预测装置，所述装置包括：数据获取模块，用于获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量；所述建筑遗产的图像包括建筑遗产的外部图像和内部图像，所述环境物理量包括以下至少一项：温度、湿度、风速、光照、空气质量；识别预测模块，用于将所述建筑遗产的图像与所述环境物理量输入预先训练的识别预测模型，得到所述建筑遗产裂隙宽度及深度；所述识别预测模型由建筑遗产裂隙宽度及深度作为因变量，建筑遗产的图像作为中间变量，环境物理量作为自变量构建，基于建筑遗产裂隙训练集采用深度学习算法训练得到；所述建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物理量。

本发明提供一种建筑遗产病害自动识别预测设备，包括图像采集单元、环境传感单元及建筑遗产病害自动识别预测装置；所述图像采集单元包括：高分辨率摄像机和光学相干层析成像系统；所述环境传感单元包括红外温度探测器、VOC气体测试仪、照度仪、湿度仪和空气流量监测仪；所述建筑遗产病害自动识别预测装置用于执行上述建筑遗产病害自动识别预测方法。

本发明实施例可以将数据传输至深度学习模块发掘环境物理量与建筑遗产裂隙间的识别预测模型，最终通过识别预测模块实时预测未来建筑遗产的状态，将可能发生裂隙的信号发送至相关保护及管理部门，能够对建筑遗产所处环境的环境物理量进行实时监测及识别预测建筑遗产裂隙宽度及深度，降低了建筑遗产保护及管理工作中人力消耗、提高了保护效率和准确性，增强了建筑遗产保护的信息化、自动化和规模化。本发明实施例可以依托图像采集单元、环境传感单元收集建筑遗产的图像和环境物理量，建立建筑遗产裂隙基础数据库，有助于通过大规模数据发现潜在的规律和风险。

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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种建筑遗产病害自动识别预测方法的流程示意图；

图2为本发明实施例提供的另一种建筑遗产病害自动识别预测方法的流程示意图；

图3为本发明实施例中一种建筑遗产病害自动识别预测装置的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

随着人工智能的发展，影像采集与深度学习为建筑遗产保护工作提供了新手段、新方法。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对图像数据等的识别有很大的帮助。鉴于此，本发明实施例提出了一种综合、高效、客观的方法来弥补现有建筑遗产保护工作的不足。

本发明实施例借助设备获取建筑遗产的变量图像与建筑遗产所处环境的环境物理量，并通过深度学习构建完成建筑遗产裂隙宽度及深度的识别预测模型，无需人工专家干预。和已有技术相比，本发明实施例提供的方法实用性更大，科学性更高，动态性更强，更能为建筑遗产保护的信息化、自动化和规模化提供支持。

参见图1所示的一种建筑遗产病害自动识别预测方法的流程示意图，该方法包括以下步骤：

S102，获取建筑遗产的图像以及建筑遗产所处环境的环境物理量。

其中，建筑遗产的图像包括建筑遗产的外部图像和内部图像，环境物理量可以包括：温度、湿度、风速、光照、空气质量。通过上述多种环境物理量，尽可能全面地表达在实际环境中可能对建筑遗产产生影响的因素，为准确预测建筑遗产未来的可能发生的裂隙提供数据基础。

具体地，可以采用高分辨率摄像机获取建筑遗产的外部图像，采用光学相干层析成像系统获取建筑遗产的内部图像，以及通过红外温度探测器、VOC(volatile organiccompounds，挥发性有机化合物)气体测试仪、照度仪、湿度仪和空气流量监测仪获取对应的环境物理量。

在获取建筑遗产的数据时，按照固定时间间隔获取建筑遗产的图像以及建筑遗产所处环境的环境物理量，得到建筑遗产的多幅图像及其对应的环境物理量。为提高预测的实时性，可以对建筑遗产进行持续不间断监测。

S104，将建筑遗产的图像与环境物理量输入预先训练的识别预测模型，得到建筑遗产裂隙宽度及深度。

该识别预测模型由建筑遗产裂隙宽度及深度作为因变量、建筑遗产的图像作为中间变量，环境物理量作为自变量构建，基于建筑遗产裂隙训练集采用深度学习算法训练得到；该建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物理量。通过预先获取的历史时刻的建筑遗产的图像，以及其对应的环境物理量，基于深度学习可以确定随着时间的推移，环境物理量对建筑遗产图像产生的影响。再通过建筑遗产图像与裂隙的关系，确定建筑遗产裂隙宽度及深度。因此，在已知某时刻的建筑遗产的环境物理量，即可由上述识别预测模型得到某未来时刻的建筑遗产图像，由该建筑遗产图像进一步可以得到该建筑遗产裂隙宽度及深度。示例性地，上述图像可以是某建筑遗产在两不同时刻的外部图像裂隙宽度像素值的一阶差分值、两不同时刻的内部图像裂隙深度像素值的一阶差分值。

该识别预测模型基于建筑遗产裂隙训练集采用深度学习算法训练得到，该建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物理量。在判定建筑遗产裂隙训练集中的建筑遗产裂隙宽度及深度时，可以由建筑遗产保护领域的专家学者将建筑遗产外部图像、内部图像与不同的裂隙宽度及裂隙深度相关联，以保证基础数据库中数据的科学性与有效性。

可选地，上述识别预测模型的训练过程还包括：获取多个预先标注裂隙宽度及深度的建筑遗产的图像，即上述建筑遗产裂隙训练集；将上述多个预先标注裂隙宽度及深度的建筑遗产的图像输入卷积神经网络模型进行深度学习，直至满足训练终止条件。

上述识别预测模型得到预设未来时刻的建筑遗产的图像，然后可以基于该图像得到在该预设未来时刻上述建筑遗产裂隙宽度及深度预测结果。

进一步，在预测得到建筑遗产裂隙宽度及深度后，还可以将该结果报送至相关保护及管理部门，以及时制定预防性保护策略。

可以理解的是，上述识别预测模型不仅可以对建筑遗产未来发生裂隙的裂隙宽度进行预测，也可以对其裂隙深度进行识别。基于此，可以将建筑遗产的实时环境物理量输入识别预测模型，从而得到建筑遗产裂隙宽度及深度。

本发明实施例提供的建筑遗产病害自动识别预测方法，将数据传输至深度学习模块发掘环境物理量与建筑遗产裂隙间的识别预测模型，最终通过识别预测模块实时预测未来建筑遗产的状态，将可能发生裂隙的信号发送至相关保护及管理部门，能够对建筑遗产所处环境的环境物理量进行实时监测及识别预测建筑遗产裂隙宽度及深度，降低了建筑遗产保护及管理工作中人力消耗、提高了保护效率和准确性，增强了建筑遗产保护的信息化、自动化和规模化。该方法可以依托图像采集单元、环境传感单元收集建筑遗产的图像和环境物理量，建立建筑遗产裂隙基础数据库，有助于通过大规模数据发现潜在的规律和风险。

可选地，上述识别预测模型可以采用卷积神经网络方法进行深度学习，具体识别预测模型主要包括输入层、卷积层、池化层和全连接层。其中，输入层接收输入动态监测形成的变量图像数据的特征矩阵；卷积层利用卷积核对输入的变量图像数据进行卷积操作提取特征；池化层对卷积层提取到的特征做采样处理，以过滤的形式保留重要的特征；全连接层通过提取到的特征信息输出建筑遗产裂隙宽度及深度。

在识别预测模型应用时，可以以建筑遗产的上述外部图像及内部图像的图像作为特征，执行训练及识别。示例性地，该图像可以是不同时刻的上述外部图像裂隙宽度像素值的一阶差分值、内部图像裂隙深度像素值的一阶差分值。具体地，包括：

首先，提取多个预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值，以及内部图像裂隙深度的一阶差分值。针对一个建筑遗产已采集了多个不同时刻的内部图像及外部图像，以及针对各内部图像和外部图像均标注了裂隙宽度及深度，可以提取两相邻时刻的内部图像裂隙深度像素值的一阶差分值以及两相邻时刻的外部图像裂隙宽度像素值的一阶差分值，得到图像一阶差分值与裂隙宽度及深度的对应关系。

例如，分别识别t₁与t₂时刻的图像，将识别到的图像分别转化为m×n的矩阵(共m×n个像素点)，即两个时刻的图像像素值y_ij与

y_ij为建筑遗产外部图像识别得到的裂隙宽度像素值，/>

为内部图像识别得到的裂隙深度像素值。一阶差分计算公式如下：

通过上述公式，计算得出t₂与t₁时刻图像像素点的一阶差分值R，包括外部裂隙宽度像素值的一阶差分值R_Ⅰ与内部裂隙深度像素值的一阶差分值R_Ⅱ。

然后，将预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值R_Ⅰ与预先标注裂隙宽度及深度的建筑遗产的内部图像裂隙宽度的一阶差分值R_Ⅱ，输入卷积神经网络模型进行深度学习，直至满足训练终止条件。

可选地，上述预测模型的训练过程包括：

首先，获取建筑遗产的不同时刻的外部图像、内部图像及环境物理量。

其次，计算相邻时刻的得到外部图像裂隙宽度像素值的差值，得到外部图像裂隙宽度像素值的一阶差分值，以及计算相邻时刻的得到内部图像裂隙深度像素值的差值，得到内部图像裂隙深度像素值的一阶差分值。

然后，将外部图像裂隙宽度像素值的一阶差分值作为因变量，将环境物理量作为自变量，构建裂隙宽度预测模型；以及，将内部图像裂隙深度像素值的一阶差分值作为因变量，将环境物理量作为自变量，构建裂隙深度预测模型。通过分析上述一阶差分值与环境物理量之间的关系，对环境物理量与宽度图像、深度图像之间的关系进行描述，从而表达随着时间推移，不同环境对建筑遗产的影响。

可选地，识别预测模型的训练过程包括：

对第m个建筑遗产拍摄不同时刻的n_i张图像，每幅图像的像素值可表示为：

通过计算dq+1与dq两个时刻图像的像素值的差值，可得到这两个时刻像素值的一阶差分值R_dq；

y_dq+1-y_dq＝R_dq

(d＝1,2,3……m,q＝1,2,3……n_i)

将外部图像裂隙宽度像素值的一阶差分值R_{dq Ⅰ}作为因变量，将环境物理量作为自变量，构建裂隙宽度预测模型；

R_{dq Ⅰ}＝β₀+β₁T_dq+β₂H_dq+β₃W_dq+β₄L_dq+β₅A_dq

将内部图像裂隙深度像素值的一阶差分值R_{dq Ⅱ}作为因变量，将环境物理量作为自变量，构建裂隙深度预测模型；

R_{dq Ⅱ}＝γ₀+γ₁T_dq+γ₂H_dq+γ₃W_dq+γ₄L_dq+γ₅A_dq

其中，其中，T_dq表示温度，H_dq表示湿度，W_dq表示风速，L_dq表示光照，A_dq表示空气质量，β₀与γ₀、β₁与γ₁、β₂与γ₂、β₃与γ₃、β₄与γ₄、β₅与γ₅分别为各环境物理量对应系数。

本发明实施例还提供了建筑遗产病害自动识别预测的详细流程，参见图2所示的建筑遗产病害自动识别预测方法的流程示意图，包括以下步骤：

S201，设置图像采集单元。

S202，在建筑遗产表面或一定距离处设置若干环境传感单元。

S203，依托上述的图像采集单元，获得并识别固定时间间隔的建筑遗产外部图像与内部图像。

利用各类仪器自带的延时自动控制器，按照预定的时间间距进行图像与数据采集，并通过传输设备实时上传云端储存设备。

S204，将获得的建筑遗产外部图像、内部图像与不同的裂隙宽度及深度相关联，建立建筑遗产裂隙识别基础数据库，作为识别预测模型深度学习的训练集。

S205，基于深度学习算法，使用上述训练集，训练建筑遗产裂隙宽度及深度识别预测模型。

在本实施例中，可以通过卷积神经网络探究图像像素值的一阶差分值与建筑遗产裂隙宽度及深度的相关性，构建建筑遗产裂隙宽度及深度识别预测模型，以实现通过建筑遗产的图像反映其裂隙宽度及深度的目的。

为了把卷积神经网络更好地应用到建筑遗产裂隙宽度及深度识别任务中，将不同像素点结合形成不同的通道作为卷积神经网络的输入，从而使模型获取更多的隐藏信息，有效表示像素值的一阶差分值在建筑遗产裂隙宽度及深度识别中的重要裂隙深度，取得更好的建筑遗产裂隙宽度及深度识别效果。

S206，判断识别结果与实际裂隙宽度及深度是否一致。如果不一致，则返回步骤S204；如果一致，则输出识别结果。

本实施例中判断识别结果与实际裂隙宽度及深度是否一致，如果不一致，则将新增的变量图像数据及其对应的真实裂隙宽度及深度纳入数据库，优化训练集；如果一致，则输出识别结果。

S207，对建筑遗产所处环境的环境物理量进行实时监测，测得固定时间间隔的环境物理量数值。

可选地，测得的环境物理量数值包括温度、湿度、风速、光照和空气质量。

S208，整定环境物理量指标及其影响系数，构建建筑遗产外部图像、内部图像与环境物理量之间的识别预测模型。

针对m个建筑遗产，每个拍摄外部图像与内部图像共n_i次,则对第d个建筑遗产拍摄的第q张图像的像素值表示为y_dq；

例如，对第一个建筑遗产拍摄n_i张图像，每张图像的像素值可表示为

通过计算dq+1与dq两个时刻图像的像素值的差值，可得到这两个时刻像素值的一阶差分值R_dq；

y_dq+1-y_dq＝R_dq

(d＝1,2,3……m,q＝1,2,3……n_i)

将外部图像裂隙宽度像素值的一阶差分值R_{dq Ⅰ}作为因变量，将环境物理量作为自变量，构建裂隙宽度预测模型Ⅰ，用以预测发生裂隙的裂隙宽度；

R_{dq Ⅰ}＝β₀+β₁T_dq+β₂H_dq+β₃W_dq+β₄L_dq+β₅A_dq

将内部图像裂隙深度像素值的一阶差分值R_{dq Ⅱ}作为因变量，将环境物理量作为自变量，构建裂隙深度预测模型Ⅱ，用以预测裂隙的裂隙深度；

R_{dq Ⅱ}＝γ₀+γ₁T_dq+γ₂H_dq+γ₃W_dq+γ₄L_dq+γ₅A_dq

其中，其中，T_dq表示温度，H_dq表示湿度，W_dq表示风速，L_dq表示光照，A_dq表示空气质量，β₀与γ₀、β₁与γ₁、β₂与γ₂、β₃与γ₃、β₄与γ₄、β₅与γ₅分别为各环境物理量对应系数。

S209，基于实时监测的环境物理量，预测裂隙宽度及深度。

将步骤S202设置的环境传感单元测得的实时的环境物理量数值，代入步骤S208构建的识别预测模型中，求得相应的外部裂隙宽度像素值的一阶差分值与内部裂隙深度像素值的一阶差分值；再通过该识别预测模型，对求得的外部裂隙宽度像素值的一阶差分值与内部裂隙深度像素值的一阶差分值进行裂隙宽度及深度识别。

在训练的过程中，若预测结果与实际裂隙宽度及深度不一致，则整定环境物理量指标及其影响系数，优化预测模型；如果一致，则输出预测结果。

S210，将预测结果以图文形式报送相关保护及管理部门，及时制定预防性保护策略。

当输出预测结果后，系统会将其以图文形式自动报送相关保护及管理部门，实现建筑遗产病害自动识别预测。

本发明实施例依托图像采集设备和环境因素传感器进行数据收集，建立建筑遗产裂隙基础数据库，有助于通过大规模数据发现潜在的规律和风险。本发明通过基于图像的深度学习算法自动识别建筑遗产裂隙宽度及深度，解决了传统建筑遗产保护及管理工作耗费人力、不够客观、效率低下的技术问题。本发明可以对建筑遗产所处环境的环境物理量进行实时监测，进而预测建筑遗产裂隙宽度及深度，以便及时报送相关保护及管理部门，实现建筑遗产管理工作的动态性与精细化，提升建筑遗产保护工作的即时性与有效性。

图3是本发明实施例中一种建筑遗产病害自动识别预测装置的结构示意图，所述建筑遗产病害自动识别预测装置包括：

数据获取模块301，用于获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量；所述建筑遗产的图像包括建筑遗产的外部图像和内部图像，所述环境物理量包括以下至少一项：温度、湿度、风速、光照、空气质量；

识别预测模块302，用于将所述建筑遗产的图像与所述环境物理量输入预先训练的识别预测模型，得到所述建筑遗产裂隙宽度及深度；所述识别预测模型由建筑遗产裂隙宽度及深度作为因变量，建筑遗产的图像作为中间变量，环境物理量作为自变量构建，基于建筑遗产裂隙训练集采用深度学习算法训练得到；所述建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物理量。

本发明实施例提供的上述装置，可以依托图像采集单元、环境传感单元收集建筑遗产的图像和环境物理量，立建筑遗产裂隙基础数据库，有助于通过大规模数据发现潜在的规律和风险。将数据传输至深度学习模块发掘环境物理量与建筑遗产裂隙间的识别预测模型，最终通过识别预测模块实时预测未来建筑遗产的状态，将可能发生裂隙的信号发送至相关保护及管理部门，能够对建筑遗产所处环境的环境物理量进行实时监测及识别预测建筑遗产裂隙宽度及深度，降低了建筑遗产保护及管理工作中人力消耗、提高了保护效率和准确性，增强了建筑遗产保护的信息化、自动化和规模化。

本领域技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机裂隙深度来指令控制装置来完成，所述的程序可存储于计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程，其中所述的存储介质可为存储器、磁盘、光盘等。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种建筑遗产病害自动识别预测方法，其特征在于，所述方法包括：

获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量；所述建筑遗产的图像包括建筑遗产的外部图像和内部图像，所述环境物理量包括以下至少一项：温度、湿度、风速、光照、空气质量；

将所述建筑遗产的图像与所述环境物理量输入预先训练的识别预测模型，得到所述建筑遗产裂隙宽度及深度；所述识别预测模型由建筑遗产裂隙宽度及深度作为因变量，建筑遗产的图像作为中间变量，环境物理量作为自变量构建，基于建筑遗产裂隙训练集采用深度学习算法训练得到；所述建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物理量；

所述识别预测模型包括裂隙宽度预测模型及裂隙深度预测模型，所述裂隙宽度预测模型用于识别所述建筑遗产裂隙宽度，所述裂隙深度预测模型用于识别所述建筑遗产裂隙深度。

2.根据权利要求1所述的方法，其特征在于，所述识别预测模型的训练过程包括：

获取建筑遗产的不同时刻的外部图像、内部图像及环境物理量；

计算相邻时刻的得到外部图像裂隙宽度像素值的差值，得到外部图像裂隙宽度像素值的一阶差分值，以及计算相邻时刻的得到内部图像裂隙深度像素值的差值，得到内部图像裂隙深度像素值的一阶差分值；

将外部图像裂隙宽度像素值的一阶差分值作为因变量，将环境物理量作为自变量，构建裂隙宽度预测模型；

将内部图像裂隙深度像素值的一阶差分值作为因变量，将环境物理量作为自变量，构建裂隙深度预测模型。

3.根据权利要求2所述的方法，其特征在于，所述外部图像由高分辨摄影成像技术获得，所述内部图像由光学相干层析成像技术获得；所述识别预测模型的训练过程包括：

对第m个建筑遗产拍摄不同时刻的n_i张图像，每幅图像的像素值可表示为：

通过计算dq+1与dq两个时刻图像的像素值的差值，可得到这两个时刻像素值的一阶差分值R_dq；

y_dq+1-y_dq＝R_dq

d＝1，2，3......m，q＝1，2，3......n_i

将外部图像裂隙宽度像素值的一阶差分值R_{dq I}作为因变量，将环境物理量作为自变量，构建裂隙宽度预测模型；

R_{dq I}＝β₀+β₁T_dq+β₂H_dq+β₃W_dq+β₄L_dq+β₅A_dq

将内部图像裂隙深度像素值的一阶差分值R_{dq II}作为因变量，将环境物理量作为自变量，构建裂隙深度预测模型；

R_{dq II}＝γ₀+γ₁T_dq+γ₂H_dq+γ₃W_dq+γ₄L_dq+γ₅A_dq

其中，其中，T_dq表示温度，H_dq表示湿度，W_dq表示风速，L_dq表示光照，A_dq表示空气质量，β₀与γ₀、β₁与γ₁、β₂与γ₂、β₃与γ₃、β₄与γ₄、β₅与γ₅分别为各环境物理量对应系数。

4.根据权利要求2或3所述的方法，其特征在于，所述识别预测模型的训练过程还包括：

获取多个预先标注裂隙宽度及深度的建筑遗产的图像；

将所述多个预先标注裂隙宽度及深度的建筑遗产的图像输入卷积神经网络模型进行深度学习，直至满足训练终止条件。

5.根据权利要求4所述的方法，其特征在于，所述将所述多个预先标注裂隙宽度及深度的建筑遗产的图像输入卷积神经网络模型进行深度学习，直至满足训练终止条件，包括：

提取多个预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值，以及内部图像裂隙深度的一阶差分值；

将预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值以及预先标注裂隙宽度及深度的建筑遗产的内部图像裂隙深度像素值的一阶差分值，输入卷积神经网络模型进行深度学习，直至满足训练终止条件。

6.根据权利要求1所述的方法，其特征在于，所述获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量，包括：

按照固定时间间隔获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述建筑遗产的实时图像输入所述识别预测模型，得到所述建筑遗产当前的裂隙宽度及深度。

8.根据权利要求1-3，5-7任一项所述的方法，其特征在于，所述方法还包括：

将所述建筑遗产裂隙宽度及深度的预测结果报送至相关保护及管理部门，以及时制定预防性保护策略。

9.一种建筑遗产病害自动识别预测装置，其特征在于，所述装置包括：

数据获取模块，用于获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量；所述建筑遗产的图像包括建筑遗产的外部图像和内部图像，所述环境物理量包括以下至少一项：温度、湿度、风速、光照、空气质量；

识别预测模块，用于将所述建筑遗产的图像与所述环境物理量输入预先训练的识别预测模型，得到所述建筑遗产裂隙宽度及深度；所述识别预测模型由建筑遗产裂隙宽度及深度作为因变量，建筑遗产的图像作为中间变量，环境物理量作为自变量构建，基于建筑遗产裂隙训练集采用深度学习算法训练得到；所述建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物理量；

所述识别预测模型包括裂隙宽度预测模型及裂隙深度预测模型，所述裂隙宽度预测模型用于识别所述建筑遗产裂隙宽度，所述裂隙深度预测模型用于识别所述建筑遗产裂隙深度。

10.一种建筑遗产病害自动识别预测设备，其特征在于，包括图像采集单元、环境传感单元及建筑遗产病害自动识别预测装置；

所述图像采集单元包括：高分辨率摄像机和光学相干层析成像系统；所述环境传感单元包括红外温度探测器、VOC气体测试仪、照度仪、湿度仪和空气流量监测仪；

所述建筑遗产病害自动识别预测装置用于执行如权利要求1-8任一项所述的建筑遗产病害自动识别预测方法。

Images