CN115641327B - 一种基于大数据的建筑工程质量监理和预警系统 - Google Patents
一种基于大数据的建筑工程质量监理和预警系统 Download PDFInfo
- Publication number
- CN115641327B CN115641327B CN202211402687.2A CN202211402687A CN115641327B CN 115641327 B CN115641327 B CN 115641327B CN 202211402687 A CN202211402687 A CN 202211402687A CN 115641327 B CN115641327 B CN 115641327B
- Authority
- CN
- China
- Prior art keywords
- pixel
- point
- pixel point
- seed
- points
- 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
- 239000013598 vector Substances 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000009792 diffusion process Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 241001632422 Radiola linoides Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，提出了一种基于大数据的建筑工程质量监理和预警系统，包括：利用无人机获取，该图像为RGB图像，使用神经网络获取包含裂缝存在的ROI区域并转换到CIELab颜色空间，其中根据ROI区域中像素点之间差异程度得到每个像素点的扩散梯度，根据所获得的图像信息获取ROI区域每个像素点的特征向量；在ROI区域获取每个像素点的局部密度；计算ROI区域中每个像素点的种子点选取概率，根据每个像素点的种子点选取概率得到每个种子点的位置；根据像素点的特征向量相似度得到特征距离，根据特征距离划分超像素块，进一步分割图像。本发明计算了种子点的选取位置，提高了分割精度。
Description
技术领域
本发明涉及图像数据处理领域，具体涉及一种基于大数据的建筑工程质量监理和预警系统。
背景技术
建筑工程项目出现在生活的绝大多数场景，例如常见的道路维修，居民建筑，房屋修建等，多样化的建筑工程不仅帮助人们更好的进行社会活动同时也造就了很多工作岗位，建筑工程的安全问题就显得尤为重要。
建筑工程的质量安全受到多个因素的影响，例如所选用建筑材料，施工过程中的天气状况等，这些影响因素会导致建筑出现裂纹，掉皮，倾斜等质量问题。因此，需要对施工进程中的建筑工程的质量进行监督管理，发现建筑物中的质量问题，进行及时的维修，消除对施工人员的安全隐患。现阶段许多对建筑质量的监管仍然通过人为观测方式，例如通过铅锤线是否垂直判断建筑边缘是否符合标准，人为观察裸露部分是否发生腐蚀现象等等。这种监管方法适合小面积的区域，且依赖施工人员的经验，很难在大面积的建筑工程的质量监管上应用，对于大规模的建筑物，需要确保多个区域的质量安全，因此需要一种根据建筑物质量相关数据实现对建筑物质量的高效率监管方法。
发明内容
本发明提供一种基于大数据的建筑工程质量监理和预警系统，以解决现有的在大面积建筑工程中很难人为检测的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于大数据的建筑工程质量监理和预警系统，该系统包括以下模块：
图像预处理模块，用于采集建筑内外墙的表面图像，并进行滤波处理；
特征向量获取模块，用于获取表面图像中包含裂缝存在的ROI区域，将ROI区域内所有像素点转换到CIELab颜色空间中，在CIELab颜色空间中根据ROI区域中每个像素点与邻域像素点的差异得到每个像素点的扩散梯度，结合扩散梯度、像素点位置和颜色通道值获取在CIELab颜色空间中ROI区域每个像素点的特征向量；
图像分割模块，根据在ROI区域中每个像素点的特征向量、超像素块的范围大小以及范围内的像素点数量得到每个像素点的局部密度，根据所有像素点的局部密度筛选出若干初始种子点；根据像素点与初始种子点之间的位置关系获得每个像素点的分割距离，根据ROI区域中每个像素点的局部密度以及所有像素点的局部密度最大值、最小值和每个像素点的分割距离及所有像素点的分割距离最大值、最小值计算得到每个像素点的种子点选取概率，根据每个像素点的种子点选取概率绘制种子选取概率曲线，根据种子选取概率曲线得到所有的目标种子点；
根据目标种子点的特征向量和ROI区域中其余像素点的特征向量相似度得到每个像素点与目标种子点之间的特征距离，根据所有的目标种子点以及所述特征距离划分超像素块，得到分割结果；
监理预警模块，包括，根据ROI区域的分割结果得到ROI区域中的裂缝区域和正常区域，获取裂缝区域的最大外接矩形和区域中心点位置，根据区域中心点位置得到具体裂缝类型，根据裂缝区域的最大外接矩形和具体裂缝类型给出预警信息。
优选的，所述在CIELab颜色空间中根据ROI区域中每个像素点与邻域像素点的差异得到每个像素点的扩散梯度的计算方法为：
其中，li是像素点i在颜色空间L分量的值，ai是像素点i在颜色空间a分量的值，bj是像素点i在颜色空间b分量的值，像素点j是像素点i所取四邻域的内的第j个像素点，J是四邻域内像素点的数量，lj，aj，bj分别是像素点j对应颜色空间的L分量、a分量、b分量的值。
优选的，所述根据在ROI区域中每个像素点的特征向量、超像素块的范围大小以及范围内的像素点数量得到每个像素点的局部密度的计算方法为：
式中，ρi是像素点i对应的局部密度，Sizei是像素点i所在超像素块，N(Sizei)是像素点i所在超像素块Sizei内的像素点数量，Ti是像素点i对应的特征向量，n(Ti)是Sizei内与像素点i的特征向量一致的像素点数量，H(Ti)表示向量Ti中除了两个坐标值之外的4个值归一化后的累加和。
优选的，所述得到每个像素点的种子点选取概率的方法为：
di是像素点i对应的分割距离，ρi是像素点i对应的局部密度，ρmax、ρmin分别是所有像素点的局部密度最大值、最小值；dmax、dmin分别是所有像素点的分割距离最大值、最小值，pi表示像素点i的种子点选取概率。
优选的，所述根据种子选取概率曲线得到所有的种子点为：
将ROI区域中左上角顶点像素点的坐标作为坐标起点(1,1)，从左向右，从上倒下依次对每个像素点进行标记，标记大小就是种子点选取概率曲线对应坐标系的横坐标，种子点选取概率就是种子点选取概率曲线的横坐标，将每个发生明显下降处的局部最大值像素点作为种子点的位置。
优选的，所述根据超像素分割种子点的特征向量和ROI区域中其余像素点的特征向量相似度得到特征距离的计算方法为：
其中，Ti,c是像素点i的特征向量Ti中第c个参数值，TO,c是目标种子点O的特征向量TO中第c个参数值，Di,O表示像素点i与目标种子点O的特征距离。
第二方面，本发明另一个实施例提供了一种基于大数据的建筑工程质量监理和预警系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果是：本发明提出一种基于大数据的建筑工程质量监理和预警系统，根据裂缝区域内像素点扩散特性获取每个像素点的特征向量，用以表征像素点的图像信息，并构建聚类过程中的度量公式，进一步的，根据建筑墙面中超像素块中种子点和非种子点的特征指数，种子选取概率的不同获取超像素分割算法中的种子点位置信息，根据获取的种子点位置信息可以更精确的分割图像。
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为本发明的一个实施例所提供一种基于大数据的建筑工程质量监理和预警系统的流程示意图；
图2为种子选取概率曲线图。
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。
请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的建筑工程质量监理和预警系统流程图，该方法包括以下步骤：
图像处理模块，利用无人机获取建筑物内外墙图像，并对采集建筑墙面图像进行预处理。
现阶段建筑工程中常见的质量问题主要包括墙体裂纹，墙面抹灰层的收缩裂缝，沉降裂缝。墙体裂缝是由于混凝土的温度应力和结构尺寸造成的，多发生在房屋的横墙上，其外形大多呈现出八字形；墙面抹灰层的收缩裂缝位于不同材料的交界处，呈现不规则的龟裂或放射状裂缝，裂缝宽度较小，收缩裂缝一旦出现很快稳定，不会出现扩散现象；沉降裂缝多是由于建筑物的地基存在不均匀的沉降现象，只出现在建筑的中下部，多出现在建筑物的外墙，少量出现在建筑物内墙上。根据上述情况，在监管建筑工程质量时，建筑工程上内外墙的表面图像都需要采集。
建筑工程中的施工范围是相对较大，建筑高度的高低也不是统一的，因此利用无人机按照预先设定好的飞行路线分别拍摄建筑内外墙的表面图像，图像数据采集过程中会受到飞行噪声的干扰，因此采用双边滤波去噪对采集的建筑墙面图像进行去噪处理，双边滤波去噪为公知技术，具体过程不再详细赘述。
特征向量获取模块，利用像素点的图像信息得到ROI区域内的每个像素点的特征向量。
首先，本实施例利用语义分割网络对采集的建筑墙面图像进行语义分割，目的是为了获取建筑墙面图像中包含裂缝的区域，采集大量的建筑墙面图像用于训练网络模型，认为制作两种标签分别记为标签1和标签2，标签1对应的是墙面中的裂缝区域，标签2对应的是其他区域。对采集的墙面图像与标签进行one-hot编码，将编码结果作为神经网络的输入，损失函数采用交叉熵损失，优化算法采用Adam算法，语义分割模型训练完成后，对采集的建筑墙面图像进行检测，根据输出结果获取建筑墙面图像中包含裂缝的区域，神经网络的训练为公知技术，具体过程不再详细赘述，将分割结果中裂缝所在区域作为ROI区域。
进一步的，将采集的建筑墙面图像的ROI区域内的像素从RGB颜色空间转换到CIELab颜色空间中，获取每个像素点的颜色通道值，位置信息和扩散梯度组成的特征向量。
其中，墙面裂缝区域内的像素点和正常墙面像素点的颜色存在差异，与周围相邻像素点在颜色空间内的变化梯度也存在差异，这是因为墙面裂缝的边缘方向与造成墙面裂缝的原因是相关的，造成裂缝的原因不同，裂缝区域的扩散方向也存有不同。在本发明中,借助颜色空间内像素点的分量变化的梯度表征裂缝区域扩散的特点，像素点的分量变化梯度是像素点在颜色空间中与周围像素点的差异程度，此处构建扩散梯度用于表征像素点周围颜色空间分量的变化程度，获取像素点i对应的扩散梯度ti：
式中，li是像素点i在颜色空间L分量的值，ai是像素点i在颜色空间a分量的值，bi是像素点i在颜色空间b分量的值，像素点j是像素点i所取四邻域的内的第j个像素点，J是四邻域内像素点的数量，lj，aj，bj分别是像素点j对应颜色空间的L分量、a分量、b分量的值。
结合像素点i的坐标信息(xi,yi)和颜色空间分量信息得到像素点i的特征向量Ti＝(li,ai,bi,xi,yi,ti)。
图像分割模块，根据每个像素点的特征向量计算种子点的选取位置，并且得到超像素分割的特征距离D。
本发明中使用的超像素分割为SILC超像素分割算法，超像素分割的原理是将图像中的像素点划分到K个超像素块中，同一超像素块内的像素点具有较为相似的图像特征，不同超像素块之间具有差异。对于建筑墙面图像，裂缝区域的像素点应该被划分到同一超像素块内，称为裂缝超像素块，非裂缝区域的像素点应该划分到一起，因此裂缝超像素块种子点是应当满足两个条件:一是在一定的范围内具有最高局部密度的像素点，二是与其他最高局部密度的像素点的距离较远。对于裂缝区域而言，裂缝超像素块种子点周围像素点的图像信息应该与其是相对接近的。
首先设定超像素块的数量，超像素块的数量由人为经验选取，在本实施例中，超像素块的个数为K个，K＝50。
根据计算出的每个像素点的局部密度选出K-1个作为初始种子点。
进一步的，基于上述像素点的图像信息，构建种子点选取概率p，该值表征每个像素点被选取为种子点的概率，计算像素点i的种子选取概率pi。
要计算像素点i的种子选取概率pi，首先要计算每个像素点的局部密度，计算方式如下：
其中，ρi是像素点i对应的局部密度，Sizei是像素点i所在超像素块，N(Sizei)是像素点i所在超像素块Sizei内的像素点数量，Ti是像素点i对应的特征向量，n(Ti)是Sizei内与像素点i的特征向量相同的像素点数量，特征向量相同指向量中每个维数的整数部分相同，H(Ti)表示向量Ti中除了两个坐标值之外的4个值归一化后的累加和。
计算得到所有像素点的局部密度之后，从所有像素点的局部密度中选择最大的K-1个作为初始种子点，在后续确定目标种子点时，当每个像素点为种子点时计算与K-1个初始种子点之间的距离关系即分割距离，分割距离计算方式如下：
di是像素点i对应的分割距离，它的作用是表示像素点i作为种子点时距离初始种子点的欧式距离的和，J初始是种子点的数量，d(i,j)是像素点i到第j个初始种子点的欧式距离，欧氏距离的计算为公知技术，具体过程不再详细赘述。
根据每个像素点的局部密度和以其为种子点时的分割距离计算得到种子点选取概率：
ρmax，ρmin分别是所有像素点的局部密度最大值、最小值，dmax，dmin分别是所有像素点的分割距离最大值、最小值，pi表示像素点i的种子点选取概率。
在计算过程中，为了防止出现最小局部密度较小但是距离其他聚类中心距离较远的情况，建筑工程中出现这种情况在建筑墙面上表现为混凝土的涂抹密度不均匀的现象，因此本发明中对局部密度ρi和欧氏距离di进行标准化处理，得到像素点i对应的种子选取概率。
如果在密度划分范围内，像素点i具有最高的局部密度，那么相较于Sizei内其余像素点，像素点i到其余种子点的欧氏距离就会越远，相应的
值越大。种子选取概率反映了像素点是否满足作为种子点的条件，局部密度越大，距离其余种子点的欧氏距离越远，种子选取概率p越大，像素点i越有可能成为种子点。
遍历建筑墙面图像中的每个像素点，计算所有的种子选取概率，将左上角顶点像素点的坐标作为坐标起点(1,1)，其余像素点从左到右，从上到下依次遍历，根据遍历的像素点坐标遍历编号绘制种子选取概率曲线图，如图2所示，从种子点到非种子点的过程中，种子选取概率p的概率将会发生明显的下降，如下图所示，另曲线相邻两个像素点做差，差值大于阈值则认为该像素点为种子点，公式表示如下：
De＝pe-pe+1
公式中，pe表示曲线中第e个像素点的选取概率，pe+1表示该像素点下一个像素点的选取概率，De表示两者的差值，d为种子点的选取阈值，在本实施例中d＝0.2。对于第e个像素点当De大于d时将第e个像素点作为候选种子点，进而通过对所有像素点进行判断得到所有的候选种子点。局部最大值之间存在不同是因为不同裂缝的像素点的特征向量是不一样的。
在所有的候选种子点内选择选取概率最大的K个候选种子点作为目标种子点，得到所有目标种子点后，若两个像素点能够被划分到同一个超像素块内，那么两个像素点之间的特征向量应该是比较接近的，因此，本发明中像素点与目标种子点之间的度量是通过特征向量的相似性计算的，此处构建特征距离D用于表征两个像素点之间的特征向量的相似性，计算像素点i与种子点O的特征距离Di,O：
式中，c是特征向量中的参数位置，特征向量中共有6个参数，因此的取值范围是[1,6]，Ti,c是像素点i的特征向量Ti中第c个参数值，TO,c是种子点O的特征向量TO中第c个参数值，特征向量TO与特征向量Ti的计算原理一致。
像素点的特征向量表达了像素点在建筑墙面图像中的图像信息，因此像素点与种子点的图像信息越相似，特征向量TO与特征向量Ti中参数值的差异越小，即特征距离Di,O越小，像素点i与种子点O越相似，两个点越应该被划分到同一个超像素块。
得到所有目标种子点后，使用2倍超像素块长宽的大小的范围作为搜索半径，计算搜索半径内种子点与像素点之间的特征距离，由于每个搜索范围大于超像素块大小，因此一个像素点会被多个目标种子点搜索到，选择特征距离最小的中心点作为聚类中心，遍历全图后，实现图像的分割。
需要说明的是本发明在给出特征距离和给出目标种子点的选取位置后利用SILC算法即可实现分割，其中本实施例的特征距离相当于SILC算法中的度量距离。
监理预警模块，利根据图像中的分割结果，实现对建筑工程中建筑物的质量监理并给出预警信息。
依照上述步骤对图像进行分割后，对每个超像素块进行canny边缘检测，得到超像素块的轮廓信息，根据灰度共生矩阵计算熵值表示轮廓纹理复杂度，轮廓纹理复杂度大于0.5的轮廓区域的就是裂缝区域，由此获取建筑工程中内外墙的裂缝区域，获取裂缝区域的最大外接矩形，此处最大外接矩形是指包含整个裂缝区域的外接矩形，对于存在裂缝区域的建筑物认为是存在质量问题的，需要进行二次施工，保证完工后的建筑工程是符合使用标准的，获取裂缝区域的区域中心点，根据中心点在建筑物的内墙还是外墙，在墙面的位置是上半部分，下半部分还是墙体中间位置判断裂缝对应的具体类型，根据最大外接矩形的面积和裂缝类型给出预警信息。
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 (2)
1.一种基于大数据的建筑工程质量监理和预警系统，其特征在于，该系统包括以下模块：
图像预处理模块，用于采集建筑内外墙的表面图像，并进行滤波处理；
特征向量获取模块，用于获取表面图像中包含裂缝存在的ROI区域，将ROI区域内所有像素点转换到CIELab颜色空间中，在CIELab颜色空间中根据ROI区域中每个像素点与邻域像素点的差异得到每个像素点的扩散梯度，结合扩散梯度、像素点位置和颜色通道值获取在CIELab颜色空间中ROI区域每个像素点的特征向量；
图像分割模块，根据在ROI区域中每个像素点的特征向量、超像素块的范围大小以及范围内的像素点数量得到每个像素点的局部密度，根据所有像素点的局部密度筛选出若干初始种子点；根据像素点与初始种子点之间的位置关系获得每个像素点的分割距离，其中，像素点的分割距离等于该像素点作为种子点时距离初始种子点的欧式距离的和，根据ROI区域中每个像素点的局部密度以及所有像素点的局部密度最大值、最小值和每个像素点的分割距离及所有像素点的分割距离最大值、最小值计算得到每个像素点的种子点选取概率，根据每个像素点的种子点选取概率绘制种子选取概率曲线，根据种子选取概率曲线得到所有的目标种子点；
根据目标种子点的特征向量和ROI区域中其余像素点的特征向量相似度得到每个像素点与目标种子点之间的特征距离，根据所有的目标种子点以及所述特征距离划分超像素块，得到分割结果；
监理预警模块，包括，根据ROI区域的分割结果得到ROI区域中的裂缝区域和正常区域，获取裂缝区域的最大外接矩形和区域中心点位置，根据区域中心点位置得到具体裂缝类型，根据裂缝区域的最大外接矩形和具体裂缝类型给出预警信息；
所述在CIELab颜色空间中根据ROI区域中每个像素点与邻域像素点的差异得到每个像素点的扩散梯度的计算方法为：
其中，是像素点i在颜色空间L分量的值，是像素点i在颜色空间a分量的值，是像素点i在颜色空间b分量的值，像素点j是像素点i所取四邻域的内的第j个像素点，J是四邻域内像素点的数量，、、bj分别是像素点j对应颜色空间的L分量、a分量、b分量的值；
所述根据在ROI区域中每个像素点的特征向量、超像素块的范围大小以及范围内的像素点数量得到每个像素点的局部密度的计算方法为：
式中，是像素点i对应的局部密度，是像素点i所在超像素块，是像素点i所在超像素块内的像素点数量，是像素点i对应的特征向量，是内与像素点i的特征向量一致的像素点数量，表示向量中除了两个坐标值之外的4个值归一化后的累加和；
所述得到每个像素点的种子点选取概率的方法为：
是像素点i对应的分割距离，是像素点i对应的局部密度，、分别是所有像素点的局部密度最大值、最小值；、分别是所有像素点的分割距离最大值、最小值，表示像素点i的种子点选取概率；
所述根据种子选取概率曲线得到所有的种子点为：
将ROI区域中左上角顶点像素点的坐标作为坐标起点（1,1），从左向右，从上到下依次对每个像素点进行标记，标记大小就是种子点选取概率曲线对应坐标系的横坐标，种子点选取概率就是种子点选取概率曲线的横坐标，将每个发生明显下降处的局部最大值像素点作为种子点的位置。
2.根据权利要求1所述的一种基于大数据的建筑工程质量监理和预警系统，其特征在于，所述根据超像素分割种子点的特征向量和ROI区域中其余像素点的特征向量相似度得到特征距离的计算方法为：
其中，是像素点i的特征向量中第c个参数值，是目标种子点O的特征向量中第c个参数值，表示像素点i与目标种子点O的特征距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211402687.2A CN115641327B (zh) | 2022-11-09 | 2022-11-09 | 一种基于大数据的建筑工程质量监理和预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211402687.2A CN115641327B (zh) | 2022-11-09 | 2022-11-09 | 一种基于大数据的建筑工程质量监理和预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115641327A CN115641327A (zh) | 2023-01-24 |
| CN115641327B true CN115641327B (zh) | 2023-05-09 |
Family
ID=84947980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211402687.2A Active CN115641327B (zh) | 2022-11-09 | 2022-11-09 | 一种基于大数据的建筑工程质量监理和预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115641327B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116095914B (zh) * | 2023-04-10 | 2023-08-25 | 同方德诚(山东)科技股份公司 | 一种基于大数据的智慧建筑照明调节方法及系统 |
| CN116152231B (zh) * | 2023-04-17 | 2023-07-14 | 卡松科技股份有限公司 | 基于图像处理的润滑油内杂质检测方法 |
| CN117351433B (zh) * | 2023-12-05 | 2024-02-23 | 山东质能新型材料有限公司 | 基于计算机视觉的胶固砂浆饱满度监控系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629783A (zh) * | 2018-05-02 | 2018-10-09 | 山东师范大学 | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 |
| CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2011265383A1 (en) * | 2011-12-20 | 2013-07-04 | Canon Kabushiki Kaisha | Geodesic superpixel segmentation |
| US9389311B1 (en) * | 2015-02-19 | 2016-07-12 | Sandia Corporation | Superpixel edges for boundary detection |
| CN109035252B (zh) * | 2018-06-29 | 2019-09-24 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
| CN208650339U (zh) * | 2018-07-13 | 2019-03-26 | 吴金松 | 一种预制化建筑隔墙结构 |
| CN111798415A (zh) * | 2020-06-16 | 2020-10-20 | 中设设计集团股份有限公司 | 一种高速公路控制区建筑物监测方法、装置及存储介质 |
| CN111931811B (zh) * | 2020-06-29 | 2024-03-29 | 南京巨鲨显示科技有限公司 | 一种基于超像素图像相似度的计算方法 |
| CN113362293A (zh) * | 2021-05-27 | 2021-09-07 | 西安理工大学 | 一种基于显著性的sar图像舰船目标快速检测方法 |
| CN114723681B (zh) * | 2022-03-22 | 2022-10-18 | 江苏禹润智能科技有限公司 | 一种基于机器视觉的混凝土裂缝缺陷检测方法 |
| CN115272778A (zh) * | 2022-09-28 | 2022-11-01 | 南通乾升信息科技有限公司 | 基于rpa和计算机视觉的可回收垃圾分类方法及系统 |
-
2022
- 2022-11-09 CN CN202211402687.2A patent/CN115641327B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629783A (zh) * | 2018-05-02 | 2018-10-09 | 山东师范大学 | 基于图像特征密度峰值搜索的图像分割方法、系统及介质 |
| CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115641327A (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115641327B (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN109241913B (zh) | 结合显著性检测和深度学习的船只检测方法及系统 | |
| WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN107665498B (zh) | 基于典型示例挖掘的全卷积网络飞机检测方法 | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
| CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
| CN108564588B (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
| CN111291826B (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
| Chen et al. | A new process for the segmentation of high resolution remote sensing imagery | |
| 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 | |
| CN114549543A (zh) | 建筑物的三维模型构建方法、装置、终端及存储介质 | |
| CN114444791A (zh) | 一种基于机器学习的洪涝灾害遥感监测评估方法 | |
| CN110503637B (zh) | 一种基于卷积神经网络的道路裂缝自动检测方法 | |
| CN111553425A (zh) | 一种用于视觉定位的模板匹配lsp算法、介质和设备 | |
| CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
| CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| CN108648200B (zh) | 一种间接的城市高分辨率不透水面提取方法 | |
| CN112241956B (zh) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 | |
| CN110276270B (zh) | 一种高分辨率遥感影像建筑区提取方法 | |
| CN111046783A (zh) | 一种改进分水岭算法的斜坡地质灾害边界提取方法 | |
| He et al. | Building extraction based on U-net and conditional random fields |
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 |