CN116091477A - 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 - Google Patents
基于深度学习多模态图像融合的建筑外墙缺陷检测方法 Download PDFInfo
- Publication number
- CN116091477A CN116091477A CN202310170207.2A CN202310170207A CN116091477A CN 116091477 A CN116091477 A CN 116091477A CN 202310170207 A CN202310170207 A CN 202310170207A CN 116091477 A CN116091477 A CN 116091477A
- Authority
- CN
- China
- Prior art keywords
- image
- building
- wall
- defects
- visible light
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 198
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 230000004927 fusion Effects 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000001931 thermography Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000011241 protective layer Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Working Measures On Existing Buildindgs (AREA)
Abstract
本发明公开了一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法、装置及存储介质。方法包括：采集建筑外墙缺陷的可见光图像和红外热图像；对所述可见光图像和所述红外热图像进行人工筛选并进行可见光图像和红外图像的配准融合；采用语义分割标注工具对融合图像集进行人工标注；基于Res‑UNet网络构建建筑外墙缺陷识别语义分割网络并进行模型训练；利用训练好的建筑外墙缺陷识别语义分割网络模型对建筑外墙图像进行缺陷识别。本发明方法通过采集建筑外墙缺陷的可见光图像和红外热图像，来提高检测效率，降低检测成本；克服了基于单一模态的图像识别技术往往只针对某些特定缺陷的问题，结合多个模态图像信息实现对建筑外墙多种缺陷的准确识别。
Description
技术领域
本发明涉及建筑外墙缺陷识别技术领域，尤其涉及一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法。
背景技术
早期的建筑外墙缺陷检测主要是以人工检测为主，该检测过程需要检测人员来到现场建筑，使用相应的检测设备对观察到的建筑外墙表面的缺陷位置、大小、长宽等进行测量记录。人工检测方法需要借助专业的检测设备接近建筑物表面，需要检测人员拥有专业的知识和丰富的经验，随着建筑高度以及建筑体量的增加，人工检测的方法工作强度逐渐增大、检测效率低以及检测精度不足等问题日渐突出，同时对于高层和超高层建筑而言，人工检测存在高空作业危险。此外，缺陷检测的结果很大部分受工作人员的工作经验和工作状态等主观因素影响，不同的检测人员检测结果不同，通常也容易出现误检漏检现象。
随着人工智能技术在各个领域的广泛应用，国内外学者针对基于图像的建筑外墙缺陷检测开展了深入的研究，用以提高对现有建筑物的自动化、智能化的运营和维护。现阶段基于图像处理的建筑外墙缺陷无损检测技术根据其数据模态来源主要可分为：1)基于可见光图像的建筑外墙缺陷检测；2)基于红外图像的建筑外墙缺陷检测。
基于可见光图像的识别方法目前往往针对特定缺陷，例如裂缝、脱落、渗漏和锈蚀等。虽然现在的技术已经能很好的识别出缺陷且准确度很高，但由于建筑的外墙缺陷之间往往相互联系，在一定条件下建筑外墙之间的缺陷会发生转换，因此，建筑外墙多个缺陷还是无法同时被检测。基于红外热成像的缺陷检测方法，针对的都是建筑物通过可将光无法直接观测到的内部缺陷，虽然检测效果明显，但是检测结果很大部分受光照时间、气候温度、辐射射线等外界环境影响。
发明内容
本发明针对上述问题，提供了一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法、装置及存储介质，所述方法通过融合可见光和红外图像，结合两种模态的图像信息，打破使用单一模态数据的局限性，以实现对建筑外墙多种缺陷的准确识别；解决以往的基于可见光图像或者红外图像的建筑外墙缺陷识别方法往往只针对某个特定的缺陷的问题。
本发明的第一方面，提供了基于深度学习多模态图像融合的建筑外墙缺陷检测方法，方法包括以下步骤：
根据被检测建筑物周围地形以及建筑立面的尺寸信息对航拍设备进行航线规划，按照所述航线规划采集建筑外墙缺陷的可见光图像和红外热图像；
对所述可见光图像和所述红外热图像进行人工筛选，将筛选后的所述可见光图像和所述红外热图像各自进行预处理并扩展成有效图像数据集；
将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集；
统一建筑外墙多种缺陷类型，采用语义分割标注工具对所述融合图像集进行逐个图像、逐个像素的人工标注，形成建筑外墙缺陷的数据集；
基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，利用所述建筑外墙缺陷的数据集进行建筑外墙缺陷识别语义分割网络模型训练；
利用训练好的建筑外墙缺陷识别语义分割网络模型对建筑外墙图像进行缺陷识别，并计算相应缺陷面积占整个图像面积的比值。
本发明进一步的技术方案是：将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集，具体包括：
对红外有效图像进行裁剪，除去边缘的无用信息，留下中心的缺陷信息；
以可见光有效图像为底图，红外有效图像为上层图像，将红外有效图像的透明度调整为50％，根据红外有效图像的尺寸大小，对可见光有效图像进行裁剪，保留下相应的可见光图像；
在可见光有效图像三通道基础上添加红外有效图像通道，达到融合可见光和红外热图像目的。
本发明进一步的技术方案是：所述语义分割标注工具为Eiseg语义分割标注工具。
本发明进一步的技术方案是：所述基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，所述建筑外墙缺陷识别语义分割网络结构采用Encoder-Decoder形式，所述建筑外墙缺陷识别语义分割网络输入图像的大小为512×512×4，其中512×512为输入图像的尺寸大小，4代表的是输入图像的通道数。
本发明进一步的技术方案是：进行建筑外墙缺陷识别语义分割网络模型训练时，所述模型引入Dice系数作为损失函数用来衡量实际变量值和预测值之间的差异。
本发明的第二方面，一种基于深度学习多模态图像融合的建筑外墙缺陷检测装置，包括：
图像获取模块，用于根据被检测建筑物周围地形以及建筑立面的尺寸信息对航拍设备进行航线规划，按照所述航线规划采集建筑外墙缺陷的可见光图像和红外热图像；
图像筛选模块，用于对所述可见光图像和所述红外热图像进行人工筛选，将筛选后的所述可见光图像和所述红外热图像各自进行预处理并扩展成有效图像数据集；
图像融合模块，用于将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集；
图像标注模块，用于统一建筑外墙多种缺陷类型，采用语义分割标注工具对所述融合图像集进行逐个图像、逐个像素的人工标注，形成建筑外墙缺陷的数据集；
网络模型构建和训练模块，用于基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，利用所述建筑外墙缺陷的数据集进行建筑外墙缺陷识别语义分割网络模型训练；
缺陷识别模块，用于利用训练好的建筑外墙缺陷识别语义分割网络模型对建筑外墙图像进行缺陷识别，并计算相应缺陷面积占整个图像面积的比值。
本发明的第三方面，提供了一种基于深度学习多模态图像融合的建筑外墙缺陷检测装置，包括：处理器；以及存储器，其中，所述存储器中存储有计算机可执行程序，当由所述处理器执行所述计算机可执行程序时，执行上述基于深度学习多模态图像融合的建筑外墙缺陷检测方法。
本发明的第四方面，一种存储介质，其上存储有程序，所述程序在被处理器执行时，使得所述处理器执行上述基于深度学习多模态图像融合的建筑外墙缺陷检测方法。
本发明提供的一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法、装置及存储介质，解决传统的人工检测存在的费时、费力、成本高且具有一定危险性的问题，通过无人机来采集建筑外墙缺陷的可见光图像和红外热图像，来提高检测效率，降低检测成本，预防检测过程中产生的事故；基于单一模态的图像识别技术，往往只针对某些特定缺陷，对于多种类型的缺陷无法达到准确检测；其中，基于可见光图像的建筑外墙缺陷检测技术对于裂缝、脱落、渗漏等表观缺陷具有良好的检测效果，基于红外图像的建筑外墙缺陷检测技术对于空鼓等隐藏缺陷具有良好的检测效果。
综上上述，本发明的有益效果主要有：
1)采用航拍设备搭载高分辨率相机和红外热成像相机对建筑外墙缺陷图像进行采集，不受建筑物高度、形状限制，可实现超高层建筑、异形建筑的外墙缺陷检测；
2)相对于人工检测方法，本发明解决了人工检测技术中存在的检测费时、费力、成本高且具有一定危险性的问题，提高了检测效率，减少了检测成本，降低了高空建筑缺陷检测的安全风险；
3)本发明通过航拍设备采集建筑外墙缺陷的可见光图像和红外热图像，融合两种模态的图像信息，制作建筑外墙缺陷图像数据集，构建基于深度学习的语义分割网络，通过深度学习网络训练建筑外墙缺陷识别模型，实现缺陷位置和面积大小的自动智能识别，大大提高了检测精度与智能化水平；
4)本发明提出了一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法，通过融合可见光和红外图像，结合两种模态的图像信息，打破使用单一模态数据的局限性，以实现对建筑外墙多种缺陷的准确识别；解决以往的基于可见光图像或者红外图像的建筑外墙缺陷识别方法往往只针对某个特定的缺陷的问题；
5)本发明提出的一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法，可实现对城市街区建筑外墙各类型缺陷进行定期快速评定检测，对位于人流量较大区域的建筑物，经历极端恶劣天气之后的城市街区、已有空鼓、脱落现象的老旧建筑可加大测试评定频率；本发明解决了建筑外墙各种缺陷无法准确全面检测的问题，对老旧建筑各类缺陷预警以及维修加固提供了准确的数据，可减少乃至避免相关事故发生，能够保证人民群众的安全。
附图说明
图1是本发明实施例一中的基于深度学习多模态图像融合的建筑外墙缺陷检测方法流程示意图；
图2是本发明实施例二中的基于深度学习多模态图像融合的建筑外墙缺陷检测装置结构示意图；
图3是本发明实施例三中的一种计算机设备的架构。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅出示了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例针对一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法、装置及存储介质，提供了如下实施例：
基于本发明的实施例1
本实施例用于说明基于深度学习多模态图像融合的建筑外墙缺陷检测方法，参见图1，为基于深度学习多模态图像融合的建筑外墙缺陷检测方法流程示意图，具体实施过程中，实施装置包括带航迹规划系统的多旋翼无人机、云台、红外热成像相机、高分辨率相机、具有高效计算能力的服务器；所述云台安装在多旋翼无人机的飞机平台上，云台与多旋翼无人飞行器之间设有减震装置，云台上设有普通相机和红外热成像相机。方法具体包括以下步骤：
S110、根据被检测建筑物周围地形以及建筑立面的尺寸信息对航拍设备进行航线规划，按照所述航线规划采集建筑外墙缺陷的可见光图像和红外热图像；
具体实施过程中，根据被检测建筑物周围地形以及建筑立面的尺寸信息对多旋翼无人机进行航线规划，按照预定规划航线采集建筑外墙缺陷的可见光图像和红外热图像；
S120、对所述可见光图像和所述红外热图像进行人工筛选，将筛选后的所述可见光图像和所述红外热图像各自进行预处理并扩展成有效图像数据集；
具体实施过程中，通过人工排查，清理拍摄不聚焦、拍摄有模糊、亮度不均衡、图像不完整、格式有问题、内容有缺陷的基础图像；通过旋转、镜像、缩放、裁剪、拼接、亮度变化、色彩平衡移动、灰度变化等增加既有数据集的有效图像数量，提高模型的泛化能力与鲁棒性；
S130、将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集；
具体实施过程中，将可见光图像和红外图像裁剪至相应大小，并进行可见光和红外图像的配准融合；
S140、统一建筑外墙多种缺陷类型，采用语义分割标注工具对所述融合图像集进行逐个图像、逐个像素的人工标注，形成建筑外墙缺陷的数据集；
具体实施过程中，统一建筑外墙多种缺陷类型的命名、编号、颜色、制式和标注格式，采用Eiseg等语义分割标注工具进行逐个图像、逐个像素的人工标注，统一格式，形成建筑外墙缺陷的数据集。
S150、基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，利用所述建筑外墙缺陷的数据集进行建筑外墙缺陷识别语义分割网络模型训练；
具体实施过程中，基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，将采集到的建筑外墙数据集在搭好环境的服务器上进行网络模型训练，得到建筑外墙缺陷语义分割模型的相关参数，作为建筑外墙缺陷检测的基准；
S160、利用训练好的建筑外墙缺陷识别语义分割网络模型对建筑外墙图像进行缺陷识别，并计算相应缺陷面积占整个图像面积的比值。
具体实施过程中，利用S150中得到的语义分割模型对建筑外墙图像进行缺陷识别，分割提取裂缝、空鼓、脱落、渗漏等缺陷，并计算相应缺陷面积占整个图像面积的比值。
具体地，S130主要分为三部分，首先对红外热图像进行裁剪，除去边缘的无用信息，留下中心的缺陷信息；以可见光图像为底图，红外热图像为上层图像，将红外热图像的透明度调整为50％，根据红外热图像的尺寸大小，对可见光图像进行裁剪，保留下相应的可见光图像；最后在可见光图像三通道基础上，添加上红外热图像通道，达到快速融合可见光和红外热图像的目的；
优选地，S140中对于建筑外墙的多种缺陷类型主要分为：建筑外墙的裂缝、混凝土保护层空鼓、瓷砖空鼓、混凝土保护层脱落、瓷砖脱落、渗漏等；使用的Eiseg语义分割标注工具能达到快速准确的标注建筑外墙缺陷的真实值，大大提高标注速率；
优选地，S150采用的人工智能识别算法是改进的Res-UNet网络结构，该网络结构采用Encoder-Decoder的形式，是一个U的形状，故为UNet；再者每个block都有一个残差连接部分，故称为Res-Unet。该网络输入图像的大小为512×512×4，其中512×512为输入图像的尺寸大小，4代表的是输入图像的通道数，传统的Unet的输入通道数为3，由于将可见光图像和红外图像进行了融合，输入图像的通道数就变成了4(R、G、B、T)。
进一步地，损失函数用来衡量实际变量值和预测值之间的差异，在模型训练优化过程中起着指导性的作用，通过损失函数的反馈来调整和改进模型的各类权重参数，损失值越小说明预测值越来准确，本模型引入Dice系数，其计算公式为：
Dice系数本质上是衡量两个样本的重叠部分，该指标范围从0到1，其中“1”表示完整的重叠。为了形成可以最小化的损失函数，使用1-Dice作为损失函数。
评价指标包括准确率(Accuracy)、精确度(Precision)、召回率(Recall)和F1Score，其中各项参数值越高，表示网络的缺陷分割效果越好、综合性能越优，计算公式如下：
基于本发明的实施例2
本发明实施例二所提供的一种基于深度学习多模态图像融合的建筑外墙缺陷检测装置200可执行本发明实施例1所提供的基于深度学习多模态图像融合的建筑外墙缺陷检测方法，具备执行方法相应的功能模块和有益效果，该装置可以由软件和/或硬件(集成电路)的方式实现，并一般可集成于服务器或终端设备中。图2是本发明实施例2中的一种基于深度学习多模态图像融合的建筑外墙缺陷检测装置200的结构示意图。参照图2，本发明实施例的基于深度学习多模态图像融合的建筑外墙缺陷检测装置200具体可以包括：
图像获取模块210，用于根据被检测建筑物周围地形以及建筑立面的尺寸信息对航拍设备进行航线规划，按照所述航线规划采集建筑外墙缺陷的可见光图像和红外热图像；
图像筛选模块220，用于对所述可见光图像和所述红外热图像进行人工筛选，将筛选后的所述可见光图像和所述红外热图像各自进行预处理并扩展成有效图像数据集；
图像融合模块230，用于将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集；
图像标注模块240，用于统一建筑外墙多种缺陷类型，采用语义分割标注工具对所述融合图像集进行逐个图像、逐个像素的人工标注，形成建筑外墙缺陷的数据集；
网络模型构建和训练模块250，用于基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，利用所述建筑外墙缺陷的数据集进行建筑外墙缺陷识别语义分割网络模型训练；
缺陷识别模块260，用于利用训练好的建筑外墙缺陷识别语义分割网络模型对建筑外墙图像进行缺陷识别，并计算相应缺陷面积占整个图像面积的比值。
除了上述单元以外，基于深度学习多模态图像融合的建筑外墙缺陷检测装置200还可以包括其他部件，然而，由于这些部件与本公开实施例的内容无关，因此在这里省略其图示和描述。
基于深度学习多模态图像融合的建筑外墙缺陷检测装置200的具体工作过程参照上述基于深度学习多模态图像融合的建筑外墙缺陷检测方法实施例1的描述，不再赘述。
基于本发明的实施例3
根据本发明实施例的系统也可以借助于图3所示的计算设备的架构来实现。图3示出了该计算设备的架构。如图3所示，计算机系统301、系统总线303、一个或多个CPU 304、输入/输出302、存储器305等。存储器305可以存储计算机处理和/或通信使用的各种数据或文件以及CPU所执行包括实施例1方法的程序指令。图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要调整图3中的一个或多个组件。存储器305作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于深度学习多模态图像融合的建筑外墙缺陷检测方法对应的程序指令/模块(例如，基于深度学习多模态图像融合的建筑外墙缺陷检测装置200中的图像获取模块210、图像筛选模块220、图像融合模块230、图像标注模块240、网络模型构建和训练模块250和缺陷识别模块260)。一个或多个CPU 304通过运行存储在存储器305中的软件程序、指令以及模块，从而执行本发明系统的各种功能应用以及数据处理，即实现上述的基于深度学习多模态图像融合的建筑外墙缺陷检测方法，该方法包括：
根据被检测建筑物周围地形以及建筑立面的尺寸信息对航拍设备进行航线规划，按照所述航线规划采集建筑外墙缺陷的可见光图像和红外热图像；
对所述可见光图像和所述红外热图像进行人工筛选，将筛选后的所述可见光图像和所述红外热图像各自进行预处理并扩展成有效图像数据集；
将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集；
统一建筑外墙多种缺陷类型，采用语义分割标注工具对所述融合图像集进行逐个图像、逐个像素的人工标注，形成建筑外墙缺陷的数据集；
基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，利用所述建筑外墙缺陷的数据集进行建筑外墙缺陷识别语义分割网络模型训练；
利用训练好的建筑外墙缺陷识别语义分割网络模型对建筑外墙图像进行缺陷识别，
并计算相应缺陷面积占整个图像面积的比值。
当然,本发明实施例所提供的服务器，其处理器不限于执行如上所述的方法操作，还可以执行本发明任意实施例所提供的基于深度学习多模态图像融合的建筑外墙缺陷检测方法中的相关操作。
存储器305可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器305可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器305可进一步包括相对于一个或多个CPU 304远程设置的存储器，这些远程存储器可以通过网络连接至装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入/输出302可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输入/输出302还可包括显示屏等显示设备。
基于本发明的实施例4
本发明实施例也可以被实现为计算机可读存储介质。根据实施例4的计算机可读存储介质上存储有计算机程序。当所述计算机程序被处理器执行时，可以执行参照以上附图描述的根据本发明实施例1的基于深度学习多模态图像融合的建筑外墙缺陷检测方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的基于深度学习多模态图像融合的建筑外墙缺陷检测方法中的相关操作。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
综上所述，通过实施例可以看出，本发明提供的一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法、装置及存储介质，解决传统的人工检测存在的费时、费力、成本高且具有一定危险性的问题，通过无人机来采集建筑外墙缺陷的可见光图像和红外热图像，来提高检测效率，降低检测成本，预防检测过程中产生的事故；基于单一模态的图像识别技术，往往只针对某些特定缺陷，对于多种类型的缺陷无法达到准确检测；其中，基于可见光图像的建筑外墙缺陷检测技术对于裂缝、脱落、渗漏等表观缺陷具有良好的检测效果，基于红外图像的建筑外墙缺陷检测技术对于空鼓等隐藏缺陷具有良好的检测效果。综上上述，本发明的有益效果主要有：采用航拍设备搭载高分辨率相机和红外热成像相机对建筑外墙缺陷图像进行采集，不受建筑物高度、形状限制，可实现超高层建筑、异形建筑的外墙缺陷检测；相对于人工检测方法，本发明解决了人工检测技术中存在的检测费时、费力、成本高且具有一定危险性的问题，提高了检测效率，减少了检测成本，降低了高空建筑缺陷检测的安全风险；本发明通过航拍设备采集建筑外墙缺陷的可见光图像和红外热图像，融合两种模态的图像信息，制作建筑外墙缺陷图像数据集，构建基于深度学习的语义分割网络，通过深度学习网络训练建筑外墙缺陷识别模型，实现缺陷位置和面积大小的自动智能识别，大大提高了检测精度与智能化水平；本发明提出了一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法，通过融合可见光和红外图像，结合两种模态的图像信息，打破使用单一模态数据的局限性，以实现对建筑外墙多种缺陷的准确识别；解决以往的基于可见光图像或者红外图像的建筑外墙缺陷识别方法往往只针对某个特定的缺陷的问题；本发明提出的一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法，可实现对城市街区建筑外墙各类型缺陷进行定期快速评定检测，对位于人流量较大区域的建筑物，经历极端恶劣天气之后的城市街区、已有空鼓、脱落现象的老旧建筑可加大测试评定频率；本发明解决了建筑外墙各种缺陷无法准确全面检测的问题，对老旧建筑各类缺陷预警以及维修加固提供了准确的数据，可减少乃至避免相关事故发生，能够保证人民群众的安全。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于深度学习多模态图像融合的建筑外墙缺陷检测方法，其特征在于，所述方法包括以下步骤：
根据被检测建筑物周围地形以及建筑立面的尺寸信息对航拍设备进行航线规划，按照所述航线规划采集建筑外墙缺陷的可见光图像和红外热图像；
对所述可见光图像和所述红外热图像进行人工筛选，将筛选后的所述可见光图像和所述红外热图像各自进行预处理并扩展成有效图像数据集；
将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集；
统一建筑外墙多种缺陷类型，采用语义分割标注工具对所述融合图像集进行逐个图像、逐个像素的人工标注，形成建筑外墙缺陷的数据集；
基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，利用所述建筑外墙缺陷的数据集进行建筑外墙缺陷识别语义分割网络模型训练；
利用训练好的建筑外墙缺陷识别语义分割网络模型对建筑外墙图像进行缺陷识别，并计算相应缺陷面积占整个图像面积的比值。
2.根据权利要求1所述的基于深度学习多模态图像融合的建筑外墙缺陷检测方法，其特征在于，将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集，具体包括：
对红外有效图像进行裁剪，除去边缘的无用信息，留下中心的缺陷信息；
以可见光有效图像为底图，红外有效图像为上层图像，将红外有效图像的透明度调整为50％，根据红外有效图像的尺寸大小，对可见光有效图像进行裁剪，保留下相应的可见光图像；
在可见光有效图像三通道基础上添加红外有效图像通道，达到融合可见光和红外热图像目的。
3.根据权利要求1所述的基于深度学习多模态图像融合的建筑外墙缺陷检测方法，其特征在于，所述语义分割标注工具为Eiseg语义分割标注工具。
4.根据权利要求1所述的基于深度学习多模态图像融合的建筑外墙缺陷检测方法，其特征在于，所述基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，所述建筑外墙缺陷识别语义分割网络结构采用Encoder-Decoder形式，所述建筑外墙缺陷识别语义分割网络输入图像的大小为512×512×4，其中512×512为输入图像的尺寸大小，4代表的是输入图像的通道数。
5.根据权利要求1所述的基于深度学习多模态图像融合的建筑外墙缺陷检测方法，其特征在于，进行建筑外墙缺陷识别语义分割网络模型训练时，所述模型引入Dice系数作为损失函数用来衡量实际变量值和预测值之间的差异。
6.一种基于深度学习多模态图像融合的建筑外墙缺陷检测装置，其特征在于，包括：
图像获取模块，用于根据被检测建筑物周围地形以及建筑立面的尺寸信息对航拍设备进行航线规划，按照所述航线规划采集建筑外墙缺陷的可见光图像和红外热图像；
图像筛选模块，用于对所述可见光图像和所述红外热图像进行人工筛选，将筛选后的所述可见光图像和所述红外热图像各自进行预处理并扩展成有效图像数据集；
图像融合模块，用于将所述可见光有效图像数据集和所述红外有效图像数据集裁剪至相应大小，并进行可见光图像和红外图像的配准融合，形成融合图像集；
图像标注模块，用于统一建筑外墙多种缺陷类型，采用语义分割标注工具对所述融合图像集进行逐个图像、逐个像素的人工标注，形成建筑外墙缺陷的数据集；
网络模型构建和训练模块，用于基于Res-UNet网络构建建筑外墙缺陷识别语义分割网络，利用所述建筑外墙缺陷的数据集进行建筑外墙缺陷识别语义分割网络模型训练；
缺陷识别模块，用于利用训练好的建筑外墙缺陷识别语义分割网络模型对建筑外墙图像进行缺陷识别，并计算相应缺陷面积占整个图像面积的比值。
7.一种基于深度学习多模态图像融合的建筑外墙缺陷检测装置，其特征在于，包括：处理器；以及存储器，其中，所述存储器中存储有计算机可执行程序，当由所述处理器执行所述计算机可执行程序时，执行权利要求1-5中任一项所述的基于深度学习多模态图像融合的建筑外墙缺陷检测方法。
8.一种存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一项所述的基于深度学习多模态图像融合的建筑外墙缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310170207.2A CN116091477A (zh) | 2023-02-27 | 2023-02-27 | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310170207.2A CN116091477A (zh) | 2023-02-27 | 2023-02-27 | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116091477A true CN116091477A (zh) | 2023-05-09 |
Family
ID=86202588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310170207.2A Pending CN116091477A (zh) | 2023-02-27 | 2023-02-27 | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091477A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058395A (zh) * | 2023-10-11 | 2023-11-14 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于图像语义分割的建筑外窗冰雹致损自动评估方法 |
| CN117115098A (zh) * | 2023-08-17 | 2023-11-24 | 国网浙江省电力有限公司杭州供电公司 | 变电站关键设备缺陷定位检测方法、系统、介质及设备 |
| CN118038281A (zh) * | 2024-04-15 | 2024-05-14 | 三峡金沙江川云水电开发有限公司 | 一种裂缝检测方法、装置、存储介质及电子设备 |
| CN118090743A (zh) * | 2024-04-22 | 2024-05-28 | 山东浪潮数字商业科技有限公司 | 一种基于多模态图像识别技术的瓷质酒瓶质量检测系统 |
-
2023
- 2023-02-27 CN CN202310170207.2A patent/CN116091477A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115098A (zh) * | 2023-08-17 | 2023-11-24 | 国网浙江省电力有限公司杭州供电公司 | 变电站关键设备缺陷定位检测方法、系统、介质及设备 |
| CN117058395A (zh) * | 2023-10-11 | 2023-11-14 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于图像语义分割的建筑外窗冰雹致损自动评估方法 |
| CN118038281A (zh) * | 2024-04-15 | 2024-05-14 | 三峡金沙江川云水电开发有限公司 | 一种裂缝检测方法、装置、存储介质及电子设备 |
| CN118090743A (zh) * | 2024-04-22 | 2024-05-28 | 山东浪潮数字商业科技有限公司 | 一种基于多模态图像识别技术的瓷质酒瓶质量检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116091477A (zh) | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 | |
| Jiang et al. | Real‐time crack assessment using deep neural networks with wall‐climbing unmanned aerial system | |
| Duque et al. | Bridge deterioration quantification protocol using UAV | |
| KR102094341B1 (ko) | 인공지능 기반의 도로 노면 불량 객체 정보 분석 시스템 및 방법 | |
| CN103778681B (zh) | 一种车载高速公路巡检系统及数据获取和处理方法 | |
| CN111811420B (zh) | 隧道三维轮廓整体绝对变形监测方法及系统 | |
| CN111931565A (zh) | 一种基于光伏电站uav的自主巡检与热斑识别方法及系统 | |
| KR102202572B1 (ko) | 드론의 촬영영상과 인공지능 알고리즘 기반의 도로표면 균열 검출 방법 및 시스템 | |
| CN106296814B (zh) | 公路养护检测与可视化交互方法和系统 | |
| CN103700261A (zh) | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 | |
| CN109712148A (zh) | 基于盾构隧道影像的管片接缝位置自动识别方法 | |
| CN107392252A (zh) | 计算机深度学习图像特征并量化感知度的方法 | |
| WO2021199915A1 (ja) | 劣化表示システム、劣化表示方法と記録媒体 | |
| CN114812403B (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
| CN112581402B (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
| Huang et al. | Rapid surface damage detection equipment for subway tunnels based on machine vision system | |
| CN112446852A (zh) | 一种隧道成像平面展示方法及缺陷智能识别系统 | |
| Ji et al. | Image‐based road crack risk‐informed assessment using a convolutional neural network and an unmanned aerial vehicle | |
| CN113569428A (zh) | 隧洞异常检测方法、装置及系统 | |
| CN106123851A (zh) | 一种基于无人机的路基横断面测量方法 | |
| Motayyeb et al. | Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades | |
| Ribeiro et al. | Remote inspection and monitoring of civil engineering structures based on unmanned aerial vehicles | |
| CN113762247A (zh) | 一种基于显著实例分割算法的道路裂缝自动检测方法 | |
| Li et al. | Non-destructive testing research on the surface damage faced by the Shanhaiguan Great Wall based on machine learning | |
| JP6892197B1 (ja) | 劣化表示システム、劣化表示方法、及び、プログラム |
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 |