CN116109954A - 房屋安全隐患识别方法、装置及存储介质 - Google Patents
房屋安全隐患识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116109954A CN116109954A CN202310351236.9A CN202310351236A CN116109954A CN 116109954 A CN116109954 A CN 116109954A CN 202310351236 A CN202310351236 A CN 202310351236A CN 116109954 A CN116109954 A CN 116109954A
- Authority
- CN
- China
- Prior art keywords
- house
- close
- determining
- range image
- landslide
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 231100001267 hazard identification Toxicity 0.000 title claims abstract description 38
- 238000007689 inspection Methods 0.000 claims abstract description 123
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 230000002093 peripheral effect Effects 0.000 claims abstract description 11
- 239000003550 marker Substances 0.000 claims description 51
- 238000006073 displacement reaction Methods 0.000 claims description 33
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012806 monitoring device Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000009933 burial Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 34
- 239000003086 colorant Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Alarm Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种房屋安全隐患识别方法、装置及存储介质，其中，所述方法包括：获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边边坡在各个巡检周期的第二近景图像；根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。本发明旨在提高房屋安全隐患识别效率。
Description
技术领域
本发明涉及安全预警领域，尤其涉及一种房屋安全隐患识别方法、装置及存储介质。
背景技术
随着城镇化快速推进，城市人口、产业等要素的不断集聚，由此引发的城市安全问题也接踵而至，在新型城镇化的高质量发展的当下，不仅要注重提升城市发展质量，还需要不断补齐发展短板和提升城市抵御风险的能力。
在城市的日常巡检中，房屋安全是其中关键的一环，房屋存在的缺陷过量时，不仅不能抵御突发的灾害事件，而且在使用年限内还会出现坍塌的危险，造成人员伤亡、财产损失等后果。在相关技术中，一般通过人工观测对房屋进行隐患排查，但是人工观测主观性强、速度慢、成本高，导致房屋安全隐患识别效率太低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种房屋安全隐患识别方法、装置及存储介质，旨在达成提高房屋安全隐患识别效率的效果。
为实现上述目的，本发明提供一种房屋安全隐患识别方法，所述房屋安全隐患识别方法包括：
获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边坡面在各个巡检周期的第二近景图像；
根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；
根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；
根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。
可选地，所述根据各个巡检周期的第二近景图像确定所述边坡的滑坡数据，所述滑坡数据包括滑坡位置和形变量的步骤包括：
根据各个巡检周期的第二近景图像识别所述边坡上的标识物和所述标识物的位置；
根据各个巡检周期对应的所述标识物和所述标识物的位置确定所述滑坡位置和所述形变量。
可选地，所述根据各个巡检周期对应的所述标识物和所述标识物的位置预测所述滑坡位置和所述形变量的步骤包括：
根据在各个巡检周期中各个所述标识物的位置确定所述标识物在各个巡检周期中与参照点之间实际距离；
根据所述标识物在相邻巡检周期对应的实际距离之间的差值确定位移变化量；
根据各个相邻巡检周期对应的所述位移变化量确定所述标识物在未来预设周期中的预计位移变化量；
根据所述预计位移变化量大于预设值的标识物的位置确定所述滑坡位置，并所述滑坡位置对应的预计位移变化量确定所述形变量。
可选地，所述根据各个巡检周期的第二近景图像识别所述坡面上的标识物和所述标识物的位置的步骤包括：
确定所述第二近景图像的颜色参数，所述颜色参数包括色调、饱和度和明度；
根据所述颜色参数与预设阈值的比较结果确定所述第二近景图像中的标识物；
根据所述标识物在所述第二近景图像中的图像坐标确定所述标识物在所述边坡上实际的位置。
可选地，所述根据所述标识物在所述第二近景图像中的图像坐标确定所述标识物在所述边坡上实际的位置的步骤包括：
获取所述监测设备的摄像头在拍摄所述第二近景图像的相机内参和相机位姿；
根据所述相机内参和所述相机位姿确定所述摄像头的像素坐标系和世界坐标系之间的转换关系；
根据所述转换关系将所述图像坐标转化为所述位置。
可选地，所述根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据的步骤包括：
将所述第一近景图像输入预设深度学习算法，通过所述深度学习算法的编码器确定所述第一近景图像的各个像素点对应的隐变量；
确定所述隐变量对应的元素类型；
通过所述深度学习算法的解码器将元素类型为裂缝元素的隐变量还原为所述第一近景图像中的目标像素点；
根据所述目标像素点在所述第一近景图像上的图像坐标所述裂缝数据。
可选地，所述安全隐患包括滑坡掩埋隐患、房屋坍塌隐患和共同作用隐患，所述根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患的步骤包括：
确定所述滑坡位置与所述目标房屋之间的距离；
根据所述形变量和所述距离确定所述滑坡掩埋隐患；
根据所述裂缝位置和所述裂缝尺寸确定所述房屋坍塌隐患；
根据所述形变量、所述距离、所述裂缝位置和所述裂缝尺寸确定所述共同作用隐患。
可选地，所述监测设备包括无人机，所述获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边边坡在各个巡检周期的第二近景图像的步骤之前，还包括：
获取所述无人机在巡检开始前拍摄的待巡检区域的航拍图像；
将所述航拍图像进行分割，确定所述航拍图像中的各个建筑物，并建立所述建筑三维模型；
根据预设巡检规则和建筑三维模型从所述建筑物中确定目标房屋，并根据所述目标房屋对应的建筑三维模型确定巡检所述目标房屋时的巡检路线；
间隔预设巡检周期控制所述无人机根据所述巡检路线采集所述目标房屋的所述第一近景图像和所述第二近景图像。
此外，为实现上述目的，本发明还提供一种房屋安全隐患识别装置，所述房屋安全隐患识别装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的房屋安全隐患识别程序，所述房屋安全隐患识别程序被所述处理器执行时实现如上所述的房屋安全隐患识别方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有房屋安全隐患识别程序，所述房屋安全隐患识别程序被处理器执行时实现如上所述的房屋安全隐患识别方法的步骤。
本发明实施例提出的一种房屋安全隐患识别方法、装置及存储介质，先获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边边坡在各个巡检周期的第二近景图像；根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。本发明通过监测设备或者地面设备拍摄的待识别隐患的目标房屋墙面的第一近景图像和边坡的第二近景图像，分别识别出墙面裂缝数据和滑坡数据，从而得出目标房屋在当前巡检周期存在的安全隐患，无需人工参与，提高了房屋安全隐患的识别效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明房屋安全隐患识别方法的一实施例的流程示意图；
图3为本发明房屋安全隐患识别方法的另一实施例的流程示意图；
图4为本发明房屋安全隐患识别方法的实施例涉及的坐标转换示意图；
图5为本发明房屋安全隐患识别方法的实施例涉及的建筑三维模型生成流程。
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。
由于在相关技术中，一般通过人工观测对房屋进行隐患排查，但是人工观测主观性强、速度慢、成本高，导致房屋安全隐患识别效率太低。
为了提高房屋安全隐患识别效率，本发明实施例提出一种房屋安全隐患识别方法、装置及存储介质，其中，所述方法的主要步骤包括：
获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边边坡在各个巡检周期的第二近景图像；
根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；
根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；
根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。
通过监测设备或者地面设备拍摄的待识别隐患的目标房屋墙面的第一近景图像和边坡的第二近景图像，分别识别出墙面裂缝数据和滑坡数据，从而得出目标房屋在当前巡检周期存在的安全隐患，无需人工参与，提高了房屋安全隐患的识别效率。
以下结合附图对本发明权利要求要求保护的内容进行详细说明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是房屋安全隐患识别装置。
如图1所示，该终端可以包括：处理器1001，例如CPU，存储器1003，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。存储器1003可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1003可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1003中可以包括操作系统以及房屋安全隐患识别程序。
在图1所示的终端中，处理器1001可以用于调用存储器1003中存储的房屋安全隐患识别程序，并执行以下操作：获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边坡面在各个巡检周期的第二近景图像；
根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；
根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；
根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。
进一步地，处理器1001可以调用存储器1003中存储的房屋安全隐患识别程序，还执行以下操作：
根据各个巡检周期的第二近景图像识别所述边坡上的标识物和所述标识物的位置；
根据各个巡检周期对应的所述标识物和所述标识物的位置确定所述滑坡位置和所述形变量。
进一步地，处理器1001可以调用存储器1003中存储的房屋安全隐患识别程序，还执行以下操作：
根据在各个巡检周期中各个所述标识物的位置确定所述标识物在各个巡检周期中与参照点之间实际距离；
根据所述标识物在相邻巡检周期对应的实际距离之间的差值确定位移变化量；
根据各个相邻巡检周期对应的所述位移变化量确定所述标识物在未来预设周期中的预计位移变化量；
根据所述预计位移变化量大于预设值的标识物的位置确定所述滑坡位置，并所述滑坡位置对应的预计位移变化量确定所述形变量。
进一步地，处理器1001可以调用存储器1003中存储的房屋安全隐患识别程序，还执行以下操作：
确定所述第二近景图像的颜色参数，所述颜色参数包括色调、饱和度和明度；
根据所述颜色参数与预设阈值的比较结果确定所述第二近景图像中的标识物；
根据所述标识物在所述第二近景图像中的图像坐标确定所述标识物在所述边坡上实际的位置。
进一步地，处理器1001可以调用存储器1003中存储的房屋安全隐患识别程序，还执行以下操作：
获取所述监测设备的摄像头在拍摄所述第二近景图像的相机内参和相机位姿；
根据所述相机内参和所述相机位姿确定所述摄像头的像素坐标系和世界坐标系之间的转换关系；
根据所述转换关系将所述图像坐标转化为所述位置。
进一步地，处理器1001可以调用存储器1003中存储的房屋安全隐患识别程序，还执行以下操作：
将所述第一近景图像输入预设深度学习算法，通过所述深度学习算法的编码器确定所述第一近景图像的各个像素点对应的隐变量；
确定所述隐变量对应的元素类型；
通过所述深度学习算法的解码器将元素类型为裂缝元素的隐变量还原为所述第一近景图像中的目标像素点；
根据所述目标像素点在所述第一近景图像上的图像坐标所述裂缝数据。
进一步地，处理器1001可以调用存储器1003中存储的房屋安全隐患识别程序，还执行以下操作：
确定所述滑坡位置与所述目标房屋之间的距离；
根据所述形变量和所述距离确定所述滑坡掩埋隐患；
根据所述裂缝位置和所述裂缝尺寸确定所述房屋坍塌隐患；
根据所述形变量、所述距离、所述裂缝位置和所述裂缝尺寸确定所述共同作用隐患。
进一步地，处理器1001可以调用存储器1003中存储的房屋安全隐患识别程序，还执行以下操作：
获取所述无人机在巡检开始前拍摄的待巡检区域的航拍图像；
将所述航拍图像进行分割，确定所述航拍图像中的各个建筑物，并建立所述建筑三维模型；
根据预设巡检规则和建筑三维模型从所述建筑物中确定目标房屋，并根据所述目标房屋对应的建筑三维模型确定巡检所述目标房屋时的巡检路线；
间隔预设巡检周期控制所述无人机根据所述巡检路线采集所述目标房屋的所述第一近景图像和所述第二近景图像。
示例性地，参照图2，在本发明房屋安全隐患识别方法的一实施例中，所述房屋安全隐患识别方法包括以下步骤：
步骤S10、获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边边坡在各个巡检周期的第二近景图像；
在本实施例中，监测设备是按照预设巡检周期对目标房屋进行智能巡检的数据采集装置，目标房屋是监测设备在巡检时需要数据的建筑房屋。监测设备可以是能够按照预设航线进行智能巡检的无人机，也可以是安装于目标房屋及其周围的地面设备。监测设备具有摄像头，可以朝向预设方位，采集房屋隐患识别所需要的图像数据。其中，无人机可以用于利用倾斜摄影技术拍摄目标房屋的墙面或者目标房屋周边边坡的近景图像，地面设备安装于目标房屋的墙面，也可以定期拍摄墙面或边坡的近景图像。监测设备间隔预设巡检周期采集目标房屋墙面的第一近景图像，和其周边边坡的第二近景图像，在采集后，上传到系统。
系统在每个巡检周期都要对目标房屋进行安全隐患的识别，在识别过程中，需要获取监测设备在当前巡检周期采集的目标房屋各个需要进行隐患识别的墙面的第一近景图像，墙面是支撑房屋的重要结构，第一近景图像用于房屋坍塌隐患的识别。由于房屋坍塌隐患严重威胁房屋安全，一般不允许出现，因此可以在当前巡检周期中识别出来后，需要及时进行处理，因此只需要当前巡检周期采集的墙面的第一近景图像。除此之外，还需要获取监测设备在过去各个巡检周期采集的目标房屋周边一定范围内的边坡的第二近景图像，可以获取包括当前巡检周期在内的过去连续预设数量个巡检周期中采集的第二近景图像。第二近景图像用于边坡滑坡掩埋隐患的识别，由于滑坡在初期的变化难以捕捉，边坡的移动是难以确定的，因而需要近期连续的多张第二近景图像进行识别，并对未来边坡情况进行预测。
步骤S20、根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；
在本实施例中，第一近景图像拍摄目标房屋的墙面，为了提高效率和提高安全性，可以根据建筑三维模型确定目标房屋中需要检测的墙面，也就是说，不限定需要检测目标房屋全部墙面。在采集到第一近景图像后，第一近景图像上可以显示墙面的情况，尤其是墙面裂缝的情况。在识别裂缝时，可以获取当前巡检周期内的第一近景图像，根据第一近景图像识别墙面在当前巡检周期的裂缝。在确定墙面上裂缝时，需要识别出裂缝位置和裂缝尺寸，从而得到裂缝数据。
可选地，根据各个巡检周期的第二近景图像识别所述边坡上的标识物和所述标识物的位置；根据各个巡检周期对应的所述标识物和所述标识物的位置确定所述滑坡位置和所述形变量。
在地面或者空中固定点拍摄边坡，并在边坡上设置醒目标识物。每间隔预设巡检周期，控制监测设备在固定点拍摄边坡的第二场景图像，针对每个巡检周期的第二近景图像，通过图像处理方法提取标识物的特征进行目标检测，确定边坡上的标识物，并确定标识物的实际位置，根据各个巡检周期对应的标识物即标识物的位置之间的差异，从而在一连串时序的第二近景图像中捕捉标识物的微小位移，识别边坡的形变，得到边坡的形变与时间的关联关系，根据关联关系预测在未来时间，该边坡上会发生滑坡的滑坡位置和形变量。
进一步地，根据在各个巡检周期中各个所述标识物的位置确定所述标识物在各个巡检周期中与参照点之间实际距离；根据所述标识物在相邻巡检周期对应的实际距离之间的差值确定位移变化量；根据各个相邻巡检周期对应的所述位移变化量确定所述标识物在未来预设周期中的预计位移变化量；根据所述预计位移变化量大于预设值的标识物的位置确定所述滑坡位置，并所述滑坡位置对应的预计位移变化量确定所述形变量。
根据各个巡检周期中各个标识物的位置确定各个标识点在各个巡检周期中与参照点之间的实际距离，参考点可以是目标房屋、其他标识物或者相邻标识物。根据标识物在相邻巡检周期对应的实际距离之间的差值确定位移变化量，根据各个相邻巡检周期对应的位移变化量确定标识物在未来预设周期中的预计位移变化量，可以根据位移变化量确定各个巡检周期在标识物的位移增长速度，进而计算出未来预设周期中的位移增长速度，根据未来预设周期中的位移增长速度确定标识物在未来预设周期中预计位移变化量。若预计位移变化量大于预设值，则表明该标识物所处位置会发生滑坡，反之则不会。根据预计位移变化量大于预设值的标识物的位置划出区域，该区域则为需要确定的滑坡位置，并根据滑坡位置对应的区域上的标识物对应的预计位移变化量确定形变量。
进一步地，确定所述第二近景图像的颜色参数，所述颜色参数包括色调、饱和度和明度；根据所述颜色参数与预设阈值的比较结果确定所述第二近景图像中的标识物；根据所述标识物在所述第二近景图像中的图像坐标确定所述标识物在所述边坡上实际的位置。
传统RGB颜色空间利用三个颜色分量（红、绿、蓝）的线性组合来表示颜色，任何颜色都与这三个分量高度相关，因此连续变换颜色时并不直观，且对亮度变化比较敏感。而HSV颜色空间利用色调（H），饱和度（S），明度（V）这三个参数来表示颜色，它比RGB更接近人们对彩色的感知经验，可以非常直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比。在户外的不稳定自然光的条件下，HSV可以较好地减少光亮的影响，同时，对于显著不同的颜色在色调参数下有很好的分割阈值。因此，在HSV颜色空间下，更容易跟踪和分割某种特定颜色的物体，便于后续处理。因此在拍摄第二近景图像时，将色调、饱和度和明度的格式进行保存，在处理时，确定第二近景图像的颜色参数，根据第二近景图像各个像素点的颜色参数与预设阈值的比较结果确定其中属于标识物的像素，根据这些像素在图像中的位置确定标识物在第二近景图像中的图像坐标，通过转换确定标识物在边坡上实际的位置。
进一步地，获取所述监测设备的摄像头在拍摄所述第二近景图像的相机内参和相机位姿；根据所述相机内参和所述相机位姿确定所述摄像头的像素坐标系和世界坐标系之间的转换关系；根据所述转换关系将所述图像坐标转化为所述位置。
可以基于几何光学法来计算图像点在现实世界中的坐标，通过相机成像的逆变换确定。相机的成像共经历三次坐标变换，有四种不同的坐标系，参照图4，可写成矩阵的形式：
其中，为图像坐标，为待求点世界坐标，S表示未知系数，M表示相机内参，R表示旋转矩阵，t表示平移矩阵。
获取监测设备的摄像头在拍摄所述第二近景图像的相机内参和相机位姿。其中，相机内参通过标定获取，在不同角度拍摄数张棋盘格照片。已知黑白格在世界坐标系中的实际长度大小，并通过检测图像中黑白棋盘格的角点，联合计算得出相机内参。相机位姿是相机对于世界坐标系原点的旋转矩阵和平移矩阵，即通过相机标定获得相机内参和相机位姿，数字图像的像素坐标系可以逆变换回世界坐标系，主要是确定像素坐标系和世界坐标系之间的转换关系，根据转换关系将图像坐标转化为该点在世界坐标系中的坐标，从而确定标识物在识别坐标系中的坐标，即标识物的实际位置。
步骤S30、根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；
在本实施例中，第一近景图像拍摄目标房屋周边的边坡，可以称为边坡。根据建筑物三维模型可以确定目标房屋周边的边坡情况，确定边坡到目标房屋的距离，采集距离小于预设距离的边坡的第二近景图像，在各个巡检周期都需要采集，得到若干第二近景图像。可以每隔预设数量个巡检周期的执行步骤S30，从而保证未进行识别的第二近景图像的数量足够多。根据各个巡检周期对应的第二近景图像确定过去边坡的变化历程，进而可以预测对应边坡在未来的滑坡情况，具体表现为滑坡数据，滑坡数据包括滑坡位置和滑坡数据，滑摩位置是在当期边坡在未来会发生地面大幅移动的区域，滑坡数据是该区域中发生移动的土块体积，以及土块位移大小。
可选地，将所述第一近景图像输入预设深度学习算法，通过所述深度学习算法的编码器确定所述第一近景图像的各个像素点对应的隐变量；确定所述隐变量对应的元素类型；通过所述深度学习算法的解码器将元素类型为裂缝元素的隐变量还原为所述第一近景图像中的目标像素点；根据所述目标像素点在所述第一近景图像上的图像坐标所述裂缝数据。
房屋裂缝可通过图像进行表示，采用深度学习算法识别房屋裂缝，深度学习可以通过监督式或半监督式的特征学习和分层特征提取高效算法来获取裂缝的多尺度、多层次特征，进而实现自动地、高效地、简便地对裂缝进行识别。将当前巡检周期的第一近景图像输入深度学习网络基于与方向传播算法和梯度下降的优化方法，利用输入图像自身作为监督，来指导神经网络学习一种新的映射关系，从而得到一个重构输出识别内容。其中，编码器的作用是将高维度的第一近景图像压缩为以像素为单位对应的隐变量，从而迫使神经网络学最有信息量的特征，便于确定隐变量，而解码器的作用是将隐变量还原到最初始的维度，实现逐个像素的识别能力。这样通过深度学习算法的解码器将元素类型为裂缝元素的隐变量还原为第一近景图像中的目标像素点，进而确定目标像素点在第一近景图像上的图像坐标。基于像素坐标系和世界坐标系之间的转换关系，确定裂缝位置和裂缝尺寸，生成裂缝数据。
具体地，深度学习算法可以是UNet网络结构，这种编、解码结构非常简洁，并且识别质量较高，常应用于大型语义分割任务中，尤其适合本实施例的应用场景。基于UNet网络结构提升房屋裂缝识别精度及效率，潜在的优化提升的方法包括：
一是增强中间环节特征的表达能力，利用图像金字塔和特征金字塔技术，提高模型对多尺度的理解能力，提升算法模型的识别精度；
二是在UNet的网络结构模块上，引入BottleNeck、Residual、Dense Block等模块，在保证识别精度的基础上，提升识别效率；
三是UNet网络采用先降采样，后上采样方法，前者能够增加模型对于输入图像对于小型扰动的鲁棒性，比如图像平移、旋转等。后者对抽象的特征进行还原解码到原图尺寸，实现像素分割识别结果。浅层特征可以获取图像的低层信息，如边界、颜色等简单特征，深层特征增大了模型的感受野，可以获取更加抽象的特征。针对不同目标，其合适的层次特征是不同的，因此针对裂缝的识别，可通过Deep Layer Aggregation进行改进，保存所有层级特征进行分析，选择最优的层级组合。
四是UNet的长链Skip连接层一般认为具有重要的意义，因为其不仅能够使图像内部的信息串联起来，还有助于还原降采样带来的信息损失。因此可以通过长短链的混合skip连接，对多个层级爱特征融合，完善小裂缝的识别效果。
五是进一步提升模型推理效率，可以采用模型压缩剪枝技术，降低模型的计算量，提升模型计算速度。
步骤S40、根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。
在本实施例中，根据裂缝位置和裂缝尺寸可以确定墙面的裂缝情况，裂缝尺寸过大，结合裂缝位置和墙面材质等，可以确定该裂缝是否会为目标房屋造成影响，得到目标房屋的安全隐患。根据滑坡位置和形变量可以确定目标确定边坡的滑坡情况，滑坡位置过于接近目标房屋或者形变量过大，都有可能掩盖或对目标房屋造成冲击，通过滑坡位置和形变量可以确定的目标房屋的安全隐患。安全隐患包括滑坡掩埋隐患、房屋坍塌隐患等。
可选地，确定所述滑坡位置与所述目标房屋之间的距离；根据所述形变量和所述距离确定所述滑坡掩埋隐患；根据所述裂缝位置和所述裂缝尺寸确定所述房屋坍塌隐患；根据所述滑坡掩埋隐患、所述裂缝位置和所述裂缝尺寸确定所述共同作用隐患。
滑坡位置是边坡上会发生位移的区域的位置，确定滑坡位置与目标房屋之间的距离，根据形变量确定滑坡会移动的距离，将滑坡会移动的距离与滑坡位置与目标房屋之间的距离进行比较，确定是否存在滑坡掩埋隐患，以及相关数据。根据裂缝位置和裂缝尺寸确定该裂缝是否会对房屋的结构造成影响，确定是否存在房屋坍塌隐患，以及相关数据。将裂缝数据和滑坡数据进行结合确定共同作用隐患。共同作用隐患是边坡滑坡、墙面裂缝等因素共同作用造成的隐患。在一示例场景中，形变量不会掩埋房屋，只会对房屋造成一定的冲击，但是在墙面上出现了裂缝，即使裂缝不会造成房屋坍塌，也降低了房屋的抗击能力，最终造成房屋坍塌，这里的房屋坍塌即为共同作用造成的隐患。
可选地，在确定了安全隐患后，根据安全隐患生成对应的预警信息，并将该预警信息发送至目标房屋对应的监管部门对应的信息接口，以通知该部门对安全隐患进行排除。
在本实施例公开的技术方案中，先获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边边坡在各个巡检周期的第二近景图像；根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。这样通过监测设备或者地面设备拍摄的待识别隐患的目标房屋墙面的第一近景图像和边坡的第二近景图像，分别识别出墙面裂缝数据和滑坡数据，从而得出目标房屋在当前巡检周期存在的安全隐患，无需人工参与，提高了房屋安全隐患的识别效率。
可选地，参照图3，基于上述任一实施例，在本发明房屋安全隐患识别方法的另一实施例中，所述房屋安全隐患识别方法还包括：
所述步骤S10之前，还包括：
S50、获取所述无人机在巡检开始前拍摄的待巡检区域的航拍图像；
S60、将所述航拍图像进行分割，确定所述航拍图像中的各个建筑物，并建立所述建筑三维模型；
S70、根据预设巡检规则和建筑三维模型从所述建筑物中确定目标房屋，并根据所述目标房屋对应的建筑三维模型确定巡检所述目标房屋时的巡检路线；
S80、间隔预设巡检周期控制所述无人机根据所述巡检路线采集所述目标房屋的所述第一近景图像和所述第二近景图像。
在本实施例中，监测设备是可以进行移动的设备，包括无人机。通过无人机在各个周期直接获取目标房屋对应的第一近景图像和第二近景图像。这样无人机通过移动飞行，可以对多个目标房屋进行巡检，从而节省成本。巡检目标可以是一整片待巡检区域中的房屋，在通过无人机进行巡检之前，可以控制无人机到待巡检区域拍摄其的航拍图像，航拍图像可以包括多种不同角度的图像，可以采集到待巡检区域上的建筑物图像。首先关于将航拍图像进行分割，分割出航拍图像中的各个建筑物。
具体地，参照图5，首先通过航拍图像建立待巡检区域上建筑物的2D-GIS数据，并根据GIS数据生成区生成建筑三维模型。针对无人机拍摄的航拍图像，提取航拍图像上的可交换文件（EXIF）数据，获取监测设备的摄像头在拍摄航拍图像时的位置数据和朝向数据。将上述数据与区域建筑三维模型进行结合，可以确定相机与被拍摄建筑的相对位置关系。这样采用航拍图像和相机参数，解析航拍图像中建筑的位置，结合预想获得的建筑三维模型，采用三维图像变换和投影，就可以得到与真实照片对应的三维场景图像。采用视椎体剪裁、遮挡查询和相对位置计算三种技术，将建筑三维模型左边变换得到的建筑边界遮罩与真实场景照片进行对应，实现对建筑图像的抓取，确定待巡检区域上的各个建筑物。
在从航拍图像中分割出各个建筑物后，根据预设巡检规则从各个建筑物中确定目标房屋。预设巡检规则是对目标房屋的限制，例如目标房屋的高度、目标房屋的楼高、目标房屋的材质、目标房屋的类型等。根据建筑三维模型确定各个建筑物的特征，确定其是否符合目标房屋的限制，若是，则确定其为目标房屋。根据建筑三维模型确定目标房屋的结构特征，如形状、尺寸、外饰等，以及目标房屋附近的边坡位置，进而根据结构特征和边坡位置确定无人机的巡检路线，以使无人机安全飞行和提高采集数据效率。然后对目标房屋进行定期检测，间隔预设周期控制无人机根据巡检路线采集目标房屋的第一近景图像和第二近景图像，观测目标房屋的周期性变化。
在本实施例公开的技术方案中，通过无人机采集可以采集多个目标房屋的第一场景图像和第二场景图像，可以节省监测成本，提高数据采集效率，对目标房屋进行定期检测，可以监测目标房屋的变化，提高对目标房屋的监测效果。
此外，本发明实施例还提出一种房屋安全隐患识别装置，所述房屋安全隐患识别装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的房屋安全隐患识别程序，所述房屋安全隐患识别程序被所述处理器执行时实现如上各个实施例所述的房屋安全隐患识别方法的步骤。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有房屋安全隐患识别程序，所述房屋安全隐患识别程序被处理器执行时实现如上各个实施例所述的房屋安全隐患识别方法的步骤。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
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。
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房屋安全隐患识别装置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 (10)
1.一种房屋安全隐患识别方法，其特征在于，所述房屋安全隐患识别方法包括：
获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边坡面在各个巡检周期的第二近景图像；
根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；
根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；
根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。
2.如权利要求1所述的房屋安全隐患识别方法，其特征在于，所述根据各个巡检周期的第二近景图像确定所述边坡的滑坡数据，所述滑坡数据包括滑坡位置和形变量的步骤包括：
根据各个巡检周期的第二近景图像识别所述边坡上的标识物和所述标识物的位置；
根据各个巡检周期对应的所述标识物和所述标识物的位置确定所述滑坡位置和所述形变量。
3.如权利要求2所述的房屋安全隐患识别方法，其特征在于，所述根据各个巡检周期对应的所述标识物和所述标识物的位置预测所述滑坡位置和所述形变量的步骤包括：
根据在各个巡检周期中各个所述标识物的位置确定所述标识物在各个巡检周期中与参照点之间实际距离；
根据所述标识物在相邻巡检周期对应的实际距离之间的差值确定位移变化量；
根据各个相邻巡检周期对应的所述位移变化量确定所述标识物在未来预设周期中的预计位移变化量；
根据所述预计位移变化量大于预设值的标识物的位置确定所述滑坡位置，并所述滑坡位置对应的预计位移变化量确定所述形变量。
4.如权利要求1所述的房屋安全隐患识别方法，其特征在于，所述根据各个巡检周期的第二近景图像识别所述坡面上的标识物和所述标识物的位置的步骤包括：
确定所述第二近景图像的颜色参数，所述颜色参数包括色调、饱和度和明度；
根据所述颜色参数与预设阈值的比较结果确定所述第二近景图像中的标识物；
根据所述标识物在所述第二近景图像中的图像坐标确定所述标识物在所述边坡上实际的位置。
5.如权利要求4所述的房屋安全隐患识别方法，其特征在于，所述根据所述标识物在所述第二近景图像中的图像坐标确定所述标识物在所述边坡上实际的位置的步骤包括：
获取所述监测设备的摄像头在拍摄所述第二近景图像的相机内参和相机位姿；
根据所述相机内参和所述相机位姿确定所述摄像头的像素坐标系和世界坐标系之间的转换关系；
根据所述转换关系将所述图像坐标转化为所述位置。
6.如权利要求1所述的房屋安全隐患识别方法，其特征在于，所述根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据的步骤包括：
将所述第一近景图像输入预设深度学习算法，通过所述深度学习算法的编码器确定所述第一近景图像的各个像素点对应的隐变量；
确定所述隐变量对应的元素类型；
通过所述深度学习算法的解码器将元素类型为裂缝元素的隐变量还原为所述第一近景图像中的目标像素点；
根据所述目标像素点在所述第一近景图像上的图像坐标所述裂缝数据。
7.如权利要求1所述的房屋安全隐患识别方法，其特征在于，所述安全隐患包括滑坡掩埋隐患、房屋坍塌隐患和共同作用隐患，所述根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患的步骤包括：
确定所述滑坡位置与所述目标房屋之间的距离；
根据所述形变量和所述距离确定所述滑坡掩埋隐患；
根据所述裂缝位置和所述裂缝尺寸确定所述房屋坍塌隐患；
根据所述形变量、所述距离、所述裂缝位置和所述裂缝尺寸确定所述共同作用隐患。
8.如权利要求1所述的房屋安全隐患识别方法，其特征在于，所述监测设备包括无人机，所述获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边边坡在各个巡检周期的第二近景图像的步骤之前，还包括：
获取所述无人机在巡检开始前拍摄的待巡检区域的航拍图像；
将所述航拍图像进行分割，确定所述航拍图像中的各个建筑物，并建立建筑三维模型；
根据预设巡检规则和所述建筑三维模型从所述建筑物中确定目标房屋，并根据所述目标房屋对应的建筑三维模型确定巡检所述目标房屋时的巡检路线；
间隔预设巡检周期控制所述无人机根据所述巡检路线采集所述目标房屋的所述第一近景图像和所述第二近景图像。
9.一种房屋安全隐患识别装置，其特征在于，所述房屋安全隐患识别装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的房屋安全隐患识别程序，所述房屋安全隐患识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的房屋安全隐患识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有房屋安全隐患识别程序，所述房屋安全隐患识别程序被处理器执行时实现如权利要求1至8中任一项所述的房屋安全隐患识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310351236.9A CN116109954B (zh) | 2023-04-04 | 2023-04-04 | 房屋安全隐患识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310351236.9A CN116109954B (zh) | 2023-04-04 | 2023-04-04 | 房屋安全隐患识别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116109954A true CN116109954A (zh) | 2023-05-12 |
| CN116109954B CN116109954B (zh) | 2023-07-04 |
Family
ID=86265743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310351236.9A Active CN116109954B (zh) | 2023-04-04 | 2023-04-04 | 房屋安全隐患识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109954B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237705A (zh) * | 2023-08-29 | 2023-12-15 | 广州粤建三和软件股份有限公司 | 一种关于自建房屋的安全隐患管理系统 |
| CN117557971A (zh) * | 2024-01-12 | 2024-02-13 | 湖北神龙工程测试技术有限公司 | 基于物联网的危房监测方法 |
| CN117994235A (zh) * | 2024-02-18 | 2024-05-07 | 广州市市政集团设计院有限公司 | 存量旧建筑精准诊断改造与设计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105336119A (zh) * | 2015-11-27 | 2016-02-17 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌体裂缝识别报警装置及其识别方法 |
| CN110514113A (zh) * | 2019-06-13 | 2019-11-29 | 杭州电子科技大学 | 一种基于单目视觉摄像头的滑坡裂缝监测方法 |
| CN111398351A (zh) * | 2020-04-03 | 2020-07-10 | 南方科技大学 | 一种滑坡体裂缝监测方法 |
| CN112686877A (zh) * | 2021-01-05 | 2021-04-20 | 同济大学 | 基于双目相机的三维房屋损伤模型构建测量方法及系统 |
| CN115078693A (zh) * | 2022-06-24 | 2022-09-20 | 哈尔滨工业大学 | 一种基于深度学习的膨胀土边坡冻融裂缝深度的计算方法 |
-
2023
- 2023-04-04 CN CN202310351236.9A patent/CN116109954B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105336119A (zh) * | 2015-11-27 | 2016-02-17 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌体裂缝识别报警装置及其识别方法 |
| CN110514113A (zh) * | 2019-06-13 | 2019-11-29 | 杭州电子科技大学 | 一种基于单目视觉摄像头的滑坡裂缝监测方法 |
| CN111398351A (zh) * | 2020-04-03 | 2020-07-10 | 南方科技大学 | 一种滑坡体裂缝监测方法 |
| CN112686877A (zh) * | 2021-01-05 | 2021-04-20 | 同济大学 | 基于双目相机的三维房屋损伤模型构建测量方法及系统 |
| CN115078693A (zh) * | 2022-06-24 | 2022-09-20 | 哈尔滨工业大学 | 一种基于深度学习的膨胀土边坡冻融裂缝深度的计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨建: "某建筑滑坡变形监测技术设计及成果分析", 山西建筑, no. 19 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237705A (zh) * | 2023-08-29 | 2023-12-15 | 广州粤建三和软件股份有限公司 | 一种关于自建房屋的安全隐患管理系统 |
| CN117237705B (zh) * | 2023-08-29 | 2024-09-27 | 广州粤建三和软件股份有限公司 | 一种关于自建房屋的安全隐患管理系统 |
| CN117557971A (zh) * | 2024-01-12 | 2024-02-13 | 湖北神龙工程测试技术有限公司 | 基于物联网的危房监测方法 |
| CN117557971B (zh) * | 2024-01-12 | 2024-03-26 | 湖北神龙工程测试技术有限公司 | 基于物联网的危房监测方法 |
| CN117994235A (zh) * | 2024-02-18 | 2024-05-07 | 广州市市政集团设计院有限公司 | 存量旧建筑精准诊断改造与设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116109954B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116109954B (zh) | 房屋安全隐患识别方法、装置及存储介质 | |
| CN110232380B (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
| CN112379231B (zh) | 一种基于多光谱图像的设备检测方法及装置 | |
| CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
| CN114743119B (zh) | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 | |
| CN112149513A (zh) | 基于深度学习的工业制造现场安全帽佩戴识别系统和方法 | |
| CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
| CN113887412B (zh) | 污染排放的检测方法、检测终端、监控系统及存储介质 | |
| KR101204259B1 (ko) | 화재 검출 방법 | |
| CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
| CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
| CN110503637A (zh) | 一种基于卷积神经网络的道路裂缝自动检测方法 | |
| CN110610485A (zh) | 一种基于ssim算法的特高压输电线路通道隐患预警方法 | |
| CN114972177A (zh) | 道路病害识别管理方法、装置及智能终端 | |
| CN113228101A (zh) | 用于图像分割的系统和方法 | |
| CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN117456353A (zh) | 一种河流湖泊智慧界桩的管理系统 | |
| CN115861922B (zh) | 一种稀疏烟火检测方法、装置、计算机设备及存储介质 | |
| CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
| CN116798117A (zh) | 一种基于视频理解的矿井下异常动作识别方法 | |
| CN113902739B (zh) | Nut线夹缺陷识别方法、装置及设备、可读存储介质 | |
| CN113920535B (zh) | 一种基于YOLOv5的电子区域检测方法 | |
| CN112084815A (zh) | 一种基于摄像机焦距变换的目标检测方法、存储介质及处理器 |
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 |