CN116220359A - 一种保温墙的施工方法和系统 - Google Patents

一种保温墙的施工方法和系统 Download PDF

Info

Publication number
CN116220359A
CN116220359A CN202310026846.1A CN202310026846A CN116220359A CN 116220359 A CN116220359 A CN 116220359A CN 202310026846 A CN202310026846 A CN 202310026846A CN 116220359 A CN116220359 A CN 116220359A
Authority
CN
China
Prior art keywords
crack
wall
data
construction
heat
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
Application number
CN202310026846.1A
Other languages
English (en)
Inventor
刘丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Bizunion Technology Co ltd
Original Assignee
Suzhou Bizunion Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Bizunion Technology Co ltd filed Critical Suzhou Bizunion Technology Co ltd
Priority to CN202310026846.1A priority Critical patent/CN116220359A/zh
Publication of CN116220359A publication Critical patent/CN116220359A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04G—SCAFFOLDING; FORMS; SHUTTERING; BUILDING IMPLEMENTS OR AIDS, OR THEIR USE; HANDLING BUILDING MATERIALS ON THE SITE; REPAIRING, BREAKING-UP OR OTHER WORK ON EXISTING BUILDINGS
    • E04G21/00—Preparing, conveying, or working-up building materials or building elements in situ; Other devices or measures for constructional work
    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04B—GENERAL BUILDING CONSTRUCTIONS; WALLS, e.g. PARTITIONS; ROOFS; FLOORS; CEILINGS; INSULATION OR OTHER PROTECTION OF BUILDINGS
    • E04B1/00—Constructions in general; Structures which are not restricted either to walls, e.g. partitions, or floors or ceilings or roofs
    • E04B1/62—Insulation or other protection; Elements or use of specified material therefor
    • E04B1/74—Heat, sound or noise insulation, absorption, or reflection; Other building methods affording favourable thermal or acoustical conditions, e.g. accumulating of heat within walls
    • E04B1/76—Heat, sound or noise insulation, absorption, or reflection; Other building methods affording favourable thermal or acoustical conditions, e.g. accumulating of heat within walls specifically with respect to heat only
    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04B—GENERAL BUILDING CONSTRUCTIONS; WALLS, e.g. PARTITIONS; ROOFS; FLOORS; CEILINGS; INSULATION OR OTHER PROTECTION OF BUILDINGS
    • E04B2/00—Walls, e.g. partitions, for buildings; Wall construction with regard to insulation; Connections specially adapted to walls
    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04G—SCAFFOLDING; FORMS; SHUTTERING; BUILDING IMPLEMENTS OR AIDS, OR THEIR USE; HANDLING BUILDING MATERIALS ON THE SITE; REPAIRING, BREAKING-UP OR OTHER WORK ON EXISTING BUILDINGS
    • E04G21/00—Preparing, conveying, or working-up building materials or building elements in situ; Other devices or measures for constructional work
    • E04G21/14—Conveying or assembling building elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/30—Transforming light or analogous information into electric information
    • H04N5/33—Transforming infrared radiation
    • 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/90—Passive houses; Double facade technology

Landscapes

  • Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Physics & Mathematics (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Food Science & Technology (AREA)
  • Acoustics & Sound (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本说明书实施例提供一种保温墙的施工方法，由施工APP所在终端的处理器执行，包括：基于监控装置获取的监控图像确定保温墙的施工阶段；响应于施工阶段为铺设保温墙板阶段，基于数据库获取目标建筑物的墙体数据，基于红外摄像头获取目标建筑物墙体的热成像数据；获取目标建筑物周围的环境数据；基于墙体数据和环境数据，预测墙体表面多块保温墙板之间的疑似裂缝信息，疑似裂缝信息包括后续可能生成裂缝的裂缝潜在发生位置及裂缝发展等级；响应于裂缝发展等级满足预设条件，将额外加固提醒信息通过施工APP发送给施工人员；响应于裂缝发展等级不满足预设条件，将外墙装饰施工提醒信息通过施工APP发送给施工人员。

Description

一种保温墙的施工方法和系统
技术领域
本说明书涉及建筑保温技术领域，特别涉及一种保温墙的施工方法和系统。
背景技术
建筑保温改造不仅能降低采暖和制冷的能耗，减少碳排放，还能极大地改善体感的舒适度，给用户带来更好的居住体验。
目前常用的建筑保温措施主要是在建筑外墙上增设保温结构，通过增强建筑外墙的热阻隔性能，避免建筑室内的热量通过大面积的墙体散发到室外，进而提升建筑物的保温性能。而在保温墙施工完成后，往往会因为天气、环境的温度和湿度变化等原因导致保温墙开裂、保温层脱落等现象，严重影响了保温墙的使用寿命。为了延长保温墙的使用寿命，相关技术人员采取了各种措施，例如，改变材料配合比、优化施工流程、增设其他材料、装置或部件等。但这也意味着需要付出更大的成本，使得保温墙带来的效益和成本不成正比。
针对保温墙受天气和环境条件影响，容易老化掉落的问题，CN115233860A提出了一种复合保温墙体及其施工工艺，通过在保温层的内外两侧各自增设对应的内涂层和外涂层，可以有效阻隔高湿度室内环境中的水分通过基层墙体向外侧渗透，避免保温层内外两侧因温度差异而产生的变形甚至脱落；并且外涂层具有良好的阻燃性能，可以在发生火灾时有效阻止火势蔓延。但是，由于保温墙并不是所有位置都会因为温度、湿度等变化而老化脱落，往往只是局部会发生这样的情况，如果不加区分地对整个保温墙增设涂层，会大大增加维护成本。
因此，希望提出一种保温墙的施工方法，在提高保温墙使用寿命的同时，降低施工和维护成本。
发明内容
本说明书一个或多个实施例提供一种保温墙的施工方法，所述方法由施工APP所在终端的处理器执行，包括：基于监控装置获取的监控图像确定所述保温墙的施工阶段；响应于所述施工阶段为铺设保温墙板阶段，基于数据库获取目标建筑物的墙体数据，基于红外摄像头获取所述目标建筑物的墙体的热成像数据；所述墙体数据至少包括所述墙体的大小、厚度、类型；获取所述目标建筑物周围的环境数据；所述环境数据至少包括天气、温度、湿度、光照；基于所述墙体数据和所述环境数据，预测墙体表面多块保温墙板之间的疑似裂缝信息，所述疑似裂缝信息包括后续可能生成裂缝的裂缝潜在发生位置及裂缝发展等级；所述墙体表面为涂抹了砂浆的平层；响应于所述裂缝发展等级满足预设条件，将额外加固提醒信息通过所述施工APP发送给施工人员；所述额外加固提醒信息包括需要加固的裂缝发生位置；响应于所述裂缝发展等级不满足所述预设条件，将外墙装饰施工的提醒信息通过所述施工APP发送给所述施工人员。
本说明书实一个或多个实施例提供一种保温墙的施工系统，所述系统包括：第一确定模块，用于基于监控装置获取的监控图像确定所述保温墙的施工阶段；第一获取模块，用于响应于所述施工阶段为铺设保温墙板阶段，基于数据库获取目标建筑物的墙体数据，基于红外摄像头获取所述目标建筑物的墙体的热成像数据；所述墙体数据至少包括所述墙体的大小、厚度、类型；第二获取模块，用于获取所述目标建筑物周围的环境数据；所述环境数据至少包括天气、温度、湿度、光照；第二确定模块，用于基于所述墙体数据和所述环境数据，预测墙体表面多块保温墙板之间的疑似裂缝信息，所述疑似裂缝信息包括后续可能生成裂缝的裂缝潜在发生位置及裂缝发展等级；所述墙体表面为涂抹了砂浆的平层；第一提醒模块，用于响应于所述裂缝发展等级满足预设条件，将额外加固提醒信息通过所述施工APP发送给施工人员；所述额外加固提醒信息包括需要加固的裂缝发生位置；第二提醒模块，用于响应于所述裂缝发展等级不满足所述预设条件，将外墙装饰施工的提醒信息通过所述施工APP发送给所述施工人员。
本说明书一个或多个实施例提供一种保温墙的施工装置，包括至少一个存储器和至少一个处理器；所述至少一个存储器存储计算机指令，所述至少一个处理器用于执行所述计算机指令中的部分指令，以实现上述实施例中任意一项所述的保温墙的施工方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行上述实施例中任意一项所述的保温墙的施工方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的保温墙的施工系统的示例性模块图；
图2是根据本说明书一些实施例所示的保温墙的施工方法的示例性流程图；
图3是根据本说明书一些实施例所示的预测疑似裂缝信息的示例性流程图；
图4是根据本说明书一些实施例所示的基于第一模型预测裂缝概率及对应的裂缝发展等级的示例性示意图；
图5是根据本说明书一些实施例所示的预测锚栓密度的示例性流程图；
图6是根据本说明书一些实施例所示的基于锚栓模型预测开裂概率的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
同一保温墙在不同的位置，受到的温度、湿度变化影响是不同的，因此不同位置需要的施工技术或维护手段也需要加以区分，以提高保温墙施工和维护的针对性，降低成本的同时，有效延长保温墙的使用寿命。CN115233860A仅仅通过不加区分地对保温墙增加内涂层和外涂层，提高整个保温墙的使用效果，但是保温墙有的位置可能不会发生老化，统一涂抹内涂层和外涂层可能会增加成本，另外有的位置可能光靠涂抹内涂层和外涂层无法解决老化问题。因此，本说明书一些实施例，通过提前预测保温墙可能发生裂缝的位置和裂缝发展等级，可以针对性地对可能产生裂缝的位置采取措施，并且不同裂缝发展等级可以采用不同的措施，可以提高保温墙施工和维护的针对性和有效性，降低施工成本。
图1是根据本说明书一些实施例所示的保温墙的施工系统的示例性模块图。在一些实施例中，所述保温墙的施工系统100可以包括第一确定模块110、第一获取模块120、第二获取模块130、第二确定模块140、第一提醒模块150和第二提醒模块160。
第一确定模块110可以用于基于监控装置获取的监控图像确定保温墙的施工阶段。关于保温墙的施工阶段的更多内容可以参见图3及其相关描述。
第一获取模块120可以用于响应于施工阶段为铺设保温墙板阶段，基于数据库获取目标建筑物的墙体数据，基于红外摄像头获取目标建筑物的墙体的热成像数据；墙体数据至少包括墙体的大小、厚度、类型。关于墙体数据、热成像数据的更多内容可以参见图3及其相关描述。
第二获取模块130可以用于获取目标建筑物周围的环境数据；环境数据至少可以包括天气、温度、湿度、光照等。关于环境数据的更多内容可以参见图3及其相关描述。
第二确定模块140可以用于基于墙体数据和环境数据，预测墙体表面多块保温墙板之间的疑似裂缝信息，疑似裂缝信息包括后续可能生成裂缝的裂缝潜在发生位置及裂缝发展等级；墙体表面为涂抹了砂浆的平层。
在一些实施例中，第二确定模块140可以进一步用于：基于热成像数据，确定温度分布数据和热源分布数据；基于温度分布数据和热源分布数据，结合墙体数据，预测裂缝潜在发生位置和裂缝发展等级。更多关于预测裂缝发展等级和裂缝发生位置的内容可以参见图3及其相关描述。
在一些实施例中，第二确定模块140还可以用于基于裂缝潜在发生位置和裂缝发展等级，预测裂缝潜在发生位置对应的额外加固所需的锚栓密度。
在一些实施例中，第二确定模块140可以进一步用于基于不同位置的热桥效应，确定额外加固所需的锚栓密度。
更多关于预测锚栓密度的内容可以参见图5及其相关描述。
第一提醒模块150可以用于响应于裂缝发展等级满足预设条件，将额外加固提醒信息通过施工APP发送给施工人员；额外加固提醒信息包括额外加固的裂缝发生位置、及额外加固的程度。其中，额外加固的程度可以包括加固需要的锚栓密度。关于锚栓密度的更多内容可以参见图5及其相关描述。
第二提醒模块160可以用于响应于裂缝发展等级不满足预设条件，将外墙装饰施工的提醒信息通过施工APP发送给施工人员。
关于发送额外加固提醒信息和外墙装饰施工的提醒信息的内容可以参见图3及其相关描述。
需要注意的是，以上对于保温墙的施工系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的第一确定模块110、第一获取模块120、第二获取模块130、第二确定模块140、第一提醒模块150和第二提醒模块160可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的保温墙的施工方法的示例性流程图。在一些实施例中，流程200可以由处理器执行。如图2所示，流程200包括下述步骤：
步骤210，基于监控装置获取的监控图像确定保温墙的施工阶段。
监控装置可以指配置在保温墙施工场地(如目标建筑)上用于拍摄图像的装置。例如，监控装置可以是监控摄像头、相机等。
监控图像可以指基于监控装置拍摄的与保温墙施工相关的图像。例如，监控图像可以是监控装置拍摄的各个施工阶段的保温墙的图像。在一些实施例中，处理器可以基于预设时间间隔发送指令到监控装置，以获取监控图像。预设时间间隔可以通过系统默认设置。
施工阶段可以指保温墙施工过程中的各个阶段。例如，保温墙施工阶段可以包括墙面清理、防水处理、测量画线、铺设保温墙板等阶段。
在一些实施例中，处理器可以基于监控装置获取的监控图像，通过图像识别技术确定保温墙的施工阶段。例如，可以提前拍摄保温墙的各个施工阶段的图像进行存储，然后将监控装置获取的监控图像与存储的图像通过图像识别技术进行一一对比，将对比结果中相似度最高的作为监控图像对应的施工阶段。
步骤220，响应于施工阶段为铺设保温墙板阶段，基于数据库获取目标建筑物的墙体数据，基于红外摄像头获取目标建筑物的墙体的热成像数据。
数据库可以指提前预设的用于存储目标建筑的各种数据的存储单元。例如，数据库可以是用于存储目标建筑的尺寸信息、墙体数据、位置信息等的存储单元。其中，目标建筑可以指需要铺设保温墙板的建筑物。
墙体数据可以指与目标建筑的墙体相关的数据。例如，墙体数据可以包括墙体的大小、厚度、类型。
在一些实施例中，响应于施工阶段为铺设保温墙板阶段，处理器可以从数据库中获取目标建筑的墙体数据。例如，处理器可以从数据库中直接获取提前存储的墙体数据。
热成像数据可以指通过非接触探测获取的目标建筑的热量数据。例如，热成像数据可以包括红外热成像数据。热成像数据可以反映目标建筑的墙体的热量分布信息。
在一些实施例中，处理器可以通过红外检测装置对目标建筑进行探测，获取目标建筑的墙体的热成像数据。
步骤230，获取目标建筑物周围的环境数据；环境数据至少包括天气、温度、湿度、光照。
环境数据可以指目标建筑所处的环境中可能影响保温墙的施工或寿命的数据。例如，环境数据可以包括目标建筑所在位置的天气信息、温度信息、湿度信息和光照信息等。
在一些实施例中，处理器可以通过目标建筑所在地的天气预报平台、气候信息平台等，获取目标建筑周围的环境数据。在一些实施例中，处理器还可以通过配置在目标建筑周围的各种检测装置，获取目标建筑周围的环境数据。其中，检测装置可以包括温度检测仪、湿度检测仪、光照检测仪等。
步骤240，基于墙体数据和环境数据，预测墙体表面多块保温墙板之间的疑似裂缝信息，疑似裂缝信息包括后续可能生成裂缝的裂缝潜在发生位置及裂缝发展等级；墙体表面为涂抹了砂浆的平层。
裂缝可以指保温墙板自身可能会产生的开裂、起皮等情况，还可以包括保温墙板与保温墙板之间产生的缝隙。疑似裂缝信息可以指与目标建筑的保温墙可能会产生的裂缝相关的信息。例如，疑似裂缝信息可以包括是否可能产生裂缝、裂缝潜在发生位置及裂缝发展等级。
裂缝潜在发生位置可以指保温墙板上、或保温墙板之间潜在的可能发生裂缝的位置。裂缝发展等级可以指裂缝可能的大小等级，可以通过裂缝范围、长度和宽度等来衡量。
在一些实施例中，裂缝潜在发生位置可以通过矩阵表示。例如，处理器可以将墙体进行网格划分，每一个网格对应一个位置、对应一个矩阵元素，将裂缝潜在发生位置对应的网格的矩阵元素标记为1，其他位置对应的网格的矩阵元素标记为0，形成裂缝潜在发生位置矩阵。
在一些实施例中，裂缝发展等级也可以通过矩阵表示。例如，处理器可以将各种可能的裂缝发展等级大小进行划分，如划分为一级、二级、三级、四级等，分别用数字1、2、3、4表示，当确定墙体某个位置的裂缝发展等级大小后，将该位置对应的网格的矩阵元素标记为该裂缝发展等级大小对应的数字。
在一些实施例中，处理器可以基于墙体数据和环境数据，预测墙体表面多块保温墙板之间的疑似裂缝信息。例如，处理器可以获取墙体数据相同、环境数据相同的建筑物的已铺设保温墙板的历史裂缝数据，基于历史裂缝数据预测目标建筑的保温墙板的疑似裂缝信息。示例性地，处理器可以直接将历史裂缝数据确定为目标建筑的保温墙板的疑似裂缝信息。
在一些实施例中，处理器可以基于热成像数据，确定温度分布数据和热源分布数据；基于温度分布数据和热源分布数据，结合墙体数据，预测裂缝潜在发生位置和裂缝发展等级。具体关于预测裂缝潜在发生位置和裂缝发展等级的内容可以参见图3及其相关描述。
步骤250，响应于裂缝发展等级满足预设条件，将额外加固提醒信息通过施工APP发送给施工人员；额外加固提醒信息包括需要加固的裂缝发生位置。
预设条件可以指预设的裂缝发展等级的大小。例如，可以将裂缝发展等级划分为一级、二级、三级、四级等，其中一级<二级<三级<四级，预设条件可以是裂缝发展等级大于一级。在一些实施例中，预设条件可以根据施工经验等确定。
额外加固提醒可以指对施工人员发送的保温墙板需要进行额外加固的提醒。例如，额外加固提醒信息可以包括额外加固的位置、额外加固的程度等，其中，额外加固的程度可以包括加固需要的锚栓密度。示例性地，额外加固提醒可以是“保温墙板潜在裂缝发生位置为XXX，裂缝发展等级为X级，满足预设条件，需要进行额外加固，额外加固程度为XXX”。
在一些实施例中，响应于裂缝发展等级满足预设条件，处理器可以通过施工APP将额外加固提醒信息发送给施工人员，以提醒施工人员对保温墙板相应位置进行额外加固。
步骤260，响应于裂缝发展等级不满足预设条件，将外墙装饰施工的提醒信息通过施工APP发送给施工人员。
外墙装饰施工的提醒信息可以指提醒施工人员对外墙进行装饰的信息。例如，外墙装饰施工的提醒信息可以是“保温墙板XXX位置裂缝发展等级不满足预设条件，可以进行外墙装饰”。
在一些实施例中，响应于裂缝发展等级不满足预设条件，处理器可以通过施工APP将外墙装饰施工提醒信息发送给施工人员，以提醒施工人员对对应位置进行外墙装饰施工。
本说明书一些实施例，通过基于目标建筑的墙体数据和环境数据，预测目标建筑的保温墙板的疑似裂缝信息，可以提前对可能发生裂缝的保温墙板位置进行额外加固，若基于预测不会发生裂缝或裂缝不满足预设条件，则可以及时通知施工人员进行外墙装饰。这种方法可以提高目标建筑的保温墙板的加固的针对性，提高施工效率，降低成本。
图3是根据本说明书一些实施例所示的预测疑似裂缝信息的示例性流程图。在一些实施例中，流程300可以由处理器执行。如图3所示，流程300可以包括如下步骤：
步骤310，基于热成像数据，确定温度分布数据和热源分布数据。
温度分布数据可以指目标建筑的墙体的温度分布情况。例如，温度分布数据可以包括目标建筑的墙体的温度分布特征、不同墙体位置的温度大小等信息。其中，温度分布特征可以指目标建筑的墙体的温度分布特点，例如，不同位置的温度大小变化、温差大小等。
热源分布数据可以指目标建筑的墙体的热源分布情况。例如，热源分布数据可以包括目标建筑的墙体的热源分布位置、热源大小等信息，其中，热源位置可以体现为光照方向、光照位置，热源大小可以体现为光照强度等。
在一些实施例中，处理器可以基于热成像数据形成的热成像图像，确定温度分布数据。例如，可以基于热成像图像中每一个位置对应的温度大小，确定温度分布。
在一些实施例中，处理器可以基于热成像图像，确定热源分布数据。例如，处理器可以基于热成像图像中不同墙体位置(区域)的颜色，确定热源的分布数据(如光照方向、光照范围和光照强度)。示例性的，在热成像图像中，光照照射的区域颜色趋近于红色，无光照的区域颜色趋近于蓝色或绿色，因此可以基于热成像图像中不同区域的颜色分布，确定热源分布数据。
在一些实施例中，温度分布数据可以通过温度分布矩阵表示。例如，处理器可以将目标建筑的墙体进行网格划分，一个网格对应一个矩阵元素，将每个网格对应的墙体位置的温度数据确定为该网格对应的矩阵元素，形成温度分布矩阵。
在一些实施例中，类似地，热源分布数据也可以通过热源分布矩阵表示。例如，处理器可以将每个网格对应的墙体位置的热源数据确定为该网格对应的矩阵元素，形成热源分布矩阵。其中，热源分布矩阵中，每个矩阵元素对应的热源数据包括热源大小。其中，热源大小可以体现为光照强度，热成像图像中不同区域的不同颜色可以表示不同的光照强度，如越趋近于红色，光照强度越大，反之，光照强度越小。例如，处理器可以提前为热成像图像中不同的颜色预设对应的热源大小数值并存储，然后基于每个网格对应的墙体位置的热成像图像的颜色，获取该颜色对应的热源大小数值，作为每个网格对应的矩阵元素的值。根据热源分布矩阵中的矩阵元素对应的数值大小，可以确定热源位置和方向(如墙体的左上方、左下方等)。例如，矩阵元素对应的数值越大、且越集中的墙体区域即为热源位置和方向。
步骤320，基于温度分布数据和热源分布数据，结合墙体数据，预测裂缝潜在发生位置和裂缝发展等级。
在一些实施例中，处理器可以基于温度分布数据和热源分布数据相同、墙体数据也相同的已铺设的保温墙板的裂缝数据，确定目标建筑的保温墙板的裂缝潜在发生位置和裂缝发展等级。例如，直接将温度分布数据和热源分布数据相同、墙体数据也相同的已铺设保温墙板的裂缝数据确定为目标建筑的裂缝潜在发生位置和裂缝发展等级。
在一些实施例中，处理器可以基于热成像装置获取墙体的温度分布数据和热源分布数据；基于温度分布数据和热源分布数据，预测由于温差过大引起的裂缝潜在发生位置和裂缝发展等级，并进一步进行额外加固处理。
在一些实施例中，处理器可以基于热成像装置获取墙体的多个位置的温度数据，生成温度分布数据。在一些实施例中，处理器可以基于热成像装置获取的热成像图像，基于热成像图像中不同区域的颜色分布，确定热源分布。例如，处理器可以将热成像图像中颜色趋近于红色的区域对应的墙体位置确定为热源分布位置。
在一些实施例中，处理器可以基于温度分布数据和热源分布数据确定墙体多个位置的温差，基于温差预测由于温差过大引起的裂缝潜在发生位置和裂缝发展等级。例如，处理器可以基于热源分布矩阵，确定热源分布矩阵中矩阵元素的数值大小，将数值差值较大的区域确定为温差较大的区域，进一步地，基于该温差较大的区域的温度分布数据，确定温差。在一些实施例中，处理器可以获取历史数据中由于历史温差引起的历史裂缝数据，基于该历史裂缝数据确定不同的历史温差可能引起的裂缝及裂缝等级，基于当前温差从历史裂缝数据中确定与当前温差相同的历史温差对应的裂缝等级，作为当前墙体位置对应的裂缝发展等级。
在一些实施例中，处理器可以通过热成像装置获取一段时间的目标建筑墙体的温度分布数据和热源分布数据，通过统计分析，确定墙体不同位置的温差数据；基于温差数据确定墙体哪些位置温差超过温差阈值、以及超过温差阈值的次数。其中，一段时间可以是多个具有代表性的日期或时间段，如可能引起温度分布数据和热源分布数据变化较大的日期或时间段；温差阈值可以基于施工经验等进行预设。
在一些实施例中，处理器可以将温差超过温差阈值、或超过温差阈值的次数大于预设次数的墙体位置确定为裂缝潜在发生位置，其中，预设次数可以由系统默认设置。进一步地，基于该裂缝潜在发生位置的温差大小、及温差超过温差阈值的次数，确定对应的裂缝发展等级。例如，处理器可以基于施工经验，提前为不同的温差大小、温差超过温差阈值的次数预设对应的裂缝发展等级，当确定裂缝潜在发生位置的温差大小、及温差超过温差阈值的次数时，直接获取对应的预设裂缝发展等级作为该位置的裂缝发展等级。
本说明书一些实施例，通过热成像装置获取温度分布数据和热源分布数据，可以提高获取的温度分布数据和热源分布数据的准确性；基于温度分布数据和热源分布数据预测由于温差过大引起的裂缝潜在发生位置和裂缝发展等级，可以基于保温墙板每个位置的温差进行预测，结果更加准确。
在一些实施例中，裂缝潜在发生位置和裂缝发展等级可以通过第一模型预测，第一模型为机器学习模型。在一些实施例中，第一模型可以包括第一嵌入层，用于对热成像数据进行处理，确定温度分布数据和热源分布数据；温差层，用于对温度分布数据、热源分布数据、环境数据、材质特征进行处理，确定温差梯度预测结果；第一预测层，用于对温差梯度预测结果、保温墙板特征分布、环境数据进行处理，确定裂缝概率分布及其分别对应的裂缝发展等级。
在一些实施例中，第一模型可以包括卷积神经网络(Convolutional NeuralNetworks，CNN)、深度神经网络(Deep Neural Networks，DNN)、循环神经网络(RecurrentNeural Network，RNN)或其他自定义网络中的至少一种。
图4是根据本说明书一些实施例所示的基于第一模型预测裂缝概率及对应的裂缝发展等级的示例性示意图。在一些实施例中，如图4所示，第一模型可以包括第一嵌入层420、温差层440、第一预测层460。在一些实施例中，第一嵌入层420和温差层440的网络结构可以是CNN，第一预测层460的网络结构可以是NN。
在一些实施例中，第一嵌入层420的输入可以是热成像数据410，输出可以是温度分布数据432和热源分布数据434。关于热成像数据410、温度分布数据432、热源分布数据434的更多内容可以参见图2及其相关描述。
在一些实施例中，温差层440的输入可以是温度分布数据432、热源分布数据434、材质特征436和环境数据438，输出可以是温差梯度预测结果452。温差层440输出的温度梯度预测结果452为温度变化大小超过变化阈值、及温度达到温度极值的预测结果，舍弃了温度变化较小或几乎没有变化的数据，从大量数据中减少无用数据，可以降低模型的数据处理压力。其中，变化阈值和温度极值可以基于施工经验或系统默认设置。
上述材质特征436可以包括保温墙板材质特征和外墙装饰材质特征，可以基于保温墙板的质量参数、外墙装饰材质的质量参数等信息确定，其中保温墙板材质特征可以包括保温墙板的材质类型、厚度、尺寸等。不同保温墙板材质和不同的外墙装饰材质具有不同的吸热放热能力，将材质特征作为温差层440的输入，考虑了不同材质的吸热放热能力，可以提高预测的温差梯度预测结果452的准确度。
温差梯度预测结果452可以指目标建筑的墙体某个位置相对于邻近位置的温度梯度，温度梯度可以由该位置与邻近多个位置的温度梯度差中取最大值确定。关于环境数据438的更多内容可以参见图2及其相关描述。
在一些实施例中，第一预测层460的输入可以是温差梯度预测结果452、保温墙板特征分布454和环境数据438，输出为裂缝概率分布及其分别对应的裂缝发展等级470。其中，保温墙板特征分布454可以指目标建筑的墙体各个位置的保温墙板的特征，保温墙板特征分布可以用保温墙板特征矩阵表示，矩阵中每一个元素为划分的墙体网格对应位置的保温墙板的厚度、尺寸信息。裂缝概率分布可以指目标建筑的墙体各个位置可能发生裂缝的概率，可以用裂缝概率分布矩阵表示，矩阵中每一个元素为划分的墙体网格对应的位置的裂缝概率；分别对应的裂缝发展等级可以指目标建筑的墙体各个位置可能发生裂缝的概率对应的裂缝发展等级，类似地，也可以用裂缝发展等级矩阵表示，矩阵中每一个元素为预测的墙体网格对应的位置的裂缝发展等级。
在一些实施例中，第一模型可以通过训练获取。在一些实施例中，训练第一模型的第一训练样本可以是样本保温墙板的样本热成像数据、样本材质特征、样本保温墙板特征分布和样本环境数据。在一些实施例中，第一训练样本可以是预设的，也可以是处理器获取的其他已铺设的保温墙板的历史数据。其中，其他已铺设的保温墙板的历史数据可以存在两种情况，即历史数据可以包括同一位置有发生裂缝和未发生裂缝两种。
在一些实施例中，训练第一模型的第一标签可以是第一训练样本对应的样本保温墙板的样本裂缝概率分布和对应的样本裂缝发展等级分布，样本概率裂缝分布和样本裂缝发展等级分布可以分别用样本裂缝分布矩阵和样本裂缝发展等级分布矩阵表示，可以通过其他已铺设的保温墙板的历史数据确定。例如，可以将样本保温墙板的历史数据中裂缝的位置标记为1，未裂缝的位置标记为0，形成样本裂缝分布矩阵；再为裂缝的位置对应的裂缝发展等级标记对应的数值，形成样本裂缝发展等级分布矩阵。进一步地，处理器可以基于样本裂缝分布矩阵确定样本裂缝概率分布。示例性地，处理器可以基于多个第一训练样本对应的样本裂缝分布矩阵中同一位置被标记为1的数据量，与多个第一训练样本中该同一位置被标记为0和1的数据总和(即第一训练样本的总数)，确定该位置的样本裂缝概率，然后多个位置的样本裂缝概率可以组成样本裂缝概率分布。
在一些实施例中，处理器可以将样本热成像数据输入初始第一嵌入层，得到初始温度分布数据和初始热源分布数据；将初始温度分布数据、初始热源分布数据、样本材质特征和样本环境数据输入初始温差层，得到初始温差梯度预测结果；将初始温差剃度预测结果、样本保温墙特征、样本环境数据输入初始第一预测层，得到初始裂缝概率分布及对应的初始裂缝发展等级分布。基于初始裂缝概率分布及对应的初始裂缝发展等级分布、和第一标签构建损失函数，基于损失函数同步更新初始第一嵌入层、初始温差层和初始第一预测层的参数，通过参数更新，获取训练好的第一模型。
本说明书一些实施例，通过第一模型对目标建筑墙体的热成像数据、周围的环境数据、材质特征、保温墙板特征进行处理，可以利用机器学习模型的自学习能力，从各种可能影响保温墙板发生裂缝的数据中找到规律，提高预测的效率和预测结果的准确性。
在一些实施例中，第一模型训练时，损失函数可以包括梯度损失项和裂缝损失项，裂缝损失项的权重与训练数据的裂缝分布方差正相关。其中，梯度损失项与温差层对应，裂缝损失项与第一预测层对应。
梯度损失项可以指基于初始温差层输出的初始温差梯度预测结果和对应的温差梯度标签构建的损失函数。其中，温差梯度标签可以指单独训练第一模型中的温差层时，初始温度分布数据、初始热源分布数据、样本材质特征和样本环境数据对应的目标建筑的墙体的实际温差梯度特征。
裂缝损失项可以指基于初始第一预测层输出的初始裂缝概率分布及对应的初始裂缝发展等级分布，与第一标签构建的损失函数。
裂缝分布方差可以指用于衡量训练数据中的裂缝分布是否均匀的参数。例如，当裂缝分布比较均匀，墙体各个位置的裂缝情况与平均值的差距就相对比较小，裂缝分布方差也相对较小；反之，裂缝分布方差相对较大。
在一些实施例中，裂缝损失项的权重与训练数据的裂缝分布方差正相关，当训练数据中裂缝分布方差较大时，裂缝损失项的权重也相应较大。
在一些实施例中，相应的，当裂缝损失项的权重与训练数据中温度分布方差正相关，当训练数据中温度分布方差较大时，梯度损失项的权重相应较大。其中，温度分布方差可以指用于衡量训练数据中温度分布是否均匀的参数。例如，训练数据中墙体各个位置的温度与平均值的差距较小，温度分布方差也相对较小；反之，温度分布方差相对较大。
裂缝受施工偶然因素影响比较大，可能有些训练数据不准确，通过对温差层和第一预测层确定不同的损失项，并基于训练数据中的裂缝分布方差确定裂缝损失项的权重，可以减少普遍裂缝或者普遍不裂的训练数据的影响，以提高模型输出的准确度和可靠度。
本说明书一些实施例，基于目标建筑的墙体的热成像数据确定温度分布数据和热源分布数据，再基于温度分布数据和热源分布数据预测保温墙板可能发生裂缝的位置及裂缝发展等级，可以提前对保温板可能发生裂缝的情况进行预测，以便提前采取相应的措施，提高保温墙板施工的针对性和效率，降低施工成本。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
在一些实施例中，处理器可以基于裂缝潜在发生位置和裂缝发展等级，预测裂缝潜在发生位置对应的额外加固所需的锚栓密度。
额外加固可以指对可能产生裂缝的墙体位置的保温墙板进行额外的加固处理。额外加固所需的锚栓密度可以指对裂缝潜在发生位置进行额外加固时，需要的锚栓的安装密度。
在一些实施例中，处理器可以基于向量距离预测裂缝潜在发生位置对应的额外加固所需的锚栓密度。在一些实施例中，处理器可以基于裂缝的潜在发生位置、裂缝发展等级和裂缝潜在发生位置的高度构建特征向量。在一些实施例中，处理器可以获取已铺设的保温墙板的多组历史数据，基于多组历史数据中保温墙板的历史裂缝位置、历史高度和历史裂缝等级构建多个历史向量，并将历史数据中对应的历史锚栓密度与每一个历史向量关联存储。在一些实施例中，处理器可以确定特征向量与多个历史向量的向量距离，将与特征向量的向量距离满足预设距离条件的历史向量确定为参考向量。其中，预设距离条件可以为向量距离最小，向量距离可以为余弦距离、欧氏距离等。在一些实施例中，处理器可以将与参考向量关联存储的历史锚栓密度确定为目标建筑的保温墙板的裂缝位置额外加固所需的锚栓密度。
图5是根据本说明书一些实施例所示的预测锚栓密度的示例性流程图。在一些实施例中，流程500可以由智慧燃气设备管理平台执行。如图5所示，流程500可以包括如下步骤：
步骤510，基于预测的不同位置的锚栓密度，预测由于锚栓密度增加导致的开裂概率。
开裂概率可以指目标建筑的墙体在外墙装饰施工完成后，因为锚栓太多导致砂浆结合度不够，保温墙板和外墙装饰可能产生裂缝的概率或风险。例如，此处所描述的裂缝可以包括保温墙板、外墙装饰(如瓷砖、涂层等)、砂浆粘结层之间的裂缝、鼓包、孔隙等，不涉及原始墙体(如毛坯墙体)的裂缝。应当理解的是，此处所描述的裂缝可以与图2和图3中所述的裂缝不同，可以不是同一位置的裂缝。
在一些实施例中，处理器可以获取多组与目标建筑的墙体数据、环境数据、锚栓密度相同的其他已铺设保温墙板的历史数据，基于历史数据确定其中发生开裂的历史数据的数量，将其与总的历史数据数量的比值确定为开裂概率。
在一些实施例中，开裂概率可以基于锚栓模型预测，锚栓模型为机器学习模型。在一些实施例中，锚栓模型可以包括第一嵌入层、第二嵌入层和第二预测层：第一嵌入层可以用于对热成像数据进行处理，确定温度分布数据和热源分布数据；第二嵌入层可以用于对不同位置的锚栓密度进行处理，输出密度分布特征；第二预测层可以用于对温度分布数据、热源分布数据、密度分布特征和材质特征进行处理，确定开裂概率分布。在一些实施例中，锚栓模型可以与第一模型共用第一嵌入层。
在一些实施例中，锚栓模型可以包括卷积神经网络(Convolutional NeuralNetworks，CNN)、深度神经网络(Deep Neural Networks，DNN)、循环神经网络(RecurrentNeural Network，RNN)或其他自定义网络中的至少一种。
图6是根据本说明书一些实施例所示的基于锚栓模型预测开裂概率的示例性示意图。在一些实施例中，锚栓模型可以包括第一嵌入层620、第二嵌入层650和第二预测层680，其中，第一嵌入层620可以与第一模型共用。在一些实施例中，第一嵌入层620的网络结构可以是CNN，第二嵌入层650和第二预测层680的网络结构可以是NN。
在一些实施例中，第一嵌入层620的输入可以是热成像数据610，输出可以是温度分布数据632和热源分布数据634。关于热成像数据610、温度分布数据632、热源分布数据634的更多内容可以参见图2及其相关描述。
在一些实施例中，第二嵌入层650的输入可以是保温墙板不同位置的锚栓密度640，输出可以是密度分布特征660。其中，关于锚栓密度640的更多内容可以参见图5及其相关描述。密度分布特征660可以指保温墙板不同位置的锚栓密度分布情况，包括锚栓的疏密大小、锚栓的数量等。
在一些实施例中，第二预测层680的输入可以是温度分布数据632、热源分布数据634、密度分布特征660和材质特征670，输出可以是保温墙板不同位置的开裂概率分布690。其中，关于材质特征670的更多内容可以参见图4及其相关描述；关于开裂概率分布690的更多内容可以参见图5及其相关描述。
在一些实施例中，锚栓模型可以通过训练获取。在一些实施例中，训练锚栓模型的第二训练样本可以是样本热成像数据、样本保温墙板的不同位置的锚栓密度、样本材质特征。在一些实施例中，第二训练样本可以是预设的，也可以是处理器获取的其他已铺设的保温墙板的历史数据。第二训练样本数据为整个墙体的数据，可以存在两种情况，即墙体有的位置为开裂，有的位置为未开裂。
在一些实施例中，训练锚栓模型的第二标签可以是第二训练样本对应的保温墙板的各个位置的实际开裂概率。第二训练标签可以表示为样本开裂概率分布矩阵，可以基于施工经验预设确定或由人工标注获取。例如，处理器可以将每组第二训练样本中开裂的位置标记为1，未开裂的位置标记为0，组成样本开裂分布矩阵。进一步地，处理器可以将所有第二训练样本中，同一位置被标记为1的数量，与所有第二训练样本中该同一位置被标记为0和1的数据总和(即第二训练样本的总量)的比值，确定为该位置的样本开裂概率。通过同样的方法，确定第二训练样本中墙体所有位置的样本开裂概率，组成样本开裂概率分布矩阵。
在一些实施例中，处理器可以将样本热成像数据输入初始第一嵌入层，得到初始温度分布数据和初始热源分布数据；将样本保温墙板的不同位置的锚栓密度输入初始第二嵌入层，得到初始密度分布特征；将初始温度分布数据、初始热源分布数据和初始密度分布特征输入初始第二预测层，得到初始开裂概率分布。基于初始开裂概率分布和第二标签构建损失函数，利用损失函数同步更新初始第一嵌入层、初始第二嵌入层和初始第二预测层的参数，通过参数更新，获取训练好的锚栓模型。
在一些实施例中，第一嵌入层可以通过温度异常模型训练获取，温度异常模型可以包括第一嵌入层和异常层，第一嵌入层的输入为热成像数据，输出为温度分布数据和热源分布数据；异常层的输入为温度分布数据和热源分布数据，输出为输入的热成像图像中温度异常的位置点。其中，关于热成像数据、温度分布数据和热源分布数据的内容可以参见图2及其相关描述。
温度异常的位置点可以指由热成像数据生成的热成像图像中温差变化较大或温度变化频繁的位置(区域)。在一些实施例中，处理器可以基于上述图3、图4同样的方法将热成像图像进行网格划分，每一个网格对应一个位置点、对应一个矩阵元素，可以将异常层输出的温度异常的位置点对应的网格数据标记为1，其他网格的数据标记为0，形成温度异常矩阵，作为异常层的输出结果表示。
在一些实施例中，温度异常模型的第一嵌入层和异常层可以通过联合训练得到。在一些实施例中，联合训练的第三训练样本可以是样本热成像数据，可以通过预设确定；第三训练标签为样本热成像数据形成的样本热成像图像中温度异常的点，可以由人工标注获取。在一些实施例中，处理器可以将样本热成像数据输入初始第一嵌入层中，得到初始温度分布数据和初始热源分布数据；将初始温度分布数据和初始热源分布数据输入初始异常层中，得到初始温度异常的位置点。基于初始温度异常的位置点与实际温度异常的位置点构建损失函数，利用损失函数同步更新初始第一嵌入层和初始异常层的参数。通过参数更新，获取训练好的第一嵌入层和异常层。
本说明书一些实施例，通过训练温度异常模型获取第一嵌入层，可以避免单独训练第一嵌入层时，训练标签不好获取的问题。
在一些实施例中，训练好的第一嵌入层可以同时应用于第一模型和锚栓模型。
本说明书一些实施例，通过训练锚栓模型对热成像数据、保温墙板的不同位置的锚栓密度、材质特征进行处理，确定保温墙板的不同位置的开裂概率，可以利用机器学习模型的自学习能力，在大量数据中找到保温墙板的开裂概率与热成像数据、锚栓密度和材质特征的关系，提高数据处理效率和预测的准确性。
步骤520，基于开裂概率确定最终的锚栓密度。
在一些实施例中，处理器可以提前为各种不同的开裂概率预设对应的锚栓密度。在一些实施例中，处理器可以基于预测的开裂概率，确定对应的预设的锚栓密度，作为最终的锚栓密度。
在一些实施例中，处理器可以将开裂概率与概率阈值比较，响应于开裂概率大于概率阈值，调低对应位置的锚栓密度；调低幅度与开裂概率成正比。
概率阈值可以指提前预设的开裂概率需要满足的阈值条件。例如，概率阈值可以是80％、85％等。在一些实施例中，概率阈值可以基于施工经验确定。
在一些实施例中，响应于开裂概率大于概率阈值，处理器可以基于调低幅度调低对应位置的锚栓密度。在一些实施例中，调低幅度可以基于开裂概率确定。在一些实施例中，处理器可以提前为每一个开裂概率预设对应的调低幅度。例如，开裂概率为50％时，预设对应的调低幅度为调低5％；开裂概率为80％时，预设调低幅度为调低10％等。示例性地，假设开裂概率为90％，大于概率阈值85％，此时处理器可以基于预设的调低幅度调低对应位置的锚栓密度；假设开裂概率为90％时，对应的预设的调低幅度为调低12％，则处理器可以相应的将该位置的锚栓密度调低12％。
本说明书一些实施例，通过基于开裂概率调低对应位置的锚栓密度，在考虑增加锚栓密度以对保温墙板进行额外加固防止产生裂缝的同时，还考虑较大锚栓密度对于保温板、外墙装饰与砂浆粘结性能的影响，通过适当降低锚栓密度，可以避免发生其他开裂风险。
在一些实施例中，处理器可以基于不同位置的热桥效应，确定额外加固所需的锚栓密度。
热桥效应可以指保温墙板内外温差大引起的热传导的物理效应。热桥效应可能造成保温墙板结露、发霉甚至滴水。在一些实施例中，处理器可以基于目标建筑的墙体各个位置的温度、湿度和热量，确定每个位置是否会产生热桥效应，并确定热桥效应的程度。例如，处理器可以基于目标建筑的墙体各个位置的温度、湿度和热量，根据施工经验确定是否会产生热桥效应，以及热桥效应的程度。
在一些实施例中，处理器可以基于保温墙板不同位置的热桥效应的程度，确定额外加固所需的锚栓密度。在一些实施例中，处理器可以基于施工经验，提前为不同程度的热桥效应预设对应的锚栓密度。当确定保温墙板每个位置的热桥效应的程度时，可以直接获取对应的锚栓密度。
在一些实施例中，处理器可以基于不同位置的热桥效应与锚栓密度加权相减，确定最终的锚栓密度；加权相减的权重与热桥效应造成危害的严重程度成正比。
在一些实施例中，处理器可以基于以下公式(1)，对不同位置的热桥效应与锚栓密度加权相减，确定最终的锚栓密度。
C＝α*A-β*B(1)其中，A为基于裂缝潜在发生位置和裂缝发展等级，预测的裂缝潜在发生位置对应的额外加固所需的锚栓密度；B为热桥效应影响因子；α和β为权重系数；C为最终的锚栓密度。在一些实施例中，热桥效应影响因子B可以通过预设确定。例如，处理器可以基于计算需求，提前为不同程度的热桥效应预设对应的热桥效应影响因子。
在一些实施例中，处理器可以基于热桥效应造成的危害的严重程度确定热桥效应对应的权重的系数，热桥效应造成的危害程度越高，对应的权重系数(即β)越大。
本说明书一些实施例，通过结合热桥效应，确定最终的额外加固所需的锚栓密度，考虑了因为锚栓引起的热桥效应的影响，在预测热桥效应较严重时，适当降低锚栓密度，以免影响墙体保温效果，可以满足用户需求。
本说明书一些实施例，通过基于裂缝潜在发生位置和裂缝发展等级，预测裂缝潜在发生位置对应的额外加固所需的锚栓密度，可以针对性的对潜在裂缝可能对保温墙板造成的影响进行加固，提高保温墙板施工的针对性，提高施工效率；通过预测保温墙板不同位置的开裂概率，基于开裂概率调整保温墙板对应位置的锚栓密度，可以避免由于锚栓密度造成的其他开裂隐患。
应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
本说明书实施例之一还提供一种保温墙的施工装置，包括至少一个处理器和至少一个存储器，至少一个存储器存储计算机指令；至少一个处理器用于执行计算机指令中的部分指令，以实现本说明书实施例中任意一项所述的保温墙的施工方法。
本说明书实施例之一还提供一种计算机可读存储介质，存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行如本说明书实施例所述的保温墙的施工方法。
本说明书实施例可能带来的有益效果包括但不限于：(1)通过基于目标建筑的墙体数据和环境数据，预测目标建筑的保温墙板的疑似裂缝信息，可以提前对可能发生裂缝的保温墙板位置进行额外加固，若基于预测不会发生裂缝或裂缝不满足预设条件，则可以及时通知施工人员进行外墙装饰，可以提高目标建筑的保温墙板的加固的针对性，提高施工效率，降低成本；(2)基于目标建筑的墙体的热成像数据确定温度分布数据和热源分布数据，再基于温度分布数据和热源分布数据预测保温墙板可能发生裂缝的位置及裂缝发展等级，可以提前对保温板可能发生裂缝的情况进行预测，以便提前采取相应的措施，提高保温墙板施工的针对性和效率，降低施工成本；(3)通过基于裂缝潜在发生位置和裂缝发展等级，预测裂缝潜在发生位置对应的额外加固所需的锚栓密度，可以针对性的对潜在裂缝可能对保温墙板造成的影响进行加固，提高保温墙板施工的针对性，提高施工效率；通过预测保温墙板不同位置的开裂概率，基于开裂概率调整保温墙板对应位置的锚栓密度，可以避免由于锚栓密度造成的其他开裂隐患。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种保温墙的施工方法，其特征在于，所述方法由施工APP所在终端的处理器执行，包括：
基于监控装置获取的监控图像确定所述保温墙的施工阶段；
响应于所述施工阶段为铺设保温墙板阶段，基于数据库获取目标建筑物的墙体数据，基于红外摄像头获取所述目标建筑物的墙体的热成像数据；所述墙体数据至少包括所述墙体的大小、厚度、类型；
获取所述目标建筑物周围的环境数据；所述环境数据至少包括天气、温度、湿度、光照；
基于所述墙体数据和所述环境数据，预测墙体表面多块保温墙板之间的疑似裂缝信息，所述疑似裂缝信息包括后续可能生成裂缝的裂缝潜在发生位置及裂缝发展等级；所述墙体表面为涂抹了砂浆的平层；
响应于所述裂缝发展等级满足预设条件，将额外加固提醒信息通过所述施工APP发送给施工人员；所述额外加固提醒信息包括需要加固的裂缝发生位置；
响应于所述裂缝发展等级不满足所述预设条件，将外墙装饰施工的提醒信息通过所述施工APP发送给所述施工人员。
2.根据权利要求1所述的方法，其特征在于，所述基于所述墙体数据和所述环境数据，预测所述墙体表面多块保温墙板之间的疑似裂缝信息包括：
基于所述热成像数据，确定温度分布数据和热源分布数据；
基于所述温度分布数据和所述热源分布数据，结合所述墙体数据，预测所述裂缝潜在发生位置和所述裂缝发展等级。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述裂缝潜在发生位置和所述裂缝发展等级，预测所述裂缝潜在发生位置对应的额外加固所需的锚栓密度。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
基于不同位置的热桥效应，确定所述额外加固所需的所述锚栓密度。
5.一种保温墙的施工系统，其特征在于，所述系统包括：
第一确定模块，用于基于监控装置获取的监控图像确定所述保温墙的施工阶段；
第一获取模块，用于响应于所述施工阶段为铺设保温墙板阶段，基于数据库获取目标建筑物的墙体数据，基于红外摄像头获取所述目标建筑物的墙体的热成像数据；所述墙体数据至少包括所述墙体的大小、厚度、类型；
第二获取模块，用于获取所述目标建筑物周围的环境数据；所述环境数据至少包括天气、温度、湿度、光照；
第二确定模块，用于基于所述墙体数据和所述环境数据，预测墙体表面多块保温墙板之间的疑似裂缝信息，所述疑似裂缝信息包括后续可能生成裂缝的裂缝潜在发生位置及裂缝发展等级；所述墙体表面为涂抹了砂浆的平层；
第一提醒模块，用于响应于所述裂缝发展等级满足预设条件，将额外加固提醒信息通过所述施工APP发送给施工人员；所述额外加固提醒信息包括需要加固的裂缝发生位置；
第二提醒模块，用于响应于所述裂缝发展等级不满足所述预设条件，将外墙装饰施工的提醒信息通过所述施工APP发送给所述施工人员。
6.根据权利要求5所述的系统，其特征在于，所述第二确定模块进一步用于：
基于所述热成像数据，确定温度分布数据和热源分布数据；
基于所述温度分布数据和所述热源分布数据，结合所述墙体数据，预测所述裂缝潜在发生位置和所述裂缝发展等级。
7.根据权利要求5所述的系统，其特征在于，其特征在于，所述第二确定模块还用于：
基于所述裂缝潜在发生位置和所述裂缝发展等级，预测所述裂缝潜在发生位置对应的额外加固所需的锚栓密度。
8.根据权利要求7所述的系统，其特征在于，所述第二确定模块进一步用于：
基于不同位置的热桥效应，确定所述额外加固所需的所述锚栓密度。
9.一种保温墙的施工装置，其特征在于，包括至少一个存储器和至少一个处理器；所述至少一个存储器存储计算机指令，所述至少一个处理器用于执行所述计算机指令中的部分指令，以实现如权利要求1-4中任意一项所述的保温墙的施工方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行如权利要求1-4中任意一项所述的保温墙的施工方法。
CN202310026846.1A 2023-01-09 2023-01-09 一种保温墙的施工方法和系统 Pending CN116220359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310026846.1A CN116220359A (zh) 2023-01-09 2023-01-09 一种保温墙的施工方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310026846.1A CN116220359A (zh) 2023-01-09 2023-01-09 一种保温墙的施工方法和系统

Publications (1)

Publication Number Publication Date
CN116220359A true CN116220359A (zh) 2023-06-06

Family

ID=86586573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310026846.1A Pending CN116220359A (zh) 2023-01-09 2023-01-09 一种保温墙的施工方法和系统

Country Status (1)

Country Link
CN (1) CN116220359A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778348A (zh) * 2023-08-28 2023-09-19 广东中科慧据科技有限公司 基于机器视觉的外墙脱落监测方法、装置、设备及介质
CN117538430A (zh) * 2024-01-04 2024-02-09 西安建筑科技大学 一种基于数据识别的建筑结构加固方法及监测系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778348A (zh) * 2023-08-28 2023-09-19 广东中科慧据科技有限公司 基于机器视觉的外墙脱落监测方法、装置、设备及介质
CN116778348B (zh) * 2023-08-28 2023-12-01 广东中科慧据科技有限公司 基于机器视觉的外墙脱落监测方法、装置、设备及介质
CN117538430A (zh) * 2024-01-04 2024-02-09 西安建筑科技大学 一种基于数据识别的建筑结构加固方法及监测系统
CN117538430B (zh) * 2024-01-04 2024-03-26 西安建筑科技大学 一种基于数据识别的建筑结构加固方法及监测系统

Similar Documents

Publication Publication Date Title
CN116220359A (zh) 一种保温墙的施工方法和系统
Habibi The promise of BIM for improving building performance
Bilous et al. Parametric analysis of external and internal factors influence on building energy performance using non-linear multivariate regression models
Krstić et al. Application of neural networks in predicting airtightness of residential units
CN109297086B (zh) 热力站负荷分时段滚动预测及自适应矫正方法及系统
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
US10175709B2 (en) Consumer electric power control system and consumer electric power control method
CN110046743A (zh) 基于ga-ann的公共建筑能耗预测方法和系统
Neves et al. Energy performance of mixed-mode office buildings: Assessing typical construction design practices
Marques et al. Application of the factor method to the service life prediction of ETICS
Silva et al. Service life prediction models for exterior stone cladding
US11029052B2 (en) Operation device and method to control an air conditioner based on weather change patterns
Yi et al. Microclimate change outdoor and indoor coupled simulation for passive building adaptation design
KR20160001023A (ko) 건물 정보 검출 방법 및 장치
Wang et al. Dynamic simulation of thermal load and energy efficiency in poultry buildings in the cold zone of China
Rylatt et al. Methods of predicting urban domestic energy demand with reduced datasets: a review and a new GIS-based approach
JP4206997B2 (ja) 外装改善計画システム
Veljkovic et al. Heating energy demand estimation of the EU building stock: Combining building physics and artificial neural networks
CN117010638B (zh) 酒店设备的智能管理方法及系统
Wang et al. Gray predicting theory and application of energy consumption of building heat-moisture system
CN107192098A (zh) 医院通风调控方法及调控系统
JP2009294887A (ja) 建築設備制御システムおよびプログラム
Mahdavi et al. Energy-efficient lighting systems control via sensing and simulations
CN113506133A (zh) 一种基于大数据分析的工程咨询系统
Amoako-Attah et al. Method comparison analysis of dwellings' temperatures in the UK

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