CN116245842B - 应对智慧建筑缺陷检测的图像处理方法及系统 - Google Patents
应对智慧建筑缺陷检测的图像处理方法及系统 Download PDFInfo
- Publication number
- CN116245842B CN116245842B CN202310210244.1A CN202310210244A CN116245842B CN 116245842 B CN116245842 B CN 116245842B CN 202310210244 A CN202310210244 A CN 202310210244A CN 116245842 B CN116245842 B CN 116245842B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- thermal image
- infrared thermal
- defect
- building
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 640
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000010485 coping Effects 0.000 title claims abstract description 8
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 57
- 230000002776 aggregation Effects 0.000 claims description 58
- 238000004220 aggregation Methods 0.000 claims description 58
- 238000005065 mining Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000011002 quantification Methods 0.000 claims description 18
- 238000013139 quantization Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000007847 structural defect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明是关于应对智慧建筑缺陷检测的图像处理方法及系统，可以通过第二建筑物红外热像图片对第一建筑物红外热像图片的丰富程度进行衍生，改善了只基于第一建筑物红外热像图片来确定智慧建筑缺陷类别而导致的缺陷检测误差；此外，鉴于引入了第一红外热像缺陷描述知识和第二红外热像缺陷描述知识之间的缺陷状态关联知识，这样可以确定出第二建筑物红外热像图片中与第一建筑物红外热像图片具有强相关的红外热像缺陷描述知识，这样可以保障所得到的智慧建筑缺陷类别的精度。如此，可以保障检测得到的建筑物红外热像图片的智慧建筑缺陷类别的准确度和可信度。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种应对智慧建筑缺陷检测的图像处理方法及系统。
背景技术
随着科技和城市化进程的成熟，各类智慧建筑已经逐渐投入使用。智慧建筑在使用年限不断增长的过程中，不可避免地出现一系列结构性缺陷，这给人们的生产生活和人生财产安全带来了威胁。基于此，针对智慧建筑进行准确可靠的缺陷检测是现目前的其中一个工作重点。
发明内容
第一方面，本发明实施例提供了一种应对智慧建筑缺陷检测的图像处理方法，应用于图像处理系统，所述方法包括：获取触发智慧建筑缺陷检测的第一建筑物红外热像图片，并获取与所述第一建筑物红外热像图片存在联系的第二建筑物红外热像图片；
对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识；
依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识；
结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别。
在一些可能的示例中，对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识，包括：
通过第一描述特征挖掘算子对所述第一建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第一红外热像缺陷描述知识，通过第二描述特征挖掘算子对所述第二建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第二红外热像缺陷描述知识。
在一些可能的示例中，依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识，包括：
依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识所涵盖的各个第一知识成员与所述第二红外热像缺陷描述知识所涵盖的各个第二知识成员之间的共性度量值；
依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征；
结合所述第一建筑缺陷输出特征和所述第二建筑缺陷输出特征，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识。
在一些可能的示例中，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征，包括：
依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数；
依据所述各个第二知识成员和所述各个第二知识成员针对所述各个第一知识成员的偏心系数，生成所述第一建筑缺陷输出特征；
依据所述各个第一知识成员和所述各个第一知识成员针对所述各个第二知识成员的偏心系数，生成所述第二建筑缺陷输出特征。
在一些可能的示例中，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数，包括：
对所述各个第一知识成员与所述各个第二知识成员之间的共性度量值进行加权平均处理，得到所述各个第二知识成员针对所述各个第一知识成员的偏心系数；
依据所述各个第二知识成员针对所述各个第一知识成员的偏心系数，获得所述各个第一知识成员针对所述各个第二知识成员的偏心系数。
在一些可能的示例中，结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括：
依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识；
依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别。
在一些可能的示例中，依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识，包括：
将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，并将所述第二红外热像缺陷描述知识和所述第二建筑缺陷输出特征进行特征聚合操作，生成第二红外热像缺陷描述聚合知识；
对所述第一红外热像缺陷描述聚合知识和所述第二红外热像缺陷描述聚合知识进行连接操作，得到所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识。
在一些可能的示例中，将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，包括：
确定第一置信列表变量和第二置信列表变量；
将所述第一红外热像缺陷描述知识与所述第一建筑缺陷输出特征进行联动处理，得到第一中间联动特征知识；
调用预设函数对所述第一置信列表变量、所述第二置信列表变量和所述第一中间联动特征知识进行处理，得到所述第一红外热像缺陷描述聚合知识。
在一些可能的示例中，依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括：
对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性；
依据所述各个缺陷图片推演结果的量化可能性，挑选设定数目的缺陷图片推演结果作为与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别。
在一些可能的示例中，对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性，包括：
通过建筑缺陷推演算子对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析得到第三红外热像缺陷描述知识；
确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述第三红外热像缺陷描述知识所涵盖的各个第三知识成员之间的共性度量值；
依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述各个第三知识成员之间的共性度量值，确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数；
依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员和所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数，生成第三建筑缺陷输出特征；
依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性。
在一些可能的示例中，依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性，包括：
对所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征进行聚合以得到第三红外热像缺陷描述聚合知识；
对所述第三红外热像缺陷描述聚合知识进行数值映射处理，得到各个缺陷图片推演结果的量化可能性。
第三方面，本发明实施例还提供了一种应对智慧建筑缺陷检测的图像处理系统，包括互相之间通信的图像处理系统和红外热像仪；
所述红外热像仪用于对智慧建筑进行检测；
所述图像处理系统用于：
通过所述红外热像仪获取触发智慧建筑缺陷检测的第一建筑物红外热像图片，并获取与所述第一建筑物红外热像图片存在联系的第二建筑物红外热像图片；
对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识；
依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识；
结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别。
在一些可能的示例中，对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识，包括：
通过第一描述特征挖掘算子对所述第一建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第一红外热像缺陷描述知识，通过第二描述特征挖掘算子对所述第二建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第二红外热像缺陷描述知识。
在一些可能的示例中，依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识，包括：
依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识所涵盖的各个第一知识成员与所述第二红外热像缺陷描述知识所涵盖的各个第二知识成员之间的共性度量值；
依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征；
结合所述第一建筑缺陷输出特征和所述第二建筑缺陷输出特征，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识。
在一些可能的示例中，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征，包括：依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数；依据所述各个第二知识成员和所述各个第二知识成员针对所述各个第一知识成员的偏心系数，生成所述第一建筑缺陷输出特征；依据所述各个第一知识成员和所述各个第一知识成员针对所述各个第二知识成员的偏心系数，生成所述第二建筑缺陷输出特征；
其中，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数，包括：对所述各个第一知识成员与所述各个第二知识成员之间的共性度量值进行加权平均处理，得到所述各个第二知识成员针对所述各个第一知识成员的偏心系数；依据所述各个第二知识成员针对所述各个第一知识成员的偏心系数，获得所述各个第一知识成员针对所述各个第二知识成员的偏心系数。
在一些可能的示例中，结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括：
依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识；
依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别；
其中，依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识，包括：将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，并将所述第二红外热像缺陷描述知识和所述第二建筑缺陷输出特征进行特征聚合操作，生成第二红外热像缺陷描述聚合知识；对所述第一红外热像缺陷描述聚合知识和所述第二红外热像缺陷描述聚合知识进行连接操作，得到所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识；
其中，将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，包括：确定第一置信列表变量和第二置信列表变量；将所述第一红外热像缺陷描述知识与所述第一建筑缺陷输出特征进行联动处理，得到第一中间联动特征知识；调用预设函数对所述第一置信列表变量、所述第二置信列表变量和所述第一中间联动特征知识进行处理，得到所述第一红外热像缺陷描述聚合知识；
其中，依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括：对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性；依据所述各个缺陷图片推演结果的量化可能性，挑选设定数目的缺陷图片推演结果作为与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别；
其中，对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性，包括：通过建筑缺陷推演算子对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析得到第三红外热像缺陷描述知识；确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述第三红外热像缺陷描述知识所涵盖的各个第三知识成员之间的共性度量值；依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述各个第三知识成员之间的共性度量值，确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数；依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员和所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数，生成第三建筑缺陷输出特征；依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性；
其中，依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性，包括：对所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征进行聚合以得到第三红外热像缺陷描述聚合知识；对所述第三红外热像缺陷描述聚合知识进行数值映射处理，得到各个缺陷图片推演结果的量化可能性。
第三方面，本发明实施例还提供了一种图像处理系统，包括处理引擎、网络模块和存储器，所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎用于从所述存储器中读取计算机程序并运行，以实现上述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时实现上述的方法。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前发明中的特征可以被实现和获得。
应用于本发明实施例，通过获取与第一建筑物红外热像图片存在联系的第二建筑物红外热像图片，对第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识，根据第一红外热像缺陷描述知识和第二红外热像缺陷描述知识确定第一红外热像缺陷描述知识与第二红外热像缺陷描述知识之间的缺陷状态关联知识，进而基于第一红外热像缺陷描述知识、第二红外热像缺陷描述知识和该缺陷状态关联知识生成与第一建筑物红外热像图片对应的智慧建筑缺陷类别，这样可以通过第二建筑物红外热像图片对第一建筑物红外热像图片的丰富程度进行衍生，改善了只基于第一建筑物红外热像图片来确定智慧建筑缺陷类别而导致的缺陷检测误差；此外，鉴于引入了第一红外热像缺陷描述知识和第二红外热像缺陷描述知识之间的缺陷状态关联知识，这样可以确定出第二建筑物红外热像图片中与第一建筑物红外热像图片具有强相关的红外热像缺陷描述知识，这样可以保障所得到的智慧建筑缺陷类别的精度。如此，可以保障检测得到的建筑物红外热像图片的智慧建筑缺陷类别的准确度和可信度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本发明的一些实施例所示的一种示例性图像处理系统中硬件和软件组成的示意图。
图2是根据本发明的一些实施例所示的一种示例性应对智慧建筑缺陷检测的图像处理方法和/或过程的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本发明。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本发明的方面。
这些和其他特性、当前发明披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性，在参照附图进行以下描述的考虑中可能会变得更加明显，所有这些形成本发明的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本发明的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本发明的范围。应当知晓的是，这些附图并不依照比例。
本发明中使用流程图说明根据本发明的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本发明的一些实施例所示的一种图像处理系统100的结构组成框图，图像处理系统100可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本发明中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(CentralProcessingUnit，CPU)、专用集成电路(Application-SpecificIntegratedCircuit，ASIC)、专用指令集处理器(Application-SpecificInstruction-setProcessor，ASIP)、图形处理单元(GraphicsProcessingUnit，GPU)、物理处理单元(PhysicsProcessingUnit，PPU)、数字信号处理器(DigitalSignalProcessor，DSP)、现场可编程门阵列(FieldProgrammableGateArray，FPGA)、可编程逻辑器件(Programmable LogicDevice，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-SetComputer，RISC)、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LocalAreaNetwork，LAN)、广域网(WideAreaNetwork，WAN)、无线局域网络(WirelessLocalAreaNetwork，WLAN)、城域网(MetropolitanAreaNetwork，MAN)、公用电话交换网(PublicTelephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(NearField Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网络模块120可以包括有线或无线网路接入点，如基站和/或网路接入点。
存储器130可以是，但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(Electric ErasableProgrammableRead-OnlyMemory，EEPROM)等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。
可以理解，图1所示的结构仅为示意，图像处理系统100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
图2是根据本发明的一些实施例所示的一种示例性应对智慧建筑缺陷检测的图像处理方法和/或过程的流程图，应对智慧建筑缺陷检测的图像处理方法应用于图1中的图像处理系统100，进一步可以包括S1-S4。
S1、图像处理系统获取触发智慧建筑缺陷检测的第一建筑物红外热像图片，并获取与所述第一建筑物红外热像图片存在联系的第二建筑物红外热像图片。
在本发明实施例中，图像处理系统可以接收红外热像仪采集并发送的红外信号，并将不可见的红外信号转换为可见的清晰图像(第一建筑物红外热像图片)。第二建筑物红外热像图片可以是之前获取的历史建筑物红外热像图片。
此外，建筑物红外热像图片能够用于建筑质量的缺陷检测核鉴定，对建筑缺陷或受损区域进行有效检测，以防患于未然。基于此，触发智慧建筑缺陷检测的第一建筑物红外热像图片可以是通过初筛策略筛选得到的建筑物红外热像图片。初筛策略可以是根据正常无缺陷的建筑物红外热像图片生成的。比如图像处理系统从转换得到的多个初始建筑物红外热像图片中筛选得到触发智慧建筑缺陷检测的第一建筑物红外热像图片。
S2、图像处理系统对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识。
在本发明实施例中，图片描述特征挖掘操作可以理解为对相应的建筑物红外热像图片进行特征编码处理或者特征提取处理，所得到的红外热像缺陷描述知识用于记载相关建筑物红外热像图片的建筑物缺陷特征(建筑物缺陷特征包括但不限于脱落、分层、空鼓等)，红外热像缺陷描述知识可以通过特征向量进行表征。
S3、图像处理系统依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识。
在本发明实施例中，缺陷状态关联知识用于表征所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的关联性特征。
S4、图像处理系统结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别。
在本发明实施例中，第一建筑物红外热像图片的智慧建筑缺陷类别可以通过类别标签进行表征，比如第一建筑物红外热像图片对应的智慧建筑缺陷类别可以是“承重柱裂缝”、“瓷砖空鼓”等。
综上，应用S1-S4，可以通过第二建筑物红外热像图片对第一建筑物红外热像图片的丰富程度进行衍生，改善了只基于第一建筑物红外热像图片来确定智慧建筑缺陷类别而导致的缺陷检测误差；此外，鉴于引入了第一红外热像缺陷描述知识和第二红外热像缺陷描述知识之间的缺陷状态关联知识，这样可以确定出第二建筑物红外热像图片中与第一建筑物红外热像图片具有强相关的红外热像缺陷描述知识，这样可以保障所得到的智慧建筑缺陷类别的精度。如此，可以保障检测得到的建筑物红外热像图片的智慧建筑缺陷类别的准确度和可信度。
在一些示例性设计思路下，S2中的对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识，包括：通过第一描述特征挖掘算子对所述第一建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第一红外热像缺陷描述知识，通过第二描述特征挖掘算子对所述第二建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第二红外热像缺陷描述知识。
其中，描述特征挖掘算子可以理解为特征编码器，用于对图像进行特征提取。
在一些示例性设计思路下，S3中的依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识，包括S31-S33。
S31、依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识所涵盖的各个第一知识成员与所述第二红外热像缺陷描述知识所涵盖的各个第二知识成员之间的共性度量值。
在本发明实施例中，知识成员可以是组成红外热像缺陷描述知识的单元，以红外热像缺陷描述知识是特征向量为例，知识成员可以理解为特征向量中的特征要素或者特征成员，共性度量值可以反映不同知识成员之间的相似度。
S32、依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征。
在本发明实施例中，建筑缺陷输出特征用于记载相关的红外热像缺陷描述知识内容特征或者细节特征，比如相关建筑缺陷的位置分布、严重程度等。
S33、结合所述第一建筑缺陷输出特征和所述第二建筑缺陷输出特征，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识。
在本发明实施例中，基于上述S31-S33，通过引入建筑缺陷输出特征对红外热像缺陷描述知识进行细节记载，能够确保得到的缺陷状态关联知识的完整性和准确性，避免缺陷状态关联知识由于特征跳变而出现的细节缺失。
在一些可选的实施例中，S32所描述的依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征，可以包括S321-S323。
S321、依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数。
在本发明实施例中，偏心系数可以理解为注意力系数。进一步地，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数，可以包括S3211和S3212。
S3211、对所述各个第一知识成员与所述各个第二知识成员之间的共性度量值进行加权平均处理，得到所述各个第二知识成员针对所述各个第一知识成员的偏心系数。
例如，针对每个第一知识成员，确定该第一知识成员与每个第二知识成员之间的共性度量值，然后基于该第一知识成员对应的位置特征权重，对该第一知识成员所对应的多个共性度量值进行加权平均，如此反复，可以得到n个第一知识成员分别对应的加权平均共性度量值，然后再对n个加权平均共性度量值进行基于每个第二知识成员的位置特征权重的加权平均处理，可以得到所述各个第二知识成员针对所述各个第一知识成员的偏心系数。
S3212、依据所述各个第二知识成员针对所述各个第一知识成员的偏心系数，获得所述各个第一知识成员针对所述各个第二知识成员的偏心系数。
例如，将所述各个第二知识成员针对所述各个第一知识成员的偏心系数与1进行作差，所得到的结果为所述各个第一知识成员针对所述各个第二知识成员的偏心系数。
如此一来，基于S3211和S3212，能够充分考虑不同知识成员之间的共性度量值，从而准确可靠地确定偏心系数。
S322、依据所述各个第二知识成员和所述各个第二知识成员针对所述各个第一知识成员的偏心系数，生成所述第一建筑缺陷输出特征。
S323、依据所述各个第一知识成员和所述各个第一知识成员针对所述各个第二知识成员的偏心系数，生成所述第二建筑缺陷输出特征。
在本发明实施例中，应用于S321-S323，可以引入偏心系数作为注意力参考，以通过不同角度确定相应的建筑缺陷输出特征，保障建筑缺陷输出特征的细节输出性能。
在上述内容的基础上，S4所描述的结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，可以包括S41和S42所描述的技术方案。
S41、依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识。
其中，全局红外热像缺陷描述知识反映所述第一建筑物红外热像图片和所述第二建筑物红外热像图片在整体层面的红外热像缺陷描述知识，全局红外热像缺陷描述知识能够将所述第一建筑物红外热像图片和所述第二建筑物红外热像图片的细节内容进行汇总和混淆，从而为之后的缺陷检测提供准确可靠的分析依据。
S42、依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别。
可以理解，应用于S41和S42，可以引入全局红外热像缺陷描述知识作为缺陷检测的对象，这样能够准确可靠地生成第一建筑物红外热像图片对应的智慧建筑缺陷类别。
在上述内容的基础上，S41中的依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识，包括S411和S412。
S411、将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，并将所述第二红外热像缺陷描述知识和所述第二建筑缺陷输出特征进行特征聚合操作，生成第二红外热像缺陷描述聚合知识。
在本发明实施例中，特征聚合操作可以理解为针对红外热像缺陷描述知识和建筑缺陷输出特征的特征合并处理，这样可以提高红外热像缺陷描述聚合知识的细节输出丰富度，扩展细节输出类别。
S412、对所述第一红外热像缺陷描述聚合知识和所述第二红外热像缺陷描述聚合知识进行连接操作，得到所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识。
在本发明实施例中，连接操作可以理解为特征拼接。基于此，首先通过特征聚合操作提高红外热像缺陷描述聚合知识的细节输出丰富度，扩展细节输出类别，然后通过连接操作进行汇总和混淆，从而为之后的缺陷检测提供准确可靠的分析依据。
在一些示例中，S411所描述的将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，可以包括S4111-S4113。
S4111、确定第一置信列表变量和第二置信列表变量。
在本发明实施例中，置信列表变量可以理解为权重系数矩阵，第一置信列表变量可以是V1、第二置信列表变量可以是V2。
S4112、将所述第一红外热像缺陷描述知识与所述第一建筑缺陷输出特征进行联动处理，得到第一中间联动特征知识。
比如，第一红外热像缺陷描述知识为k01、第一建筑缺陷输出特征k02，第一中间联动特征知识为k01和k02的连接知识，可以通过{k01；k02}进行表示。
S4113、调用预设函数对所述第一置信列表变量、所述第二置信列表变量和所述第一中间联动特征知识进行处理，得到所述第一红外热像缺陷描述聚合知识。
例如，预设函数可以是双曲正切函数F()。
基于上述内容，第一红外热像缺陷描述聚合知识kw可以通过如下思路获得：kw＝F(V1{k01；k02}+V2)。如此设计，通过引入双曲正切函数确定第一红外热像缺陷描述聚合知识，能够保障特征平滑性，避免特征跳变，从而准确、完整地获得第一红外热像缺陷描述聚合知识。
在一些示例性实施例中，S42中的依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括S421和S422。
S421、对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性。
其中，建筑缺陷推演分析可以用于进行缺陷预测，比如通过决策树模型对全局红外热像缺陷描述知识进行决策推演，从而得到缺陷图片推演结果的量化可能性(分布概率)。
S422、依据所述各个缺陷图片推演结果的量化可能性，挑选设定数目的缺陷图片推演结果作为与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别。
在上述内容的基础上，结合量化可能性可以挑选设定数目的缺陷图片推演结果作为与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，这样能够列举出至少一个智慧建筑缺陷类别，从而保障智慧建筑缺陷类别确定的可调性。
在一些示例性实施例中，S421中的对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性，包括S4211-S4215。
S4211、通过建筑缺陷推演算子对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析得到第三红外热像缺陷描述知识。
S4212、确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述第三红外热像缺陷描述知识所涵盖的各个第三知识成员之间的共性度量值。
S4213、依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述各个第三知识成员之间的共性度量值，确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数。
S4214、依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员和所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数，生成第三建筑缺陷输出特征；
S4215、依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性。
可见，应用于S4211-S4215，能够基于建筑缺陷推演算子(决策树)进行建筑缺陷推演分析，从而得到第三红外热像缺陷描述知识，然后引入共性度量值和偏心系数确定第三建筑缺陷输出特征，然后综合第三红外热像缺陷描述知识和第三建筑缺陷输出特征，以便提高缺陷图片推演结果的量化可能性的确定精度和可信度。
在上述内容的基础上，S4215中的依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性，包括S42151和S42152。
S42151、对所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征进行聚合以得到第三红外热像缺陷描述聚合知识；
S42152、对所述第三红外热像缺陷描述聚合知识进行数值映射处理，得到各个缺陷图片推演结果的量化可能性。
在本发明实施例中，数值映射能够实现对第三红外热像缺陷描述聚合知识的归一化操作，这样可以对第三红外热像缺陷描述聚合知识中的特征值进行全面综合的分析，以准确计算得到缺陷图片推演结果的量化可能性。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，上述详细披露仅作为示例，而并不构成对本发明的限定。虽然此处并没有明确说明，本领域技术人员可以对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议，所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。
同时，本发明使用了特定术语来描述本发明的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明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，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本发明的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外，本领域普通技术人员可以理解的是，本发明的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本发明的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本发明各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如C编程语言，VisualBasic，Fortran2003，Perl，COBOL2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非申请专利范围中明确说明，本发明所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本发明流程和方法的顺序。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，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本发明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装置实现，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行动装置上安装所描述的系统。
同样应当理解的是，为了简化本发明揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本发明实施例的描述中，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，这种披露方法幷不意味着本发明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。
Claims (8)
1.一种应对智慧建筑缺陷检测的图像处理方法，其特征在于，应用于图像处理系统，所述方法包括：
获取触发智慧建筑缺陷检测的第一建筑物红外热像图片，并获取与所述第一建筑物红外热像图片存在联系的第二建筑物红外热像图片；
对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识；
依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识；
结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别；
其中，依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识，包括：
依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识所涵盖的各个第一知识成员与所述第二红外热像缺陷描述知识所涵盖的各个第二知识成员之间的共性度量值；
依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征；
结合所述第一建筑缺陷输出特征和所述第二建筑缺陷输出特征，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识。
2.根据权利要求1所述的方法，其特征在于，对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识，包括：
通过第一描述特征挖掘算子对所述第一建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第一红外热像缺陷描述知识，通过第二描述特征挖掘算子对所述第二建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第二红外热像缺陷描述知识。
3.根据权利要求1所述的方法，其特征在于，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征，包括：依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数；依据所述各个第二知识成员和所述各个第二知识成员针对所述各个第一知识成员的偏心系数，生成所述第一建筑缺陷输出特征；依据所述各个第一知识成员和所述各个第一知识成员针对所述各个第二知识成员的偏心系数，生成所述第二建筑缺陷输出特征；
其中，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数，包括：对所述各个第一知识成员与所述各个第二知识成员之间的共性度量值进行加权平均处理，得到所述各个第二知识成员针对所述各个第一知识成员的偏心系数；依据所述各个第二知识成员针对所述各个第一知识成员的偏心系数，获得所述各个第一知识成员针对所述各个第二知识成员的偏心系数。
4.根据权利要求1所述的方法，其特征在于，结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括：
依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识；
依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别；
其中，依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识，包括：将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，并将所述第二红外热像缺陷描述知识和所述第二建筑缺陷输出特征进行特征聚合操作，生成第二红外热像缺陷描述聚合知识；对所述第一红外热像缺陷描述聚合知识和所述第二红外热像缺陷描述聚合知识进行连接操作，得到所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识；
其中，将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，包括：确定第一置信列表变量和第二置信列表变量；将所述第一红外热像缺陷描述知识与所述第一建筑缺陷输出特征进行联动处理，得到第一中间联动特征知识；调用预设函数对所述第一置信列表变量、所述第二置信列表变量和所述第一中间联动特征知识进行处理，得到所述第一红外热像缺陷描述聚合知识；
其中，依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括：对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性；依据所述各个缺陷图片推演结果的量化可能性，挑选设定数目的缺陷图片推演结果作为与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别；
其中，对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性，包括：通过建筑缺陷推演算子对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析得到第三红外热像缺陷描述知识；确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述第三红外热像缺陷描述知识所涵盖的各个第三知识成员之间的共性度量值；依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述各个第三知识成员之间的共性度量值，确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数；依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员和所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数，生成第三建筑缺陷输出特征；依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性；
其中，依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性，包括：对所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征进行聚合以得到第三红外热像缺陷描述聚合知识；对所述第三红外热像缺陷描述聚合知识进行数值映射处理，得到各个缺陷图片推演结果的量化可能性；
其中，所述量化可能性为分布概率。
5.一种应对智慧建筑缺陷检测的图像处理系统，其特征在于，包括互相之间通信的图像处理系统和红外热像仪；
所述红外热像仪用于对智慧建筑进行检测；
所述图像处理系统用于：
通过所述红外热像仪获取触发智慧建筑缺陷检测的第一建筑物红外热像图片，并获取与所述第一建筑物红外热像图片存在联系的第二建筑物红外热像图片；
对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识；
依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识；
结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别；
其中，依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识，包括：
依据所述第一红外热像缺陷描述知识和所述第二红外热像缺陷描述知识，确定所述第一红外热像缺陷描述知识所涵盖的各个第一知识成员与所述第二红外热像缺陷描述知识所涵盖的各个第二知识成员之间的共性度量值；
依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征；
结合所述第一建筑缺陷输出特征和所述第二建筑缺陷输出特征，确定所述第一红外热像缺陷描述知识与所述第二红外热像缺陷描述知识之间的缺陷状态关联知识。
6.根据权利要求5所述的系统，其特征在于，对所述第一建筑物红外热像图片进行图片描述特征挖掘操作得到第一红外热像缺陷描述知识，对所述第二建筑物红外热像图片进行图片描述特征挖掘操作得到第二红外热像缺陷描述知识，包括：
通过第一描述特征挖掘算子对所述第一建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第一红外热像缺陷描述知识，通过第二描述特征挖掘算子对所述第二建筑物红外热像图片的红外热像图片描述子进行图片描述特征挖掘操作得到所述第二红外热像缺陷描述知识。
7.根据权利要求6所述的系统，其特征在于，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，生成通过所述第二红外热像缺陷描述知识表征所述第一红外热像缺陷描述知识的第一建筑缺陷输出特征，并生成通过所述第一红外热像缺陷描述知识表征所述第二红外热像缺陷描述知识的第二建筑缺陷输出特征，包括：依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数；依据所述各个第二知识成员和所述各个第二知识成员针对所述各个第一知识成员的偏心系数，生成所述第一建筑缺陷输出特征；依据所述各个第一知识成员和所述各个第一知识成员针对所述各个第二知识成员的偏心系数，生成所述第二建筑缺陷输出特征；
其中，依据所述各个第一知识成员与所述各个第二知识成员之间的共性度量值，确定所述各个第二知识成员针对所述各个第一知识成员的偏心系数，以及所述各个第一知识成员针对所述各个第二知识成员的偏心系数，包括：对所述各个第一知识成员与所述各个第二知识成员之间的共性度量值进行加权平均处理，得到所述各个第二知识成员针对所述各个第一知识成员的偏心系数；依据所述各个第二知识成员针对所述各个第一知识成员的偏心系数，获得所述各个第一知识成员针对所述各个第二知识成员的偏心系数。
8.根据权利要求6所述的系统，其特征在于，结合所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括：
依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识；
依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别；
其中，依据所述第一红外热像缺陷描述知识、所述第二红外热像缺陷描述知识和所述缺陷状态关联知识，生成所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识，包括：将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，并将所述第二红外热像缺陷描述知识和所述第二建筑缺陷输出特征进行特征聚合操作，生成第二红外热像缺陷描述聚合知识；对所述第一红外热像缺陷描述聚合知识和所述第二红外热像缺陷描述聚合知识进行连接操作，得到所述第一建筑物红外热像图片和所述第二建筑物红外热像图片对应的全局红外热像缺陷描述知识；
其中，将所述第一红外热像缺陷描述知识和所述第一建筑缺陷输出特征进行特征聚合操作，生成第一红外热像缺陷描述聚合知识，包括：确定第一置信列表变量和第二置信列表变量；将所述第一红外热像缺陷描述知识与所述第一建筑缺陷输出特征进行联动处理，得到第一中间联动特征知识；调用预设函数对所述第一置信列表变量、所述第二置信列表变量和所述第一中间联动特征知识进行处理，得到所述第一红外热像缺陷描述聚合知识；
其中，依据所述全局红外热像缺陷描述知识生成与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别，包括：对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性；依据所述各个缺陷图片推演结果的量化可能性，挑选设定数目的缺陷图片推演结果作为与所述第一建筑物红外热像图片对应的智慧建筑缺陷类别；
其中，对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析，生成各个缺陷图片推演结果的量化可能性，包括：通过建筑缺陷推演算子对所述全局红外热像缺陷描述知识进行建筑缺陷推演分析得到第三红外热像缺陷描述知识；确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述第三红外热像缺陷描述知识所涵盖的各个第三知识成员之间的共性度量值；依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员与所述各个第三知识成员之间的共性度量值，确定所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数；依据所述全局红外热像缺陷描述知识所涵盖的各个知识成员和所述全局红外热像缺陷描述知识所涵盖的各个知识成员针对所述各个第三知识成员的偏心系数，生成第三建筑缺陷输出特征；依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性；
其中，依据所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征，生成各个缺陷图片推演结果的量化可能性，包括：对所述第三红外热像缺陷描述知识和所述第三建筑缺陷输出特征进行聚合以得到第三红外热像缺陷描述聚合知识；对所述第三红外热像缺陷描述聚合知识进行数值映射处理，得到各个缺陷图片推演结果的量化可能性；
其中，所述量化可能性为分布概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310210244.1A CN116245842B (zh) | 2023-03-07 | 2023-03-07 | 应对智慧建筑缺陷检测的图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310210244.1A CN116245842B (zh) | 2023-03-07 | 2023-03-07 | 应对智慧建筑缺陷检测的图像处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116245842A CN116245842A (zh) | 2023-06-09 |
| CN116245842B true CN116245842B (zh) | 2023-11-21 |
Family
ID=86629333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310210244.1A Active CN116245842B (zh) | 2023-03-07 | 2023-03-07 | 应对智慧建筑缺陷检测的图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245842B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464832A (zh) * | 2020-12-01 | 2021-03-09 | 盐城工业职业技术学院 | 一种基于建筑识图和人工智能的数据处理方法及智能设备 |
| CN113567442A (zh) * | 2021-01-04 | 2021-10-29 | 东北林业大学 | 一种基于红外热波及图像处理的窑筒体缺陷在线检测方法 |
| CN114491083A (zh) * | 2022-04-01 | 2022-05-13 | 江苏智云天工科技有限公司 | 工业检测中的知识图库构建方法、知识图库构建装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933647A (zh) * | 2019-02-12 | 2019-06-25 | 北京百度网讯科技有限公司 | 确定描述信息的方法、装置、电子设备和计算机存储介质 |
-
2023
- 2023-03-07 CN CN202310210244.1A patent/CN116245842B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464832A (zh) * | 2020-12-01 | 2021-03-09 | 盐城工业职业技术学院 | 一种基于建筑识图和人工智能的数据处理方法及智能设备 |
| CN113567442A (zh) * | 2021-01-04 | 2021-10-29 | 东北林业大学 | 一种基于红外热波及图像处理的窑筒体缺陷在线检测方法 |
| CN114491083A (zh) * | 2022-04-01 | 2022-05-13 | 江苏智云天工科技有限公司 | 工业检测中的知识图库构建方法、知识图库构建装置 |
Non-Patent Citations (1)
| Title |
|---|
| 红外热像法检测建筑节能缺陷的应用研究;杨晓虹 等;工程质量;第29卷(第03期);第57-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116245842A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490078B (zh) | 监控视频处理方法、装置、计算机设备和存储介质 | |
| US8144920B2 (en) | Automated location estimation using image analysis | |
| CN111242097B (zh) | 一种人脸识别方法、装置、计算机可读介质及电子设备 | |
| CN110390340B (zh) | 特征编码模型、视觉关系检测模型的训练方法及检测方法 | |
| CN108847941B (zh) | 身份认证方法、装置、终端及存储介质 | |
| CN110660102B (zh) | 基于人工智能的说话人识别方法及装置、系统 | |
| CN108229494B (zh) | 网络训练方法、处理方法、装置、存储介质和电子设备 | |
| CN112597864A (zh) | 一种监控视频异常检测方法及装置 | |
| CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
| CN116245842B (zh) | 应对智慧建筑缺陷检测的图像处理方法及系统 | |
| CN112381868A (zh) | 图像深度估计方法和装置、可读存储介质、电子设备 | |
| CN110909889A (zh) | 一种基于特征分布的训练集生成、模型训练方法及装置 | |
| CN112990107A (zh) | 高光谱遥感图像水下目标检测方法、装置及计算机设备 | |
| CN111583417B (zh) | 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质 | |
| KR20220130567A (ko) | 이미지에 포함된 상관된 객체들을 검출하기 위한 방법들, 장치들, 디바이스들, 및 저장 매체 | |
| CN110796003B (zh) | 车道线检测方法、装置及电子设备 | |
| CN117786485A (zh) | 一种自训练方法、系统、装置、电子设备及存储介质 | |
| CN114693554B (zh) | 一种大数据图像处理方法及系统 | |
| CN112607542A (zh) | 电梯控制方法、装置、计算机设备和存储介质 | |
| CN115223157A (zh) | 一种基于循环神经网络的电网设备铭牌光学字符识别方法 | |
| CN114549992A (zh) | 一种跨分辨率的建筑物影像提取方法及装置 | |
| CN113486853A (zh) | 视频检测方法及装置、电子设备和介质 | |
| CN113837230A (zh) | 基于自适应注意力机制的图像描述生成方法 | |
| CN112560700A (zh) | 一种基于动作分析的信息关联方法、装置及电子设备 | |
| CN116030385B (zh) | 一种心肺复苏ai评价系统 |
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 |