CN116448019A - 建筑节能工程质量平面度智能检测装置及方法 - Google Patents
建筑节能工程质量平面度智能检测装置及方法 Download PDFInfo
- Publication number
- CN116448019A CN116448019A CN202310704821.2A CN202310704821A CN116448019A CN 116448019 A CN116448019 A CN 116448019A CN 202310704821 A CN202310704821 A CN 202310704821A CN 116448019 A CN116448019 A CN 116448019A
- Authority
- CN
- China
- Prior art keywords
- flatness
- image
- plane
- feature
- planar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 13
- 238000009413 insulation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种建筑节能工程质量平面度智能检测装置及方法,涉及智能检测领域。该装置包括平面图像采集系统、图像特征分析系统和平面度检测系统,该装置通过摄像头获取待检测建筑结构被检测面的平面拍摄图像,并对图像进行特征分析,得到平面状态特征矩阵,基于该特征矩阵,平面度检测系统可以确定待检测建筑结构的被检测面的平面度是否符合预定要求。本发明能够实现对建筑结构平面度的智能化检测,提高检测效率和准确性。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种建筑节能工程质量平面度智能检测装置及方法。
背景技术
随着城市化进程的不断加快,城市中的各类建筑也日益增多,这些建筑的修建,为人们的日常工作生活提供了更加舒适的场所。建筑节能是在保证建筑结构安全和舒适性的基础上,通过科学、合理的设计和改造,降低建筑物能耗,实现节约能源、减少污染的目标。
在建筑节能工程中,平面度是影响建筑物整体节能效果的重要因素之一。如果建筑物的平面度不符合要求,会导致建筑物表面的热桥效应增大,从而影响建筑物的保温性能,降低建筑物的节能效果。因此,对于建筑节能工程来说,保证建筑物表面的平面度符合要求,是保证建筑物节能效果的重要保障。然而,传统的平面度检测方案主要依靠人工通过仪器进行测量,操作繁琐且测量精度较低,导致建筑物表面的平面度难以符合实际要求,降低了建筑物的节能效果。
因此,期望一种优化的建筑节能工程质量平面度智能检测装置。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种建筑节能工程质量平面度智能检测装置及方法。其可以有效降低热桥效应的影响,提高建筑物的保温性能,同时,也能提高建筑物的防水性能和隔声性能等方面的整体质量,从而优化建筑物的节能效果。
根据本申请的一个方面,提供了一种建筑节能工程质量平面度智能检测装置,其包括:
平面图像采集系统,用于通过摄像头采集待检测建筑结构的被检测面的平面拍摄图像;
图像特征分析系统,用于对所述被检测面的平面拍摄图像进行图像特征分析以得到平面状态特征矩阵;以及
平面度检测系统,用于基于所述平面状态特征矩阵,确定待检测建筑结构的被检测面的平面度是否符合预定要求。
根据本申请的另一个方面,提供了一种建筑节能工程质量平面度智能检测方法,其包括:
通过摄像头采集待检测建筑结构的被检测面的平面拍摄图像;
对所述被检测面的平面拍摄图像进行图像特征分析以得到平面状态特征矩阵;以及
基于所述平面状态特征矩阵,确定待检测建筑结构的被检测面的平面度是否符合预定要求。
与现有技术相比,本申请提供的建筑节能工程质量平面度智能检测装置及其方法,该装置包括平面图像采集系统、图像特征分析系统和平面度检测系统,该装置通过摄像头获取待检测建筑结构被检测面的平面拍摄图像,并对图像进行特征分析,得到平面状态特征矩阵,基于该特征矩阵,平面度检测系统可以确定待检测建筑结构的被检测面的平面度是否符合预定要求。本申请能够实现对建筑结构平面度的智能化检测,提高检测效率和准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的建筑节能工程质量平面度智能检测装置的框图示意图。
图2为根据本申请实施例的建筑节能工程质量平面度智能检测装置中的所述图像特征分析系统的框图示意图。
图3为根据本申请实施例的建筑节能工程质量平面度智能检测装置中的所述图像特征提取模块的框图示意图。
图4为根据本申请实施例的建筑节能工程质量平面度智能检测装置中的所述平面图像特征提取单元的框图示意图。
图5为根据本申请实施例的建筑节能工程质量平面度智能检测装置中的所述空间拓扑提取单元的框图示意图。
图6为根据本申请实施例的建筑节能工程质量平面度智能检测装置中的所述平面度检测系统的框图示意图。
图7为根据本申请实施例的建筑节能工程质量平面度智能检测方法的流程图。
图8为根据本申请实施例的建筑节能工程质量平面度智能检测方法的系统架构的示意图。
图9为根据本申请实施例的建筑节能工程质量平面度智能检测装置的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请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他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。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。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
由于建筑物表面的热桥效应主要是由于表面不平整引起的,因此保证建筑物表面的平面度符合要求,可以有效降低热桥效应的影响,提高建筑物的保温性能。同时,平面度的优化也能提高建筑物的防水性能和隔声性能等方面的整体质量,从而优化建筑物的节能效果。因此,对于建筑物结构的表面平整度检测尤为重要。随着人们对于节能环保的要求越来越高,建筑节能工程的重要性也越来越凸显。因此,采用智能化的平面度检测装置,可以提高建筑物的整体质量,优化节能效果,具有非常重要的意义。
应可以理解,建筑的热桥效应是指建筑物中存在的热量传导路径,导致建筑物内部温度分布不均,从而降低了建筑物的节能性能。具体来说,热桥效应是建筑物中导热系数较高的部位,如墙角、梁柱、窗框等,使得这些部位的热量传导速度较快,导致这些部位的温度高于其他部位,从而形成温度梯度。这种温度梯度会影响建筑物内部的热舒适性和能源消耗。热桥效应会导致建筑物内部温度分布不均,从而增加了建筑物的能源消耗,特别是在冬季供暖和夏季制冷时更为明显;会导致建筑物内部温度分布不均,使得一些部位的温度较高,从而影响建筑物的热舒适性;并且会导致建筑物内部温度分布不均,从而加剧建筑物的热膨胀和收缩,从而影响建筑物的耐久性。总之,建筑的热桥效应是建筑物内部热量传导路径的存在,会导致建筑物内部温度分布不均,从而影响建筑物的节能性能、热舒适性和耐久性。因此,需要采取合理的措施来减少热桥效应对建筑物的影响。
图1为根据本申请实施例的建筑节能工程质量平面度智能检测装置的框图示意图。如图1所示,根据本申请实施例的建筑节能工程质量平面度智能检测装置100,包括:平面图像采集系统110,用于通过摄像头采集待检测建筑结构的被检测面的平面拍摄图像;图像特征分析系统120,用于对所述被检测面的平面拍摄图像进行图像特征分析以得到平面状态特征矩阵;以及,平面度检测系统130,用于基于所述平面状态特征矩阵,确定待检测建筑结构的被检测面的平面度是否符合预定要求。
更具体地,在本申请实施例中,所述平面图像采集系统110,用于通过摄像头采集待检测建筑结构的被检测面的平面拍摄图像。考虑到在实际进行建筑物结构的表面平整度检测过程中,为了确保检测的效率和避免人为误差,在本申请的技术方案中,可以通过摄像头采集待检测建筑结构的被检测面的平面拍摄图像,并利用基于深度学习的机器视觉技术来分析图像中关于建筑物表面的平面度信息,以此来判断该建筑物表面的平面度是否符合预定要求。
在本申请的一个示例中,对于一个墙面进行检测,可以先在摄像头前放置一个标准尺寸的校准板,然后将摄像头对准待检测墙面,进行拍摄,接着,通过对拍摄图像进行处理和分析,可以获取墙面的平面度信息,并进行判断。其中,摄像头的选型需要根据具体的检测要求进行选择。例如,如果需要检测的墙面面积较大,可以选择分辨率较高的摄像头,并将其安装在固定的支架上,以保证拍摄图像的稳定性。如果需要检测的墙面面积较小,可以选择便携式的高清摄像头,可以手持进行拍摄。
此外,还可以根据实际情况选择不同的摄像头类型,如红外摄像头、高速摄像头等,以满足不同的检测需求。红外摄像头可以在夜间或低光环境下使用,因为红外摄像头可以探测到物体发出的红外线辐射,而不是依赖于可见光,这使得红外摄像头有着广泛的应用。而高速摄像头则可以以很高的帧率拍摄。在建筑结构平面度检测中,如果需要捕捉建筑结构运动的细节,可以选择使用高速摄像头,如果需要在低光环境下进行检测,可以选择红外摄像头。当然也可以两种摄像头同时使用或者使用其他摄像头,具体选型还需要根据实际需求进行评估。
更具体地,在本申请实施例中,所述图像特征分析系统120,用于对所述被检测面的平面拍摄图像进行图像特征分析以得到平面状态特征矩阵。可以使用各种图像处理和分析算法来提取特征信息,比如边缘检测、角点检测、纹理分析等等,这些算法可以将图像中的特征信息提取出来,并将其表示为一个矩阵或向量,方便后续的处理和分析。
相应地,在一个具体示例中,如图2所示,所述图像特征分析系统120,包括:图像增强模块121,用于对所述平面拍摄图像进行基于双边滤波的图像增强以得到增强平面拍摄图像;以及,图像特征提取模块122,用于基于深度神经网络模型对所述增强平面拍摄图像进行图像特征提取以得到所述平面状态特征矩阵。
在实际进行所述待检测建筑结构的被检测面的平面拍摄图像的采集过程中,图像可能会受到外界光线和阴影的影响,使得一些检测区域的图像质量较低,且图像中还会存在噪声、模糊或者对比度过低等问题,这会对后续机器视觉算法的表现产生很大的影响,从而影响对于建筑物表面的平面度检测精准度。因此,在本申请的技术方案中,进一步将所述平面拍摄图像进行基于双边滤波的图像增强以得到增强平面拍摄图像。也就是说,由于双边滤波是同时考虑空间域信息和灰度相似性的一种非线性滤波方法,其对于边缘保存有很好的效果,且在高斯滤波的基础上,多了一个基于空间域分布的高斯滤波函数,进而有效地解决了距离较远的像素影响边缘像素的问题,达到保护边缘去除噪声的目的。因此,通过使用基于双边滤波的图像增强技术,可以有效地去除所述平面拍摄图像中的背景噪声并加强图像细节和边缘特征,进而提升图像的对比度和清晰度,使平面度检测算法更容易分析出建筑物表面的微小细节和变化,同时能够保持边缘部分的完整性,避免过度平滑。这样,在后续的平面度检测和计算中,就可以更加准确地分析建筑表面的平面度信息,并作出相应的优化和调整。
值得一提的是,基于双边滤波的图像增强可以在保持图像细节的同时去除图像中的噪声,基本原理是在空域和灰度空间上同时进行滤波,以达到保留边缘信息和去除噪声的效果。具体来说,双边滤波器是一种非线性滤波器,双边滤波器的权值函数由两部分组成:空间域权值和灰度域权值。空间域权值用于保持边缘信息,而灰度域权值用于去除噪声。在进行双边滤波之前,需要先确定滤波器的半径和灰度域标准差。半径决定了滤波器的大小,而灰度域标准差则决定了滤波器对图像灰度值的敏感程度。一般来说,半径越大,滤波器对边缘的保留效果越好,但是计算时间也会增加;灰度域标准差越大,滤波器对噪声的去除效果越好,但是也会导致图像失真。通过双边滤波器的处理,图像中的噪声可以被有效去除,同时图像的细节信息也可以得到保留。
相应地,在一个具体示例中,如图3所示,所述图像特征提取模块122,包括:图像划分单元1221,用于对所述增强平面拍摄图像进行图像块划分以得到多个平面区域块图像;平面图像特征提取单元1222,用于从所述多个平面区域块图像提取平面全局特征矩阵;空间拓扑提取单元1223,用于从所述多个平面区域块图像提取空间拓扑特征矩阵;以及,图关联编码单元1224,用于对所述平面全局特征矩阵和所述空间拓扑特征矩阵进行关联编码以得到所述平面状态特征矩阵。
考虑到由于所述增强平面拍摄图像中关于建筑物表面的平面度信息为小尺度的隐性特征,也就是说,若建筑物表面的平面度不满足要求时,其在图像中所呈现的特征信息为小尺寸的细微特征信息,如果对整体图像进行平面度检测,可能会忽略某些局部区域的平面度偏差,导致检测结果不准确。因此,需要进一步再对所述增强平面拍摄图像进行图像块划分以得到多个平面区域块图像。这样,能够整个平面拍摄图像分解成多个小区域,以便更精确地分析每个小区域的平面度,从而有效地提高了平面检测的准确性和可靠性。
值得一提的是,对所述增强平面拍摄图像进行图像块划分,可以更好地对不同区域的平面度进行分析和比较。可以使用图像处理软件,如OpenCV,来实现图像块划分,通过指定每个块的大小和重叠度,以便得到适合需求的图像块。
使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的平面特征提取器来分别进行所述多个平面区域块图像的特征挖掘,以此来分别提取出所述各个平面区域块图像中关于建筑物表面平面度的隐含特征分布信息,从而得到多个平面区域块特征向量。这里,通过使用所述卷积神经网络模型作为特征提取器,可以有效地捕捉到图像中每个局部区域中关于建筑物表面的形态、结构和纹理等特征,以便更准确地描述和评估图像中该区域的平面度信息。
相应地,在一个具体示例中,如图4所示,所述平面图像特征提取单元1222,包括:平面局部区域特征刻画子单元12221,用于分别对所述多个平面区域块图像进行图像特征提取以得到多个平面区域块特征向量;以及,矩阵化排列子单元12222,用于将所述多个平面区域块特征向量排列为所述平面全局特征矩阵。
相应地,在一个具体示例中,所述平面局部区域特征刻画子单元12221,用于:将所述多个平面区域块图像分别通过基于卷积神经网络模型的平面特征提取器以得到多个平面区域块特征向量。基于卷积神经网络模型的平面特征提取器是一种深度学习模型,可以对图像中的特征进行提取和学习。在平面特征提取器中,卷积神经网络(ConvolutionalNeural Network,CNN)是最常用的模型之一。卷积神经网络在图像处理中表现出色,因为卷积神经网络可以自动学习图像中的特征,例如边缘、纹理和形状等。卷积神经网络可以处理大量的数据,并且可以自动学习特征,从而减少了手动特征提取的工作量。
卷积神经网络通常由多个卷积层、池化层和全连接层组成。在卷积层中,卷积神经网络使用卷积核对输入图像进行卷积操作,以提取图像的特征。在池化层中,卷积神经网络使用池化操作来减小图像的尺寸,并且可以减少图像中的噪声。在全连接层中,卷积神经网络将卷积层和池化层中提取的特征连接起来,并将所提取的特征转换为一个向量,以便进行分类或回归等任务。
通过使用基于卷积神经网络模型的平面特征提取器,可以从多个平面区域块图像中提取出特征向量。这些特征向量可以用于后续的分析和处理,例如分类、聚类、回归等。卷积神经网络具有自动学习特征的能力,因此可以更好地处理复杂的图像特征,并且可以避免手动特征提取的繁琐工作。
相应地,在一个具体示例中,如图5所示,所述空间拓扑提取单元1223,包括:空间拓扑输入矩阵构造子单元12231,用于计算所述多个平面区域块图像中每两个平面区域块图像之间的欧式距离以得到由多个欧式距离排列而成的空间拓扑输入矩阵;以及,平面区域块特征关联子单元12232,用于将所述空间拓扑输入矩阵通过基于卷积神经网络模型的空间拓扑特征提取器以得到空间拓扑特征矩阵。
应可以理解,欧氏距离(Euclidean distance)是指在欧几里得空间中两点间的距离,也就是两点之间的直线距离。计算所得到的所述空间拓扑输入矩阵可以用于提取空间拓扑特征,进而用于建立建筑物表面平整度的检测模型。
由于所述各个平面区域块图像中关于建筑物表面的平面度特征信息之间具有着关联关系,并且还考虑到由于所述建筑物表面的平面度特征通常为小尺度的隐性特征信息,难以进行充分检测。因此,进一步计算所述多个平面区域块图像中每两个平面区域块图像之间的欧式距离以得到由多个欧式距离排列而成的空间拓扑输入矩阵,以此来表示每两个平面区域块图像中关于该建筑物表面的平面度特征之间的差异性程度。也就是说,所述各个欧式距离反映了图像中不同局部区域之间的相互关系,以及在平面度方面的相对差异,有利于后续对于平面度的检测评估。
进一步再将所述空间拓扑输入矩阵通过基于卷积神经网络模型的空间拓扑特征提取器以得到空间拓扑特征矩阵,从而通过所述基于卷积神经网络模型的空间拓扑特征提取器来提取出所述各个平面区域块图像中关于建筑物表面的平面度特征之间的差异性关联特征信息,即所述平面拍摄图像中的各个局部区域之间关于建筑物表面的平面度差异性关联拓扑特征信息。
相应地,在一个具体示例中,所述图关联编码单元1224,用于:将所述平面全局特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到平面状态特征矩阵。以所述各个平面区域块特征向量作为节点的特征表示,而以所述空间拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个平面区域块特征向量经二维排列得到的平面全局特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到平面状态特征矩阵。具体地,所述图神经网络模型通过可学习的神经网络参数对所述平面全局特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的差异性关联拓扑特征和建筑物表面各个局部区域的平面度特征信息的所述平面状态特征矩阵。
应可以理解,图神经网络(Graph Neural Network,GNN)与传统的神经网络模型不同,图神经网络可以处理非欧几里得空间中的数据,比如社交网络、化学分子等。图神经网络的基本思想是将节点和边作为模型的输入,通过对节点和边的特征进行学习和推理,来实现特征提取和预测。
更具体地,在本申请实施例中,所述平面度检测系统130,用于基于所述平面状态特征矩阵,确定待检测建筑结构的被检测面的平面度是否符合预定要求。如果不符合要求,就需要对其进行修整或重新施工,以确保整体质量。
相应地,在一个具体示例中,如图6所示,所述平面度检测系统130,包括:特征分布优化模块131,用于对所述平面状态特征矩阵进行特征分布优化以得到优化平面状态特征矩阵;以及,平面度评估单元132,用于将所述优化平面状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待检测建筑结构的被检测面的平面度是否符合预定要求。
特别地,在本申请的技术方案中,对于将所述平面全局特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型得到的所述平面状态特征矩阵,其与每个平面区域块特征向量对应的行特征向量是平面区域块图像的图像语义特征在各个平面区域块图像的图像语义相似性拓扑下的关联表达,因此所述平面状态特征矩阵可以看作为各个行特征向量对应的局部特征集合的组合特征集合。另外,由于通过图神经网络模型,各个行特征向量的图像语义特征具有了相对于所述增强平面拍摄图像的图像整体的各个图像块的图像语义信息关联关系,因此,所述各个行特征向量除了具有相互关联的邻域分布关系外,还具有对应于所述增强平面拍摄图像的整体图像语义的分块分布信息的多源信息关联关系。
由此,为了提升所述平面状态特征矩阵对于所述增强平面拍摄图像的整体图像语义的特征分布关联和信息关联效果,对所述平面状态特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化,以获得优化后的特征值。
相应地,在一个具体示例中,所述特征分布优化模块131,用于:以如下优化公式对所述平面状态特征矩阵进行空间多源融合验前信息分布优化以得到所述优化平面状态特征矩阵;其中,所述优化公式为:
其中,m和n为邻域设置超参数,且当k或者j小于等于零或者大于所述平面状态特征矩阵的宽度或者高度时,特征值mk,l设置为零或者一,log表示以2为底的对数函数,/>是所述优化平面状态特征矩阵的第(i,j)位置的特征值。
这里,所述空间多源融合验前信息分布优化可以对于由所述平面状态特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合,进行基于特征空间分布融合的稳健性类极大似然估计,来实现特征局部集合各自的多源验前信息到特征全局集合的有效折合,并通过多源情况下的验前信息分布构建,来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式,以提升所述平面状态特征矩阵对于所述增强平面拍摄图像的整体图像语义的特征分布关联和信息关联效果,从而提升所述平面状态特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地对于建筑物结构表面的平面度进行检测,以降低热桥效应的影响,提高建筑物的保温性能且优化建筑物的节能效果。
空间多源融合验前信息分布优化是指在进行空间多源融合前,对各个数据源的信息分布进行优化,以提高融合后的精度和效果。具体包括:数据预处理,对各个数据源进行预处理,包括去噪、校正、配准等,以保证各个数据源之间的一致性和准确性;信息提取,从各个数据源中提取出有用的信息,包括特征、属性、空间位置等,以便后续的融合处理;信息分析,对各个数据源提取出的信息进行分析和比较,确定各个数据源的权重和贡献度,以便后续的融合处理;信息融合,将各个数据源提取出的信息进行融合,得到更准确、更完整的信息结果。通过空间多源融合验前信息分布优化,可以有效地提高空间多源数据的综合利用效率和精度,从而提供更加可靠的数据支持。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
分类器是一种机器学习算法,用于将数据集中的数据点分成不同的类别,分类器可以根据输入数据的特征来预测其所属的类别。分类器通常基于训练数据来构建一个模型,该模型可以用于对新的数据进行分类。常见的分类器包括决策树、支持向量机、朴素贝叶斯、逻辑回归等。
也就是,在本申请的技术方案中,所述分类器的标签包括待检测建筑结构的被检测面的平面度符合预定要求(第一标签),以及,待检测建筑结构的被检测面的平面度不符合预定要求(第二标签),其中,所述分类器通过软最大值函数来确定所述优化平面状态特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待检测建筑结构的被检测面的平面度是否符合预定要求”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,待检测建筑结构的被检测面的平面度是否符合预定要求的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待检测建筑结构的被检测面的平面度是否符合预定要求”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为待检测建筑结构的被检测面的平面度是否符合预定要求的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来对于建筑物结构表面的平面度进行检测,以降低热桥效应的影响,提高建筑物的保温性能和建筑物的节能效果。
综上,基于本申请实施例的建筑节能工程质量平面度智能检测装置100被阐明,其可以有效降低热桥效应的影响,提高建筑物的保温性能,同时,也能提高建筑物的防水性能和隔声性能等方面的整体质量,从而优化建筑物的节能效果。
如上所述,根据本申请实施例的基于本申请实施例的建筑节能工程质量平面度智能检测装置100可以实现在各种终端设备中,例如具有基于本申请实施例的建筑节能工程质量平面度智能检测算法的服务器等。在一个示例中,基于本申请实施例的建筑节能工程质量平面度智能检测装置100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的建筑节能工程质量平面度智能检测装置100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的建筑节能工程质量平面度智能检测装置100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的建筑节能工程质量平面度智能检测装置100与该终端设备也可以是分立的设备,并且该建筑节能工程质量平面度智能检测装置100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图7为根据本申请实施例的建筑节能工程质量平面度智能检测方法的流程图。图8为根据本申请实施例的建筑节能工程质量平面度智能检测方法的系统架构的示意图。如图7和图8所示,根据本申请实施例的建筑节能工程质量平面度智能检测方法,其包括:S110,通过摄像头采集待检测建筑结构的被检测面的平面拍摄图像;S120,对所述被检测面的平面拍摄图像进行图像特征分析以得到平面状态特征矩阵;以及,S130,基于所述平面状态特征矩阵,确定待检测建筑结构的被检测面的平面度是否符合预定要求。
这里,本领域技术人员可以理解,上述建筑节能工程质量平面度智能检测方法中的各个步骤的具体操作已经在上面参考图1到图6的建筑节能工程质量平面度智能检测装置100的描述中得到了详细介绍,并因此,将省略其重复描述。
图9为根据本申请实施例的建筑节能工程质量平面度智能检测装置的应用场景图。如图9所示,在该应用场景中,首先,通过摄像头(例如,图9中所示意的C)采集待检测建筑结构的被检测面的平面拍摄图像(例如,图9中所示意的D),然后,将所述被检测面的平面拍摄图像输入至部署有建筑节能工程质量平面度智能检测算法的服务器中(例如,图9中所示意的S),其中,所述服务器能够使用所述建筑节能工程质量平面度智能检测算法对所述被检测面的平面拍摄图像进行处理以得到用于表示待检测建筑结构的被检测面的平面度是否符合预定要求的分类结果。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (8)
1.一种建筑节能工程质量平面度智能检测装置,其特征在于,包括:
平面图像采集系统,用于通过摄像头采集待检测建筑结构的被检测面的平面拍摄图像;
图像特征分析系统,用于对所述被检测面的平面拍摄图像进行图像特征分析以得到平面状态特征矩阵;以及
平面度检测系统,用于基于所述平面状态特征矩阵,确定待检测建筑结构的被检测面的平面度是否符合预定要求;
其中,所述图像特征分析系统,包括:
图像增强模块,用于对所述平面拍摄图像进行基于双边滤波的图像增强以得到增强平面拍摄图像;以及
图像特征提取模块,用于基于深度神经网络模型对所述增强平面拍摄图像进行图像特征提取以得到所述平面状态特征矩阵;
其中,所述图像特征提取模块,包括:
图像划分单元,用于对所述增强平面拍摄图像进行图像块划分以得到多个平面区域块图像;
平面图像特征提取单元,用于从所述多个平面区域块图像提取平面全局特征矩阵;
空间拓扑提取单元,用于从所述多个平面区域块图像提取空间拓扑特征矩阵;以及
图关联编码单元,用于对所述平面全局特征矩阵和所述空间拓扑特征矩阵进行关联编码以得到所述平面状态特征矩阵。
2.根据权利要求1所述的建筑节能工程质量平面度智能检测装置,其特征在于,所述平面图像特征提取单元,包括:
平面局部区域特征刻画子单元,用于分别对所述多个平面区域块图像进行图像特征提取以得到多个平面区域块特征向量;以及
矩阵化排列子单元,用于将所述多个平面区域块特征向量排列为所述平面全局特征矩阵。
3.根据权利要求2所述的建筑节能工程质量平面度智能检测装置,其特征在于,所述平面局部区域特征刻画子单元,用于:将所述多个平面区域块图像分别通过基于卷积神经网络模型的平面特征提取器以得到多个平面区域块特征向量。
4.根据权利要求3所述的建筑节能工程质量平面度智能检测装置,其特征在于,所述空间拓扑提取单元,包括:
空间拓扑输入矩阵构造子单元,用于计算所述多个平面区域块图像中每两个平面区域块图像之间的欧式距离以得到由多个欧式距离排列而成的空间拓扑输入矩阵;以及
平面区域块特征关联子单元,用于将所述空间拓扑输入矩阵通过基于卷积神经网络模型的空间拓扑特征提取器以得到空间拓扑特征矩阵。
5.根据权利要求4所述的建筑节能工程质量平面度智能检测装置,其特征在于,所述图关联编码单元,用于:将所述平面全局特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到平面状态特征矩阵。
6.根据权利要求5所述的建筑节能工程质量平面度智能检测装置,其特征在于,所述平面度检测系统,包括:
特征分布优化模块,用于对所述平面状态特征矩阵进行特征分布优化以得到优化平面状态特征矩阵;以及
平面度评估单元,用于将所述优化平面状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待检测建筑结构的被检测面的平面度是否符合预定要求。
7.根据权利要求6所述的建筑节能工程质量平面度智能检测装置,其特征在于,所述特征分布优化模块,用于:
以如下优化公式对所述平面状态特征矩阵进行空间多源融合验前信息分布优化以得到所述优化平面状态特征矩阵;
其中,所述优化公式为:
其中,m和n为邻域设置超参数,且当k或者j小于等于零或者大于所述平面状态特征矩阵的宽度或者高度时,特征值mk,l设置为零或者一,log表示以2为底的对数函数,/>是所述优化平面状态特征矩阵的第(i,j)位置的特征值。
8.一种建筑节能工程质量平面度智能检测方法,用于如权利要求1-7任一项所述的建筑节能工程质量平面度智能检测装置,其特征在于,包括:
通过摄像头采集待检测建筑结构的被检测面的平面拍摄图像;
对所述被检测面的平面拍摄图像进行图像特征分析以得到平面状态特征矩阵;以及
基于所述平面状态特征矩阵,确定待检测建筑结构的被检测面的平面度是否符合预定要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310704821.2A CN116448019B (zh) | 2023-06-14 | 2023-06-14 | 建筑节能工程质量平面度智能检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310704821.2A CN116448019B (zh) | 2023-06-14 | 2023-06-14 | 建筑节能工程质量平面度智能检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116448019A true CN116448019A (zh) | 2023-07-18 |
CN116448019B CN116448019B (zh) | 2023-08-25 |
Family
ID=87122289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310704821.2A Active CN116448019B (zh) | 2023-06-14 | 2023-06-14 | 建筑节能工程质量平面度智能检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116448019B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114627A (zh) * | 2023-10-18 | 2023-11-24 | 日照市自然资源和规划局 | 土地资源管理系统 |
CN117132600A (zh) * | 2023-10-26 | 2023-11-28 | 广东岚瑞新材料科技集团有限公司 | 基于图像的注塑制品质量检测系统及其方法 |
CN117494056A (zh) * | 2023-12-29 | 2024-02-02 | 长春黄金设计院有限公司 | 基于大数据技术的设备故障预警系统及方法 |
CN117889789A (zh) * | 2024-03-15 | 2024-04-16 | 浙江建投数字技术有限公司 | 一种建筑墙面平整度检测方法和系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000008415A1 (en) * | 1998-08-05 | 2000-02-17 | Cadent Ltd. | Imaging a three-dimensional structure by confocal focussing an array of light beams |
CN101669022A (zh) * | 2007-03-19 | 2010-03-10 | Sms康卡斯特股份公司 | 用于识别冶金产品尤其连铸产品和轧制产品的表面特征的方法以及用于实施该方法的装置 |
US20140136557A1 (en) * | 2012-10-11 | 2014-05-15 | Scott E. Lilienthal | Multivariate data analysis method |
WO2017067615A1 (en) * | 2015-10-23 | 2017-04-27 | Nec Europe Ltd. | Method and system for supporting detection of irregularities in a network |
CN107067041A (zh) * | 2017-05-16 | 2017-08-18 | 国网四川省电力公司电力科学研究院 | 一种基于高频局放信号图的电缆绝缘缺陷状态评估方法 |
US20180187409A1 (en) * | 2017-01-04 | 2018-07-05 | Thomas Williams | System and Method for Finding Dents on an Automobile using a Booth |
JP2019045922A (ja) * | 2017-08-30 | 2019-03-22 | 株式会社ネクスコ・エンジニアリング北海道 | 変状箇所検出装置、変状箇所検出プログラムおよび変状箇所検出方法 |
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
CN115081536A (zh) * | 2022-07-08 | 2022-09-20 | 徐州锐尔五金工具制造有限公司 | 五金产品工件硬度调质的热处理装置及其热处理方法 |
CN115471732A (zh) * | 2022-09-19 | 2022-12-13 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
CN115861807A (zh) * | 2022-12-02 | 2023-03-28 | 中建新疆建工集团第三建设工程有限公司 | 建筑机械领域的墙面粉刷设备及其控制方法 |
CN116250849A (zh) * | 2022-12-06 | 2023-06-13 | 重庆邮电大学 | 一种基于信息分离器和区域卷积网络的脑电信号识别方法 |
-
2023
- 2023-06-14 CN CN202310704821.2A patent/CN116448019B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000008415A1 (en) * | 1998-08-05 | 2000-02-17 | Cadent Ltd. | Imaging a three-dimensional structure by confocal focussing an array of light beams |
CN101669022A (zh) * | 2007-03-19 | 2010-03-10 | Sms康卡斯特股份公司 | 用于识别冶金产品尤其连铸产品和轧制产品的表面特征的方法以及用于实施该方法的装置 |
US20140136557A1 (en) * | 2012-10-11 | 2014-05-15 | Scott E. Lilienthal | Multivariate data analysis method |
WO2017067615A1 (en) * | 2015-10-23 | 2017-04-27 | Nec Europe Ltd. | Method and system for supporting detection of irregularities in a network |
US20180187409A1 (en) * | 2017-01-04 | 2018-07-05 | Thomas Williams | System and Method for Finding Dents on an Automobile using a Booth |
CN107067041A (zh) * | 2017-05-16 | 2017-08-18 | 国网四川省电力公司电力科学研究院 | 一种基于高频局放信号图的电缆绝缘缺陷状态评估方法 |
JP2019045922A (ja) * | 2017-08-30 | 2019-03-22 | 株式会社ネクスコ・エンジニアリング北海道 | 変状箇所検出装置、変状箇所検出プログラムおよび変状箇所検出方法 |
US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
CN115081536A (zh) * | 2022-07-08 | 2022-09-20 | 徐州锐尔五金工具制造有限公司 | 五金产品工件硬度调质的热处理装置及其热处理方法 |
CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
CN115471732A (zh) * | 2022-09-19 | 2022-12-13 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
CN115861807A (zh) * | 2022-12-02 | 2023-03-28 | 中建新疆建工集团第三建设工程有限公司 | 建筑机械领域的墙面粉刷设备及其控制方法 |
CN116250849A (zh) * | 2022-12-06 | 2023-06-13 | 重庆邮电大学 | 一种基于信息分离器和区域卷积网络的脑电信号识别方法 |
Non-Patent Citations (3)
Title |
---|
朱大昌;占旺虎;贺香华;赖俊豪;杨家谋;: "基于运动误差约束的平面定位平台拓扑优化设计", 组合机床与自动化加工技术, no. 05 * |
王乐思;: "综合管廊管线线路破损状态监测预警模型", 计算机仿真, no. 05 * |
黄海波;李人宪;黄晓蓉;杨明亮;丁渭平;: "基于样本熵与ELM-Adaboost的悬架减振器异响声品质预测", 振动与冲击, no. 13 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114627A (zh) * | 2023-10-18 | 2023-11-24 | 日照市自然资源和规划局 | 土地资源管理系统 |
CN117132600A (zh) * | 2023-10-26 | 2023-11-28 | 广东岚瑞新材料科技集团有限公司 | 基于图像的注塑制品质量检测系统及其方法 |
CN117132600B (zh) * | 2023-10-26 | 2024-04-16 | 广东岚瑞新材料科技集团有限公司 | 基于图像的注塑制品质量检测系统及其方法 |
CN117494056A (zh) * | 2023-12-29 | 2024-02-02 | 长春黄金设计院有限公司 | 基于大数据技术的设备故障预警系统及方法 |
CN117494056B (zh) * | 2023-12-29 | 2024-03-22 | 长春黄金设计院有限公司 | 基于大数据技术的设备故障预警系统及方法 |
CN117889789A (zh) * | 2024-03-15 | 2024-04-16 | 浙江建投数字技术有限公司 | 一种建筑墙面平整度检测方法和系统 |
CN117889789B (zh) * | 2024-03-15 | 2024-06-04 | 浙江建投数字技术有限公司 | 一种建筑墙面平整度检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116448019B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116448019B (zh) | 建筑节能工程质量平面度智能检测装置及方法 | |
CN109697435B (zh) | 人流量监测方法、装置、存储介质及设备 | |
CN108596053B (zh) | 一种基于ssd和车辆姿态分类的车辆检测方法和系统 | |
CN110070074B (zh) | 一种构建行人检测模型的方法 | |
CN106096561B (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
CN111259786B (zh) | 一种基于视频的外观和运动信息同步增强的行人重识别方法 | |
CN107506703B (zh) | 一种基于无监督局部度量学习和重排序的行人再识别方法 | |
WO2019140767A1 (zh) | 安检识别系统及其控制方法 | |
CN109800692B (zh) | 一种基于预训练卷积神经网络的视觉slam回环检测方法 | |
CN111160407B (zh) | 一种深度学习目标检测方法及系统 | |
US11816149B2 (en) | Electronic device and control method thereof | |
CN110781829A (zh) | 一种轻量级深度学习的智慧营业厅人脸识别方法 | |
CN110298297A (zh) | 火焰识别方法和装置 | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN112884742A (zh) | 一种基于多算法融合的多目标实时检测、识别及跟踪方法 | |
CN112991269A (zh) | 一种肺部ct图像的识别分类方法 | |
CN110443279B (zh) | 一种基于轻量级神经网络的无人机图像车辆检测方法 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN111275010A (zh) | 一种基于计算机视觉的行人重识别方法 | |
CN112364747B (zh) | 一种有限样本下的目标检测方法 | |
CN110751005B (zh) | 融合深度感知特征和核极限学习机的行人检测方法 | |
CN108257148B (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 | |
CN116796248A (zh) | 森林康养环境评估系统及其方法 | |
CN117173595A (zh) | 基于改进YOLOv7的无人机航拍图像目标检测方法 | |
CN111797795A (zh) | 一种基于YOLOv3与SSR的行人检测算法 |
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 |