CN116818830B - 一种低碳建筑材料的保温隔热性能检测方法 - Google Patents
一种低碳建筑材料的保温隔热性能检测方法 Download PDFInfo
- Publication number
- CN116818830B CN116818830B CN202311091500.6A CN202311091500A CN116818830B CN 116818830 B CN116818830 B CN 116818830B CN 202311091500 A CN202311091500 A CN 202311091500A CN 116818830 B CN116818830 B CN 116818830B
- Authority
- CN
- China
- Prior art keywords
- area
- value
- heat preservation
- temperature
- building 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.)
- Active
Links
- 238000009413 insulation Methods 0.000 title claims abstract description 83
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 59
- 239000004566 building material Substances 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title abstract description 17
- 238000004321 preservation Methods 0.000 claims abstract description 140
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 239000000463 material Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 10
- 239000012774 insulation material Substances 0.000 claims description 8
- 230000001788 irregular Effects 0.000 claims description 8
- 241000287196 Asthenes Species 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- 238000009529 body temperature measurement Methods 0.000 abstract description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及温度测量分析技术领域,具体公开了一种低碳建筑材料的保温隔热性能检测方法,该方法对待检测低碳建筑材料的连续帧建筑保温区域图像进行分析,获得污渍区域可能性和窗口区域可能性;确定每个像素点的温度可信度;根据温度值差异、室内温度稳定性计算保温隔热性能值;将保温隔热性能值与预设阈值进行比较,确定检测结果是否合格。分析建筑保温区域图像中不需要保温的污渍区域、窗口区域,确定温度可信度,基于室内温度及热力温度差异确定室内温度稳定性,将室内温度稳定性作为评价低碳建筑材料的保温隔热性能的重要参数。本发明提高了保温隔热性能检测的准确性。
Description
技术领域
本发明涉及温度测量分析技术领域,尤其涉及一种低碳建筑材料的保温隔热性能检测方法。
背景技术
在进行低碳建筑材料的保温隔热性能检测时,大多使用红外热图进行分析,可是在进行分析时往往会存在众多的干扰因素,进而使得根据红外热图获取的低碳建筑材料的保温隔热性能并不准确,尤其是在建筑表面存在污渍等区域会严重影响获取的保温隔热性能的准确性,同时在检测时,室内温度的稳定性即各个区域温度值差异也会影响检测结果,故需要考虑上述因素才可获取较为准确的检测结果。
发明内容
本发明提供一种低碳建筑材料的保温隔热性能检测方法,旨在提高保温隔热性能检测的准确性。
为实现上述目的,本发明提供一种低碳建筑材料的保温隔热性能检测方法,所述方法包括:
对待检测低碳建筑材料所在外墙的连续帧的建筑保温区域图像进行分析,获得所述建筑保温区域图像中各个区域的污渍区域可能性和窗口区域可能性;
基于所述污渍区域可能性和窗口区域可能性确定各个区域中每个像素点的温度可信度;
获取传感器测定的室内温度值,计算所述室内温度值与建筑保温区域图像中对应区域的热力温度值的温度值差值,基于所述温度可信度和所述温度值差值确定像素点的温度值差异;
根据所述温度值差异以及室内温度稳定性计算待检测低碳建筑保温材料的保温隔热性能值;
将所述保温隔热性能值与预设阈值进行比较,基于比较结果确定所述待检测低碳建筑保温材料是否合格。
可选地,所述获得所述建筑保温区域图像中各个区域为污渍区域可能性和窗口区域可能性包括:
确定所述建筑保温区域图像中各个像素点的污渍干扰区可能性;
基于所述污渍干扰区可能性以及各个区域的第一轮廓相似度确定各个区域是污渍区的污渍区域可能性;
获取连续帧的建筑保温区域图像中各个区域与相邻区域的灰度值差值,并计算灰度值差值均值;
确定各个区域在每一张建筑保温区域图像中的第二轮廓相似度;
基于所述灰度值差值均值、第二轮廓相似度以及各个区域的区域轮廓拟合矩形的拟合程度计算各个区域为窗口区域的窗口区域可能性。
可选地,所述确定所述建筑保温区域图像中各个像素点的污渍干扰区可能性包括:
获取所述建筑保温区域图像的最大热力温度值,基于所述最大热力温度值与各个像素点的热力温度值差值获得热力值差值图像;
对所述热力值差值图像进行显著性分析和连通域分析,获得各个像素点的显著值,并计算所述连通域的区域轮廓不规则程度;
基于所述区域轮廓不规则程度、连通域的显著性均值以及连通域的面积计算各个像素点是污渍干扰区的污渍干扰区可能性。
可选地,所述根据所述温度值差异以及室内温度稳定性计算待检测低碳建筑保温材料的保温隔热性能值之前,还包括:
基于连续帧的建筑保温区域图像的室内温度值与热力温度值确定传感器温度稳定性;
基于所述传感器温度稳定性、温度传感器数量、以及温度传感器之间的温度差值确定室内温度稳定性。
可选地,所述基于连续帧的建筑保温区域图像的室内温度值与热力温度值确定传感器温度稳定性包括:将传感器获得的室内温度值标记至对应时刻的建筑保温区域图像中,确定每张建筑保温区域图像的室内温度归一值;
确定预设范围内像素点的热力值的热力值均值,并获得所述热力值均值的热力值均值归一值;
计算所述室内温度归一值与对应时刻的热力值均值归一值的归一值差值,对所有连续帧的建筑保温区域图像的归一值差值进行求和,将求和结果除以建筑保温区域图像个数的结果确定为所述传感器温度稳定性。
可选地,所述根据所述温度值差异以及室内温度稳定性计算待检测低碳建筑保温材料的保温隔热性能值包括:
计算当前建筑保温区域图像对应的当前时间与初始建筑保温区域图像对应的初始时间的时间差异;
计算当前建筑保温区域图像对应的当前温度与初始建筑保温区域图像对应的初始时间的初始热力值温度的温度值差异;
确定所述时间差异与所述温度值差异的差异比值;
计算初始时间的室内温度稳定性与当前时间的室内温度稳定性之间的室内温度稳定性差值,获取所述室内温度稳定性差值的绝对值;
对各个时间的室内温度稳定性与室内温度稳定性差值的绝对值的乘积进行求和,获得求和结果;
计算求和结果与温度传感器数量的稳定性比值;
将所述差异比值与所述稳定性比值的乘积确定为所述待检测低碳建筑保温材料的保温隔热性能值。
可选地,所述对待检测低碳建筑材料所在外墙的连续帧的建筑保温区域图像进行分析,获得图像中各个区域为污渍区域可能性和窗口区域可能性之前,还包括:
通过红外热成像仪连续获取待检测低碳建筑材料所在墙体的红外热图像,将所述红外热图像进行语义分割,获得所述建筑保温区域图像。
可选地,所述将所述保温隔热性能值与预设阈值进行比较,基于比较结果确定所述待检测低碳建筑保温材料是否合格包括:
比较所述保温隔热性能值与预设阈值的大小;
若所述保温隔热性能值小于所述预设阈值,则确定待检测低碳建筑保温材料合格。
可选地,所述预设阈值设置为0.8。
可选地,所述基于所述区域轮廓不规则程度、连通域的显著性均值以及连通域的面积计算各个像素点是污渍干扰区的污渍干扰区可能性包括:
其中,表示像素点所在的连通域的区域轮廓不规则程度,R表示像素点的显著值,S表示面积参数,/>表示污渍干扰区可能性。
相比现有技术,本发明提出的一种低碳建筑材料的保温隔热性能检测方法,该方法包括对待检测低碳建筑材料所在外墙的连续帧的建筑保温区域图像进行分析,获得所述建筑保温区域图像中各个区域为污渍区域可能性和窗口区域可能性;基于所述污渍区域可能性和窗口区域可能性确定各个区域中每个像素点的温度可信度;获取传感器测定的室内温度值,计算所述室内温度值与建筑保温区域图像中对应区域的热力温度值的温度值差值,基于所述温度可信度和所述温度值差值确定像素点的温度值差异;根据所述温度值差异以及室内温度稳定性计算待检测低碳建筑保温材料的保温隔热性能值;将所述保温隔热性能值与预设阈值进行比较,基于比较结果确定所述待检测低碳建筑保温材料是否合格。如此,通过分析建筑保温区域图像中不需要保温的污渍区域、窗口区域,从而确定温度可信度。再基于室内温度及热力温度值差异确定室内温度稳定性,将室内温度稳定性作为评价低碳建筑材料的保温隔热性能的重要参数,从而提高了保温隔热性能检测的准确性。
附图说明
图1是本发明低碳建筑材料的保温隔热性能检测方法一实施例的流程示意图;
图2是本发明低碳建筑材料的保温隔热性能检测方法一实施例的细化流程示意图;
图3是本发明低碳建筑材料的保温隔热性能检测方法以三实施例的又一流程示意图。
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。
请参照图1,图1是本发明低碳建筑材料的保温隔热性能检测方法,一实施例的流程示意图。
如图1所示,本发明第一实施例提出一种低碳建筑材料的保温隔热性能检测方法,所述方法包括:
步骤S101,对待检测低碳建筑材料所在外墙的连续帧的建筑保温区域图像进行分析,获得所述建筑保温区域图像中各个区域为污渍区域可能性和窗口区域可能性;
本实施例预先通过红外热成像仪连续获取待检测低碳建筑材料所在墙体的红外热图像,获得连续帧的红外热图像,将所述红外热图像进行语义分割,获得所述建筑保温区域图像。红外热像仪是一种利用红外热成像技术,通过对标的物的红外辐射探测,并加以信号处理、光电转换等手段,将标的物的温度分布的图像转换成可视图像的设备。通过红外热成像设备在预设时间段内按预设时间间隔连续拍摄待检测低碳待检测低碳建筑材料所在墙体的红外热图像,其中,预设时间段根据需要设置,例如6:00--20:00,连续拍摄的预设时间间隔也基于实际要求灵活设置,例如将时间间隔设置为1h。
可以理解地,获得的红外热图像中温度分布不均匀,但是由于干扰因素会造成温度异常区域,使得各个区域的温度不能准确反应出低碳建筑材料的保温隔热性能,因此需要根据连续获得的红外热图像分析墙体温度的连续变化,从而确定温度异常区域,并进一步分析温度异常区域是污渍区域与或者窗口区域。本实施例可以基于公知技术中的语义分割网络U-net网络对红外热图像进行语义分割,通过U-net网络输出仅包含建筑墙体的建筑保温区域图像。在对U-net网络进行训练时,将训练图像中建筑保温墙区域标记为1,其它区域标记为0;网络损失函数可使用交叉熵损失函数。在基于建筑保温区域图像进行分析,各个区域是污渍干扰区域或者窗口区域。
参照图2,图2是本发明低碳建筑材料的保温隔热性能检测方法一实施例的细化流程示意图,如图2所示,所述获得所述建筑保温区域图像中各个区域为污渍区域可能性和窗口区域可能性/>包括:
步骤S1011,确定所述建筑保温区域图像中各个像素点的污渍干扰区可能性;
可以理解地,墙体表面的灰尘、泥土、树叶等遮挡物可能会影响红外热图的表面温度读数,导致检测误差。本实施例将被灰尘、泥土、树叶等遮挡物的区域标记为污渍区域。一般地,由于污渍的存在会使得被遮挡区域的温度低于周围的非污渍区域。本实施例在分析连续热力图像,获取其中温度变化较慢且较低的区域。
由于污渍干扰区域的存在,使得获取的红外热力图像在一开始时,对应区域温度值便与其他区域的温度值产生较大差异,故可以根据检测开始时获取的红外热力图像进行分析,获取其中存在的污渍干扰区域。
获取所述建筑保温区域图像的最大热力温度值,基于所述最大热力温度值与各个像素点的热力温度值差值获得热力值差值图像;对所述热力值差值图像进行显著性分析和连通域分析,获得各个像素点的显著值R,并计算所述连通域的区域轮廓不规则程度;基于所述区域轮廓不规则程度/>、连通域的显著性均值R以及连通域的面积计算各个像素点是污渍干扰区的污渍干扰区可能性/>。
具体地,读取建筑保温区域图像中各个像素点的热力值温度,将所有的热力值温度进行排序,筛选出热力值温度最高的最大热力温度值。然后计算该最大热力温度值与各个像素点的热力温度值的差值,并基于各个像素点的热力值温度差值获得热力值差值图像。
基于该差值图像进行显著性分析,基于CA显著性分析算法法获得各个像素点的显著性值。CA(Context-Aware)算法是一种基于局部特征和全局的特征的显著性检测算法,本实施例基于CA算法的一般步骤进行显著性值的计算,此处不再赘述。
将该差值图像进行二值化,基于二值化图像进行连通域分析:基于像素值将差值图像的各个像素点标记为1或者0,获得二值化图像,将二值化图像中标记相同的连续区域确定为一个连通域,如此获得多个连通域。
基于各个连通域计算连通域的区域轮廓不规则程度,本实施例通过斜率变化率差异的平均值来表示区域轮廓的不规则程度:计算边缘轮廓上每个像素点与其相邻像素点的斜率变化率差异,计算所有边缘像素点上斜率变化率差异的平均值,所有边缘像素点与其相邻像素点的斜率变化率差异的平均值越大,说明连通域边缘轮廓不规则程度越大。
求取各个连通域的面积,并获得连通域面积均值。并计算像素点所在连通域的面积与面积均值的面积比值,再将该比值乘以像素点所在连通域的面积,获得面积参数。
确定各个像素点的显著值、连通域的区域轮廓不规则程度后,将像素点的显著值与对应连通域的区域轮廓不规则程度的乘积与面积参数的比值确定为像素点的污渍干扰区可能性,将像素点的污渍干扰区可能性表示为,则:
其中,表示像素点所在的连通域的区域轮廓不规则程度,R表示像素点的显著值,S表示面积参数。由此可知,污渍干扰区可能性/>与连通域的区域轮廓不规则程度/>、像素点的显著值R成正比例关系,污渍干扰区可能性/>与面积参数成反比例关系。
步骤S1012,基于所述污渍干扰区可能性以及各个区域的第一轮廓相似度确定各个区域是污渍区的污渍区域可能性/>;
保温隔热是一个长时间的连续过程,如果自然因素、材料因素导致的对应区域的保温性能较差,则会导致该区域的红外热图像出现渐变的差异,如果由污渍干扰区域导致的红外热图像的温度值差异,则会存在于每张红外热图像中,因此可以在污渍干扰区可能性的基础上对红外热图像的轮廓相似度进行分析,进而确定区域是污渍区的污渍区域可能性。
将污渍区域可能性表示为,则:
其中,Y表示建筑保温区域图像的个数,表示获取的第j个建筑保温区域图像对应区域与获取的第u个时刻对应的红外热图像中该区域的第一轮廓相似度;当污渍干扰区可能性/>越大、第一轮廓相似度/>越大,说明该区域越可能为污渍区域,对应区域轮廓在不同时刻对应区域轮廓的相似度越相似,说明对应温度区域越稳定,越符合污渍区域温度与其他区域温度有差异,但温度变化区域较为稳定,相邻时刻轮廓变化差异小的特征。即所求Qu越大,说明当前轮廓区域是污渍区域的可能性越大。
根据形状上下文算法确定第一轮廓相似度。形状上下文特征是一种形状描述子,多用于目标识别,它采用一种基于形状轮廓的特征描述方法,其在对数极坐标系下利用直方图描述形状特征能够很好地反映轮廓上采样点的分布情况。本实施例基于形状上下文算法的公知步骤计算所述第一轮廓相似度,此处不再赘述。
步骤S1013,获取连续帧的建筑保温区域图像中各个区域与相邻区域的灰度值差值,并计算灰度值差值均值;
步骤S1014,确定各个区域在每一张建筑保温区域图像中的第二轮廓相似度;
步骤S1015,基于所述灰度值差值均值、第二轮廓相似度以及各个区域的区域轮廓拟合矩形的拟合程度计算各个区域为窗口区域的窗口区域可能性。
由于窗户、门或者其它预留空缺处是不需要保温的,而这些不需要保温的区域一般是规则形状的。在建筑保温区域图像分割过程中,通过对多张建筑保温区域图像进行分析可知:建筑保温区域图像中若存在矩形区域,且对应温度值差异与其它相邻区域温度变化差异较大,则说明当前区域可能为存在的干扰窗口区域,故需要将该区域进行提取排除,进而避免将该区域误识别为温度保温能力较差的区域。
一般地,同一个位置的窗口区域在每一张建筑保温区域图像都应该相同,并且区域轮廓都应该趋于矩形,因此可以基于各个区域的第二轮廓相似度确定各个区域是否为矩形。将区域为窗口区域的窗口区域可能性表示为,则:
其中,p表示获取的连续帧的建筑保温区域图像的个数,表示在第i张建筑保温区域图像中当前区域与其相邻区域灰度值差值均值,/>表示第i张建筑保温区域图像中当前区域与第i+1张建筑保温区域图像中对应区域的第二轮廓相似度,使用形状上下文算法获取第二轮廓相似度,/>表示第i张图像中当前区域轮廓拟合矩形的拟合程度,即当所求区域灰度值与其相邻区域灰度值差异越大,且对应不同时刻获取的相同区域的轮廓越相似,轮廓拟合矩形的拟合程度越大,则说明当前区域越可能为窗口区域。
步骤S102,基于所述污渍区域可能性和窗口区域可能性确定各个区域中每个像素点的温度可信度;
当连续帧的建筑保温区域图像中出现与其他区域温度值差异大的区域(如窗口区域或污渍区域),基于此可以对获取的各个区域进行分析,获取建筑保温区域图像中为干扰区域的可能性,进而使得保温隔热性能检测结果更加准确。
将像素点的温度可信度表示为F,则:
其中,norm()为归一化函数,即将获取的像素点所在区域为污渍区域可能性以及为窗口区域可能性赋值给区域内对应像素点,进而使得热力图像中每个像素点均获取其温度可信度F,像素点的温度可信度表示F越大,说明像素点所在区域的温度值越可信。
步骤S103,获取传感器测定的室内温度值,计算所述室内温度值与建筑保温区域图像中对应区域的热力温度值的温度值差值,基于所述温度可信度F和所述温度值差值确定像素点的温度值差异;
温度值差异表示为,则:
其中,μ表示建筑保温区域图像中像素点的数量,表示建筑保温区域图像中第o个像素点的温度可信度,/>表示当前建筑保温区域图像的第o个像素点对应的当前温度与初始建筑保温区域图像对应的初始时间的初始热力值温度的温度值差异。
步骤S104,根据所述温度值差异以及室内温度稳定性/>计算待检测低碳建筑保温材料的保温隔热性能值/>;
参照图3,图3是本发明低碳建筑材料的保温隔热性能检测方法以三实施例的又一流程示意图,如图3所示,步骤S104之前还需要通过以下步骤获得室内温度稳定性:
步骤S1041,基于连续帧的建筑保温区域图像的室内温度值与热力温度值确定传感器温度稳定性;
具体地,将传感器获得的室内温度值标记至对应时刻的建筑保温区域图像中,确定每张建筑保温区域图像的室内温度归一值;在建筑保温区域图像中标价传感器获得的室内温度值,如此可以将像素点的室内温度值与热力温度值进行直观的比较。
确定预设范围内像素点的热力值的热力值均值,并获得所述热力值均值的热力值均值归一值;读取像素点的热力值,然后对各个热力值求和,再除以热力值个数,获得热力值均值,对热力值均值归一化,获得热力值均值归一值。
计算所述室内温度归一值与对应时刻的热力值均值归一值的归一值差值,对所有连续帧的建筑保温区域图像的归一值差值进行求和,将求和结果除以建筑保温区域图像个数的结果确定为所述传感器温度稳定性。
传感器温度稳定性表示为,则:
其中,n表示记录过程中获取的热力温度值与室内温度值的数据量,表示第z张建筑保温区域图像的室内温度,/>表示室内温度归一值,/>表示第z张建筑保温区域图像中,传感器位置对应像素点的建筑保温区域图像中周围预设范围(例如50*50范围)内像素点的热力值均值,/>表示热力值均值归一值。
步骤S1042,基于所述传感器温度稳定性、温度传感器数量m、以及温度传感器之间的温度差值确定室内温度稳定性/>。
具体地,步骤S104包括:
计算当前建筑保温区域图像对应的当前时间与初始建筑保温区域图像对应的初始时间的时间差异;读取建筑保温区域图像的拍摄时间,获得时间差异/>。
计算当前建筑保温区域图像对应的当前温度与初始建筑保温区域图像对应的初始时间的初始热力值温度的温度值差异;将当前温度与初始热力值温度的差值确定为温度值差异/>。
确定所述时间差异与所述温度值差异的差异比值;
计算初始时间的室内温度稳定性与当前时间的室内温度稳定性/>之间的室内温度稳定性差值,取所述室内温度稳定性差值的绝对值;可以表示为/>。
依次获得各个温度传感器的初始时间的室内温度稳定性与室内温度稳定性差值的绝对值乘积;也即/>。
对各个温度传感器的初始时间的室内温度稳定性与室内温度稳定性差值的绝对值的乘积进行求和,获得求和结果;也即获得。
计算求和结果与温度传感器数量m的稳定性比值;
将所述差异比值与所述稳定性比值的乘积确定为所述待检测低碳建筑保温材料的保温隔热性能值/>,最终可表示为:
表示当前建筑保温区域图像与初始建筑保温区域图像对应的时间差异,/>表示初始时间温度传感器获取的室内温度稳定性,/>表示根据当前时间获取的室内温度稳定性,/>表示当前建筑保温区域图像与初始建筑保温区域图像的温度值差异。/>表示最开始时对应的室内温度稳定性的均值:若所求最开始的室内温度稳定性越高,且对应室内稳定程度变化差异越小,当前建筑保温区域图像的时间距离初始时间的时间Ti越长,对应温度变化差异越小,则说明当前建筑保温隔热性能越好。
步骤S105,将所述保温隔热性能值与预设阈值进行比较,基于比较结果确定所述待检测低碳建筑保温材料是否合格。
比较所述保温隔热性能值与预设阈值的大小;若所述保温隔热性能值小于所述预设阈值,则确定待检测低碳建筑保温材料合格。
本实施例可以将预设阈值表示为λ,并将λ设置为0.8,如此当获得的保温隔热性能值小于预设阈值λ,则确定待检测低碳建筑保温材料合格;当获得的保温隔热性能值大于或等于预设阈值λ,则确定待检测低碳建筑保温材料不合格。由此实现对建筑外墙的待检测低碳建筑材料的保温隔热性能的科学、合理地检测,并且能获得准确度高的检测结果。
本实施例通过上述方案,对待检测低碳建筑材料所在外墙的连续帧的建筑保温区域图像进行分析,获得所述建筑保温区域图像中各个区域为污渍区域可能性和窗口区域可能性;基于所述污渍区域可能性和窗口区域可能性确定各个区域中每个像素点的温度可信度;获取传感器测定的室内温度值,计算所述室内温度值与建筑保温区域图像中对应区域的热力温度值的温度值差值,基于所述温度可信度和所述温度值差值确定像素点的温度值差异;根据所述温度值差异以及室内温度稳定性计算待检测低碳建筑保温材料的保温隔热性能值;将所述保温隔热性能值与预设阈值进行比较,基于比较结果确定所述待检测低碳建筑保温材料是否合格。如此,通过分析建筑保温区域图像中不需要保温的污渍区域、窗口区域,从而确定温度可信度。再基于室内温度及热力温度值差异确定室内温度稳定性,将室内温度稳定性作为评价低碳建筑材料的保温隔热性能的重要参数,从而提高了保温隔热性能检测的准确性。
以上所述仅为本发明的优选实施例,并非因此限制本发明的范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种低碳建筑材料的保温隔热性能检测方法,其特征在于,所述方法包括:
对待检测低碳建筑材料所在外墙的连续帧的建筑保温区域图像进行分析,获得所述建筑保温区域图像中各个区域的污渍区域可能性和窗口区域可能性;
基于所述污渍区域可能性和窗口区域可能性确定各个区域中每个像素点的温度可信度;
获取传感器测定的室内温度值,计算所述室内温度值与建筑保温区域图像中对应区域的热力温度值的温度值差值,基于所述温度可信度和所述温度值差值确定像素点的温度值差异;
根据所述温度值差异以及室内温度稳定性计算待检测低碳建筑保温材料的保温隔热性能值;
将所述保温隔热性能值与预设阈值进行比较,基于比较结果确定所述待检测低碳建筑保温材料是否合格;
所述获得所述建筑保温区域图像中各个区域为污渍区域可能性和窗口区域可能性包括:
通过红外热成像仪连续获取待检测低碳建筑材料所在墙体的红外热图像,将所述红外热图像进行语义分割,获得所述建筑保温区域图像;
确定所述建筑保温区域图像中各个像素点的污渍干扰区可能性;
根据形状上下文算法确定第一轮廓相似度;
基于所述污渍干扰区可能性以及各个区域的第一轮廓相似度确定各个区域是污渍区的污渍区域可能性;
获取连续帧的建筑保温区域图像中各个区域与相邻区域的灰度值差值,并计算灰度值差值均值;
确定各个区域在每一张建筑保温区域图像中的第二轮廓相似度;
基于所述灰度值差值均值、第二轮廓相似度以及各个区域的区域轮廓拟合矩形的拟合程度计算各个区域为窗口区域的窗口区域可能性;
所述确定所述建筑保温区域图像中各个像素点的污渍干扰区可能性包括:
获取所述建筑保温区域图像的最大热力温度值,基于所述最大热力温度值与各个像素点的热力温度值差值获得热力值差值图像;
对所述热力值差值图像进行显著性分析和连通域分析,获得各个像素点的显著值,并计算所述连通域的区域轮廓不规则程度;
基于所述区域轮廓不规则程度、连通域的显著性均值以及连通域的面积计算各个像素点是污渍干扰区的污渍干扰区可能性,则:/>
其中,表示像素点所在的连通域的区域轮廓不规则程度,R表示像素点的显著值,S表示面积参数,/>表示污渍干扰区可能性;求取各个连通域的面积,并获得连通域面积均值;计算像素点所在连通域的面积与面积均值的面积比值,再将该比值乘以像素点所在连通域的面积,获得面积参数;
污渍区域可能性表示为,则:
其中,Y表示建筑保温区域图像的个数,表示获取的第j个建筑保温区域图像对应区域与获取的第u个时刻对应的红外热图像中该区域的第一轮廓相似度;
窗口区域可能性表示为,则:
其中,p表示获取的连续帧的建筑保温区域图像的个数,表示在第i张建筑保温区域图像中当前区域与其相邻区域灰度值差值均值,/>表示第i张建筑保温区域图像中当前区域与第i+1张建筑保温区域图像中对应区域的第二轮廓相似度,使用形状上下文算法获取第二轮廓相似度,/>表示第i张图像中当前区域轮廓拟合矩形的拟合程度;
将像素点的温度可信度表示为F,则:
其中,norm()为归一化函数;为污渍区域可能性;/>为窗口区域可能性;
温度值差异表示为,则:
其中,μ表示建筑保温区域图像中像素点的数量,表示建筑保温区域图像中第o个像素点的温度可信度,/>表示当前建筑保温区域图像的第o个像素点对应的当前温度与初始建筑保温区域图像对应的初始时间的初始热力值温度的温度值差异;
所述根据所述温度值差异以及室内温度稳定性计算待检测低碳建筑保温材料的保温隔热性能值之前,还包括:
基于连续帧的建筑保温区域图像的室内温度值与热力温度值确定传感器温度稳定性;
基于所述传感器温度稳定性、温度传感器数量、以及温度传感器之间的温度差值确定室内温度稳定性;
所述基于连续帧的建筑保温区域图像的室内温度值与热力温度值确定传感器温度稳定性包括:将传感器获得的室内温度值标记至对应时刻的建筑保温区域图像中,确定每张建筑保温区域图像的室内温度归一值;
确定预设范围内像素点的热力值的热力值均值,并获得所述热力值均值的热力值均值归一值;
计算所述室内温度归一值与对应时刻的热力值均值归一值的归一值差值,对所有连续帧的建筑保温区域图像的归一值差值进行求和,将求和结果除以建筑保温区域图像个数的结果确定为所述传感器温度稳定性;
所述根据所述温度值差异以及室内温度稳定性计算待检测低碳建筑保温材料的保温隔热性能值包括:
计算当前建筑保温区域图像对应的当前时间与初始建筑保温区域图像对应的初始时间的时间差异;
计算当前建筑保温区域图像对应的当前温度与初始建筑保温区域图像对应的初始时间的初始热力值温度的温度值差异;
确定所述时间差异与所述温度值差异的差异比值;
计算初始时间的室内温度稳定性与当前时间的室内温度稳定性/>之间的室内温度稳定性差值,获取所述室内温度稳定性差值的绝对值/>;
对各个温度传感器的初始时间的室内温度稳定性与室内温度稳定性差值的绝对值的乘积进行求和,获得求和结果;
计算求和结果与温度传感器数量m的稳定性比值;
将所述差异比值与所述稳定性比值的乘积确定为所述待检测低碳建筑保温材料的保温隔热性能值/>,/>表示为:/>;
所述将所述保温隔热性能值与预设阈值进行比较,基于比较结果确定所述待检测低碳建筑保温材料是否合格包括:
比较所述保温隔热性能值与预设阈值的大小;
若所述保温隔热性能值小于所述预设阈值,则确定待检测低碳建筑保温材料合格。
2.根据权利要求1所述的一种低碳建筑材料的保温隔热性能检测方法,其特征在于,所述预设阈值设置为0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311091500.6A CN116818830B (zh) | 2023-08-29 | 2023-08-29 | 一种低碳建筑材料的保温隔热性能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311091500.6A CN116818830B (zh) | 2023-08-29 | 2023-08-29 | 一种低碳建筑材料的保温隔热性能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116818830A CN116818830A (zh) | 2023-09-29 |
CN116818830B true CN116818830B (zh) | 2023-12-01 |
Family
ID=88120616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311091500.6A Active CN116818830B (zh) | 2023-08-29 | 2023-08-29 | 一种低碳建筑材料的保温隔热性能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116818830B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163151A (zh) * | 2013-03-21 | 2013-06-19 | 山东省计算中心 | 基于红外图像的建筑热工缺陷精确定位方法 |
CN103196565A (zh) * | 2013-04-03 | 2013-07-10 | 山东省计算中心 | 基于红外热图的建筑室内节能检测点标记方法 |
WO2020012738A1 (ja) * | 2018-07-12 | 2020-01-16 | 三菱電機株式会社 | 断熱性能診断装置、断熱性能診断プログラムおよび断熱性能診断方法 |
CN111666856A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 |
KR102380014B1 (ko) * | 2021-10-28 | 2022-03-29 | 한국건설기술연구원 | 영역 온도차 기반 창호의 열성능 저하 부위 탐지 및 판정 방법 |
CN114387253A (zh) * | 2022-01-12 | 2022-04-22 | 西安建筑科技大学 | 外墙外保温层缺陷红外图像处理方法、装置及存储介质 |
CN116092018A (zh) * | 2023-04-10 | 2023-05-09 | 同方德诚(山东)科技股份公司 | 一种基于智慧建筑的消防隐患监测方法及系统 |
CN116148310A (zh) * | 2023-04-21 | 2023-05-23 | 天津市津能滨海热电有限公司 | 基于红外热成像的围护结构检测方法 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
-
2023
- 2023-08-29 CN CN202311091500.6A patent/CN116818830B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163151A (zh) * | 2013-03-21 | 2013-06-19 | 山东省计算中心 | 基于红外图像的建筑热工缺陷精确定位方法 |
CN103196565A (zh) * | 2013-04-03 | 2013-07-10 | 山东省计算中心 | 基于红外热图的建筑室内节能检测点标记方法 |
WO2020012738A1 (ja) * | 2018-07-12 | 2020-01-16 | 三菱電機株式会社 | 断熱性能診断装置、断熱性能診断プログラムおよび断熱性能診断方法 |
CN111666856A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 基于结构特性的高分辨率单极化sar影像建筑目标检测方法 |
KR102380014B1 (ko) * | 2021-10-28 | 2022-03-29 | 한국건설기술연구원 | 영역 온도차 기반 창호의 열성능 저하 부위 탐지 및 판정 방법 |
CN114387253A (zh) * | 2022-01-12 | 2022-04-22 | 西安建筑科技大学 | 外墙外保温层缺陷红外图像处理方法、装置及存储介质 |
CN116092018A (zh) * | 2023-04-10 | 2023-05-09 | 同方德诚(山东)科技股份公司 | 一种基于智慧建筑的消防隐患监测方法及系统 |
CN116148310A (zh) * | 2023-04-21 | 2023-05-23 | 天津市津能滨海热电有限公司 | 基于红外热成像的围护结构检测方法 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Influence of insulation defects on the thermal performance of walls. An experimental and numerical investigation;Iole Nardi等;Journal of Building Engineering;第21卷;第355-365页 * |
外墙外保温混凝土砌块墙体在夏热冬冷地区的应用分析;郑鸿 等;建筑砌块与砌块建筑(04);第9-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116818830A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109743879B (zh) | 一种基于动态红外热像图处理的地下管廊渗漏检测方法 | |
Lins et al. | Automatic crack detection and measurement based on image analysis | |
EP1258136B1 (en) | Method and system for reference-free thermographic detection of subsurface defects using compressed image data | |
Rahnemoonfar et al. | Automatic ice surface and bottom boundaries estimation in radar imagery based on level-set approach | |
WO2016107478A1 (zh) | 车辆底盘检查方法和系统 | |
KR101339026B1 (ko) | 열화상 카메라 가시성 개선 방법 및 장치 | |
CN115862259B (zh) | 一种基于温度监测的火警预警系统 | |
CN109900363A (zh) | 一种基于轮廓提取的目标物红外测温方法和装置 | |
CN111353496B (zh) | 一种红外弱小目标实时检测方法 | |
CN112461892A (zh) | 一种用于复材缺陷无损检测的红外热影像分析方法 | |
Kabouri et al. | Applied multiresolution analysis to infrared images for defects detection in materials | |
Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
CN107273803B (zh) | 云层图像检测方法 | |
CN107300562B (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
CN116818830B (zh) | 一种低碳建筑材料的保温隔热性能检测方法 | |
JP4991356B2 (ja) | 画像処理装置、画像処理方法および画像処理用プログラム | |
CN112906659A (zh) | 基于虚拟样本的遥感影像变化检测方法 | |
Hajjdiab et al. | A vision-based approach for nondestructive leaf area estimation | |
CN113379772B (zh) | 基于背景消除及跟踪算法的复杂环境下的移动测温方法 | |
JPH11258188A (ja) | 熱映像による構造物変状診断システム及び診断方法 | |
Riera et al. | Using image recognition to automate video analysis of physical processes | |
Bo et al. | Moving object detection based on improved ViBe algorithm | |
CN110930447A (zh) | 基于Android的无人值守雪深测量方法 | |
Bison et al. | Automatic thermal reference detection in thermographic images | |
CN116379937B (zh) | 一种输电塔晃动监测方法及装置 |
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 |