CN116910489B - 基于人工智能的墙体防渗检测方法及相关装置 - Google Patents

基于人工智能的墙体防渗检测方法及相关装置 Download PDF

Info

Publication number
CN116910489B
CN116910489B CN202311149557.7A CN202311149557A CN116910489B CN 116910489 B CN116910489 B CN 116910489B CN 202311149557 A CN202311149557 A CN 202311149557A CN 116910489 B CN116910489 B CN 116910489B
Authority
CN
China
Prior art keywords
wall
defect area
wall defect
feature
target
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
Application number
CN202311149557.7A
Other languages
English (en)
Other versions
CN116910489A (zh
Inventor
任彪
蔡华和
杨礼成
张启艺
聂辉辉
郭佳
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.)
Sinohydro Bureau 9 Co Ltd
Original Assignee
Sinohydro Bureau 9 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 Sinohydro Bureau 9 Co Ltd filed Critical Sinohydro Bureau 9 Co Ltd
Priority to CN202311149557.7A priority Critical patent/CN116910489B/zh
Publication of CN116910489A publication Critical patent/CN116910489A/zh
Application granted granted Critical
Publication of CN116910489B publication Critical patent/CN116910489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/002—Investigating fluid-tightness of structures by using thermal means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G01N22/02—Investigating the presence of flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能技术领域，公开了一种基于人工智能的墙体防渗检测方法及相关装置，用于提高基于人工智能的墙体防渗检测的准确率。包括：对目标墙体发送高频微波信号，接收多个微波反射信号并对目标墙体进行墙体完整性分析，得到多个墙体缺陷区域；进行热辐射数据采集，得到每个墙体缺陷区域对应的热辐射数据，对每个墙体缺陷区域进行图像采集，得到每个墙体缺陷区域对应的多帧图像集；对每个墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个墙体缺陷区域对应的区域变化图并进行多模态数据特征融合，得到每个墙体缺陷区域的目标特征数据；将每个墙体缺陷区域的目标特征数据输入墙体防渗检测模型进行防渗检测，得到目标检测结果。

Description

基于人工智能的墙体防渗检测方法及相关装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的墙体防渗检测方法及相关装置。
背景技术
墙体的完整性在建筑工程和维护中具有重要意义，而墙体防渗问题是常见的挑战。传统的检测方法往往需要耗费大量的人力和时间，而且无法及时准确地发现隐蔽的缺陷。因此，基于人工智能的墙体防渗检测方法受到了广泛关注。近年来，随着人工智能、传感器技术和图像处理技术的不断进步，结合多种技术手段来实现更准确、高效的墙体防渗检测变得可行。
尽管已经存在一些墙体防渗检测方法，但仍然存在一些不足之处：传统方法往往仅依赖于单一的信息源，如图像或传感器数据。这导致检测结果不够全面准确，无法充分反映墙体的实际情况。目前的技术往往没有充分利用不同信息源之间的关联，如微波传感器、热辐射数据和图像等。缺乏多模态融合限制了检测的准确性和多样性。
发明内容
本发明提供了一种基于人工智能的墙体防渗检测方法及相关装置，用于提高基于人工智能的墙体防渗检测的准确率。
本发明第一方面提供了一种基于人工智能的墙体防渗检测方法，所述基于人工智能的墙体防渗检测方法包括：
通过预置的多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；
通过多个微波反射信号对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域；
对每个所述墙体缺陷区域进行热辐射数据采集，得到每个所述墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个所述墙体缺陷区域进行图像采集，得到每个所述墙体缺陷区域对应的多帧图像集；
分别对每个所述墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图；
对每个所述墙体缺陷区域对应的热辐射数据以及每个所述墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据；
分别将所述每个所述墙体缺陷区域的目标特征数据输入预置的墙体防渗检测模型进行防渗检测，得到目标检测结果。
结合第一方面，在本发明第一方面的第一实施方式中，所述通过多个微波反射信号对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域，包括：
分别对每个所述微波反射信号进行信号传播过程解析，得到每个所述微波反射信号的信号传播参数，其中，每个所述微波反射信号的信号传播参数包括：信号入射角、信号折射角以及信号传播路径；
通过每个所述微波反射信号的信号传播过程，分别对每个所述微波反射信号进行信号传播指标分析，得到每个所述微波反射信号的信号传播指标，其中，每个所述微波反射信号的信号传播指标包括：幅度、相位以及频率；
通过每个所述微波反射信号的信号传播参数以及每个所述微波反射信号的信号传播指标对多个所述微波反射信号进行信号衰减数据计算，得到每个所述微波反射信号的信号衰减数据；
基于每个所述微波反射信号的信号衰减数据对多个所述微波反射信号进行信号延迟分析，得到延迟数据集；
通过所述延迟数据集对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域。
结合第一方面，在本发明第一方面的第二实施方式中，所述分别对每个所述墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图，包括：
分别对每个所述墙体缺陷区域对应的多帧图像集进行图像对齐处理，得到每个所述墙体缺陷区域对应的对齐图像集；
对每个所述墙体缺陷区域对应的对齐图像集进行图像分割，得到每个所述墙体缺陷区域的分割图片；
对每个所述墙体缺陷区域的分割图片集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图。
结合第一方面的第二实施方式，在本发明第一方面的第三实施方式中，所述对每个所述墙体缺陷区域的分割图片集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图，包括：
对每个所述墙体缺陷区域的分割图片集进行图片配对，得到每个所述墙体缺陷区域的多组待比对图片；
对每个所述墙体缺陷区域的多组待比对图片进行像素提取，得到图片像素数据集合；
通过所述图片像素数据集合，对每个所述墙体缺陷区域的多组待比对图片进行纹理特征提取，得到纹理特征集合；
通过所述纹理特征集合对每个所述墙体缺陷区域的分割图片集进行图片灰度化处理，得到每个所述墙体缺陷区域的灰度图片集；
对每个所述墙体缺陷区域的灰度图片集进行阈值化处理，得到每个所述墙体缺陷区域的差异图像集；
通过每个所述墙体缺陷区域的差异图像集进行图像差异融合，得到每个所述墙体缺陷区域对应的区域变化图。
结合第一方面，在本发明第一方面的第四实施方式中，所述对每个所述墙体缺陷区域对应的热辐射数据以及每个所述墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据，包括：
对每个所述墙体缺陷区域对应的热辐射数据进行辐射分布数据分析，得到每个所述墙体缺陷区域对应的辐射分布数据；
通过每个所述墙体缺陷区域对应的辐射分布数据对每个所述墙体缺陷区域进行温度梯度特征计算，得到每个所述墙体缺陷区域的温度梯度特征；
对每个所述墙体缺陷区域的温度梯度特征进行频域特征转换，得到每个所述墙体缺陷区域的频谱特征集；
对每个所述墙体缺陷区域对应的区域变化图进行灰度差值矩阵计算，得到每个所述墙体缺陷区域的灰度差值矩阵；
基于每个所述墙体缺陷区域的灰度差值矩阵对每个所述墙体缺陷区域进行形状特征提取，得到每个所述墙体缺陷区域的形状特征；
通过每个所述墙体缺陷区域的形状特征对每个所述墙体缺陷区域进行变化趋势分析，得到每个所述墙体缺陷区域的变化趋势特征；
对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据。
结合第一方面的第四实施方式，在本发明第一方面的第五实施方式中，所述对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据，包括：
对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行权重参数分析，得到每个所述墙体缺陷区域的频谱特征集的第一权重系数以及每个所述墙体缺陷区域的变化趋势特征的第二权重系数；
基于每个所述墙体缺陷区域的频谱特征集的第一权重系数以及每个所述墙体缺陷区域的变化趋势特征的第二权重系数，对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行特征加权融合，得到第一融合特征；
基于所述第一融合特征，对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行特征连接处理，得到每个所述墙体缺陷区域的目标特征数据。
结合第一方面，在本发明第一方面的第六实施方式中，所述分别将所述每个所述墙体缺陷区域的目标特征数据输入预置的墙体防渗检测模型进行防渗检测，得到目标检测结果，包括：
分别将每个所述墙体缺陷区域的目标特征数据输入所述墙体防渗检测模型进行样本随机采样，得到每个所述墙体缺陷区域的随机样本集合；
分别对每个所述墙体缺陷区域的随机样本集合进行特征随机提取，得到每个所述墙体缺陷区域对应的随机特征集合；
基于每个所述墙体缺陷区域所述随机特征集合构建决策树，得到每个所述墙体缺陷区域的目标决策树；
通过每个所述墙体缺陷区域的目标决策树分别对每个所述墙体缺陷区域的目标特征数据进行时间特征拆解，得到每个所述墙体缺陷区域的拆解时间特征；
基于每个所述墙体缺陷区域的拆解时间特征分别对每个所述墙体缺陷区域的目标特征数据进行渗透事件相似度计算，得到多个相似度计算结果；
基于多个所述相似度计算结果进行墙体渗透情况分析，得到目标墙体渗透情况并作为所述目标检测结果。
本发明第二方面提供了一种基于人工智能的墙体防渗检测装置，所述基于人工智能的墙体防渗检测装置包括：
接收模块，用于通过预置的多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；
分析模块，用于通过多个微波反射信号对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域；
采集模块，用于对每个所述墙体缺陷区域进行热辐射数据采集，得到每个所述墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个所述墙体缺陷区域进行图像采集，得到每个所述墙体缺陷区域对应的多帧图像集；
提取模块，用于分别对每个所述墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图；
融合模块，用于对每个所述墙体缺陷区域对应的热辐射数据以及每个所述墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据；
检测模块，用于分别将所述每个所述墙体缺陷区域的目标特征数据输入预置的墙体防渗检测模型进行防渗检测，得到目标检测结果。
本发明第三方面提供了一种基于人工智能的墙体防渗检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的墙体防渗检测设备执行上述的基于人工智能的墙体防渗检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于人工智能的墙体防渗检测方法。
本发明提供的技术方案中，通过多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；通过多个微波反射信号对目标墙体进行墙体完整性分析，得到目标墙体的多个墙体缺陷区域；对每个墙体缺陷区域进行热辐射数据采集，得到每个墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个墙体缺陷区域进行图像采集，得到每个墙体缺陷区域对应的多帧图像集；分别对每个墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个墙体缺陷区域对应的区域变化图；对每个墙体缺陷区域对应的热辐射数据以及每个墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个墙体缺陷区域的目标特征数据；分别将每个墙体缺陷区域的目标特征数据输入墙体防渗检测模型进行防渗检测，得到目标检测结果。通过结合微波传感器的微波反射信号、热辐射数据和多帧图像集，可以获取墙体缺陷区域的多模态信息。可以从多个角度获得墙体的信息，增强检测的准确性和鲁棒性。微波传感器提供对墙体结构的物理特性信息，热辐射数据反映墙体的热分布情况，多帧图像集捕捉墙体区域的视觉变化。这种综合信息融合有助于获取更全面的墙体缺陷信息，数据采集、图像处理和模型预测，都可以在自动化的环境下进行。这样可以提高检测的效率，减少人工操作，特别是在大规模场景中非常有益。不同类型的缺陷在微波反射、热分布和视觉上有不同的表现。多模态数据融合可以帮助模型更好地识别和区分不同类型的缺陷，从而提高了检测的多样性。以进一步提升基于人工智能的墙体防渗检测的准确率。
附图说明
图1为本发明实施例中基于人工智能的墙体防渗检测方法的一个实施例示意图；
图2为本发明实施例中分别对每个墙体缺陷区域对应的多帧图像集进行图像差异提取的流程图；
图3为本发明实施例中对每个墙体缺陷区域的分割图片集进行图像差异提取的流程图；
图4为本发明实施例中对每个墙体缺陷区域对应的热辐射数据以及每个墙体缺陷区域对应的区域变化图进行多模态数据特征融合的流程图；
图5为本发明实施例中基于人工智能的墙体防渗检测装置的一个实施例示意图；
图6为本发明实施例中基于人工智能的墙体防渗检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于人工智能的墙体防渗检测方法及相关装置，用于提高基于人工智能的墙体防渗检测的准确率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于人工智能的墙体防渗检测方法的一个实施例包括：
S101、通过预置的多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；
可以理解的是，本发明的执行主体可以为基于人工智能的墙体防渗检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器预先布置多个微波传感器在目标墙体上。这些传感器可以均匀分布，以覆盖墙体的不同区域。每个传感器通常包括一个天线或探头，用于发送和接收微波信号。传感器通过发送天线向目标墙体发射高频微波信号。这些信号在传播过程中与墙体内的材料、结构和潜在缺陷相互作用，导致信号的反射、散射和吸收。传感器的接收天线接收墙体反射回来的微波信号。这些反射信号携带着墙体内部的信息，如材料特性、反射率以及存在的缺陷。接收到的微波反射信号通常是复杂的波形，受到多种因素的影响。因此，需要对信号进行处理，以提取有用的信息。这包括滤波、放大、去噪等步骤，以获得更清晰的信号。在信号处理后，可以从信号中提取与墙体状态相关的特征。这些特征可以是反射强度、相位变化、时间延迟等，用于描述墙体内部的情况。提取的特征可以用于分析墙体的状态，识别是否存在潜在的缺陷区域。比如，反射率的异常变化指示墙体存在渗漏问题，需要进一步的检测和处理。最终的分析结果可以被显示在监测系统中，用于实时监控墙体状态。如果系统检测到潜在问题，比如渗漏，它可以触发警报，通知相关人员采取措施。例如，考虑一个住宅建筑，服务器通过微波传感技术来监测外墙是否存在渗漏。服务器在建筑物的外墙上预置了一个由多个微波传感器组成的阵列。每个传感器都可以发送高频微波信号并接收反射信号。当微波信号发射时，它们会与墙体内部的不同材料、结构和缺陷交互。传感器会接收到反射信号，这些信号携带着墙体内部情况的信息。通过对这些信号进行信号处理和特征提取，服务器获得有关墙体完整性和潜在缺陷的信息。假设在特定传感器位置上，服务器检测到了反射信号的幅度变化。通过分析这种变化，服务器发现某个区域的反射率较低，暗示存在渗漏问题。进一步的分析可以揭示这个区域的时间延迟变化，进一步确认潜在的渗漏位置。本实施例中，通过微波传感器发送和接收微波信号，结合信号处理和特征提取，服务器检测出墙体的异常情况，例如潜在的渗漏问题。这种技术可以帮助及早发现并解决墙体的缺陷，提高建筑物的维护效率和安全性。
S102、通过多个微波反射信号对目标墙体进行墙体完整性分析，得到目标墙体的多个墙体缺陷区域；
具体的，服务器针对每个微波反射信号，进行信号传播过程解析。分析信号从发射器到目标墙体再到传感器的传播路径。在传播过程中，信号会发生折射、反射和散射等现象。解析过程可以得到信号传播参数，包括信号的入射角、折射角以及传播路径。基于信号传播过程，对每个微波反射信号进行信号传播指标分析。包括从信号中提取幅度、相位和频率等信息。幅度表示信号强度的大小，相位表示信号振荡的相对位置，频率表示信号的振荡周期。利用信号传播参数和信号传播指标，对多个微波反射信号进行信号衰减数据计算。信号在传播过程中会遇到能量损失，即信号衰减。计算可以基于传播路径长度、材料特性等因素，得到每个微波反射信号的衰减情况。基于信号传播参数和信号衰减数据，对多个微波反射信号进行信号延迟分析。信号在传播过程中会有延迟，即信号到达接收器的时间差。延迟的大小和特征可以提供有关墙体内部结构的信息。通过对每个微波反射信号进行信号延迟分析，构建延迟数据集。这个数据集包括了不同传感器位置接收到的信号延迟信息。基于构建的延迟数据集，对目标墙体进行墙体完整性分析。通过比较不同传感器位置接收到的信号延迟，可以推断出墙体内部的特征，例如存在的缺陷区域。例如，假设服务器正在监测一座大型工业建筑的外墙，以检测是否存在渗漏问题。服务器在建筑物的外墙上预置了一个由多个微波传感器组成的阵列。对于每个微波反射信号，服务器分析信号从传感器到墙体再到传感器的传播路径。假设某信号从传感器A发出，经过墙体上的渗漏点，反射后被传感器B接收。服务器计算出信号的入射角为30度，折射角为20度，传播路径长度为5米。根据信号传播过程，服务器提取了信号的幅度、相位和频率。信号的幅度为-50dB，相位为30度，频率为2.4GHz。基于信号传播参数和信号传播指标，服务器计算信号在传播过程中的衰减情况。经过墙体的衰减因子为0.8，传播路径的损耗为2dB。结合信号传播参数，服务器计算出信号的传播时间延迟。信号在传播过程中延迟了0.5毫秒，到达传感器B的时间比到达传感器A的时间晚。通过对不同传感器位置的信号延迟分析，服务器构建了一个延迟数据集，其中包含了多个传感器的信号延迟信息。基于构建的延迟数据集，服务器进行墙体完整性分析。比较不同传感器位置接收到的信号延迟，服务器发现某个区域的延迟明显偏高，暗示存在渗漏点。
S103、对每个墙体缺陷区域进行热辐射数据采集，得到每个墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个墙体缺陷区域进行图像采集，得到每个墙体缺陷区域对应的多帧图像集；
具体的，服务器首先对墙体进行检测，通过微波反射信号等手段获得的缺陷区域的大致位置。这可以通过传感器数据分析和信号处理来实现。针对每个缺陷区域，通过热辐射测量设备采集热辐射数据。这种技术基于物体的热辐射特性，可以检测出不同区域的温度差异。服务器将热辐射仪器置于一定距离内，以测量目标区域的表面温度。不同的材料和缺陷会导致温度差异，从而提供有关缺陷位置和性质的信息。同时，基于预设的时间区间，服务器使用摄像设备对相同的墙体缺陷区域进行图像采集。这些图像可以捕捉到墙体的外观，包括的痕迹、裂缝或颜色变化等。在预设的时间区间内，进行多次图像采集，以获取墙体缺陷区域的不同状态。这样可以构建一个多帧图像集，用于分析墙体缺陷的演变情况。例如，考虑服务器正在监测一座办公楼的外墙，以检测是否存在热漏。在之前的步骤中，服务器已经识别出的缺陷区域。通过分析之前的微波反射信号数据，服务器确定了一处的缺陷区域，位于办公楼的西侧。服务器使用热成像相机，将其定位在距离缺陷区域适当的距离，并记录缺陷区域的表面温度。在热成像图像上，服务器会观察到热漏的迹象，因为缺陷区域的温度与周围环境不同。在预设的时间区间内，服务器使用摄像设备对同一缺陷区域进行图像采集。这些图像可以显示出墙体外观的细节，比如是否有裂缝、变色等。服务器在不同的时间点对相同的缺陷区域进行了多次图像采集。服务器生成一个多帧图像集，用于观察缺陷的变化。比如，在夜间会观察到温度更高的区域，暗示存在能量漏失。
S104、分别对每个墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个墙体缺陷区域对应的区域变化图；
具体的，服务器对于每个墙体缺陷区域，服务器需要进行图像对齐处理，以确保多帧图像具有相同的视角和尺度。这有助于消除由于摄像设备的微小移动或外界因素引起的偏移。通过图像对齐，服务器能够获得每个缺陷区域的对齐图像集，为后续的分析奠定基础。基于对齐后的图像集，服务器进行图像分割。图像分割的目的是将每个墙体缺陷区域从周围环境中准确地分离出来，以便更细致地分析。通过应用图像分割技术，如卷积神经网络（CNN），服务器将缺陷区域与其他区域区分开，并得到每个缺陷区域的分割图片。服务器进行图像差异提取，用于捕捉每个墙体缺陷区域的变化信息。这个步骤涉及比较不同时间点或不同条件下的图像，以获取像素值、颜色、纹理等方面的差异。通过应用差异提取算法，如像素级别的差异计算或直方图比较，服务器能够获得每个缺陷区域不同帧之间的变化数据。将每个墙体缺陷区域的差异信息整合到一起，服务器生成区域变化图。这张图像将清晰地展示出每个缺陷区域在不同时间或条件下的变化情况。通过区域变化图，服务器能够更深入地理解墙体防渗问题的本质，以及的渗漏或其他异常情况。例如，假设服务器正在监测一座建筑物外墙的渗漏情况。在不同时间点，服务器采集了多帧图像，并识别出了几个的缺陷区域。通过图像对齐，服务器确保这些图像具有一致的视角和尺度。通过图像分割，服务器将每个缺陷区域从周围环境中分离出来，以进行更精细的分析。然后，执行图像差异提取，比较不同帧之间的像素值变化，以获取缺陷区域的变化信息。将这些变化信息整合成区域变化图，清楚地显示出每个缺陷区域的渗漏情况变化。
服务器进行图片配对，对每个缺陷区域的分割图片集进行匹配，以获得每个区域的多组待比对图片。服务器将拥有不同时间点或条件下的多组图像，为后续的分析提供了素材。服务器对每组待比对图片进行像素提取，以获取图像的像素数据集合。这些像素数据将构成服务器后续纹理特征提取和差异分析的基础。通过利用图片的像素数据，服务器执行纹理特征提取，得到每个缺陷区域的纹理特征集合。这些纹理特征能够帮助服务器捕捉图像的细微变化，从而更具深度地分析缺陷区域的演变。以纹理特征集合为基础，服务器对每个缺陷区域的分割图片集进行灰度化处理。将图像转换为灰度图像，简化了后续的差异分析。在完成灰度化后，服务器进行阈值化处理，得到每个缺陷区域的差异图像集。通过比较不同时间点或条件下的图像，服务器确定像素级别的变化情况，即每个区域在不同时间或条件下的差异。服务器通过对每个区域的差异图像集进行图像差异融合，生成每个缺陷区域的区域变化图。这张图像将清晰地展示出每个区域在时间和条件变化下的渗漏情况。例如，假设服务器关注一栋建筑的外墙，希望检测的渗漏问题。服务器从多个时间点采集了每个缺陷区域的图像，然后通过图片配对得到了多组待比对图片。通过像素提取，服务器得到了每组图像的像素数据集合，为纹理特征提取和差异分析做好准备。通过纹理特征提取，服务器获得了每个区域的纹理特征集合，以便更深入地分析图像变化。在对图像进行灰度化处理之后，服务器执行阈值化处理，获得了差异图像集，表现出不同时间点下的差异。通过将差异图像融合，服务器生成了每个缺陷区域的区域变化图，这张图像将帮助服务器更清楚地了解渗漏问题的变化情况。
S105、对每个墙体缺陷区域对应的热辐射数据以及每个墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个墙体缺陷区域的目标特征数据；
具体的，服务器针对每个墙体缺陷区域的热辐射数据进行辐射分布数据分析。目的是了解每个区域的热辐射分布情况，其中包括不同位置的辐射强度分布。基于辐射分布数据，服务器计算每个缺陷区域的温度梯度特征。这有助于捕获区域内部的温度变化情况，进一步揭示的问题。服务器对温度梯度特征进行频域特征转换，得到频谱特征集。可以将温度变化情况在频域上呈现，有助于更全面地了解区域内部的温度波动。同时，服务器对每个墙体缺陷区域的区域变化图进行灰度差值矩阵计算。这将计算图像内部像素灰度之间的差异，反映出图像变化的空间分布。基于灰度差值矩阵，服务器进行形状特征提取，得到每个缺陷区域的形状特征。这可以帮助服务器捕获区域内部的形状变化情况，包括的渗漏区域的形态。通过形状特征，服务器进行变化趋势分析，揭示每个区域的变化趋势特征。这有助于服务器了解问题的发展方向，是否存在逐渐恶化的情况。服务器将频谱特征集和变化趋势特征进行多模态数据特征融合，获得每个墙体缺陷区域的目标特征数据。这个数据将综合反映出区域的温度变化、形状变化以及变化趋势，为防渗检测提供更全面的信息。例如，假设服务器关注一栋建筑的外墙，通过热辐射数据和图像采集，服务器获得了每个缺陷区域的热辐射分布数据和区域变化图。服务器分析辐射分布数据，计算温度梯度特征，以及进行频域特征转换，获得频谱特征集。然后，基于区域变化图，服务器计算灰度差值矩阵，提取形状特征，并分析变化趋势特征。将频谱特征集和变化趋势特征进行融合，得到每个缺陷区域的目标特征数据，其中包含了温度、形状、以及变化趋势等多方面的信息。
对于每个墙体缺陷区域，服务器需要进行权重参数分析，以确定频谱特征集和变化趋势特征在特征融合中的重要性。假设服务器经过分析得到了频谱特征集的第一权重系数为0.6，而变化趋势特征的第二权重系数为0.4。这些权重系数将用于后续的特征融合。基于上述权重系数，服务器进行特征加权融合。对于每个墙体缺陷区域，将频谱特征集和变化趋势特征按照权重进行加权融合。例如，假设一个缺陷区域的频谱特征集得分为[0.8,0.6,0.7]，而其变化趋势特征得分为[0.5,0.4,0.6]。根据之前的权重系数，服务器计算出加权融合后的特征为：加权融合特征。通过特征加权融合，服务器已经将频谱特征集和变化趋势特征融合为一个新的特征向量，提供了更丰富的信息。基于加权融合特征，服务器进行特征连接处理，将频谱特征和变化趋势特征连接在一起，形成最终的目标特征数据。这个连接过程确保了两种特征之间的关联性得以保留，从而提供更全面的特征表示。例如，假设服务器正在检测一座办公楼的外墙渗漏问题。通过红外热像仪获取了频谱特征集，同时通过监控摄像头获取了变化趋势特征。通过上述多模态数据特征融合方法，服务器得到了每个缺陷区域的目标特征数据，这包括了频谱特征和变化趋势特征的综合信息。例如，某个缺陷区域的目标特征数据为[0.74,0.56,0.66]，其中每个值对应了特定的频谱特征和变化趋势特征的加权融合结果。
S106、分别将每个墙体缺陷区域的目标特征数据输入预置的墙体防渗检测模型进行防渗检测，得到目标检测结果。
需要说明的是，针对每个墙体缺陷区域，服务器将其目标特征数据输入预置的墙体防渗检测模型中，以进行防渗检测。这个模型可以是基于机器学习算法（如随机森林、支持向量机等）或深度学习算法（如卷积神经网络）构建的，旨在根据输入的特征数据判断是否存在渗漏问题。其次，服务器需要进行样本随机采样。对于每个缺陷区域，服务器从中随机选取一定数量的样本，这些样本将用于后续的特征随机提取。例如，假设服务器从一个缺陷区域中随机选取了10个样本。服务器对每个缺陷区域的随机样本集合进行特征随机提取。这涉及从每个样本中提取特征，这些特征包括频谱特征、变化趋势特征等。服务器为每个缺陷区域得到了一组随机特征集合。基于随机特征集合，服务器构建决策树，用于目标决策。每个缺陷区域将对应一个决策树，该决策树可以根据输入的随机特征对样本进行分类，判断是否存在渗漏问题。进一步，服务器将通过决策树对每个缺陷区域的目标特征数据进行时间特征拆解。这意味着服务器将目标特征数据分解成不同的时间特征部分，以便更好地分析渗透事件。在拆解时间特征后，服务器进行渗透事件相似度计算。通过计算不同时间特征之间的相似度，服务器获得多个相似度计算结果。这些结果将反映出不同时间特征之间的关联程度，有助于更好地理解渗透事件的性质。基于多个相似度计算结果，服务器进行墙体渗透情况分析，以得出目标墙体是否存在渗漏问题。例如，如果相似度计算结果表明在特定时间段内出现了高度相似的时间特征，暗示着墙体存在渗漏问题。例如，假设服务器正在监测一座住宅建筑的外墙，以检测是否存在渗漏问题。服务器已经收集了一些墙体缺陷区域的目标特征数据，包括频谱特征和变化趋势特征。通过上述方法，服务器对每个缺陷区域进行了防渗检测。在某个缺陷区域，服务器从中随机选取了10个样本，并提取了随机特征集合。然后，服务器基于这些随机特征构建了一个决策树，用于判断样本是否存在渗漏问题。服务器对决策树进行时间特征拆解，分析渗透事件的不同时间特征。通过计算不同时间特征之间的相似度，服务器获得了多个相似度计算结果。通过综合多个相似度计算结果，服务器进行了墙体渗透情况分析。如果相似度计算结果显示在不同时间段内存在高度相似的时间特征，那么服务器得出墙体存在渗漏问题的结论。
本发明实施例中，通过多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；通过多个微波反射信号对目标墙体进行墙体完整性分析，得到目标墙体的多个墙体缺陷区域；对每个墙体缺陷区域进行热辐射数据采集，得到每个墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个墙体缺陷区域进行图像采集，得到每个墙体缺陷区域对应的多帧图像集；分别对每个墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个墙体缺陷区域对应的区域变化图；对每个墙体缺陷区域对应的热辐射数据以及每个墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个墙体缺陷区域的目标特征数据；分别将每个墙体缺陷区域的目标特征数据输入墙体防渗检测模型进行防渗检测，得到目标检测结果。通过结合微波传感器的微波反射信号、热辐射数据和多帧图像集，可以获取墙体缺陷区域的多模态信息。可以从多个角度获得墙体的信息，增强检测的准确性和鲁棒性。微波传感器提供对墙体结构的物理特性信息，热辐射数据反映墙体的热分布情况，多帧图像集捕捉墙体区域的视觉变化。这种综合信息融合有助于获取更全面的墙体缺陷信息，数据采集、图像处理和模型预测，都可以在自动化的环境下进行。这样可以提高检测的效率，减少人工操作，特别是在大规模场景中非常有益。不同类型的缺陷在微波反射、热分布和视觉上有不同的表现。多模态数据融合可以帮助模型更好地识别和区分不同类型的缺陷，从而提高了检测的多样性。以进一步提升基于人工智能的墙体防渗检测的准确率。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）分别对每个微波反射信号进行信号传播过程解析，得到每个微波反射信号的信号传播参数，其中，每个微波反射信号的信号传播参数包括：信号入射角、信号折射角以及信号传播路径；
（2）通过每个微波反射信号的信号传播过程，分别对每个微波反射信号进行信号传播指标分析，得到每个微波反射信号的信号传播指标，其中，每个微波反射信号的信号传播指标包括：幅度、相位以及频率；
（3）通过每个微波反射信号的信号传播参数以及每个微波反射信号的信号传播指标对多个微波反射信号进行信号衰减数据计算，得到每个微波反射信号的信号衰减数据；
（4）基于每个微波反射信号的信号衰减数据对多个微波反射信号进行信号延迟分析，得到延迟数据集；
（5）通过延迟数据集对目标墙体进行墙体完整性分析，得到目标墙体的多个墙体缺陷区域。
具体的，针对每个微波反射信号，服务器需要对其信号传播过程进行解析，以获取信号传播参数。这些参数包括信号的入射角、折射角和传播路径，这些信息有助于了解信号在墙体中的传播情况。通过分析每个微波反射信号的传播过程，服务器计算出信号的传播指标，包括幅度、相位和频率。这些指标可以提供关于信号强度、相对位相和频率特性的信息，从而帮助服务器了解信号在墙体中的特性。在获得信号传播参数和传播指标后，服务器通过这些数据进行信号衰减数据的计算。通过比较信号在传播过程中的变化，服务器评估信号在墙体内的衰减情况，这有助于识别的墙体缺陷区域。基于信号衰减数据，服务器进行信号延迟分析，以获得延迟数据集。信号延迟是信号从入射到传播过程中的时间延迟，这可以反映出信号传播过程中的不同特征。基于延迟数据集，服务器对目标墙体进行墙体完整性分析。通过比较不同部位的信号延迟，服务器识别出存在的墙体缺陷区域，如裂缝、渗漏等问题。例如，假设服务器正在监测一座历史建筑的外墙，因为最近发现了一些墙体漏水的迹象。为了深入了解问题的根本原因，服务器决定使用基于微波反射信号的方法进行墙体防渗检测。服务器首先在建筑外墙的不同位置安装微波传感器，并采集微波反射信号。每个传感器会发射微波信号，并接收反射回来的信号。这些微波信号包含了墙体结构和存在的缺陷信息。服务器针对每个微波反射信号进行信号传播过程的解析。通过计算信号的入射角、折射角和传播路径，服务器了解信号在墙体内部的传播情况。例如，如果某个位置的信号入射角较大，意味着墙体在这个位置存在倾斜或突出的部分。服务器分析每个微波反射信号的传播指标，如幅度、相位和频率。这些指标可以揭示信号在墙体中的衰减情况以及的反射点。基于信号传播参数和传播指标，服务器计算每个微波反射信号的信号衰减数据。通过比较不同位置的衰减情况，服务器发现存在的墙体缺陷，如潮湿区域或裂缝。服务器对信号衰减数据进行信号延迟分析，获得延迟数据集。这些数据反映了信号在传播过程中的时间延迟，对应着墙体内部的不同密度区域。基于延迟数据集，服务器进行墙体完整性分析。通过比较不同位置的信号延迟，服务器识别出存在的墙体缺陷区域，如水分渗透引起的损坏。
在一具体实施例中，如图2所示，执行步骤S104的过程可以具体包括如下步骤：
S201、分别对每个墙体缺陷区域对应的多帧图像集进行图像对齐处理，得到每个墙体缺陷区域对应的对齐图像集；
S202、对每个墙体缺陷区域对应的对齐图像集进行图像分割，得到每个墙体缺陷区域的分割图片；
S203、对每个墙体缺陷区域的分割图片集进行图像差异提取，得到每个墙体缺陷区域对应的区域变化图。
需要说明的是，对于每个墙体缺陷区域，服务器需要进行图像对齐处理。这是为了消除图像之间由于摄像设备移动或其他因素引起的微小偏移，从而确保多帧图像具有相同的视角和尺度。这是确保后续分析的基础，使得不同帧的图像可以直接进行比较。例如，假设服务器正在检测一座建筑物的外墙，服务器使用多个摄像头捕捉了不同时间的图像。由于摄像头会因为风吹或震动而发生微小移动，服务器需要对这些图像进行对齐，以确保它们都处于相同的位置和角度。服务器对每个墙体缺陷区域的对齐图像集进行图像分割。图像分割是将图像中不同的区域分开，以便更精细地分析每个缺陷区域。这可以通过各种分割算法来实现，如基于像素的阈值分割、边缘检测、区域生长等方法。例如，假设服务器发现建筑外墙某个区域存在渗漏问题。服务器将该区域的多帧图像集进行图像分割，将墙体区域与背景分开，从而获取只包含墙体的分割图片。服务器对每个墙体缺陷区域的分割图片集进行图像差异提取。通过比较不同帧之间的像素值变化，以捕捉区域内的变化情况。这可以通过计算像素级别的差异来实现，比如像素差异计算、直方图比较等。例如，服务器从不同时间拍摄的图像中获得了墙体特定区域的分割图片集。通过比较这些图片，服务器计算出每个像素在不同时间点的变化程度，从而得到这个区域的差异图像，显示了墙体的变化情况。
在一具体实施例中，如图3所示，执行步骤S203的过程可以具体包括如下步骤：
S301、对每个墙体缺陷区域的分割图片集进行图片配对，得到每个墙体缺陷区域的多组待比对图片；
S302、对每个墙体缺陷区域的多组待比对图片进行像素提取，得到图片像素数据集合；
S303、通过图片像素数据集合，对每个墙体缺陷区域的多组待比对图片进行纹理特征提取，得到纹理特征集合；
S304、通过纹理特征集合对每个墙体缺陷区域的分割图片集进行图片灰度化处理，得到每个墙体缺陷区域的灰度图片集；
S305、对每个墙体缺陷区域的灰度图片集进行阈值化处理，得到每个墙体缺陷区域的差异图像集；
S306、通过每个墙体缺陷区域的差异图像集进行图像差异融合，得到每个墙体缺陷区域对应的区域变化图。
需要说明的是，服务器针对每个墙体缺陷区域的分割图片集进行图片配对，以获得多组待比对的图片。这是为了确保服务器能够比较不同时间或不同条件下的图像变化。例如，考虑一个建筑物外墙的缺陷区域，服务器从不同时间采集了多组图像。通过将这些图像配对，服务器确保相同位置的图像被放在一起进行比较。对于每组待比对的图片，服务器进行像素提取，将图像转化为像素数据集合。目的是是为了进一步分析图像的特征。例如，对于每组待比对的图像，服务器将其转化为像素数据，即将图像中的每个像素点的数值记录下来，形成一个数据集合。通过像素数据集合，服务器进行纹理特征提取。纹理特征是指描述图像中纹理模式的特征，可以帮助服务器分析不同区域的纹理变化情况。例如，服务器使用各种纹理特征提取算法，如灰度共生矩阵、小波变换等，来分析每个待比对图像的纹理特征。在得到纹理特征集合后，服务器将其用于对每个墙体缺陷区域的分割图片集进行灰度化处理。这是为了将彩色图像转化为灰度图像，便于后续的差异分析。例如，服务器将纹理特征集合应用于每组待比对的图像，将其转化为灰度图像，从而减少颜色信息对于后续分析的影响。服务器对每个墙体缺陷区域的灰度图片集进行阈值化处理。阈值化可以将图像中的像素值根据设定的阈值分为不同的区域，以便捕捉变化。例如，服务器根据灰度图像中的像素值，将图像分成高亮部分和低亮部分，以此来突出图像中的差异区域。通过对每个墙体缺陷区域的差异图像集进行图像差异融合，服务器得到每个区域对应的区域变化图。这个区域变化图可以突出显示图像中不同区域的变化情况，有助于检测潜在的渗漏问题或其他缺陷。例如，假设服务器对建筑物外墙的缺陷区域进行了上述处理，得到了多组差异图像。通过将这些差异图像融合在一起，服务器得到一个综合的区域变化图，清楚地显示出每个缺陷区域的变化情况。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、对每个墙体缺陷区域对应的热辐射数据进行辐射分布数据分析，得到每个墙体缺陷区域对应的辐射分布数据；
S402、通过每个墙体缺陷区域对应的辐射分布数据对每个墙体缺陷区域进行温度梯度特征计算，得到每个墙体缺陷区域的温度梯度特征；
S403、对每个墙体缺陷区域的温度梯度特征进行频域特征转换，得到每个墙体缺陷区域的频谱特征集；
S404、对每个墙体缺陷区域对应的区域变化图进行灰度差值矩阵计算，得到每个墙体缺陷区域的灰度差值矩阵；
S405、基于每个墙体缺陷区域的灰度差值矩阵对每个墙体缺陷区域进行形状特征提取，得到每个墙体缺陷区域的形状特征；
S406、通过每个墙体缺陷区域的形状特征对每个墙体缺陷区域进行变化趋势分析，得到每个墙体缺陷区域的变化趋势特征；
S407、对每个墙体缺陷区域的频谱特征集以及每个墙体缺陷区域的变化趋势特征进行多模态数据特征融合，得到每个墙体缺陷区域的目标特征数据。
针对每个墙体缺陷区域，获取其对应的热辐射数据。这些数据来自红外传感器或其他热辐射测量设备，用于记录墙体表面的温度分布情况。对每个墙体缺陷区域的热辐射数据进行辐射分布数据分析。对热辐射数据进行处理和解析，以获得墙体表面温度的分布情况。可以采用图像处理技术、数学模型或深度学习方法来实现数据的分析和提取。通过辐射分布数据，可以计算每个墙体缺陷区域的温度梯度特征。温度梯度反映了墙体表面温度在空间上的变化率，可以用来描述区域内的温度变化情况。计算温度梯度需要对辐射分布数据进行微分操作，以获得温度梯度的数值表示。进一步，对温度梯度特征进行频域特征转换。这可以通过应用傅里叶变换或其他频域分析方法，将温度梯度特征从时域转换到频域，得到频谱特征集。频谱特征可以揭示出不同频率下温度梯度的变化情况，对不同类型的墙体缺陷具有较好的区分能力。同时，对每个墙体缺陷区域对应的区域变化图进行灰度差值矩阵计算。区域变化图记录了墙体缺陷区域的图像变化情况，灰度差值矩阵可以从像素级别计算出不同区域之间的灰度差异，用于描述图像的纹理特征。基于灰度差值矩阵，可以进一步提取墙体缺陷区域的形状特征。通过分析差值矩阵的几何结构和轮廓，可以获得形状特征，例如区域的尺寸、形状等。形状特征还可以用于进行墙体缺陷区域的变化趋势分析。通过跟踪不同帧之间的形状变化，可以了解墙体缺陷的演变情况，从而获得变化趋势特征。将墙体缺陷区域的频谱特征集和变化趋势特征进行多模态数据特征融合。这可以通过加权平均、特征连接等方法实现，得到每个墙体缺陷区域的目标特征数据。例如，考虑一个外墙防渗检测场景，通过红外传感器获取了墙体缺陷区域的热辐射数据。通过对这些数据进行辐射分布数据分析，可以得到墙体表面温度分布情况。计算温度梯度特征，揭示温度变化的强弱。通过频域转换，分析不同频率下的温度变化，获得频谱特征。同时，对图像中的区域变化图进行灰度差值矩阵计算，提取纹理特征和形状特征。将频谱特征和形状特征进行融合，得到墙体缺陷区域的目标特征数据，用于后续的防渗检测分析。
在一具体实施例中，执行步骤S407的过程可以具体包括如下步骤：
（1）对每个墙体缺陷区域的频谱特征集以及每个墙体缺陷区域的变化趋势特征进行权重参数分析，得到每个墙体缺陷区域的频谱特征集的第一权重系数以及每个墙体缺陷区域的变化趋势特征的第二权重系数；
（2）基于每个墙体缺陷区域的频谱特征集的第一权重系数以及每个墙体缺陷区域的变化趋势特征的第二权重系数，对每个墙体缺陷区域的频谱特征集以及每个墙体缺陷区域的变化趋势特征进行特征加权融合，得到第一融合特征；
（3）基于第一融合特征，对每个墙体缺陷区域的频谱特征集以及每个墙体缺陷区域的变化趋势特征进行特征连接处理，得到每个墙体缺陷区域的目标特征数据。
需要说明的是，针对每个墙体缺陷区域，分别对其频谱特征集和变化趋势特征进行权重参数分析。到对不同特征在防渗检测中的重要性进行评估，以确定每个特征的权重系数。权重参数分析可以通过多种方法实现，例如基于专家经验的赋权、数据驱动的训练和优化算法等。通过这些方法，可以得到频谱特征集的第一权重系数和变化趋势特征的第二权重系数，用于后续的特征融合过程。基于得到的权重系数，可以对每个墙体缺陷区域的频谱特征集和变化趋势特征进行特征加权融合。特征加权融合将两种特征按照其权重进行线性或非线性加权，得到第一融合特征。这个过程能够在尊重不同特征重要性的前提下，将频谱特征和变化趋势特征融合成一个综合特征。基于第一融合特征，对每个墙体缺陷区域的频谱特征集和变化趋势特征进行特征连接处理。特征连接可以将两种特征在特征空间中进行连接，形成一个更加丰富的特征表示。这可以通过简单地将两种特征按照一定的顺序连接起来，形成一个更长的特征向量。例如，考虑一个墙体防渗检测场景，对于每个缺陷区域，通过权重参数分析得到了频谱特征集的第一权重系数为0.6，变化趋势特征的第二权重系数为0.4。基于这些权重系数，将频谱特征集和变化趋势特征进行特征加权融合，得到第一融合特征。将第一融合特征和变化趋势特征进行连接处理，得到一个更加丰富的特征表示。这个连接过程会将两种特征有机地融合在一起，提供更全面的信息。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）分别将每个墙体缺陷区域的目标特征数据输入墙体防渗检测模型进行样本随机采样，得到每个墙体缺陷区域的随机样本集合；
（2）分别对每个墙体缺陷区域的随机样本集合进行特征随机提取，得到每个墙体缺陷区域对应的随机特征集合；
（3）基于每个墙体缺陷区域随机特征集合构建决策树，得到每个墙体缺陷区域的目标决策树；
（4）通过每个墙体缺陷区域的目标决策树分别对每个墙体缺陷区域的目标特征数据进行时间特征拆解，得到每个墙体缺陷区域的拆解时间特征；
（5）基于每个墙体缺陷区域的拆解时间特征分别对每个墙体缺陷区域的目标特征数据进行渗透事件相似度计算，得到多个相似度计算结果；
（6）基于多个相似度计算结果进行墙体渗透情况分析，得到目标墙体渗透情况并作为目标检测结果。
具体的，针对每个墙体缺陷区域的目标特征数据，将其输入到墙体防渗检测模型中进行样本随机采样。样本随机采样能够获得一组具有代表性的样本数据，以保证后续分析的可靠性。从每个缺陷区域得到随机样本集合。对每个墙体缺陷区域的随机样本集合进行特征随机提取。特征随机提取涉及到从随机样本中提取与防渗特征相关的数据特征，这些特征可以包括频谱特征、纹理特征、温度梯度特征等。得到每个缺陷区域的随机特征集合。基于随机特征集合，可以构建一个决策树来进行目标决策。决策树是一种常用的机器学习算法，可以根据特征的值进行分类或判定。通过训练决策树，可以将每个墙体缺陷区域的目标特征数据映射到一个特定的决策路径上，以进行后续的分析。通过决策树的构建，可以进行时间特征拆解。将目标特征数据拆解为不同时间尺度上的特征表示，以便更好地捕捉渗透事件的变化趋势。拆解后，可以获得每个缺陷区域的拆解时间特征。基于拆解时间特征，可以进行渗透事件相似度计算。将不同缺陷区域的时间特征进行比较，计算它们之间的相似度。相似度可以基于各种度量方法，例如欧氏距离、余弦相似度等。计算后，可以获得多个相似度计算结果。基于多个相似度计算结果，进行墙体渗透情况分析。通过综合不同缺陷区域之间的相似度计算结果，可以判断墙体渗透情况。这些结果可以作为最终的目标检测结果，用于评估墙体的防渗情况。例如，假设有一面墙体，其中存在一个隐蔽的缺陷区域。服务器将收集该区域的多个时间点的目标特征数据，包括温度、形状等特征。通过样本随机采样和特征提取，得到随机特征集合。基于随机特征集合，构建目标决策树，用于分类不同时间点的数据。然后，通过决策树分别拆解不同时间尺度下的特征，比如按小时、按天。在拆解后，服务器计算不同时间尺度下的温度变化、形状变化等特征。通过这些特征，计算渗透事件相似度，比较不同时间点下的特征差异，得到多个相似度计算结果。基于多个相似度计算结果，服务器分析墙体渗透情况，判断是否存在墙体防渗问题。
上面对本发明实施例中基于人工智能的墙体防渗检测方法进行了描述，下面对本发明实施例中基于人工智能的墙体防渗检测装置进行描述，请参阅图5，本发明实施例中基于人工智能的墙体防渗检测装置一个实施例包括：
接收模块501，用于通过预置的多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；
分析模块502，用于通过多个微波反射信号对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域；
采集模块503，用于对每个所述墙体缺陷区域进行热辐射数据采集，得到每个所述墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个所述墙体缺陷区域进行图像采集，得到每个所述墙体缺陷区域对应的多帧图像集；
提取模块504，用于分别对每个所述墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图；
融合模块505，用于对每个所述墙体缺陷区域对应的热辐射数据以及每个所述墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据；
检测模块506，用于分别将所述每个所述墙体缺陷区域的目标特征数据输入预置的墙体防渗检测模型进行防渗检测，得到目标检测结果。
通过上述各个组成部分的协同合作，通过多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；通过多个微波反射信号对目标墙体进行墙体完整性分析，得到目标墙体的多个墙体缺陷区域；对每个墙体缺陷区域进行热辐射数据采集，得到每个墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个墙体缺陷区域进行图像采集，得到每个墙体缺陷区域对应的多帧图像集；分别对每个墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个墙体缺陷区域对应的区域变化图；对每个墙体缺陷区域对应的热辐射数据以及每个墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个墙体缺陷区域的目标特征数据；分别将每个墙体缺陷区域的目标特征数据输入墙体防渗检测模型进行防渗检测，得到目标检测结果。通过结合微波传感器的微波反射信号、热辐射数据和多帧图像集，可以获取墙体缺陷区域的多模态信息。可以从多个角度获得墙体的信息，增强检测的准确性和鲁棒性。微波传感器提供对墙体结构的物理特性信息，热辐射数据反映墙体的热分布情况，多帧图像集捕捉墙体区域的视觉变化。这种综合信息融合有助于获取更全面的墙体缺陷信息，数据采集、图像处理和模型预测，都可以在自动化的环境下进行。这样可以提高检测的效率，减少人工操作，特别是在大规模场景中非常有益。不同类型的缺陷在微波反射、热分布和视觉上有不同的表现。多模态数据融合可以帮助模型更好地识别和区分不同类型的缺陷，从而提高了检测的多样性。以进一步提升基于人工智能的墙体防渗检测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于人工智能的墙体防渗检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于人工智能的墙体防渗检测设备进行详细描述。
图6是本发明实施例提供的一种基于人工智能的墙体防渗检测设备的结构示意图，该基于人工智能的墙体防渗检测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessingunits，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于人工智能的墙体防渗检测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于人工智能的墙体防渗检测设备600上执行存储介质630中的一系列指令操作。
基于人工智能的墙体防渗检测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如WindowsServe，MacOSX，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于人工智能的墙体防渗检测设备结构并不构成对基于人工智能的墙体防渗检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于人工智能的墙体防渗检测设备，所述基于人工智能的墙体防渗检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于人工智能的墙体防渗检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于人工智能的墙体防渗检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或通过时，可以存储在一个计算机可读取存储介质中。基于的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomacceSmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的墙体防渗检测方法，其特征在于，所述基于人工智能的墙体防渗检测方法包括：
通过预置的多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；
通过多个微波反射信号对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域；
对每个所述墙体缺陷区域进行热辐射数据采集，得到每个所述墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个所述墙体缺陷区域进行图像采集，得到每个所述墙体缺陷区域对应的多帧图像集；
分别对每个所述墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图；
对每个所述墙体缺陷区域对应的热辐射数据以及每个所述墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据；
分别将所述每个所述墙体缺陷区域的目标特征数据输入预置的墙体防渗检测模型进行防渗检测，得到目标检测结果。
2.根据权利要求1所述的基于人工智能的墙体防渗检测方法，其特征在于，所述通过多个微波反射信号对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域，包括：
分别对每个所述微波反射信号进行信号传播过程解析，得到每个所述微波反射信号的信号传播参数，其中，每个所述微波反射信号的信号传播参数包括：信号入射角、信号折射角以及信号传播路径；
通过每个所述微波反射信号的信号传播过程，分别对每个所述微波反射信号进行信号传播指标分析，得到每个所述微波反射信号的信号传播指标，其中，每个所述微波反射信号的信号传播指标包括：幅度、相位以及频率；
通过每个所述微波反射信号的信号传播参数以及每个所述微波反射信号的信号传播指标对多个所述微波反射信号进行信号衰减数据计算，得到每个所述微波反射信号的信号衰减数据；
基于每个所述微波反射信号的信号衰减数据对多个所述微波反射信号进行信号延迟分析，得到延迟数据集；
通过所述延迟数据集对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域。
3.根据权利要求1所述的基于人工智能的墙体防渗检测方法，其特征在于，所述分别对每个所述墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图，包括：
分别对每个所述墙体缺陷区域对应的多帧图像集进行图像对齐处理，得到每个所述墙体缺陷区域对应的对齐图像集；
对每个所述墙体缺陷区域对应的对齐图像集进行图像分割，得到每个所述墙体缺陷区域的分割图片；
对每个所述墙体缺陷区域的分割图片集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图。
4.根据权利要求3所述的基于人工智能的墙体防渗检测方法，其特征在于，所述对每个所述墙体缺陷区域的分割图片集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图，包括：
对每个所述墙体缺陷区域的分割图片集进行图片配对，得到每个所述墙体缺陷区域的多组待比对图片；
对每个所述墙体缺陷区域的多组待比对图片进行像素提取，得到图片像素数据集合；
通过所述图片像素数据集合，对每个所述墙体缺陷区域的多组待比对图片进行纹理特征提取，得到纹理特征集合；
通过所述纹理特征集合对每个所述墙体缺陷区域的分割图片集进行图片灰度化处理，得到每个所述墙体缺陷区域的灰度图片集；
对每个所述墙体缺陷区域的灰度图片集进行阈值化处理，得到每个所述墙体缺陷区域的差异图像集；
通过每个所述墙体缺陷区域的差异图像集进行图像差异融合，得到每个所述墙体缺陷区域对应的区域变化图。
5.根据权利要求1所述的基于人工智能的墙体防渗检测方法，其特征在于，所述对每个所述墙体缺陷区域对应的热辐射数据以及每个所述墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据，包括：
对每个所述墙体缺陷区域对应的热辐射数据进行辐射分布数据分析，得到每个所述墙体缺陷区域对应的辐射分布数据；
通过每个所述墙体缺陷区域对应的辐射分布数据对每个所述墙体缺陷区域进行温度梯度特征计算，得到每个所述墙体缺陷区域的温度梯度特征；
对每个所述墙体缺陷区域的温度梯度特征进行频域特征转换，得到每个所述墙体缺陷区域的频谱特征集；
对每个所述墙体缺陷区域对应的区域变化图进行灰度差值矩阵计算，得到每个所述墙体缺陷区域的灰度差值矩阵；
基于每个所述墙体缺陷区域的灰度差值矩阵对每个所述墙体缺陷区域进行形状特征提取，得到每个所述墙体缺陷区域的形状特征；
通过每个所述墙体缺陷区域的形状特征对每个所述墙体缺陷区域进行变化趋势分析，得到每个所述墙体缺陷区域的变化趋势特征；
对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据。
6.根据权利要求5所述的基于人工智能的墙体防渗检测方法，其特征在于，所述对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据，包括：
对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行权重参数分析，得到每个所述墙体缺陷区域的频谱特征集的第一权重系数以及每个所述墙体缺陷区域的变化趋势特征的第二权重系数；
基于每个所述墙体缺陷区域的频谱特征集的第一权重系数以及每个所述墙体缺陷区域的变化趋势特征的第二权重系数，对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行特征加权融合，得到第一融合特征；
基于所述第一融合特征，对每个所述墙体缺陷区域的频谱特征集以及每个所述墙体缺陷区域的变化趋势特征进行特征连接处理，得到每个所述墙体缺陷区域的目标特征数据。
7.根据权利要求1所述的基于人工智能的墙体防渗检测方法，其特征在于，所述分别将所述每个所述墙体缺陷区域的目标特征数据输入预置的墙体防渗检测模型进行防渗检测，得到目标检测结果，包括：
分别将每个所述墙体缺陷区域的目标特征数据输入所述墙体防渗检测模型进行样本随机采样，得到每个所述墙体缺陷区域的随机样本集合；
分别对每个所述墙体缺陷区域的随机样本集合进行特征随机提取，得到每个所述墙体缺陷区域对应的随机特征集合；
基于每个所述墙体缺陷区域所述随机特征集合构建决策树，得到每个所述墙体缺陷区域的目标决策树；
通过每个所述墙体缺陷区域的目标决策树分别对每个所述墙体缺陷区域的目标特征数据进行时间特征拆解，得到每个所述墙体缺陷区域的拆解时间特征；
基于每个所述墙体缺陷区域的拆解时间特征分别对每个所述墙体缺陷区域的目标特征数据进行渗透事件相似度计算，得到多个相似度计算结果；
基于多个所述相似度计算结果进行墙体渗透情况分析，得到目标墙体渗透情况并作为所述目标检测结果。
8.一种基于人工智能的墙体防渗检测装置，其特征在于，所述基于人工智能的墙体防渗检测装置包括：
接收模块，用于通过预置的多个微波传感器对目标墙体发送高频微波信号，并接收多个微波反射信号；
分析模块，用于通过多个微波反射信号对所述目标墙体进行墙体完整性分析，得到所述目标墙体的多个墙体缺陷区域；
采集模块，用于对每个所述墙体缺陷区域进行热辐射数据采集，得到每个所述墙体缺陷区域对应的热辐射数据，同时，基于预设的时间区间，对每个所述墙体缺陷区域进行图像采集，得到每个所述墙体缺陷区域对应的多帧图像集；
提取模块，用于分别对每个所述墙体缺陷区域对应的多帧图像集进行图像差异提取，得到每个所述墙体缺陷区域对应的区域变化图；
融合模块，用于对每个所述墙体缺陷区域对应的热辐射数据以及每个所述墙体缺陷区域对应的区域变化图进行多模态数据特征融合，得到每个所述墙体缺陷区域的目标特征数据；
检测模块，用于分别将所述每个所述墙体缺陷区域的目标特征数据输入预置的墙体防渗检测模型进行防渗检测，得到目标检测结果。
9.一种基于人工智能的墙体防渗检测设备，其特征在于，所述基于人工智能的墙体防渗检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于人工智能的墙体防渗检测设备执行如权利要求1-7中任一项所述的基于人工智能的墙体防渗检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于人工智能的墙体防渗检测方法。
CN202311149557.7A 2023-09-07 2023-09-07 基于人工智能的墙体防渗检测方法及相关装置 Active CN116910489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311149557.7A CN116910489B (zh) 2023-09-07 2023-09-07 基于人工智能的墙体防渗检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311149557.7A CN116910489B (zh) 2023-09-07 2023-09-07 基于人工智能的墙体防渗检测方法及相关装置

Publications (2)

Publication Number Publication Date
CN116910489A CN116910489A (zh) 2023-10-20
CN116910489B true CN116910489B (zh) 2023-11-21

Family

ID=88363278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311149557.7A Active CN116910489B (zh) 2023-09-07 2023-09-07 基于人工智能的墙体防渗检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN116910489B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400383A (zh) * 2013-07-22 2013-11-20 西安电子科技大学 基于nsct和压缩投影的sar图像变化检测方法
CN108828589A (zh) * 2018-06-19 2018-11-16 西安交通大学 地铁盾构隧道衬砌质量高精度快速车载检测方法与装置
CN109738512A (zh) * 2019-01-08 2019-05-10 重庆大学 基于多物理场融合的无损检测系统及方法
CN113134657A (zh) * 2021-04-29 2021-07-20 南京云正微波电子有限公司 一种用于微波组件射频连接器的焊料环及其焊接方法
CN113899761A (zh) * 2021-09-14 2022-01-07 严宇飞 一种基于微波扫描的智能医用检测装置及其控制方法
KR20220076247A (ko) * 2020-11-30 2022-06-08 연세대학교 산학협력단 멀티모달 융합 기반 감정 인식 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400383A (zh) * 2013-07-22 2013-11-20 西安电子科技大学 基于nsct和压缩投影的sar图像变化检测方法
CN108828589A (zh) * 2018-06-19 2018-11-16 西安交通大学 地铁盾构隧道衬砌质量高精度快速车载检测方法与装置
CN109738512A (zh) * 2019-01-08 2019-05-10 重庆大学 基于多物理场融合的无损检测系统及方法
KR20220076247A (ko) * 2020-11-30 2022-06-08 연세대학교 산학협력단 멀티모달 융합 기반 감정 인식 장치 및 방법
CN113134657A (zh) * 2021-04-29 2021-07-20 南京云正微波电子有限公司 一种用于微波组件射频连接器的焊料环及其焊接方法
CN113899761A (zh) * 2021-09-14 2022-01-07 严宇飞 一种基于微波扫描的智能医用检测装置及其控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Through the wall detection of heartbeat and breathing using SFCW radar;M.pehlivan 等;《2017 progress in electromagnetics research symposium-spring》;第1-2页 *
基于非线性贝叶斯理论和BIC准则的防渗墙高精度瑞雷波反演研究;付代光 等;《水利水电技术》;第49卷(第8期);第64-70页 *

Also Published As

Publication number Publication date
CN116910489A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN103528617B (zh) 一种座舱仪表自动识别和检测方法及装置
CN102928435A (zh) 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
CN102799903A (zh) 一种基于空间与光谱信息的高光谱自动云检测方法
CN111047568A (zh) 一种漏汽缺陷检测识别方法及系统
CN110530432A (zh) 一种电网设备带电检测系统、红外热像仪及方法
CN106442525A (zh) 用于核桃内部干瘪缺陷的在线检测方法
CN110689042A (zh) 隧道渗漏等级的识别方法和装置、存储介质、电子装置
CN113056665A (zh) 使用混合传感系统对防火绝缘层下腐蚀进行检查与故障检测
CN109374631A (zh) 一种隧道状态评测方法
CN105763871A (zh) 一种摄像机清晰度的实时检测系统及检测方法
CN112883802A (zh) 一种管道光纤振动安全预警系统破坏性事件的识别方法
CN116910489B (zh) 基于人工智能的墙体防渗检测方法及相关装置
Chen et al. High-speed image velocimetry system for rainfall measurement
CN112525923A (zh) 一种共享果汁平台管道内壁检测方法、系统及可读存储介质
CN116186642B (zh) 一种基于多维特征融合的分布式光纤传感事件预警方法
CN116386302A (zh) 一种边坡智能监测预警系统
CN113781513B (zh) 一种电厂供水管道泄漏检测方法及系统
CN111814764A (zh) 一种遗撒物确定系统
CN117541483B (zh) 一种扩散板的结构性能评估方法及系统
CN114359895B (zh) 一种食品新鲜度检测的方法及系统
CN112414559B (zh) 一种活体非接触式测温系统及方法
CN114418941B (zh) 一种基于电力巡检设备检测数据的缺陷诊断方法及系统
KR102624395B1 (ko) 비전 기반 무의 볼륨 추정 시스템
CN117454488B (zh) 基于数字孪生传感器的多设备综合方法和系统
TWI494549B (zh) 利用多核心支援向量迴歸之背光模組輝度檢測方法及檢測器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant