CN117132896B - 一种建筑物开裂的检测与识别方法 - Google Patents
一种建筑物开裂的检测与识别方法 Download PDFInfo
- Publication number
- CN117132896B CN117132896B CN202311368229.6A CN202311368229A CN117132896B CN 117132896 B CN117132896 B CN 117132896B CN 202311368229 A CN202311368229 A CN 202311368229A CN 117132896 B CN117132896 B CN 117132896B
- Authority
- CN
- China
- Prior art keywords
- crack
- level
- area
- grade
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005336 cracking Methods 0.000 title description 4
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000003708 edge detection Methods 0.000 claims abstract description 40
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 13
- 238000011897 real-time detection Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/70—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Working Measures On Existing Buildindgs (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种建筑物开裂的检测与识别方法，涉及裂缝检测技术领域，包括：S10，布置摄像头；S20，采集建筑物的初始图片，并对初始图片进行多级缩小并存储、边缘检测以及目标检测；S30，定期采集建筑物的图片，新采集的图片记作当前图片，对当前图片进行多级缩小并存储、边缘检测以及目标检测；S40，判断并标记出疑似裂缝区域；S50，针对疑似裂缝区域布置张力传感器和倾斜传感器并设置裂缝可能性等级；S60，判断裂缝等级；S70，存储建筑物瞬时裂缝位置及等级并通过历史裂缝等级建立模型预测当前裂缝等级；S80，判断建筑物瞬时裂缝是否发生变化。本发明的有益效果：既保证了检测效率，又降低了的安全隐患，还提高了识别精度。
Description
技术领域
本发明涉及裂缝检测技术领域，更具体的说，涉及一种建筑物开裂的检测与识别方法。
背景技术
传统的建筑物裂缝检测主要依靠人工检测存在一系列问题，首先，传统的裂缝检测需要搭建脚手架，这涉及到大量的人力和时间成本，搭建脚手架需要预先进行准备工作，包括场地勘察、材料调配等，耗费时间较长，而且，脚手架搭建完成后，仍需工人一个个检查裂缝，效率较低；其次，在高空作业方面，人工检测存在一定的安全风险，工人需要爬上脚手架或者使用其他高空作业设备进行检测，容易发生意外事故，特别是在天气不好或者条件复杂的情况下，工人的安全得不到充分的保障；另外，人工检测容易产生盲区，影响裂缝识别的精度。工人需要凭借经验和肉眼观察来辨别裂缝，但这种方式受限于人的主观判断和视力差异，容易忽略一些微小或隐蔽的裂缝，导致识别结果准确性不高。因此，传统的人工检测方法在建筑物裂缝检测中存在着效率低、安全隐患大以及识别精度低等问题。
发明内容
为了克服现有技术的不足，本发明提供一种建筑物开裂的检测与识别方法，解决了当前建筑物裂缝检测方法中效率低、安全隐患大以及精度低的问题；从而既保证了检测效率，又降低了检测过程中的安全隐患，还提高了建筑物裂缝的识别精度。
本发明解决其技术问题所采用的技术方案是：一种建筑物开裂的检测与识别方法，其改进之处在于，所述检测与识别方法包括以下步骤：
S10，布置用于采集和存储建筑物图片的摄像头；其中，所述摄像头与带存储功能的边缘计算设备或平台服务器连接；
S20，采集建筑物的初始图片，并对初始图片进行多级缩小并存储、边缘检测以及目标检测；其中，摄像头采集的图片通过多级缩小得到大、中以及小三级分辨率的一系列初始图片；所述边缘检测具体方式为通过边缘检测算法检测初始图片的所有边缘；所述目标检测的具体方式包括对初始图片利用YOLO系列目标检测模型检测植物和墙体水印；
S30，定期采集建筑物的图片，其中，新采集的图片记作当前图片，对当前图片进行多级缩小并存储、边缘检测以及目标检测；摄像头采集的图片通过多级缩小得到大、中以及小三级分辨率的一系列当前图片；所述边缘检测具体方式为通过边缘检测算法检测当前图片的所有边缘；所述目标检测的具体方式包括对当前图片利用YOLO系列目标检测模型检测植物和墙体水印；
S40，比对当前图片与对应分辨率等级的初始图片，判断并标记出疑似裂缝区域；其中，判断疑似裂缝区域的方式具体包括：
S401,把当前图片与对应分辨率等级的初始图片的边缘在像素亮度域逐像素对位做差，若差值不为零或大于等于阈值a的点即为新出现的边缘点，其中，0<a<255;
S402，把图片均匀分成方格，统计各方格内边缘点与全部点的比例，若超过阈值b则认为该方格为新出现的边缘区域，其中，0<b<1；
S403，根据各方格是否相邻进行合并，标记合并后的区域为疑似裂缝区域；
S404，对比当前图片与对应分辨率等级的初始图片的植物位置与墙体水印位置，若仅在当前某个区域中存在植物和墙体水印，则该区域标记为疑似裂缝区域；
S50，针对疑似裂缝区域布置张力传感器和倾斜传感器并设置裂缝可能性等级；所述裂缝可能性等级分为无、低、中以及高四个档次，其中，初始等级为无，表示没有等级；有裂缝的最低等级为低，最高等级为高，等级中介于等级高与等级低之间；
S60，定期读取张力传感器和倾斜传感器的数值，并通过读取的数值以及边缘检测和目标检测的结果判断裂缝等级；当读取张力传感器时，若当前张力相对初始张力变化超过第一张力阈值N1，则标记该区域有裂缝，且裂缝等级为中；若当前张力相对初始张力等级变化超过第二张力阈值N2，则该区域裂缝等级为高；当读取倾斜传感器的数值时，若当前倾斜度相对初始倾斜度变化超过第一倾斜度阈值D1，则标记该区域有裂缝，且裂缝等级为中；若当前倾斜度相对初始倾斜度变化超过第二倾斜度阈值D2，则该区域的裂缝等级为高；其中，20牛<N1<200牛；0.001度<D1<1度；
S70，存储建筑物瞬时裂缝位置及等级并通过历史裂缝等级建立模型预测当前裂缝等级；
S80，实时比对模型预测等级值与实时检测等级值的差异，判断建筑物瞬时裂缝是否发生变化。
进一步的，步骤S60中，当对某区域进行边缘检测并得到检测结果后，若在大、中、小分辨率均检测出新边缘，则该区域裂缝等级为高；若在大、中分辨率检测出新边缘，则该区域裂缝等级为中；若仅在大分辨率检测出新边缘，则该区域裂缝等级为低。
进一步的，步骤S60中，当对某区域进行目标检测并得到检测结果后，若仅在小分辨率检测到植物或墙体水印，则该区域的裂缝等级为高；若在中、大分辨率检测到植物或墙体水印，则该区域的裂缝等级为中；若仅在大分辨率检测到植物或墙体水印，则该区域的裂缝等级为低。
进一步的，步骤S70中，将裂缝等级无定义为0，裂缝等级低定义为1，裂缝等级中定义为2，裂缝等级高定义为3，依据历史裂缝等级进行建模并得到当前的预测等级值。
进一步的，所述边缘计算设备或平台服务器中设置有一个计数器K，K的初始值为0，实时比对模型预测等级值与实时检测等级值的差异，若比对有差异，则K增加1，若比对无差异，则K=0，若K>t，t>=2，则判定该区域裂缝发生变化；其中，t表示变化阈值。
本发明的有益效果是：通过摄像机、边缘计算设备或平台服务器、边缘检测算法、目标检测模型、张力检测传感器以及倾斜传感器相结合对建筑物裂缝进行检测；通过边缘检测和目标检测的结果以及张力传感器和倾斜传感器的数值读取结果相结合，判断裂缝等级；通过实时比对模型预测等级值与实时检测等级值的差异，判断建筑物瞬时裂缝是否发生变化；相比传统的人工检测方式，既保证了检测效率，又降低了检测过程中的安全隐患，还提高了建筑物裂缝的识别精度。
附图说明
图1为本发明的一种建筑物开裂的检测与识别方法的整体流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1所示，本发明揭示了一种建筑物开裂的检测与识别方法，所述检测与识别方法包括以下步骤：
S10，布置用于采集和存储建筑物图片的摄像头；其中，所述摄像头与带存储功能的边缘计算设备或平台服务器连接；
S20，采集建筑物的初始图片，并对初始图片进行多级缩小并存储、边缘检测以及目标检测；作为较佳的实施例，摄像头采集的图片通过多级缩小得到大、中以及小三级分辨率的一系列初始图片；所述边缘检测具体方式为通过边缘检测算法检测初始图片的所有边缘；所述目标检测的具体方式包括对初始图片利用YOLO系列目标检测模型检测植物和墙体水印；本实施例中，所述边缘检测算法采用Canny边缘检测算法，Canny边缘检测算法是一种广泛使用的边缘检测算法，其主要原理是将图像中的噪声去除，然后在图像中找到灰度变化最大的位置，这些位置就是边缘；目标检测是计算机视觉领域中的一项任务，旨在从图像或视频中识别和定位特定对象；其中，YOLO（You Only Look Once）系列是常用的目标检测模型之一，其具体方式可以用于检测植物和墙体水印，YOLO系列模型采用了单阶段（one-stage）检测的方法，将目标检测问题转化为一个回归问题。它通过将输入图像分成网格（grid），每个网格负责检测该区域内的目标。模型输出每个网格的预测框（bounding box）以及对应目标类别的概率；对于植物的检测，YOLO系列模型首先会预训练在大规模图像数据集上，学习到一些通用特征。然后，通过调整模型参数，对于特定的植物进行微调。在目标检测时，模型会根据输入图像的每个网格的特征和预测框位置来判断是否存在植物，并给出相应的边界框和分类结果；对于墙体水印的检测，YOLO系列模型同样可以进行目标检测。首先，模型需要训练来学习墙体水印的特征。这可以通过收集包含墙体水印的图像样本并进行标注来实现。然后，在模型训练完成后，可以将其应用于新的图像中进行墙体水印的检测。模型会在每个网格中寻找与墙体水印相关的特征，并输出对应的边界框和分类结果，识别出带有墙体水印的区域；总之，YOLO系列模型通过将目标检测问题转化为回归问题，并利用预训练和微调的方式，可以对植物和墙体水印等特定对象进行准确的检测和定位；在其他的实施例中，所述边缘检测算法还可以使用Sobel算子、structure forests算法、HED算法，也能实现与本实施例相同的技术效果，其中，Sobel算子是一种线性滤波器，在边缘检测中常用于检测水平和垂直方向上的边缘，它通过计算图像中每个像素点的梯度幅值和方向，来确定是否为边缘；structure forests算法是一种基于机器学习的边缘检测方法，它利用多个学习器来识别不同类型的边缘，并将它们组合起来产生最终的结果；HED算法是一种基于深度学习的边缘检测方法，它通过使用一种名为hole-enhancing的技术来提高边缘检测的准确性，该算法通过对多层特征图进行卷积和组合，得到更加准确的边缘检测结果；
S30，定期采集建筑物的图片，其中，新采集的图片记作当前图片，对当前图片进行多级缩小并存储、边缘检测以及目标检测；作为较佳的实施例，摄像头采集的图片通过多级缩小得到大、中以及小三级分辨率的一系列当前图片；所述边缘检测具体方式为通过边缘检测算法检测当前图片的所有边缘；所述目标检测的具体方式包括对当前图片利用YOLO系列目标检测模型检测植物和墙体水印；本实施例中的边缘检测算法及目标检测的原理与步骤S20相同；
S40，比对当前图片与对应分辨率等级的初始图片，判断并标记出疑似裂缝区域；其中，判断疑似裂缝区域的方式具体包括：
S401,把当前图片与对应分辨率等级的初始图片的边缘在像素亮度域逐像素对位做差，若差值不为零或大于等于阈值a的点即为新出现的边缘点，其中，0<a<255;
S402，把图片均匀分成方格，统计各方格内边缘点与全部点的比例，若超过阈值b则认为该方格为新出现的边缘区域，其中，0<b<1；
S403，根据各方格是否相邻进行合并，标记合并后的区域为疑似裂缝区域；
S404，对比当前图片与对应分辨率等级的初始图片的植物位置与墙体水印位置，若仅在当前某个区域中存在植物和墙体水印，则该区域标记为疑似裂缝区域；
S50，针对疑似裂缝区域布置张力传感器和倾斜传感器并设置裂缝可能性等级；作为较佳的实施例，所述裂缝可能性等级分为无、低、中以及高四个档次，其中，初始等级为无，表示没有等级；有裂缝的最低等级为低，最高等级为高，等级中介于等级高与等级低之间；
S60，定期读取张力传感器和倾斜传感器的数值，并通过读取的数值以及边缘检测和目标检测的结果判断裂缝等级；作为较佳的实施例，当读取张力传感器时，若当前张力相对初始张力变化超过第一张力阈值N1，则标记该区域有裂缝，且裂缝等级为中；若当前张力相对初始张力等级变化超过第二张力阈值N2，则该区域裂缝等级为高；当读取倾斜传感器的数值时，若当前倾斜度相对初始倾斜度变化超过第一倾斜度阈值D1，则标记该区域有裂缝，且裂缝等级为中；若当前倾斜度相对初始倾斜度变化超过第二倾斜度阈值D2，则该区域的裂缝等级为高；其中，20牛<N1<200牛；0.001度<D1<1度；当对某区域进行边缘检测并得到检测结果后，若在大、中、小分辨率均检测出新边缘，则该区域裂缝等级为高；若在大、中分辨率检测出新边缘，则该区域裂缝等级为中；若仅在大分辨率检测出新边缘，则该区域裂缝等级为低；当对某区域进行目标检测并得到检测结果后，若仅在小分辨率检测到植物或墙体水印，则该区域的裂缝等级为高；若在中、大分辨率检测到植物或墙体水印，则该区域的裂缝等级为中；若仅在大分辨率检测到植物或墙体水印，则该区域的裂缝等级为低；
S70，存储建筑物瞬时裂缝位置及等级并通过历史裂缝等级建立模型预测当前裂缝等级；其中，将裂缝等级无定义为0，裂缝等级低定义为1，裂缝等级中定义为2，裂缝等级高定义为3，依据历史裂缝等级进行建模并得到当前的预测等级值；作为较佳的实施例，建模的数据参数包括历史裂缝等级、近v个历史裂缝等级的中间值以及中间值进行四舍五入得到的预测值；其中，历史裂缝等级构成了训练数据；近v个历史裂缝等级可以综合考虑最近一段时间内的裂缝等级趋势，2<v<10000；
S80，实时比对模型预测等级值与实时检测等级值的差异，判断建筑物瞬时裂缝是否发生变化；作为较佳的实施例，所述边缘计算设备或平台服务器中设置有一个计数器K，K的初始值为0，实时比对模型预测等级值与实时检测等级值的差异，若比对有差异，则K增加1，若比对无差异，则K=0，若K>t，t>=2，则判定该区域裂缝发生变化；其中，t表示变化阈值。
本实施例中，通过摄像机、边缘计算设备或平台服务器、边缘检测算法、目标检测模型、张力检测传感器以及倾斜传感器相结合对建筑物裂缝进行检测；通过边缘检测和目标检测的结果以及张力传感器和倾斜传感器的数值读取结果相结合，判断裂缝等级；通过实时比对模型预测等级值与实时检测等级值的差异，判断建筑物瞬时裂缝是否发生变化；相比传统的人工检测方式，既保证了检测效率，又降低了检测过程中的安全隐患，还提高了建筑物裂缝的识别精度。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种建筑物开裂的检测与识别方法，其特征在于，所述检测与识别方法包括以下步骤：
S10，布置用于采集和存储建筑物图片的摄像头；其中，所述摄像头与带存储功能的边缘计算设备或平台服务器连接；
S20，采集建筑物的初始图片，并对初始图片进行多级缩小并存储、边缘检测以及目标检测；其中，摄像头采集的图片通过多级缩小得到大、中以及小三级分辨率的一系列初始图片；所述边缘检测具体方式为通过边缘检测算法检测初始图片的所有边缘；所述目标检测的具体方式包括对初始图片利用YOLO系列目标检测模型检测植物和墙体水印；
S30，定期采集建筑物的图片，其中，新采集的图片记作当前图片，对当前图片进行多级缩小并存储、边缘检测以及目标检测；摄像头采集的图片通过多级缩小得到大、中以及小三级分辨率的一系列当前图片；所述边缘检测具体方式为通过边缘检测算法检测当前图片的所有边缘；所述目标检测的具体方式包括对当前图片利用YOLO系列目标检测模型检测植物和墙体水印；
S40，比对当前图片与对应分辨率等级的初始图片，判断并标记出疑似裂缝区域；其中，判断疑似裂缝区域的方式具体包括：
S401,把当前图片与对应分辨率等级的初始图片的边缘在像素亮度域逐像素对位做差，若差值不为零或大于等于阈值a的点即为新出现的边缘点，其中，0<a<255;
S402，把图片均匀分成方格，统计各方格内边缘点与全部点的比例，若超过阈值b则认为该方格为新出现的边缘区域，其中，0<b<1；
S403，根据各方格是否相邻进行合并，标记合并后的区域为疑似裂缝区域；
S404，对比当前图片与对应分辨率等级的初始图片的植物位置与墙体水印位置，若仅在当前某个区域中存在植物和墙体水印，则该区域标记为疑似裂缝区域；
S50，针对疑似裂缝区域布置张力传感器和倾斜传感器并设置裂缝可能性等级；所述裂缝可能性等级分为无、低、中以及高四个档次，其中，初始等级为无，表示没有等级；有裂缝的最低等级为低，最高等级为高，等级中介于等级高与等级低之间；
S60，定期读取张力传感器和倾斜传感器的数值，并通过读取的数值以及边缘检测和目标检测的结果判断裂缝等级；当读取张力传感器时，若当前张力相对初始张力变化超过第一张力阈值N1，则标记该区域有裂缝，且裂缝等级为中；若当前张力相对初始张力等级变化超过第二张力阈值N2，则该区域裂缝等级为高；当读取倾斜传感器的数值时，若当前倾斜度相对初始倾斜度变化超过第一倾斜度阈值D1，则标记该区域有裂缝，且裂缝等级为中；若当前倾斜度相对初始倾斜度变化超过第二倾斜度阈值D2，则该区域的裂缝等级为高；其中，20牛<N1<200牛；0.001度<D1<1度；
S70，存储建筑物瞬时裂缝位置及等级并通过历史裂缝等级建立模型预测当前裂缝等级；
S80，实时比对模型预测等级值与实时检测等级值的差异，判断建筑物瞬时裂缝是否发生变化。
2.根据权利要求1所述的一种建筑物开裂的检测与识别方法，其特征在于，步骤S60中，当对某区域进行边缘检测并得到检测结果后，若在大、中、小分辨率均检测出新边缘，则该区域裂缝等级为高；若在大、中分辨率检测出新边缘，则该区域裂缝等级为中；若仅在大分辨率检测出新边缘，则该区域裂缝等级为低。
3.根据权利要求2所述的一种建筑物开裂的检测与识别方法，其特征在于，步骤S60中，当对某区域进行目标检测并得到检测结果后，若仅在小分辨率检测到植物或墙体水印，则该区域的裂缝等级为高；若在中、大分辨率检测到植物或墙体水印，则该区域的裂缝等级为中；若仅在大分辨率检测到植物或墙体水印，则该区域的裂缝等级为低。
4.根据权利要求3所述的一种建筑物开裂的检测与识别方法，其特征在于，步骤S70中，将裂缝等级无定义为0，裂缝等级低定义为1，裂缝等级中定义为2，裂缝等级高定义为3，依据历史裂缝等级进行建模并得到当前的预测等级值。
5.根据权利要求4所述的一种建筑物开裂的检测与识别方法，其特征在于，所述边缘计算设备或平台服务器中设置有一个计数器K，K的初始值为0，实时比对模型预测等级值与实时检测等级值的差异，若比对有差异，则K增加1，若比对无差异，则K=0，若K>t，t>=2，则判定该区域裂缝发生变化；其中，t表示变化阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368229.6A CN117132896B (zh) | 2023-10-23 | 2023-10-23 | 一种建筑物开裂的检测与识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368229.6A CN117132896B (zh) | 2023-10-23 | 2023-10-23 | 一种建筑物开裂的检测与识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117132896A CN117132896A (zh) | 2023-11-28 |
| CN117132896B true CN117132896B (zh) | 2024-05-14 |
Family
ID=88854794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368229.6A Active CN117132896B (zh) | 2023-10-23 | 2023-10-23 | 一种建筑物开裂的检测与识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132896B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014228357A (ja) * | 2013-05-21 | 2014-12-08 | 大成建設株式会社 | ひび割れ検出方法 |
| CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
| CN114119614A (zh) * | 2022-01-27 | 2022-03-01 | 天津风霖物联网科技有限公司 | 一种远程检测建筑物的裂缝的方法 |
| CN114219773A (zh) * | 2021-11-30 | 2022-03-22 | 西北工业大学 | 一种桥梁裂缝检测数据集预筛选与标定方法 |
| KR102391391B1 (ko) * | 2021-09-07 | 2022-04-27 | 우재희 | 균열게이지를 이용한 건축물 균열 모니터링 방법 및 장치 |
| CN114882355A (zh) * | 2022-04-21 | 2022-08-09 | 上海师范大学 | 一种建筑裂缝智能识别和检测方法及装置 |
| KR102456987B1 (ko) * | 2022-03-15 | 2022-10-20 | 디엘이앤씨 주식회사 | 건물 외벽의 균열을 탐지하는 방법 |
| CN115240070A (zh) * | 2022-07-28 | 2022-10-25 | 华南农业大学 | 一种裂缝检测方法 |
| CN116563262A (zh) * | 2023-05-22 | 2023-08-08 | 四川吉利学院 | 基于多模态的建筑裂缝检测算法 |
-
2023
- 2023-10-23 CN CN202311368229.6A patent/CN117132896B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014228357A (ja) * | 2013-05-21 | 2014-12-08 | 大成建設株式会社 | ひび割れ検出方法 |
| CN112330593A (zh) * | 2020-10-10 | 2021-02-05 | 南京理工大学 | 基于深度学习网络的建筑物表面裂缝检测方法 |
| KR102391391B1 (ko) * | 2021-09-07 | 2022-04-27 | 우재희 | 균열게이지를 이용한 건축물 균열 모니터링 방법 및 장치 |
| CN114219773A (zh) * | 2021-11-30 | 2022-03-22 | 西北工业大学 | 一种桥梁裂缝检测数据集预筛选与标定方法 |
| CN114119614A (zh) * | 2022-01-27 | 2022-03-01 | 天津风霖物联网科技有限公司 | 一种远程检测建筑物的裂缝的方法 |
| KR102456987B1 (ko) * | 2022-03-15 | 2022-10-20 | 디엘이앤씨 주식회사 | 건물 외벽의 균열을 탐지하는 방법 |
| CN114882355A (zh) * | 2022-04-21 | 2022-08-09 | 上海师范大学 | 一种建筑裂缝智能识别和检测方法及装置 |
| CN115240070A (zh) * | 2022-07-28 | 2022-10-25 | 华南农业大学 | 一种裂缝检测方法 |
| CN116563262A (zh) * | 2023-05-22 | 2023-08-08 | 四川吉利学院 | 基于多模态的建筑裂缝检测算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117132896A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112967243B (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
| US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
| CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
| Hoang et al. | Metaheuristic optimized edge detection for recognition of concrete wall cracks: a comparative study on the performances of roberts, prewitt, canny, and sobel algorithms | |
| CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
| CN104504388A (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
| CN108010025B (zh) | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 | |
| Xie et al. | Fabric defect detection method combing image pyramid and direction template | |
| CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| CN109859199B (zh) | 一种sd-oct图像的淡水无核珍珠质量检测的方法 | |
| CN111507972A (zh) | 结合卷积神经网络和支持向量机的隧道表面缺陷检测方法 | |
| CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
| CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
| CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
| CN109598681A (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN110751195A (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
| CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
| CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
| CN110751687B (zh) | 一种基于计算机视觉最小最大圆的苹果大小分级方法 | |
| CN117132896B (zh) | 一种建筑物开裂的检测与识别方法 | |
| CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
| CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 |
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 |