CN117392140B - 一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统 - Google Patents
一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统 Download PDFInfo
- Publication number
- CN117392140B CN117392140B CN202311712178.4A CN202311712178A CN117392140B CN 117392140 B CN117392140 B CN 117392140B CN 202311712178 A CN202311712178 A CN 202311712178A CN 117392140 B CN117392140 B CN 117392140B
- Authority
- CN
- China
- Prior art keywords
- data
- generate
- image
- curtain wall
- building curtain
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 377
- 238000012545 processing Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 170
- 230000010287 polarization Effects 0.000 claims abstract description 112
- 230000003287 optical effect Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000003595 spectral effect Effects 0.000 claims abstract description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 230000001052 transient effect Effects 0.000 claims description 43
- 230000000877 morphologic effect Effects 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 35
- 238000005336 cracking Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000007547 defect Effects 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 20
- 239000006185 dispersion Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 208000010392 Bone Fractures Diseases 0.000 description 33
- 206010017076 Fracture Diseases 0.000 description 33
- 238000004422 calculation algorithm Methods 0.000 description 28
- 230000008859 change Effects 0.000 description 18
- 238000011161 development Methods 0.000 description 16
- 230000018109 developmental process Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 13
- 239000000463 material Substances 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000008439 repair process Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003938 response to stress Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012916 structural analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域，尤其涉及一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统。该方法包括以下步骤：对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；对建筑幕墙玻璃图像进行边缘锐化处理，以生成细节增强玻璃图像；对细节增强玻璃图像进行光谱频域分析，以生成图像光谱频域数据；通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；对干涉条纹序列数据进行振幅特征分析，以生成干涉条纹振幅特征数据；对干涉条纹序列数据进行偏振形态检测，以生成偏振形态数据。本发明实现了高效准确的玻璃破裂检测。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统。
背景技术
建筑幕墙玻璃作为现代建筑的重要组成部分，不仅具有美观的外观，还具备隔音、隔热和保温等功能，然而，在长期的使用过程中，建筑幕墙玻璃可能会面临各种内外部因素的影响，如风力、温度变化、外部冲击等，从而导致玻璃破裂的风险，传统的玻璃破裂检测方法主要依赖于人工巡检和视觉观察，存在着检测不准确、效率低下和成本高昂等问题，为了满足对建筑幕墙玻璃破裂检测的自动化和智能化需求，近年来，基于图像处理的方法逐渐得到关注和应用，借助图像处理技术，实现对建筑幕墙玻璃破裂的高效、精准检测，提高安全性和可靠性。
发明内容
本发明为解决上述技术问题，提出了一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种基于图像处理的建筑幕墙玻璃破裂检测方法，包括以下步骤：
步骤S1：对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；对建筑幕墙玻璃图像进行边缘锐化处理，以生成细节增强玻璃图像；
步骤S2：对细节增强玻璃图像进行光谱频域分析，以生成图像光谱频域数据；通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；对干涉条纹序列数据进行振幅特征分析，以生成干涉条纹振幅特征数据；
步骤S3：对干涉条纹序列数据进行偏振形态检测，以生成偏振形态数据；根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；通过干涉条纹扭曲曲率参数对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据；
步骤S4：通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；对瞬态压力数据进行应力应变分析，以生成应力-应变关联曲线；
步骤S5：通过应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，以生成局部振动形变数据；利用局部振动形变数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据；
步骤S6：通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，生成裂纹时空演变数据；对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
本发明通过激光叠加斜射处理改变玻璃的光学特性，增强图像的对比度和清晰度，边缘锐化处理突出图像中的细节和边缘部分，使细节增强玻璃图像更加清晰和鲜明，光谱频域分析提取图像中不同频率的信息，有助于分析玻璃表面的细微变化和结构特征，光学干涉分析通过干涉条纹的形成来检测玻璃表面的微小凹凸和变形情况，提供更加精细的表面形貌信息，干涉条纹振幅特征数据用于表征玻璃表面的振动情况和局部变形特征，为后续的分析提供重要数据，偏振形态检测分析干涉条纹的偏振特性，揭示玻璃表面的形变情况和应力分布，干涉条纹扭曲曲率参数提供玻璃表面的局部扭曲和变形程度，用于评估玻璃的稳定性和破裂风险，破裂区域数据的定位确定玻璃表面存在的裂纹或破损区域，为后续的分析和修复提供指导，通过三维重构，将细节增强玻璃图像转换为建筑幕墙玻璃的几何模型，提供更加全面和准确的形状信息，瞬态压力模拟通过模拟建筑幕墙玻璃受到外部压力的情况，帮助了解破裂的潜在原因和影响，应力-应变关联曲线描述建筑幕墙玻璃在不同应力情况下的应变响应，为后续的力学分析和结构评估提供依据，应力-应变关联曲线数据用于识别建筑幕墙玻璃表面的微小形貌细节，揭示潜在的结构问题和破损情况，局部振动形变数据提供建筑幕墙玻璃在振动条件下的响应情况，确定破裂区域的裂纹形态特征，裂纹时空演变数据揭示裂纹在建筑幕墙玻璃中的发展过程和变化规律，为裂纹的评估和管理提供依据，裂纹演变趋势预测曲线预测裂纹的未来发展趋势，制定相应的维护措施和决策，构建玻璃破裂决策模型基于裂纹演变趋势和其他相关参数，进行缺陷识别和破裂检测，从而确保建筑幕墙玻璃的安全性和可靠性。
优选地，步骤S1包括以下步骤：
步骤S11：对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；
步骤S12：对建筑幕墙玻璃图像进行边缘区域分割，以生成边缘区域图像；
步骤S13：对边缘区域图像进行像素灰度计算，生成边缘像素灰度值；
步骤S14：基于边缘像素灰度值对边缘区域图像进行边缘锐化处理，以生成锐化边缘图像；
步骤S15：对锐化边缘图像及建筑幕墙玻璃图像进行灰度拉伸融合，以生成细节增强玻璃图像。
本发明通过激光叠加斜射处理改变玻璃的光学特性，增强图像的对比度和清晰度，减少或消除图像中的反射、折射和散射等干扰因素，提高后续处理步骤的准确性，边缘区域分割将图像中的边缘部分与背景区域分离，便于后续对边缘进行处理和分析，通过分割出边缘区域图像，集中关注玻璃表面的细节和边缘特征，像素灰度计算提取边缘区域图像中每个像素的灰度值，反映图像中边缘的亮度信息，边缘像素灰度值用于后续的边缘锐化处理和细节增强，突出图像中的边缘特征，边缘锐化处理增强图像中的边缘部分，使其更加清晰和鲜明，通过基于边缘像素灰度值的处理，突出边缘的细节和形状，使图像在边缘部分更加锐利，灰度拉伸调整图像的灰度范围，使图像的对比度更加均衡和饱和，将锐化边缘图像与建筑幕墙玻璃图像进行融合，将边缘的细节和形状与整体图像结合，产生细节更加丰富的图像，细节增强玻璃图像有助于更清晰地观察建筑幕墙玻璃的细微变化和破损情况，提供更准确的数据用于破裂检测。
优选地，步骤S2包括以下步骤：
步骤S21：对细节增强玻璃图像进行频域转换，以生成频率响应图像；
步骤S22：对频率响应图像进行频率带分布分析，生成频率带分布数据；
步骤S23：基于频率带分布数据对频率响应图像进行光谱频域分析，以生成图像光谱频域数据；
步骤S24：通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；
步骤S25：对干涉条纹序列数据进行条纹区域梯度间隔计算，生成条纹梯度间隔数据；
步骤S26：通过条纹梯度间隔数据对光学干涉条纹进行振幅特征分析，以生成干涉条纹振幅特征数据。
本发明通过频域转换将图像从空间域转换到频率域，提供图像在不同频率上的能量分布信息，频率响应图像反映图像中不同频率成分的强度和分布情况，有助于分析图像的纹理和细节特征，频率带分布分析将频率响应图像划分为不同的频率带，并统计每个频率带的能量分布，频率带分布数据提供不同频率带上的信息，了解图像中不同尺度的细节特征的贡献，光谱频域分析进一步分析频率响应图像中的频率成分，并提取其光谱特性，图像光谱频域数据提供不同频率上的能量分布和相位信息，理解图像中不同频率成分的相互关系和特征，光学干涉分析利用图像光谱频域数据的相位信息，检测和分析图像中的干涉现象和条纹结构，干涉条纹序列数据提供干涉条纹的位置和形态信息，识别和量化图像中的干涉现象和细节特征，条纹区域梯度间隔计算分析干涉条纹序列中的条纹间距和梯度变化情况，条纹梯度间隔数据提供干涉条纹的间距和梯度信息，量化干涉条纹的密度和形态特征，干涉条纹振幅特征分析提取干涉条纹的振幅变化信息，反映图像中光学干涉的强度和形态特征，干涉条纹振幅特征数据提供干涉条纹的振幅分布和变化特征，识别和定量分析图像中的干涉现象和细节特征。
优选地，步骤S24的具体步骤为：
步骤S241：通过图像光谱频域数据对细节增强玻璃图像进行光强分布重构，生成光强分布图；
步骤S242：根据光强分布图对细节增强玻璃图像进行光频分解，生成光频分量数据；
步骤S243：利用光频分量数据对细节增强玻璃图像进行光学干涉分析，生成光学干涉图；
步骤S244：对光学干涉图进行干涉条纹提取，以生成光学干涉条纹；
步骤S245：对光学干涉条纹进行条纹布局结构分析，以生成干涉条纹序列数据。
本发明通过光强分布重构利用图像光谱频域数据的能量信息，重新构建图像的光强分布图，光强分布图提供图像中不同位置的光强强度信息，分析图像的亮度分布和强度变化，光频分解将图像分解为不同频率上的光频分量，提取图像中的频率信息，光频分量数据提供图像在不同频率上的光强分布信息，理解图像中不同频率成分的贡献和特征，光学干涉分析利用光频分量数据的相位信息，检测和分析图像中的干涉现象和条纹结构，光学干涉图提供干涉条纹的位置和形态信息，有助于可视化干涉现象和细节特征，干涉条纹提取从光学干涉图中分离出干涉条纹，以便进一步分析和处理，光学干涉条纹提供干涉现象的视觉表现形式，进一步分析干涉条纹的形态和特征，条纹布局结构分析分析干涉条纹的间距、密度和形态等布局特征，干涉条纹序列数据提供干涉条纹的布局结构信息，识别和量化干涉条纹的特征和变化。
优选地，步骤S3的具体步骤为：
步骤S31：对干涉条纹序列数据进行偏振状态采样，以生成偏振状态数据，偏振状态数据包括0°偏振状态数据、45°偏振状态数据、90°偏振状态数据及135°偏振状态数据；
步骤S32：基于偏振状态数据对干涉条纹序列数据进行条纹差异分析，以生成偏振态条纹差异数据；
步骤S33：对偏振态条纹差异数据进行偏振形态检测，以生成偏振形态数据；
步骤S34：根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；
步骤S35：通过干涉条纹扭曲曲率参数对光学干涉图进行异常条纹识别，以标记异常条纹数据；
步骤S36：基于异常条纹数据对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据。
本发明通过采集不同偏振角度下的干涉条纹序列数据，获取干涉条纹在不同偏振状态下的表现，偏振状态数据提供不同偏振角度下的干涉条纹信息，分析和理解干涉现象的偏振特性，条纹差异分析通过对不同偏振状态下的干涉条纹进行比较，提取条纹在不同偏振状态下的差异信息，偏振态条纹差异数据提供不同偏振状态下的条纹差异程度和分布信息，分析和量化干涉条纹的偏振特征，偏振形态检测通过分析偏振态条纹差异数据，检测和识别出干涉条纹的偏振形态特征，偏振形态数据提供干涉条纹的偏振形态信息，理解和描述干涉条纹的偏振变化和形态特征，条纹扭曲曲率计算利用偏振形态数据，分析干涉条纹的形态变化和扭曲程度，计算出条纹的曲率参数，干涉条纹扭曲曲率参数提供干涉条纹的扭曲程度和变化信息，评估条纹的形态特性和变形情况，异常条纹识别利用干涉条纹扭曲曲率参数，检测和识别出具有异常形态或扭曲的干涉条纹，异常条纹数据提供标记异常干涉条纹的信息，定位和分析可能存在破裂的区域，破裂区域定位通过分析异常条纹数据，确定存在破裂的区域，进行破裂的定位和标记，破裂区域数据提供破裂位置和范围的信息，准确定位和识别建筑幕墙玻璃的破裂情况。
优选地，步骤S4的具体步骤为：
步骤S41：通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；
步骤S42：通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；
步骤S43：对瞬态压力数据进行形变响应分析，生成受力形变响应数据；
步骤S44：对受力形变响应数据进行应力应变分析，以生成应力应变数据；
步骤S45：利用动力学原理对应力应变数据进行应力应变关联曲线拟合，生成应力-应变关联曲线。
本发明通过干涉条纹振幅特征数据提供干涉条纹在空间中的振幅信息，用于恢复干涉条纹的三维形状，三维重构将基于干涉条纹的振幅特征数据，通过算法和技术手段，将二维图像转换为具有空间信息的三维模型，为后续的模拟和分析提供几何形状数据，建筑幕墙玻璃三维模型提供玻璃的几何形状和结构信息，用于模拟破裂区域的物理响应，瞬态压力模拟利用建筑幕墙玻璃的三维模型，通过施加外部压力或加载条件，模拟破裂区域的瞬态压力响应，为后续的形变和应力分析提供边界条件，形变响应分析通过对瞬态压力数据进行分析，计算和描述了破裂区域的形变情况，受力形变响应数据提供破裂区域的形变程度和分布信息，理解和评估破裂区域的受力情况和变形特征，应力应变分析通过对受力形变响应数据进行分析，计算和描述破裂区域的应力和应变分布，应力应变数据提供破裂区域内部的应力状态和应变情况，评估破裂区域的强度和承载能力，应力应变关联曲线拟合利用动力学原理，将应力应变数据拟合为一条曲线，描述材料的力学性质和行为，应力-应变关联曲线提供破裂区域材料的应力-应变关系，评估破裂区域的强度和变形特性，为破裂检测和结构分析提供参考。
优选地，步骤S41的具体步骤为：
步骤S411：通过干涉条纹振幅特征数据对细节增强玻璃图像进行特征点匹配，以标记干涉条纹特征点；
步骤S412：对干涉条纹特征点进行相对位移计算，以生成特征点相位值；
步骤S413：基于特征点相位值对干涉条纹特征点进行点云整合，生成点云数据；
步骤S414：根据细节增强玻璃图像对点云数据进行表面重建，生成建筑幕墙玻璃网格模型；
步骤S415：利用图像光谱频域数据对建筑幕墙玻璃网格模型进行光谱色散校正，以生成色散校正网格模型；
步骤S416：对色散校正网格模型进行三维重构，以构建建筑幕墙玻璃三维模型。
本发明通过干涉条纹振幅特征数据提供干涉条纹的振幅信息，提取干涉条纹的特征点，特征点匹配将干涉条纹特征点在不同图像帧之间进行关联，从而实现对玻璃表面的特征点标记，相对位移计算可根据特征点在图像序列中的位置变化，计算出特征点之间的相对位移，特征点相位值反映干涉条纹的相对相位信息，用于后续的点云数据生成和重建，特征点相位值提供干涉条纹特征点的相对位置信息，通过整合这些点的坐标，生成点云数据，点云数据以三维坐标形式表示干涉条纹特征点的空间位置，为后续的表面重建和模型构建提供几何数据，细节增强玻璃图像提供玻璃表面的高分辨率图像信息，用于点云数据的表面重建，表面重建通过对点云数据进行算法处理，将离散的点云拟合为连续的曲面，生成建筑幕墙玻璃的网格模型，图像光谱频域数据提供玻璃材料的光学特性，用于对建筑幕墙玻璃网格模型进行光谱色散校正，色散校正通过调整建筑幕墙玻璃网格模型的颜色和光学特性，使其更加真实地反映实际材料的色散效应，色散校正网格模型提供经过颜色校正的建筑幕墙玻璃模型，具有更真实的外观和光学特性，三维重构将色散校正网格模型转换为具有空间信息的三维模型，为后续的破裂检测和分析提供几何形状数据。
优选地，步骤S5的具体步骤为：
步骤S51：对建筑幕墙玻璃三维模型进行局部区域划分，生成局部区域；
步骤S52：通过应力-应变关联曲线数据对局部区域进行表面微形貌细节识别，以生成局部振动形变数据；
步骤S53：对局部振动形变数据进行共振模态分析，生成局部共振模态数据；
步骤S54：利用局部共振模态数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据。
本发明通过局部区域划分将建筑幕墙玻璃三维模型分割成多个小的局部区域，为后续的分析和处理提供更精细的数据范围，局部区域的划分根据玻璃的结构特点和破裂区域的位置，将重点关注的区域进行划分，提高破裂检测的精确性和效率，应力-应变关联曲线数据提供破裂区域材料的力学性质和行为，根据这些数据对局部区域进行表面微形貌细节识别，表面微形貌细节识别分析局部区域的微小形变情况，捕捉玻璃表面的细微振动形变，为后续的破裂检测和裂纹分析提供准确的数据基础，共振模态分析识别局部区域的共振模态，即特定频率下的振动模式，局部共振模态数据提供破裂区域附近的振动模态信息，了解破裂区域的振动特性，为裂纹形态特征分析提供依据，裂纹形态特征分析基于局部振动形变数据，对破裂区域的裂纹形态进行分析和描述，裂纹形态特征数据提供破裂区域的裂纹形状、长度、分布等信息，评估破裂区域的严重程度和演化趋势。
优选地，步骤S6的具体步骤为：
步骤S61：对裂纹形态特征数据进行裂纹扩展方向分析，以生成裂纹扩展路径数据；
步骤S62：根据裂纹扩展路径数据对裂纹形态特征数据进行裂纹速率计算，生成裂纹速率数据；
步骤S63：通过建筑幕墙玻璃三维模型对裂纹扩展路径数据及裂纹速率数据进行时空演变分析，生成裂纹时空演变数据；
步骤S64：对裂纹时空演变数据进行动态裂纹演化分析，生成动态演变规律数据；
步骤S65：利用动态演变规律数据对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；
步骤S66：通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，生成缺陷决策策略；
步骤S67：利用缺陷决策策略对建筑幕墙玻璃三维模型进行数据挖掘建模，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
本发明通过裂纹扩展方向分析确定裂纹在建筑幕墙玻璃中的传播路径，通过裂纹扩展路径数据，了解裂纹的传播方向和路径，评估裂纹的扩展趋势和影响范围，裂纹速率计算基于裂纹扩展路径数据，确定裂纹的扩展速率，裂纹速率数据提供裂纹扩展的时间变化信息，了解裂纹的演化速度和预测裂纹的未来发展趋势，时空演变分析结合建筑幕墙玻璃三维模型，将裂纹扩展路径数据和裂纹速率数据在时间和空间上进行综合分析，裂纹时空演变数据提供裂纹在建筑幕墙玻璃中的时空分布情况，理解裂纹的演化过程和预测裂纹的未来发展趋势，动态裂纹演化分析分析裂纹的演变规律和特征，动态演变规律数据提供裂纹的变化趋势、模式和规律，评估裂纹的稳定性和破坏风险，裂纹演变趋势预测基于动态演变规律数据，预测裂纹的未来发展趋势，裂纹演变趋势预测曲线提供裂纹的预测路径和变化趋势，有助于制定相应的维护和修复策略，缺陷决策分析基于裂纹演变趋势预测曲线，评估建筑幕墙玻璃的缺陷状况和破裂风险，缺陷决策策略提供针对不同缺陷情况的处理建议和决策方案，制定相应的维护和修复计划，数据挖掘建模基于缺陷决策策略，利用建筑幕墙玻璃三维模型的数据进行模式识别和预测建模，玻璃破裂决策模型根据建筑幕墙玻璃的特征和缺陷情况，进行破裂风险评估和检测方案的制定。
在本说明书中，提供一种基于图像处理的建筑幕墙玻璃破裂检测系统，包括：
细节增强模块，对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；对建筑幕墙玻璃图像进行边缘锐化处理，以生成细节增强玻璃图像；
光学干涉模块，对细节增强玻璃图像进行光谱频域分析，以生成图像光谱频域数据；通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；对干涉条纹序列数据进行振幅特征分析，以生成干涉条纹振幅特征数据；
破裂区域定位模块，对干涉条纹序列数据进行偏振形态检测，以生成偏振形态数据；根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；通过干涉条纹扭曲曲率参数对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据；
应力应变模块，通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；对瞬态压力数据进行应力应变分析，以生成应力-应变关联曲线；
裂纹形态特征模块，通过应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，以生成局部振动形变数据；利用局部振动形变数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据；
裂纹演变趋势模块，通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，生成裂纹时空演变数据；对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
本发明通过构建基于图像处理的建筑幕墙玻璃破裂检测系统，通过细节增强模块进行激光叠加斜射处理，增强建筑幕墙玻璃的细节信息，使得图像更加清晰和详细，经过处理后，获得建筑幕墙玻璃的图像，用作后续处理和分析的输入，光学干涉模块通过对细节增强玻璃图像进行光谱频域分析，了解图像在不同频率上的光学特性，进一步了解幕墙玻璃的性质，利用图像光谱频域数据进行光学干涉分析，检测到干涉条纹的存在，提供有关玻璃表面形态和结构的信息，分析干涉条纹序列数据的振幅特征，获取幕墙玻璃表面的振动和变形信息，用于后续的破裂区域定位和应力应变分析，破裂区域定位模块通过偏振形态数据的检测，确定幕墙玻璃表面的偏振特性，进一步了解玻璃的形态和结构，利用偏振形态数据计算干涉条纹的扭曲曲率参数，从而确定破裂区域的位置和形状，应力应变模块通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，建立建筑幕墙玻璃的准确三维模型，为后续分析提供基础，利用建筑幕墙玻璃三维模型进行瞬态压力模拟，模拟外部环境对幕墙玻璃的冲击和应力情况，通过应力应变分析，生成建筑幕墙玻璃的应力-应变关联曲线，用于评估玻璃的强度和稳定性，裂纹形态特征模块利用应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，精确检测出裂纹的形态和特征，分析局部振动形变数据，获得裂纹的形态特征，例如长度、宽度和方向等信息，裂纹演变趋势模块通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，了解裂纹在时间和空间上的变化情况，为后续的趋势预测提供依据，根据裂纹时空演变数据，进行趋势预测，预测裂纹的扩展路径和速度，提供对破裂的预警和决策分析，利用裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，确定是否存在严重破裂的区域，为维修和保养提供决策依据。
附图说明
图1为本发明一种基于图像处理的建筑幕墙玻璃破裂检测方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统。所述一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供一种基于图像处理的建筑幕墙玻璃破裂检测方法，所述基于图像处理的建筑幕墙玻璃破裂检测方法包括以下步骤：
步骤S1：对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；对建筑幕墙玻璃图像进行边缘锐化处理，以生成细节增强玻璃图像；
步骤S2：对细节增强玻璃图像进行光谱频域分析，以生成图像光谱频域数据；通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；对干涉条纹序列数据进行振幅特征分析，以生成干涉条纹振幅特征数据；
步骤S3：对干涉条纹序列数据进行偏振形态检测，以生成偏振形态数据；根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；通过干涉条纹扭曲曲率参数对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据；
步骤S4：通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；对瞬态压力数据进行应力应变分析，以生成应力-应变关联曲线；
步骤S5：通过应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，以生成局部振动形变数据；利用局部振动形变数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据；
步骤S6：通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，生成裂纹时空演变数据；对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
本发明通过激光叠加斜射处理改变玻璃的光学特性，增强图像的对比度和清晰度，边缘锐化处理突出图像中的细节和边缘部分，使细节增强玻璃图像更加清晰和鲜明，光谱频域分析提取图像中不同频率的信息，有助于分析玻璃表面的细微变化和结构特征，光学干涉分析通过干涉条纹的形成来检测玻璃表面的微小凹凸和变形情况，提供更加精细的表面形貌信息，干涉条纹振幅特征数据用于表征玻璃表面的振动情况和局部变形特征，为后续的分析提供重要数据，偏振形态检测分析干涉条纹的偏振特性，揭示玻璃表面的形变情况和应力分布，干涉条纹扭曲曲率参数提供玻璃表面的局部扭曲和变形程度，用于评估玻璃的稳定性和破裂风险，破裂区域数据的定位确定玻璃表面存在的裂纹或破损区域，为后续的分析和修复提供指导，通过三维重构，将细节增强玻璃图像转换为建筑幕墙玻璃的几何模型，提供更加全面和准确的形状信息，瞬态压力模拟通过模拟建筑幕墙玻璃受到外部压力的情况，帮助了解破裂的潜在原因和影响，应力-应变关联曲线描述建筑幕墙玻璃在不同应力情况下的应变响应，为后续的力学分析和结构评估提供依据，应力-应变关联曲线数据用于识别建筑幕墙玻璃表面的微小形貌细节，揭示潜在的结构问题和破损情况，局部振动形变数据提供建筑幕墙玻璃在振动条件下的响应情况，确定破裂区域的裂纹形态特征，裂纹时空演变数据揭示裂纹在建筑幕墙玻璃中的发展过程和变化规律，为裂纹的评估和管理提供依据，裂纹演变趋势预测曲线预测裂纹的未来发展趋势，制定相应的维护措施和决策，构建玻璃破裂决策模型基于裂纹演变趋势和其他相关参数，进行缺陷识别和破裂检测，从而确保建筑幕墙玻璃的安全性和可靠性。
本发明实施例中，参考图1，为本发明一种基于图像处理的建筑幕墙玻璃破裂检测方法的步骤流程示意图，在本实施例中，所述基于图像处理的建筑幕墙玻璃破裂检测方法的步骤包括：
步骤S1：对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；对建筑幕墙玻璃图像进行边缘锐化处理，以生成细节增强玻璃图像；
本实施例中，根据需要的效果和图像质量要求，调整激光的强度、角度和叠加方式等参数，利用激光仪对建筑幕墙玻璃进行第一束激光斜射，作为测试玻璃激光，从另一角对建筑幕墙玻璃进行第二束激光叠加交叉斜射，作为参考玻璃激光，利用相机或其他图像采集设备，获取激光叠加斜射后的建筑幕墙玻璃图像，对获取的建筑幕墙玻璃图像进行边缘锐化处理，以增强图像中的细节，使用常见的边缘检测算法，如Sobel、Canny等，或者应用图像增强技术，如锐化滤波器等通过边缘锐化处理，得到细节增强玻璃图像，图像将包含更多的细节信息，并且边缘更加清晰和锐利。
步骤S2：对细节增强玻璃图像进行光谱频域分析，以生成图像光谱频域数据；通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；对干涉条纹序列数据进行振幅特征分析，以生成干涉条纹振幅特征数据；
本实施例中，将细节增强玻璃图像转换为灰度图像，对灰度图像进行傅里叶变换，将图像从时域转换到频域，进行光谱频域分析，获取图像的光谱频域数据，包括频谱幅度和相位信息，基于光谱频域数据，选择特定的频率范围或频域区域进行干涉分析，根据干涉原理，通过光学干涉分析计算出干涉条纹序列数据，干涉条纹序列数据代表光学干涉的强度变化，对生成的干涉条纹序列数据进行振幅特征分析，应用其他信号处理技术，如小波变换或滤波器，以提取更具代表性的振幅特征，结合振幅特征分析的结果，生成干涉条纹振幅特征数据，描述干涉条纹的振幅强度和变化情况。
步骤S3：对干涉条纹序列数据进行偏振形态检测，以生成偏振形态数据；根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；通过干涉条纹扭曲曲率参数对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据；
本实施例中，基于干涉条纹序列数据，使用偏振光源和偏振滤波器，或者利用适当的偏振分析技术进行偏振形态检测，偏振形态检测提供关于干涉条纹的偏振状态信息，如线偏振、圆偏振或非偏振状态，根据偏振形态数据，对细节增强玻璃图像中的干涉条纹进行条纹扭曲曲率计算，扭曲曲率计算基于条纹的形态变化和位移来导出，利用偏振光的性质和条纹的变形来分析和计算扭曲曲率参数，通过分析条纹扭曲曲率的变化，确定图像中存在破裂或变形的区域，定位破裂区域使用图像处理和分析技术，如阈值分割、形态学操作等，结合破裂区域定位的结果，生成破裂区域数据。破裂区域数据表示为二值图像、边界坐标或其他形式，破裂区域数据提供有关细节增强玻璃中破裂位置、形状和大小的信息。
步骤S4：通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；对瞬态压力数据进行应力应变分析，以生成应力-应变关联曲线；
本实施例中，利用干涉条纹振幅特征数据，通过相应的图像处理和计算方法对细节增强玻璃图像进行三维重构，使用计算机视觉技术、三维重建算法或其他相关方法，将二维图像转换为建筑幕墙玻璃的三维模型，三维重构提取建筑幕墙玻璃的几何形状、表面特征和细节信息，瞬态压力模拟利用计算流体力学（CFD）方法，考虑流体动力学和材料特性，模拟在不同条件下破裂区域周围的压力响应，模拟包括施加外部载荷、考虑气流效应等，以获取瞬态压力数据，使用有限元分析（FEA）或其他适当的数值方法，将压力数据转化为建筑幕墙玻璃中的应力和应变分布，应力应变分析提供关于破裂区域周围的应力集中情况、应变分布等信息，通过对不同破裂区域的应力和应变数据进行统计和分析，得到幕墙玻璃材料的应力-应变关系，结合应力应变分析的结果，生成应力-应变关联曲线，应力-应变关联曲线用于评估建筑幕墙玻璃的强度、刚度和破坏特性。
步骤S5：通过应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，以生成局部振动形变数据；利用局部振动形变数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据；
本实施例中，利用应力-应变关联曲线数据，对建筑幕墙玻璃的三维模型进行表面微形貌细节识别，使用形貌分析算法、图像处理技术或其他相关方法，对玻璃表面的微小形貌细节进行提取和分析，表面微形貌细节包括凹凸、纹理、皱褶等特征，这些特征通过分析应力-应变关联曲线得出的玻璃形变数据来识别和描述，使用振动测量技术、数值模拟方法或其他相关手段，获得玻璃在不同振动条件下的形变数据，局部振动形变数据提供关于玻璃的局部振动响应和形变情况的信息，使用图像处理算法、模式识别技术或其他合适的方法，对破裂区域中的裂纹进行形态特征提取和分析，裂纹形态特征包括长度、形状、分支情况等，这些特征通过分析局部振动形变数据来识别和描述，结合裂纹形态特征分析的结果，生成裂纹形态特征数据，裂纹形态特征数据表示为裂纹的位置、形状、尺寸等信息，用于评估破裂区域的严重程度、裂纹的发展趋势以及对建筑幕墙玻璃的影响。
步骤S6：通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，生成裂纹时空演变数据；对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
本实施例中，使用时序分析方法、空间分析技术或其他相关手段，对裂纹的位置、形状和尺寸等数据进行时空变化的分析，时空演变分析揭示裂纹的发展和演化规律，提供关于裂纹扩展和变化的定量信息，使用趋势分析方法、机器学习技术或其他适当的方法，对裂纹的演变趋势进行预测，趋势预测帮助预测裂纹的未来发展方向和速度，为幕墙玻璃的维护和修复提供指导，基于裂纹演变趋势预测曲线，对建筑幕墙玻璃的三维模型进行缺陷决策分析，使用决策分析方法、风险评估技术或其他相关手段，对裂纹演变趋势进行评估和分析，缺陷决策分析根据裂纹的演变趋势和幕墙玻璃的特性，确定是否需要进行修复、更换或其他措施，结合缺陷决策分析的结果，构建玻璃破裂决策模型，玻璃破裂决策模型根据裂纹演变趋势、幕墙玻璃的性能指标和维护成本等因素，制定相应的破裂检测和维护策略。
本实施例中，参考图2，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；
步骤S12：对建筑幕墙玻璃图像进行边缘区域分割，以生成边缘区域图像；
步骤S13：对边缘区域图像进行像素灰度计算，生成边缘像素灰度值；
步骤S14：基于边缘像素灰度值对边缘区域图像进行边缘锐化处理，以生成锐化边缘图像；
步骤S15：对锐化边缘图像及建筑幕墙玻璃图像进行灰度拉伸融合，以生成细节增强玻璃图像。
本实施例中，将激光设备和叠加斜射装置安装在合适的位置，以确保能够覆盖整个建筑幕墙玻璃的区域，调整叠加斜射装置的角度和光线强度，使激光光线以斜射的方式照射到建筑幕墙玻璃上，使用相应的图像采集设备（如相机或扫描仪）对经过激光叠加斜射处理的建筑幕墙玻璃进行图像采集，获取幕墙玻璃的图像，对采集到的建筑幕墙玻璃图像进行预处理，包括去噪、调整图像亮度和对比度等操作，应用适当的图像处理算法，如Canny边缘检测算法或其他边缘检测算法，使用常见的灰度计算方法，如将RGB图像转换为灰度图像，或使用其他合适的灰度计算算法，对边缘区域图像中的每个像素，计算其灰度值，使用边缘增强的图像处理算法，如Sobel算子、拉普拉斯算子或其他合适的锐化算法，对边缘区域图像进行边缘锐化处理，对锐化边缘图像和建筑幕墙玻璃图像进行灰度拉伸处理，灰度拉伸是通过调整图像的像素值范围来增加图像的对比度和细节，将经过灰度拉伸处理的锐化边缘图像与建筑幕墙玻璃图像进行融合，使用像素级别的图像融合算法，如加权平均或逐像素混合，将两个图像进行融合，以增强建筑幕墙玻璃图像的细节和清晰度。
本实施例中，参考图3，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对细节增强玻璃图像进行频域转换，以生成频率响应图像；
步骤S22：对频率响应图像进行频率带分布分析，生成频率带分布数据；
步骤S23：基于频率带分布数据对频率响应图像进行光谱频域分析，以生成图像光谱频域数据；
步骤S24：通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；
步骤S25：对干涉条纹序列数据进行条纹区域梯度间隔计算，生成条纹梯度间隔数据；
步骤S26：通过条纹梯度间隔数据对光学干涉条纹进行振幅特征分析，以生成干涉条纹振幅特征数据。
本实施例中，应用傅里叶变换或其他适当的频域转换算法，将预处理后的细节增强玻璃图像转换到频域，生成频率响应图像，包含图像中各个频率成分的信息，使用图像处理算法，如像素统计或其他频率分析技术，对频率响应图像进行频率带分布的分析，来确定频率响应图像中不同频率带的分布情况，将分析得到的频率带分布情况转化为数据形式，记录下每个频率带的位置、强度或其他相关信息，利用频率带分布数据，通过计算每个频率带的功率谱密度或其他光谱特征，对频率响应图像进行光谱频域分析，利用图像光谱频域数据，计算干涉条纹的形成和干涉效应，对细节增强玻璃图像进行光学干涉分析，包括每个位置上的干涉条纹强度、相位或其他相关信息，使用差分算法对干涉条纹序列数据进行梯度计算，以获得条纹区域的梯度信息，将振幅特征分析得到的数据保存下来，记录每个位置上的干涉条纹振幅特征值或其他相关信息。
本实施例中，步骤S24的具体步骤为：
步骤S241：通过图像光谱频域数据对细节增强玻璃图像进行光强分布重构，生成光强分布图；
步骤S242：根据光强分布图对细节增强玻璃图像进行光频分解，生成光频分量数据；
步骤S243：利用光频分量数据对细节增强玻璃图像进行光学干涉分析，生成光学干涉图；
步骤S244：对光学干涉图进行干涉条纹提取，以生成光学干涉条纹。
步骤S245：对光学干涉条纹进行条纹布局结构分析，以生成干涉条纹序列数据。
本实施例中，将细节增强玻璃图像转换为频域数据，使用傅里叶变换或其他频域转换方法将图像转换为频域表示，从频域数据中提取光强分布信息，通过计算频域数据的幅度或能量来获取光强分布信息，根据光强分布信息，使用反傅里叶变换或其他逆变换方法，将光强值映射回空间域，生成光强分布图，利用光强分布图，使用小波变换或其他频域分解技术将细节增强玻璃图像进行光频分解，光频分解是将图像分解为不同频率分量的过程，得到不同尺度或频率的光频分量数据，对光频分量数据进行干涉分析，使用光学干涉的原理和算法，将不同频率的光频分量进行叠加或相位调制，得到光学干涉图，针对光学干涉图，使用图像处理技术进行干涉条纹提取，采用滤波、边缘检测或幅度调制等方法，提取出干涉条纹的信息，通过计算条纹的间距、方向、弯曲度等特征，进行条纹布局结构分析，分析得到的特征作为干涉条纹序列数据。
本实施例中，参考图4，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：对干涉条纹序列数据进行偏振状态采样，以生成偏振状态数据，偏振状态数据包括0°偏振状态数据、45°偏振状态数据、90°偏振状态数据及135°偏振状态数据；
步骤S32：基于偏振状态数据对干涉条纹序列数据进行条纹差异分析，以生成偏振态条纹差异数据；
步骤S33：对偏振态条纹差异数据进行偏振形态检测，以生成偏振形态数据；
步骤S34：根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；
步骤S35：通过干涉条纹扭曲曲率参数对光学干涉图进行异常条纹识别，以标记异常条纹数据；
步骤S36：基于异常条纹数据对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据。
本实施例中，通过使用不同角度（0°、45°、90°、135°）的偏振滤波器或偏振分束器，分别提取相应方向上的偏振状态数据，每个角度上采样得到的数据即为对应偏振状态的数据，得到0°偏振状态数据、45°偏振状态数据、90°偏振状态数据和135°偏振状态数据，将不同偏振状态下的干涉条纹数据进行对比分析，以寻找条纹之间的差异，计算不同偏振状态下的条纹之间的差值、相似度或其他差异度量指标，得到偏振态条纹差异数据。针对偏振态条纹差异数据，进行偏振形态检测，以识别出特定的偏振形态。使用图像处理技术、模式识别方法或机器学习算法来检测和识别偏振形态，如条纹的形状、分布、方向等，基于识别到的偏振形态数据，对细节增强玻璃图像上的干涉条纹进行条纹扭曲曲率计算，利用计算机视觉或图像处理算法，计算条纹的扭曲、曲率或形变程度，得到相应的干涉条纹扭曲曲率参数，设定合适的阈值或规则，判断干涉条纹扭曲曲率是否超过正常范围，从而标记出异常的条纹数据，对光学干涉图进行异常条纹的识别，基于标记的异常条纹数据，对细节增强玻璃图像进行破裂区域的定位，利用图像分割、边缘检测或其他计算机视觉算法，根据异常条纹的位置和形状信息，定位出破裂区域。
本实施例中，步骤S4包括以下步骤：
步骤S41：通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；
步骤S42：通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；
步骤S43：对瞬态压力数据进行形变响应分析，生成受力形变响应数据；
步骤S44：对受力形变响应数据进行应力应变分析，以生成应力应变数据；
步骤S45：利用动力学原理对应力应变数据进行应力应变关联曲线拟合，生成应力-应变关联曲线。
本实施例中，根据干涉条纹振幅特征数据，使用计算机视觉或图像处理算法，如结构光扫描、立体匹配等，将二维图像转换为三维模型，重建出建筑幕墙玻璃的三维模型，包括其形状、曲面等几何信息，使用计算流体力学（CFD）方法，建立相应的物理模型，考虑流体的流动、压力传递等因素，模拟破裂区域处的瞬态压力场，根据模拟结果，生成瞬态压力数据，描述破裂区域受到的压力变化情况，使用有限元分析（FEA）等方法，考虑材料的力学性质及结构的刚度等因素，分析瞬态压力作用下玻璃的形变情况，根据分析结果，生成受力形变响应数据，描述建筑幕墙玻璃在瞬态压力下的形变情况，使用材料力学理论及相关算法，计算出建筑幕墙玻璃受力状态下的应力和应变，生成应力应变数据，描述建筑幕墙玻璃在受力状态下的应力和应变分布情况，基于应力应变数据，利用动力学原理对其进行应力应变关联曲线的拟合，使用合适的拟合算法或曲线拟合方法，根据应力应变数据点，生成应力-应变关联曲线，应力-应变关联曲线用于描述建筑幕墙玻璃材料的力学性能。
本实施例中，步骤S41的具体步骤为：
步骤S411：通过干涉条纹振幅特征数据对细节增强玻璃图像进行特征点匹配，以标记干涉条纹特征点；
步骤S412：对干涉条纹特征点进行相对位移计算，以生成特征点相位值；
步骤S413：基于特征点相位值对干涉条纹特征点进行点云整合，生成点云数据；
步骤S414：根据细节增强玻璃图像对点云数据进行表面重建，生成建筑幕墙玻璃网格模型；
步骤S415：利用图像光谱频域数据对建筑幕墙玻璃网格模型进行光谱色散校正，以生成色散校正网格模型；
步骤S416：对色散校正网格模型进行三维重构，以构建建筑幕墙玻璃三维模型。
本实施例中，利用特征点检测算法，如SIFT（尺度不变特征变换）或SURF（加速稳健特征）等，识别出图像中的干涉条纹特征点，对特征点进行匹配，将其与干涉条纹在不同图像中的对应点进行关联，以标记干涉条纹特征点，使用光学相位解算算法，如多方向相位展开（MDP）等，计算出特征点之间的相对位移，根据相对位移，生成特征点的相位值，用于后续的点云生成和重建，使用三角化或深度图像生成算法，将特征点的像素坐标转换为三维空间中的点坐标，将干涉条纹特征点进行点云整合，将所有特征点的三维坐标整合起来，生成点云数据表示细节增强玻璃的形状和表面特征，使用三维重建算法，如泊松重建或基于网格的重建方法，将点云数据转换为建筑幕墙玻璃的网格模型，生成的网格模型包含细节增强玻璃的曲面形状和纹理信息，使用光谱色散校正算法，根据不同波长的光在玻璃中的色散特性，对建筑幕墙玻璃的网格模型进行校正，校正后的网格模型考虑光谱色散效应，更准确地表示建筑幕墙玻璃的光学特性，基于色散校正后的网格模型，进行三维重构，以构建建筑幕墙玻璃的三维模型。
本实施例中，步骤S5的具体步骤为：
步骤S51：对建筑幕墙玻璃三维模型进行局部区域划分，生成局部区域；
步骤S52：通过应力-应变关联曲线数据对局部区域进行表面微形貌细节识别，以生成局部振动形变数据；
步骤S53：对局部振动形变数据进行共振模态分析，生成局部共振模态数据；
步骤S54：利用局部共振模态数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据。
本实施例中，使用几何分割算法，如体素分割或网格分割，将三维模型划分为多个局部区域，每个局部区域代表建筑幕墙玻璃的一个小区域，利用应力-应变关联曲线数据，对局部区域进行表面微形貌细节识别，通过分析曲线的变化特征，识别出局部区域的表面微形貌细节，并将其表示为局部振动形变数据，使用有限元分析等方法，对局部区域的振动行为进行建模和分析，通过求解振动模态方程，得到局部区域的共振模态数据，包括共振频率和共振模态形状，共振模态数据能够揭示局部区域在特定频率下的振动特性和模态形态，对破裂区域进行裂纹形态特征分析，使用图像处理和计算机视觉等方法，在分析过程中，提取裂纹的长度、宽度、形状等特征，并将其表示为裂纹形态特征数据，裂纹形态特征数据能够描述破裂区域的裂纹形态和特征，有助于进一步的评估和处理。
本实施例中，步骤S6的具体步骤为：
步骤S61：对裂纹形态特征数据进行裂纹扩展方向分析，以生成裂纹扩展路径数据；
步骤S62：根据裂纹扩展路径数据对裂纹形态特征数据进行裂纹速率计算，生成裂纹速率数据；
步骤S63：通过建筑幕墙玻璃三维模型对裂纹扩展路径数据及裂纹速率数据进行时空演变分析，生成裂纹时空演变数据；
步骤S64：对裂纹时空演变数据进行动态裂纹演化分析，生成动态演变规律数据；
步骤S65：利用动态演变规律数据对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；
步骤S66：通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，生成缺陷决策策略；
步骤S67：利用缺陷决策策略对建筑幕墙玻璃三维模型进行数据挖掘建模，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
本实施例中，采用裂纹形态特征数据中的长度、形状等信息，结合力学原理和扩展准则，确定裂纹的扩展方向，根据裂纹扩展方向，生成裂纹扩展路径数据，记录裂纹在建筑幕墙玻璃上的扩展路径，根据裂纹扩展路径的长度和时间信息，计算裂纹的扩展速率，根据计算得到的裂纹速率，生成裂纹速率数据，反映裂纹在不同位置上的扩展速度，将裂纹扩展路径数据和裂纹速率数据与三维模型进行对应，确定裂纹在不同时间和空间上的演变情况，生成裂纹时空演变数据，裂纹时空演变数据表示在不同位置上的演变状态、裂纹扩展的时间轨迹等信息，通过分析裂纹的时空演变数据，提取裂纹的动态演变规律，如裂纹的扩展速度随时间的变化、裂纹的扩展趋势等，生成动态演变规律数据，用于描述裂纹的动态演化特征，使用统计分析、机器学习或其他预测方法，建立裂纹演变趋势预测模型，利用预测模型，对裂纹时空演变数据进行预测，生成裂纹演变趋势预测曲线，用于预测裂纹的未来演化趋势，使用裂纹演变趋势预测曲线与建筑幕墙玻璃的三维模型进行对比和分析，根据预测曲线的趋势以及模型中的裂纹分布情况，评估建筑幕墙玻璃的缺陷状况，根据分析结果，生成缺陷决策策略，包括建议进行修复、更换或监测措施等，利用机器学习、深度学习等技术，将缺陷决策策略转化为算法模型，构建玻璃破裂决策模型，模型根据输入的幕墙玻璃数据，预测其破裂的概率或风险，执行建筑幕墙玻璃破裂检测作业时，使用构建的决策模型进行破裂风险评估和预测。
在本实施例中，提供一种基于图像处理的建筑幕墙玻璃破裂检测系统，包括：
细节增强模块，对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；对建筑幕墙玻璃图像进行边缘锐化处理，以生成细节增强玻璃图像；
光学干涉模块，对细节增强玻璃图像进行光谱频域分析，以生成图像光谱频域数据；通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；对干涉条纹序列数据进行振幅特征分析，以生成干涉条纹振幅特征数据；
破裂区域定位模块，对干涉条纹序列数据进行偏振形态检测，以生成偏振形态数据；根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；通过干涉条纹扭曲曲率参数对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据；
应力应变模块，通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；对瞬态压力数据进行应力应变分析，以生成应力-应变关联曲线；
裂纹形态特征模块，通过应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，以生成局部振动形变数据；利用局部振动形变数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据；
裂纹演变趋势模块，通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，生成裂纹时空演变数据；对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
本发明通过构建基于图像处理的建筑幕墙玻璃破裂检测系统，通过细节增强模块进行激光叠加斜射处理，增强建筑幕墙玻璃的细节信息，使得图像更加清晰和详细，经过处理后，获得建筑幕墙玻璃的图像，用作后续处理和分析的输入，光学干涉模块通过对细节增强玻璃图像进行光谱频域分析，了解图像在不同频率上的光学特性，进一步了解幕墙玻璃的性质，利用图像光谱频域数据进行光学干涉分析，检测到干涉条纹的存在，提供有关玻璃表面形态和结构的信息，分析干涉条纹序列数据的振幅特征，获取幕墙玻璃表面的振动和变形信息，用于后续的破裂区域定位和应力应变分析，破裂区域定位模块通过偏振形态数据的检测，确定幕墙玻璃表面的偏振特性，进一步了解玻璃的形态和结构，利用偏振形态数据计算干涉条纹的扭曲曲率参数，从而确定破裂区域的位置和形状，应力应变模块通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，建立建筑幕墙玻璃的准确三维模型，为后续分析提供基础，利用建筑幕墙玻璃三维模型进行瞬态压力模拟，模拟外部环境对幕墙玻璃的冲击和应力情况，通过应力应变分析，生成建筑幕墙玻璃的应力-应变关联曲线，用于评估玻璃的强度和稳定性，裂纹形态特征模块利用应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，精确检测出裂纹的形态和特征，分析局部振动形变数据，获得裂纹的形态特征，例如长度、宽度和方向等信息，裂纹演变趋势模块通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，了解裂纹在时间和空间上的变化情况，为后续的趋势预测提供依据，根据裂纹时空演变数据，进行趋势预测，预测裂纹的扩展路径和速度，提供对破裂的预警和决策分析，利用裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，确定是否存在严重破裂的区域，为维修和保养提供决策依据。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，包括以下步骤：
步骤S1：对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；对建筑幕墙玻璃图像进行边缘锐化处理，以生成细节增强玻璃图像；
步骤S2：对细节增强玻璃图像进行光谱频域分析，以生成图像光谱频域数据；通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；对干涉条纹序列数据进行振幅特征分析，以生成干涉条纹振幅特征数据；
步骤S3：对干涉条纹序列数据进行偏振形态检测，以生成偏振形态数据；根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；通过干涉条纹扭曲曲率参数对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据；
步骤S4：通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；对瞬态压力数据进行应力应变分析，以生成应力-应变关联曲线；
步骤S5：通过应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，以生成局部振动形变数据；利用局部振动形变数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据；
步骤S6：通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，生成裂纹时空演变数据；对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
2.根据权利要求1所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，步骤S1的具体步骤为：
步骤S11：对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；
步骤S12：对建筑幕墙玻璃图像进行边缘区域分割，以生成边缘区域图像；
步骤S13：对边缘区域图像进行像素灰度计算，生成边缘像素灰度值；
步骤S14：基于边缘像素灰度值对边缘区域图像进行边缘锐化处理，以生成锐化边缘图像；
步骤S15：对锐化边缘图像及建筑幕墙玻璃图像进行灰度拉伸融合，以生成细节增强玻璃图像。
3.根据权利要求1所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，步骤S2的具体步骤为：
步骤S21：对细节增强玻璃图像进行频域转换，以生成频率响应图像；
步骤S22：对频率响应图像进行频率带分布分析，生成频率带分布数据；
步骤S23：基于频率带分布数据对频率响应图像进行光谱频域分析，以生成图像光谱频域数据；
步骤S24：通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；
步骤S25：对干涉条纹序列数据进行条纹区域梯度间隔计算，生成条纹梯度间隔数据；
步骤S26：通过条纹梯度间隔数据对光学干涉条纹进行振幅特征分析，以生成干涉条纹振幅特征数据。
4.根据权利要求3所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，步骤S24的具体步骤为：
步骤S241：通过图像光谱频域数据对细节增强玻璃图像进行光强分布重构，生成光强分布图；
步骤S242：根据光强分布图对细节增强玻璃图像进行光频分解，生成光频分量数据；
步骤S243：利用光频分量数据对细节增强玻璃图像进行光学干涉分析，生成光学干涉图；
步骤S244：对光学干涉图进行干涉条纹提取，以生成光学干涉条纹；
步骤S245：对光学干涉条纹进行条纹布局结构分析，以生成干涉条纹序列数据。
5.根据权利要求1所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，步骤S3的具体步骤为：
步骤S31：对干涉条纹序列数据进行偏振状态采样，以生成偏振状态数据，偏振状态数据包括0°偏振状态数据、45°偏振状态数据、90°偏振状态数据及135°偏振状态数据；
步骤S32：基于偏振状态数据对干涉条纹序列数据进行条纹差异分析，以生成偏振态条纹差异数据；
步骤S33：对偏振态条纹差异数据进行偏振形态检测，以生成偏振形态数据；
步骤S34：根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；
步骤S35：通过干涉条纹扭曲曲率参数对光学干涉图进行异常条纹识别，以标记异常条纹数据；
步骤S36：基于异常条纹数据对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据。
6.根据权利要求1所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，步骤S4的具体步骤为：
步骤S41：通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；
步骤S42：通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；
步骤S43：对瞬态压力数据进行形变响应分析，生成受力形变响应数据；
步骤S44：对受力形变响应数据进行应力应变分析，以生成应力应变数据；
步骤S45：利用动力学原理对应力应变数据进行应力应变关联曲线拟合，生成应力-应变关联曲线。
7.根据权利要求6所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，步骤S41的具体步骤为：
步骤S411：通过干涉条纹振幅特征数据对细节增强玻璃图像进行特征点匹配，以标记干涉条纹特征点；
步骤S412：对干涉条纹特征点进行相对位移计算，以生成特征点相位值；
步骤S413：基于特征点相位值对干涉条纹特征点进行点云整合，生成点云数据；
步骤S414：根据细节增强玻璃图像对点云数据进行表面重建，生成建筑幕墙玻璃网格模型；
步骤S415：利用图像光谱频域数据对建筑幕墙玻璃网格模型进行光谱色散校正，以生成色散校正网格模型；
步骤S416：对色散校正网格模型进行三维重构，以构建建筑幕墙玻璃三维模型。
8.根据权利要求1所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，步骤S5的具体步骤为：
步骤S51：对建筑幕墙玻璃三维模型进行局部区域划分，生成局部区域；
步骤S52：通过应力-应变关联曲线数据对局部区域进行表面微形貌细节识别，以生成局部振动形变数据；
步骤S53：对局部振动形变数据进行共振模态分析，生成局部共振模态数据；
步骤S54：利用局部共振模态数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据。
9.根据权利要求1所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，其特征在于，步骤S6的具体步骤为：
步骤S61：对裂纹形态特征数据进行裂纹扩展方向分析，以生成裂纹扩展路径数据；
步骤S62：根据裂纹扩展路径数据对裂纹形态特征数据进行裂纹速率计算，生成裂纹速率数据；
步骤S63：通过建筑幕墙玻璃三维模型对裂纹扩展路径数据及裂纹速率数据进行时空演变分析，生成裂纹时空演变数据；
步骤S64：对裂纹时空演变数据进行动态裂纹演化分析，生成动态演变规律数据；
步骤S65：利用动态演变规律数据对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；
步骤S66：通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，生成缺陷决策策略；
步骤S67：利用缺陷决策策略对建筑幕墙玻璃三维模型进行数据挖掘建模，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
10.一种基于图像处理的建筑幕墙玻璃破裂检测系统，其特征在于，用于执行如权利要求1至权利要求9任一所述的一种基于图像处理的建筑幕墙玻璃破裂检测方法，包括：
细节增强模块，对建筑幕墙玻璃进行激光叠加斜射处理，并获取建筑幕墙玻璃图像；对建筑幕墙玻璃图像进行边缘锐化处理，以生成细节增强玻璃图像；
光学干涉模块，对细节增强玻璃图像进行光谱频域分析，以生成图像光谱频域数据；通过图像光谱频域数据对细节增强玻璃图像进行光学干涉分析，以生成干涉条纹序列数据；对干涉条纹序列数据进行振幅特征分析，以生成干涉条纹振幅特征数据；
破裂区域定位模块，对干涉条纹序列数据进行偏振形态检测，以生成偏振形态数据；根据偏振形态数据对细节增强玻璃图像进行条纹扭曲曲率计算，以生成干涉条纹扭曲曲率参数；通过干涉条纹扭曲曲率参数对细节增强玻璃图像进行破裂区域定位，以生成破裂区域数据；
应力应变模块，通过干涉条纹振幅特征数据对细节增强玻璃图像进行三维重构，以构建建筑幕墙玻璃三维模型；通过建筑幕墙玻璃三维模型对破裂区域数据进行瞬态压力模拟，以生成瞬态压力数据；对瞬态压力数据进行应力应变分析，以生成应力-应变关联曲线；
裂纹形态特征模块，通过应力-应变关联曲线数据对建筑幕墙玻璃三维模型进行表面微形貌细节识别，以生成局部振动形变数据；利用局部振动形变数据对破裂区域数据进行裂纹形态特征分析，以生成裂纹形态特征数据；
裂纹演变趋势模块，通过建筑幕墙玻璃三维模型对裂纹形态特征数据进行时空演变分析，生成裂纹时空演变数据；对裂纹时空演变数据进行趋势预测，以生成裂纹演变趋势预测曲线；通过裂纹演变趋势预测曲线对建筑幕墙玻璃三维模型进行缺陷决策分析，以构建玻璃破裂决策模型，执行建筑幕墙玻璃破裂检测作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311712178.4A CN117392140B (zh) | 2023-12-13 | 2023-12-13 | 一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311712178.4A CN117392140B (zh) | 2023-12-13 | 2023-12-13 | 一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117392140A CN117392140A (zh) | 2024-01-12 |
| CN117392140B true CN117392140B (zh) | 2024-02-06 |
Family
ID=89463522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311712178.4A Active CN117392140B (zh) | 2023-12-13 | 2023-12-13 | 一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392140B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018122809A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 |
| WO2023211865A1 (en) * | 2022-04-29 | 2023-11-02 | Amgen Inc. | Acoustic detection of glass breakage events |
| CN117147107A (zh) * | 2023-08-28 | 2023-12-01 | 深圳昊瑞达电子有限公司 | 通讯模组检测系统和检测方法 |
-
2023
- 2023-12-13 CN CN202311712178.4A patent/CN117392140B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018122809A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 |
| WO2023211865A1 (en) * | 2022-04-29 | 2023-11-02 | Amgen Inc. | Acoustic detection of glass breakage events |
| CN117147107A (zh) * | 2023-08-28 | 2023-12-01 | 深圳昊瑞达电子有限公司 | 通讯模组检测系统和检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 纹理分区相融合的建筑区三维影像数据提取;林朝飞;;科技通报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117392140A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102256181B1 (ko) | 강구조물의 도막 상태 검사 및 평가 방법과 이를 위한 시스템 | |
| 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 | |
| O’Byrne et al. | Texture analysis based damage detection of ageing infrastructural elements | |
| Zalama et al. | Road crack detection using visual features extracted by Gabor filters | |
| CN102565072B (zh) | 拉伸铝合金板表面裂纹立体视觉在线检测方法 | |
| Zhou et al. | Deep learning-based crack segmentation for civil infrastructure: Data types, architectures, and benchmarked performance | |
| CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
| CN108377658A (zh) | 数字全息术中的自动聚焦系统和方法 | |
| CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
| Zhu et al. | A robust structural vibration recognition system based on computer vision | |
| Catbas et al. | A review of latest trends in bridge health monitoring | |
| Huyan et al. | Three-dimensional pavement crack detection based on primary surface profile innovation optimized dual-phase computing | |
| CN117173590A (zh) | 一种基于多源时序遥感影像的水体异常监测方法 | |
| CN117664245B (zh) | 水坝安全实时监控系统 | |
| CN116704733A (zh) | 铝合金电缆的老化预警方法和系统 | |
| CN117269333A (zh) | 一种oled器件缺陷的预测方法 | |
| CN117392140B (zh) | 一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统 | |
| Guan et al. | Multi-scale asphalt pavement deformation detection and measurement based on machine learning of full field-of-view digital surface data | |
| Spytek et al. | Novelty detection approach for the monitoring of structural vibrations using vision-based mean frequency maps | |
| CN117555130A (zh) | 一种多芯光纤的串扰抑制方法 | |
| Fakhri et al. | Road crack detection using gaussian/prewitt filter | |
| Yang et al. | Optimum color and contrast enhancement for online ferrography image restoration | |
| CN112767365A (zh) | 一种探伤方法 | |
| Condori et al. | ResNet neural network hyperparameter tuning for Rigid Pavement Failure Assessment | |
| CN117523132B (zh) | 一种钢桁拱桥扣塔垂直度调节系统及方法 |
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 |