CN117953235A - 一种基于红外偏振成像的墙体损伤程度评价方法及系统 - Google Patents

Abstract

本发明提供一种基于红外偏振成像的墙体损伤程度评价方法及系统，属于损伤评估技术领域，该方法包括：通过红外偏振相机采集墙体图像并预处理，获得待评价图像；通过边缘检测算法对待评价图像进行识别，获得包括墙体损伤区域的定位图像；建立双卷积核的第一卷积网络，通过第一卷积网络输出至少包括定位图像的损伤深度的第一卷积结果；建立第二卷积网络，当损伤深度大于预设的外保温墙体深度时，通过第二卷积网络输出损伤深度大于预设的外保温墙体深度的定位图像的第二卷积结果；基于第一卷积结果及第二卷积结果对待评价的墙体进行损伤程度评价。本发明避免了人工评价的主观性，还提升了效率及墙体损伤程度监测评价的准确率。

Description

一种基于红外偏振成像的墙体损伤程度评价方法及系统

技术领域

本发明涉及损伤评估技术领域，尤其涉及一种基于红外偏振成像的墙体损伤程度评价方法及系统。

背景技术

由于使用年限的原因，当前一部分建筑的墙体已经存在缺陷，不仅会造成热量散失，加大建筑能耗，部分高层建筑外保温系统还存在脱落的风险，对群众的生命财产安全造成威胁。

目前对墙体的损伤程度监测及损伤评价，主要依赖人力检测及经验的主观评价，不仅效率低下，而且评价精准度差，客观性差，并且提供的损伤评价也并不能对多种复合材料的墙体进行程度的评价。

发明内容

本发明旨在至少解决相关技术中存在的技术问题之一。为此，本发明提供一种基于红外偏振成像的墙体损伤程度评价方法及系统。

本发明提供一种基于红外偏振成像的墙体损伤程度评价方法，包括：

S1：通过红外偏振相机采集墙体图像，并对所述墙体图像进行预处理，获得待评价图像；

S2：通过边缘检测算法对所述待评价图像进行识别，获得包括墙体损伤区域的定位图像；

S3：建立双卷积核的第一卷积网络，通过所述第一卷积网络输出所述定位图像的第一卷积结果，所述第一卷积结果中至少包括定位图像的损伤深度；

S4：建立第二卷积网络，当所述损伤深度大于预设的外保温墙体深度时，通过所述第二卷积网络输出损伤深度大于预设的外保温墙体深度的定位图像的第二卷积结果；

S5：基于所述第一卷积结果及所述第二卷积结果对待评价的墙体进行损伤程度评价，获得评价结果。

根据本发明提供的一种基于红外偏振成像的墙体损伤程度评价方法，待评价墙体由外保温墙体及内墙体组成。

根据本发明提供的一种基于红外偏振成像的墙体损伤程度评价方法，

步骤S3中的所述第一卷积结果包括墙体损伤深度、墙体损伤面积及墙体损伤区分布密度，所述第一卷积网络中的任一卷积核输出墙体损伤深度，另一卷积核输出墙体损伤面积及墙体损伤区分布密度；

步骤S4中的所述第二卷积结果包括墙体裂纹长度、墙体裂纹宽度、墙体表面孔间隙及墙体表面孔间隙分布密度。

根据本发明提供的一种基于红外偏振成像的墙体损伤程度评价方法，步骤S2中的边缘检测通过区域提议网络实现。

根据本发明提供的一种基于红外偏振成像的墙体损伤程度评价方法，步骤S3中，建立所述第一卷积网络时，将所述边缘检测算法的边缘强度作为第一卷积网络的初始权重，将所述边缘检测算法的输出引入第一卷积网络的注意力机制。

根据本发明提供的一种基于红外偏振成像的墙体损伤程度评价方法，将所述边缘检测算法的输出引入第一卷积网络的注意力机制的具体步骤包括：

S311：将所述边缘检测算法识别的所述定位图像转换为掩膜；

S312：对所述掩膜中的高值及低值进行赋值，将边缘区域标记为1，将非边缘区域标记为0，获得掩膜标记；

S313：在第一卷积网络对所述定位图像进行卷积时，分别将所述掩膜标记与两卷积核对应的卷积层相乘。

根据本发明提供的一种基于红外偏振成像的墙体损伤程度评价方法，步骤S3中通过所述第一卷积网络输出所述定位图像的第一卷积结果的具体步骤包括：

S321：将所述定位图像输入至所述第一卷积网络；

S322：第一卷积网络中的第一卷积核对所述定位图像进行逐点卷积，获得第一分卷积结果，所述第一分卷积结果的表达式为：

其中，为第一分卷积结果，为激活函数，为组归一化操作，为逐 点卷积操作，为第个输入特征图；

第一卷积网络中的第二卷积核对所述定位图像进行深度卷积及逐点卷积，获得第二分卷积结果，所述第二分卷积结果的表达式为：

其中，为第二分卷积结果中深度卷积的输出，为第二分卷积结果，为 Swish激活函数，为深度卷积操作；

S323：将所述第一分卷积结果和所述第二分卷积结果相加并通过ReLU激活，获得第一卷积结果。

根据本发明提供的一种基于红外偏振成像的墙体损伤程度评价方法，步骤S5进一步包括：

S51：基于无损伤墙体评估获得参考序列；

S52：通过灰色关联度，根据所述参考序列计算获得第一卷积结果及第二卷积结果中多个指标间的关联系数；

S53：根据所述关联系数计算获得第一卷积结果及第二卷积结果中多个指标的权重，并根据所述权重计算待评价墙体的损伤程度，获得评价结果。

本发明还提供一种基于红外偏振成像的墙体损伤程度评价系统，用以执行如以上任一项所述的一种基于红外偏振成像的墙体损伤程度评价方法，包括：

图像获取模块：用于通过红外偏振相机采集墙体图像，并对墙体图像进行预处理，获得待评价图像；

定位识别模块：用于通过边缘检测算法对待评价图像进行识别，获得包括墙体损伤区域的定位图像；

多任务卷积模块：用于基于定位图像输出第一卷积结果，还用于当第一卷积结果中的损伤深度大于预设的外保温墙体深度时，基于定位图像输出第二卷积结果；

所述多任务卷积模块包括第一卷积网络及第二卷积网络，所述第一卷积网络中包括双卷积核；

评价结果计算模块：用于基于第一卷积结果及第二卷积结果对待评价的墙体进行损伤程度评价，获得评价结果。

与现有技术相比，本发明具有如下有益效果：

本发明提供的一种红外偏振成像的墙体损伤程度评价方法及系统，通过采集墙体的偏振图像，再对图像进行缺陷部分的边缘检测定位后，通过双卷积核的卷积网络分别卷积图像的缺陷横向和纵向特征，以提供损伤评价的基础数据，在纵向损伤超过最外层的层面时，我们通过另一卷积网络对内墙的刚度更高的内部结构的损伤特征进行卷积，从而获得损伤评价的总体数据，然后进行损伤程度的计算。

本发明提供的一种红外偏振成像的墙体损伤程度评价方法及系统，不仅能够抵御额外的反射光线，防止在对室外的墙体表面进行采集时产生的物体表面的眩光，能够对外保温墙和内刚度墙进行不同维度的特征卷积和特征提取，能够分别识别到外墙凹陷的宽度，深度，损伤点位的密度，内墙腐蚀孔的点位密度等，在避免了人工评价的主观性之外，还提升了效率及损伤程度监测和评价的准确率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于红外偏振成像的墙体损伤程度评价方法流程图；

图2是本发明提供的一种基于红外偏振成像的墙体损伤程度评价系统结构示意图。

附图标记：

100、图像获取模块；200、定位识别模块；300、多任务卷积模块；310、第一卷积网络；320、第二卷积网络；400、评价结果计算模块。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下实施例用于说明本发明，但不能用来限制本发明的范围。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

下面结合图1至图2描述本发明的实施例。

本发明提供一种基于红外偏振成像的墙体损伤程度评价方法，包括：

S1：通过红外偏振相机采集墙体图像，并对所述墙体图像进行预处理，获得待评价图像；

其中，待评价墙体由外保温墙体及内墙体组成。

在摄取墙体图像时，我们通过无人机搭载的红外偏振相机对需要评价的墙体进行采集，其中搭载的红外偏振相机可以滤除发光物体表面的眩光，抑制额外的反射光线，同时凭借对纹理的敏感性，偏振技术也可以使物体边缘更加突出，捕捉目标轮廓，这也为后续的进一步的损伤区域定位提供了基础。

S2：通过边缘检测算法对所述待评价图像进行识别，获得包括墙体损伤区域的定位图像；

本阶段中，我们通过边缘检测技术来识别相对于其他墙体有凹陷的部分，具体为通过检测图像中的灰度值发生变化来检测，但是需要注意的是，在此之前我们通过步骤S1中的偏振图像和预处理来保证图像的质量，也就是保证图像的分辨率能够显示出清晰的凹陷特征，另外在获取识别之后的图像后，还需要对图像进行平滑处理和去除噪声等操作，以获得步骤S2中的定位图像。

其中，步骤S2中的边缘检测通过区域提议网络实现。

本阶段中我们选用用于生成可能包含目标物体的候选区域的区域提议网络（RPN），有利于我们后续利用RPN生成的区域作为输入，对卷积网络进行训练，以提升模型可以用于处理目标检测任务中识别出的区域的专注度。

另外，选取的RPN网络由于对噪声的敏感程度较低，所以还能够在边缘检测中排除非边缘点的干扰，能够在一定程度上减少噪声对边缘检测的影响。

S3：建立双卷积核的第一卷积网络，通过所述第一卷积网络输出所述定位图像的第一卷积结果，所述第一卷积结果中至少包括定位图像的损伤深度；

本阶段中，第一卷积网络的卷积流程为，输入的定位图像首先经过多层卷积，然后进入全连接层及层归一化后，输出的特征与输入的图像进行累加，获得第一卷积核的输出，然后将此输出作为第二卷积核的输入，再次经过多层卷积，然后进入全连接层级层归一化后，输出的特征与第一卷积核的输出进行累加，获得最终的输出。

其中，步骤S3中的所述第一卷积结果包括墙体损伤深度、墙体损伤面积及墙体损伤区分布密度，所述第一卷积网络中的任一卷积核输出墙体损伤深度，另一卷积核输出墙体损伤面积及墙体损伤区分布密度。

在第一卷积网络学习的过程中，第一卷积核负责处理定位图像的横向信息，也就是损伤面积和分布密度方面的信息，而另一卷积核负责处理纵向信息，就是损伤深度信息。

其中，步骤S3中，建立所述第一卷积网络时，将所述边缘检测算法的边缘强度作为第一卷积网络的初始权重，将所述边缘检测算法的输出引入第一卷积网络的注意力机制。

其中，将所述边缘检测算法的输出引入第一卷积网络的注意力机制的具体步骤包括：

S311：将所述边缘检测算法识别的所述定位图像转换为掩膜；

S312：对所述掩膜中的高值及低值进行赋值，将边缘区域标记为1，将非边缘区域标记为0，获得掩膜标记；

S313：在第一卷积网络对所述定位图像进行卷积时，分别将所述掩膜标记与两卷积核对应的卷积层相乘。

本阶段中，我们将边缘检测算法的输出转换为一个掩膜（mask），其中边缘区域标记为1（或高值），非边缘区域标记为0（或低值），然后，将这个掩膜作为注意力机制的一部分，引入到卷积学习中，在卷积层的输出上乘以这个掩膜，使得网络在后续层中更加关注边缘区域的特征。

其中，步骤S3中通过所述第一卷积网络输出所述定位图像的第一卷积结果的具体步骤包括：

S321：将所述定位图像输入至所述第一卷积网络；

S322：第一卷积网络中的第一卷积核对所述定位图像进行逐点卷积，获得第一分卷积结果，所述第一分卷积结果的表达式为：

其中，为第一分卷积结果，为激活函数，为组归一化操作，为逐 点卷积操作，为第个输入特征图；

第一卷积网络中的第二卷积核对所述定位图像进行深度卷积及逐点卷积，获得第二分卷积结果，所述第二分卷积结果的表达式为：

其中，为第二分卷积结果中深度卷积的输出，为第二分卷积结果，为 Swish激活函数，为深度卷积操作；

S323：将所述第一分卷积结果和所述第二分卷积结果相加并通过ReLU激活，获得第一卷积结果。

在识别凹陷深度的任务中，深度卷积可以帮助网络专注于每个通道内的空间特征，而逐点卷积则可以用来结合这些特征通道的信息，这样的组合可能有助于网络更好地识别凹陷深度。

在卷积过程中，两个卷积核的设置不仅对两个维度的特征进行了提取，并且两个卷积核的输出输入进行了结合，在提取更丰富的通道信息的同时，还加快了模型的提取速度，同时增强了非线性表达能力。

除此之外，我们还可以在第一卷积网络和第二卷积网络中，设置另外的卷积核，将此卷积核训练成一个回归模型，通过该回归模型预测图片中的凹陷部分的特征映射至一个低维嵌入空间，然后通过度量获取到的特征与既有的墙体材料图像的相似度，来确定当前凹陷损伤的墙体的材料，以在后续修补中，可以根据我们后续得到的损伤程度和此处获取的损伤材料进行修缮。

S4：建立第二卷积网络，当所述损伤深度大于预设的外保温墙体深度时，通过所述第二卷积网络输出损伤深度大于预设的外保温墙体深度的定位图像的第二卷积结果；

其中，步骤S4中的所述第二卷积结果包括墙体裂纹长度、墙体裂纹宽度、墙体表面孔间隙及墙体表面孔间隙分布密度。

在步骤S3中获取的损伤深度大于预设的深度时，表示墙体的损伤已经突破外保温墙体，损伤至内混凝土墙体，而内墙一般刚度较高，故损伤一般为孔隙或者开裂型损伤，故本阶段我们主要通过识别墙体裂纹长度宽度及表明孔间隙密度来为后续的损伤程度评价提供数据。

S5：基于所述第一卷积结果及所述第二卷积结果对待评价的墙体进行损伤程度评价，获得评价结果。

其中，步骤S5进一步包括：

S51：基于无损伤墙体评估获得参考序列；

上述的参考序列通常代表最优或最劣的评估标准，本阶段中，我们选择一个理论上无损伤的墙体作为参考序列，或者基于已有数据中的最佳指标值构建参考序列，然后通过该参考序列进行后续权重的分配。

S52：通过灰色关联度，根据所述参考序列计算获得第一卷积结果及第二卷积结果中多个指标间的关联系数；

本阶段中，计算的关联系数通常涉及参考序列和比较序列对应元素之间的差值、分辨系数以及最大和最小差值，然后根据不同指标的重要性不同，可以为每个指标分配一个权重。然后，根据权重和关联系数计算加权关联度。

S53：根据所述关联系数计算获得第一卷积结果及第二卷积结果中多个指标的权重，并根据所述权重计算待评价墙体的损伤程度，获得评价结果。

本发明还提供一种基于红外偏振成像的墙体损伤程度评价系统，用以执行如以上任一项所述的一种基于红外偏振成像的墙体损伤程度评价方法，包括：

图像获取模块100：用于通过红外偏振相机采集墙体图像，并对墙体图像进行预处理，获得待评价图像；

定位识别模块200：用于通过边缘检测算法对待评价图像进行识别，获得包括墙体损伤区域的定位图像；

多任务卷积模块300：用于基于定位图像输出第一卷积结果，还用于当第一卷积结果中的损伤深度大于预设的外保温墙体深度时，基于定位图像输出第二卷积结果；

所述多任务卷积模块300包括第一卷积网络310及第二卷积网络320，所述第一卷积网络310中包括双卷积核；

评价结果计算模块400：用于基于第一卷积结果及第二卷积结果对待评价的墙体进行损伤程度评价，获得评价结果。

最后应说明的是：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 (9)

1.一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，包括：

S1：通过红外偏振相机采集墙体图像，并对所述墙体图像进行预处理，获得待评价图像；

S2：通过边缘检测算法对所述待评价图像进行识别，获得包括墙体损伤区域的定位图像；

S3：建立双卷积核的第一卷积网络，通过所述第一卷积网络输出所述定位图像的第一卷积结果，所述第一卷积结果中至少包括定位图像的损伤深度；

S4：建立第二卷积网络，当所述损伤深度大于预设的外保温墙体深度时，通过所述第二卷积网络输出损伤深度大于预设的外保温墙体深度的定位图像的第二卷积结果；

S5：基于所述第一卷积结果及所述第二卷积结果对待评价的墙体进行损伤程度评价，获得评价结果。

2.根据权利要求1所述的一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，待评价墙体由外保温墙体及内墙体组成。

3.根据权利要求1所述的一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，

步骤S3中的所述第一卷积结果包括墙体损伤深度、墙体损伤面积及墙体损伤区分布密度，所述第一卷积网络中的任一卷积核输出墙体损伤深度，另一卷积核输出墙体损伤面积及墙体损伤区分布密度；

步骤S4中的所述第二卷积结果包括墙体裂纹长度、墙体裂纹宽度、墙体表面孔间隙及墙体表面孔间隙分布密度。

4.根据权利要求1所述的一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，步骤S2中的边缘检测通过区域提议网络实现。

5.根据权利要求1所述的一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，步骤S3中，建立所述第一卷积网络时，将所述边缘检测算法的边缘强度作为第一卷积网络的初始权重，将所述边缘检测算法的输出引入第一卷积网络的注意力机制。

6.根据权利要求5所述的一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，将所述边缘检测算法的输出引入第一卷积网络的注意力机制的具体步骤包括：

S311：将所述边缘检测算法识别的所述定位图像转换为掩膜；

S312：对所述掩膜中的高值及低值进行赋值，将边缘区域标记为1，将非边缘区域标记为0，获得掩膜标记；

S313：在第一卷积网络对所述定位图像进行卷积时，分别将所述掩膜标记与两卷积核对应的卷积层相乘。

7.根据权利要求1所述的一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，步骤S3中通过所述第一卷积网络输出所述定位图像的第一卷积结果的具体步骤包括：

S321：将所述定位图像输入至所述第一卷积网络；

S322：第一卷积网络中的第一卷积核对所述定位图像进行逐点卷积，获得第一分卷积结果，所述第一分卷积结果的表达式为：

其中，为第一分卷积结果，为激活函数，为组归一化操作，为逐点卷 积操作，为第个输入特征图；

第一卷积网络中的第二卷积核对所述定位图像进行深度卷积及逐点卷积，获得第二分卷积结果，所述第二分卷积结果的表达式为：

其中，为第二分卷积结果中深度卷积的输出，为第二分卷积结果，为 Swish激活函数，为深度卷积操作；

S323：将所述第一分卷积结果和所述第二分卷积结果相加并通过ReLU激活，获得第一卷积结果。

8.根据权利要求1所述的一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，步骤S5进一步包括：

S51：基于无损伤墙体评估获得参考序列；

S52：通过灰色关联度，根据所述参考序列计算获得第一卷积结果及第二卷积结果中多个指标间的关联系数；

S53：根据所述关联系数计算获得第一卷积结果及第二卷积结果中多个指标的权重，并根据所述权重计算待评价墙体的损伤程度，获得评价结果。

9.一种基于红外偏振成像的墙体损伤程度评价系统，用以执行如权利要求1-8任一项所述的一种基于红外偏振成像的墙体损伤程度评价方法，其特征在于，包括：

图像获取模块：用于通过红外偏振相机采集墙体图像，并对墙体图像进行预处理，获得待评价图像；

定位识别模块：用于通过边缘检测算法对待评价图像进行识别，获得包括墙体损伤区域的定位图像；

多任务卷积模块：用于基于定位图像输出第一卷积结果，还用于当第一卷积结果中的损伤深度大于预设的外保温墙体深度时，基于定位图像输出第二卷积结果；

所述多任务卷积模块包括第一卷积网络及第二卷积网络，所述第一卷积网络中包括双卷积核；

评价结果计算模块：用于基于第一卷积结果及第二卷积结果对待评价的墙体进行损伤程度评价，获得评价结果。