建筑外立面病害的圖像識別及定位方法技術

本發明專利技術提供一種建筑外立面病害的圖像識別及定位方法，通過由無人機以相機鏡頭正對建筑外立面的角度拍攝獲取多張建筑外立面局部圖像；由正圖像樣本和負圖像樣本得到數據集；構建建筑外立面病害圖像識別網絡模型，建筑外立面病害圖像識別網絡模型包括骨架網絡、頸部網絡和檢測頭網絡；得到最優的建筑外立面病害圖像識別網絡模型；得到病害預測圖像，利用尺度不變特征轉換算法SIFT與隨機抽樣一致算法RANSAC進行拼接，得到最終建筑外立面整體識別圖像。該方法能夠實現建筑外立面病害的快速準確識別，能夠提高檢測效率，具有較精確的識別效果，具有較強的實用性與工程意義。

【技術實現步驟摘要】

本專利技術涉及一種建筑外立面病害的圖像識別及定位方法，屬于圖像識別。

技術介紹

1、建筑外立面病害的存在是建筑運營階段的一個緊迫問題，通常歸因于機械和環境因素。典型的病害表現為裂縫、外墻脫落或外墻滲水等。這些病害會影響外觀，降低建筑物的使用壽命。更嚴重的是，外墻脫落可能會造成安全事故和無法彌補的損失。結構損傷檢測是結構健康監測的一個組成部分，對確保建筑物的安全運行至關重要。作為結構損傷檢測的一個組成部分，建筑外立面病害的檢測可以使政府和管理層準確了解建筑外墻的綜合狀況，從而有助于制定合理的維修方案。這是降低建筑維護成本、延長建筑使用壽命和減輕外墻損壞影響的有效方法。許多國家和地區正在制定定期標準化目視檢查的政策。建筑外立面病害的檢測已成為建筑維護的關鍵組成部分。

2、目前，目視檢查是評估建筑外觀狀況的一種簡單可靠的方法。傳統的建筑外觀檢查通常需要專業人員帶著專用工具到達檢查地點，使用視覺觀察、錘擊和其他技術進行評估。這些方法依賴于檢查員的專業知識和經驗，這是主觀的、危險的和低效的。由于建筑數量的增加和規模的擴大，人工目視檢查方法已不足以滿足大規模檢查的要求。隨著技術的進步，許多新方法(如激光掃描、3d熱成像和slam)正被用于通過無人機和機器人平臺進行外墻病害檢測。與傳統技術相比，這些新方法更方便、更安全，但耗時長，識別精度與檢測效率均較低，在滿足大規模檢查的需求方面面臨挑戰。因此，有必要開發一種更精確、更有效的建筑外立面病害檢測方法，以提高檢測效率并降低計算成本。

技術實現思路</p>

1、本專利技術的目的是提供一種建筑外立面病害的圖像識別及定位方法解決現有技術中存在的識別精度與效率有待提高的問題。

2、本專利技術的技術解決方案是：

3、一種建筑外立面病害的圖像識別及定位方法，包括以下步驟，

4、s1、由無人機以相機鏡頭正對建筑外立面的角度拍攝獲取多張建筑外立面局部圖像；

5、s2、對獲取的建筑外立面局部圖像進行篩選，將存在建筑外立面病害的建筑外立面局部圖像作為正圖像樣本，并對建筑外立面局部圖像標注病害類型，將不存在建筑外立面病害的建筑外立面局部圖像作為負圖像樣本，由正圖像樣本和負圖像樣本得到數據集，并將數據集按設定比例劃分為訓練集和測試集；

6、s3、構建建筑外立面病害圖像識別網絡模型，建筑外立面病害圖像識別網絡模型包括骨架網絡、頸部網絡和檢測頭網絡，骨架網絡對輸入的建筑外立面局部圖像進行卷積、池化以及向量拼接后輸出三個尺度的特征向量，將三個尺度的特征向量輸入頸部網絡經過卷積、上采樣以及向量拼接后得到特征圖，將特征圖輸入檢測頭網絡后得到病害預測圖像包括帶有預測框的預測圖像或不帶預測框的圖像即不含病害的圖像；

7、s4、利用訓練集并采用考慮角度損失、距離損失及形狀損失的siou損失函數，對步驟s3構建的建筑外立面病害圖像識別網絡模型進行訓練，得到訓練后的建筑外立面病害圖像識別網絡模型，將測試集輸入到訓練后的建筑外立面病害圖像識別網絡模型中，依據測試集結果進行對訓練后的建筑外立面病害圖像識別網絡模型進行超參數優化后，得到最優的建筑外立面病害圖像識別網絡模型；

8、s5、將多個待識別的建筑外立面局部圖像，輸入最優的建筑外立面病害圖像識別網絡模型，得到多個病害預測圖像，利用尺度不變特征轉換算法sift與隨機抽樣一致算法ransac進行拼接，得到最終建筑外立面整體識別圖像。

9、進一步地，步驟s1中，建筑外立面病害包括裂縫、外墻脫落和/或外墻滲水。

10、進一步地，骨架網絡中，輸入的建筑外立面局部圖像進入骨架網路后，依次經過4個卷積歸一化激活模塊cbs、第一高效層聚合網絡模塊elan1、第一最大池化模塊mp1、第二高效層聚合網絡模塊elan2、第二最大池化模塊mp2、第三高效層聚合網絡模塊elan3、第三最大池化模塊mp3和第四高效層聚合網絡模塊elan4，并分別由第二高效層聚合網絡模塊elan2輸出特征向量t1、第三高效層聚合網絡模塊elan3輸出特征向量t2，第四高效層聚合網絡模塊elan4輸出特征向量t3給頸部網絡。

11、進一步地，頸部網絡中，特征向量t3經過高效層聚合網絡的空間金字塔池化模塊sppelan輸出特征向量t4，特征向量t4經過第一卷積歸一化激活模塊cbs1與第一上采樣模塊upsample1后輸出給第一向量拼接模塊concat1，同時，特征向量t4輸入第四向量拼接模塊concat4；給特征向量t2經過第二卷積歸一化激活模塊cbs2后輸出給第一向量拼接模塊concat1，第一向量拼接模塊concat1進行張量拼接后輸出得到特征向量t5；

12、特征向量t5經過第一加權高效層聚合網絡模塊elan-w1、第三卷積歸一化激活模塊cbs3以及第二上采樣模塊upsample2后輸出給第二向量拼接模塊concat2，同時，特征向量t5經過第一加權高效層聚合網絡模塊elan-w1輸出給第三向量拼接模塊concat3，特征向量t1經過第四卷積歸一化激活模塊cbs4后輸出給第二向量拼接模塊concat2，第二向量拼接模塊concat2進行拼接后輸出特征向量t6；

13、特征向量t6經過第二加權高效層聚合網絡模塊elan-w2后輸出特征向量t7，特征向量t7直接輸入至檢測頭網絡，同時，特征向量t7經過第四最大池化模塊mp4輸出給第三向量拼接模塊concat3；第三向量拼接模塊concat3進行張量拼接得到特征向量t8；

14、特征向量t8經過第三加權高效層聚合網絡模塊elan-w3后輸出特征向量t9，特征向量t9直接輸入至檢測頭網絡，同時，特征向量t9經過第五最大池化模塊mp5后輸出給第四向量拼接模塊concat4；第四向量拼接模塊concat4進行張量拼接得到特征向量t10，特征向量t10經過第四加權高效層聚合網絡模塊elan-w4后輸出特征向量t11給檢測頭網絡。

15、進一步地，高效層聚合網絡的空間金字塔池化模塊sppelan中，特征向量t3輸入至高效層聚合網絡的空間金字塔池化模塊sppelan后，經過第五卷積歸一化激活模塊cbs5后輸出特征向量t1，特征向量t1直接輸入給第五拼接模塊concat5的同時，特征向量t1輸入給第六最大池化模塊mp6，第六最大池化模塊mp6輸出特征向量t2，特征向量t2直接輸入給第五拼接模塊concat5的同時，特征向量t2輸入給第七最大池化模塊mp7，第七最大池化模塊mp7輸出特征向量t3，特征向量t3直接輸入給第五拼接模塊concat5的同時，特征向量t3輸入給第八最大池化模塊mp8，第八最大池化模塊mp8輸出特征向量t4，特征向量t4直接輸入給第五拼接模塊concat5，第五拼接模塊concat5輸出特征向量t5，特征向量t5經過第六卷積歸一化激活模塊cbs6后，得到特征向量t4。

16、進一步地，檢測頭網絡中，特征向量t7經過第一殘差卷積歸一化激活模塊rep+cbm1后輸入至第一分類模塊classific本文檔來自技高網...

【技術保護點】

1.一種建筑外立面病害的圖像識別及定位方法，其特征在于：包括以下步驟，

2.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：步驟S1中，建筑外立面病害包括裂縫、外墻脫落和/或外墻滲水。

3.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：骨架網絡中，輸入的建筑外立面局部圖像進入骨架網路后，依次經過4個卷積歸一化激活模塊CBS、第一高效層聚合網絡模塊ELAN1、第一最大池化模塊MP1、第二高效層聚合網絡模塊ELAN2、第二最大池化模塊MP2、第三高效層聚合網絡模塊ELAN3、第三最大池化模塊MP3和第四高效層聚合網絡模塊ELAN4，并分別由第二高效層聚合網絡模塊ELAN2輸出特征向量T1、第三高效層聚合網絡模塊ELAN3輸出特征向量T2，第四高效層聚合網絡模塊ELAN4輸出特征向量T3給頸部網絡。

4.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：頸部網絡中，特征向量T3經過高效層聚合網絡的空間金字塔池化模塊SPPELAN輸出特征向量T4，特征向量T4經過第一卷積歸一化激活模塊CBS1與第一上采樣模塊UPsample1后輸出給第一向量拼接模塊Concat1，同時，特征向量T4輸入第四向量拼接模塊Concat4；給特征向量T2經過第二卷積歸一化激活模塊CBS2后輸出給第一向量拼接模塊Concat1，第一向量拼接模塊Concat1進行張量拼接后輸出得到特征向量T5；

5.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：高效層聚合網絡的空間金字塔池化模塊SPPELAN中，特征向量T3輸入至高效層聚合網絡的空間金字塔池化模塊SPPELAN后，經過第五卷積歸一化激活模塊CBS5后輸出特征向量t1，特征向量t1直接輸入給第五拼接模塊Concat5的同時，特征向量t1輸入給第六最大池化模塊MP6，第六最大池化模塊MP6輸出特征向量t2，特征向量t2直接輸入給第五拼接模塊Concat5的同時，特征向量t2輸入給第七最大池化模塊MP7，第七最大池化模塊MP7輸出特征向量t3，特征向量t3直接輸入給第五拼接模塊Concat5的同時，特征向量t3輸入給第八最大池化模塊MP8，第八最大池化模塊MP8輸出特征向量t4，特征向量t4直接輸入給第五拼接模塊Concat5，第五拼接模塊Concat5輸出特征向量t5，特征向量t5經過第六卷積歸一化激活模塊CBS6后，得到特征向量T4。

6.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：檢測頭網絡中，特征向量T7經過第一殘差卷積歸一化激活模塊REP+CBM1后輸入至第一分類模塊Classification1；特征向量T9經過第二殘差卷積歸一化激活模塊REP+CBM2后輸入至第二分類模塊Classification2；特征向量T11經過第三殘差卷積歸一化激活模塊REP+CBM3后輸入至第三分類模塊Classification3，，最終檢測頭網絡輸出病害預測圖像包括帶有預測框的預測圖像或不帶預測框的圖像即不含病害的圖像。

7.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：步驟S5中，利用尺度不變特征轉換算法SIFT與隨機抽樣一致算法RANSAC進行拼接，得到最終建筑外立面整體識別圖像，具體為，

...

【技術特征摘要】

1.一種建筑外立面病害的圖像識別及定位方法，其特征在于：包括以下步驟，

2.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：步驟s1中，建筑外立面病害包括裂縫、外墻脫落和/或外墻滲水。

3.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：骨架網絡中，輸入的建筑外立面局部圖像進入骨架網路后，依次經過4個卷積歸一化激活模塊cbs、第一高效層聚合網絡模塊elan1、第一最大池化模塊mp1、第二高效層聚合網絡模塊elan2、第二最大池化模塊mp2、第三高效層聚合網絡模塊elan3、第三最大池化模塊mp3和第四高效層聚合網絡模塊elan4，并分別由第二高效層聚合網絡模塊elan2輸出特征向量t1、第三高效層聚合網絡模塊elan3輸出特征向量t2，第四高效層聚合網絡模塊elan4輸出特征向量t3給頸部網絡。

4.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：頸部網絡中，特征向量t3經過高效層聚合網絡的空間金字塔池化模塊sppelan輸出特征向量t4，特征向量t4經過第一卷積歸一化激活模塊cbs1與第一上采樣模塊upsample1后輸出給第一向量拼接模塊concat1，同時，特征向量t4輸入第四向量拼接模塊concat4；給特征向量t2經過第二卷積歸一化激活模塊cbs2后輸出給第一向量拼接模塊concat1，第一向量拼接模塊concat1進行張量拼接后輸出得到特征向量t5；

5.如權利要求1所述的建筑外立面病害的圖像識別及定位方法，其特征在于：高效層聚合網絡的空間金字塔池化模塊sppelan中，特征向量t3...

【專利技術屬性】
技術研發人員：張狄龍，張孟霞，賈偉超，汪浩強，楊才千，張立業，張紅雷，楊澤剛，
申請(專利權)人：中國建筑科學研究院有限公司，
類型：發明
國別省市：