【技术实现步骤摘要】
建筑遗产病害自动识别预测方法、装置及设备
[0001]本专利技术涉及文物古建筑保护修复
,具体而言,涉及一种建筑遗产病害自动识别预测方法、装置及设备。
技术介绍
[0002]建筑遗产作为历史文化遗产的重要分支,是历史宝贵财富,然而这些宝贵的建筑遗产正在遭受物理、化学、生物等多方面因素影响,呈现出不同的病害类型,包括裂隙、脱落、褪色、疱疹、起甲、酥碱、空鼓和霉变,在这其中裂隙对建筑遗产的危害最大。因此保存建筑遗产并使其免受物理、化学、生物等因素导致的病害是非常重要的。
[0003]目前对于建筑遗产的保护已经做了大量的工作,对建筑遗产病害机理进行深入分析的同时,也曾展开国际合作针对特定建筑遗产开展全方位保护项目。但当前建筑遗产保护的信息化、自动化、规模化裂隙深度低,缺乏行之有效的规范和标准,保护及管理工作耗费人力、不够客观且效率低下。
技术实现思路
[0004]本专利技术解决的传统建筑遗产保护及管理工作耗费人力、不够客观且效率低下的问题。
[0005]为解决上述问题,本专利技术提供了一种建筑遗产病害自动识别预测方法,所述方法包括:获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量;所述建筑遗产的图像包括建筑遗产的外部图像和内部图像,所述环境物理量包括以下至少一项:温度、湿度、风速、光照、空气质量;将所述建筑遗产的图像与所述环境物理量输入预先训练的识别预测模型,得到所述建筑遗产裂隙宽度及深度;所述识别预测模型由建筑遗产裂隙宽度及深度作为因变量,建筑遗产的图像作为中间变量,环境物理量 ...
【技术保护点】
【技术特征摘要】
1.一种建筑遗产病害自动识别预测方法,其特征在于,所述方法包括:获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量;所述建筑遗产的图像包括建筑遗产的外部图像和内部图像,所述环境物理量包括以下至少一项:温度、湿度、风速、光照、空气质量;将所述建筑遗产的图像与所述环境物理量输入预先训练的识别预测模型,得到所述建筑遗产裂隙宽度及深度;所述识别预测模型由建筑遗产裂隙宽度及深度作为因变量,建筑遗产的图像作为中间变量,环境物理量作为自变量构建,基于建筑遗产裂隙训练集采用深度学习算法训练得到;所述建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物理量。2.根据权利要求1所述的方法,其特征在于,所述识别预测模型包括裂隙宽度预测模型及裂隙深度预测模型,所述识别预测模型的训练过程包括:获取建筑遗产的不同时刻的外部图像、内部图像及环境物理量;计算相邻时刻的得到外部图像裂隙宽度像素值的差值,得到外部图像裂隙宽度像素值的一阶差分值,以及计算相邻时刻的得到内部图像裂隙深度像素值的差值,得到内部图像裂隙深度像素值的一阶差分值;将外部图像裂隙宽度像素值的一阶差分值作为因变量,将环境物理量作为自变量,构建裂隙宽度预测模型;将内部图像裂隙深度像素值的一阶差分值作为因变量,将环境物理量作为自变量,构建裂隙深度预测模型。3.根据权利要求2所述的方法,其特征在于,所述外部图像由高分辨摄影成像技术获得,所述内部图像由光学相干层析成像技术获得;所述识别预测模型的训练过程包括:对第m个建筑遗产拍摄不同时刻的n
i
张图像,每幅图像的像素值可表示为:通过计算dq+1与dq两个时刻图像的像素值的差值,可得到这两个时刻像素值的一阶差分值R
dq
;y
dq+1
‑
y
dq
=R
dq
(d=1,2,3......m,q=1,2,3......n
i
)将外部图像裂隙宽度像素值的一阶差分值R
dqI
作为因变量,将环境物理量作为自变量,构建裂隙宽度预测模型;R
dqI
=β0+β1T
dq
+β2H
dq
+β3W
dq
+β4L
dq
+β5A
dq
将内部图像裂隙深度像素值的一阶差分值R
dqII
作为因变量,将环境物理量作为自变量,构建裂隙深度预测模型;R
dqII
=γ0+γ1T
dq
+γ2H
dq
+γ3W
dq
+γ4L
dq
+γ5A
dq
其中,其中,T
dq
...
【专利技术属性】
技术研发人员:贺鼎,郑毅,何黎黎,张景瑶,肖东,张群力,朱宇华,郭贤,
申请(专利权)人:北京建筑大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。