建筑遗产病害自动识别预测方法、装置及设备制造方法及图纸

本发明专利技术提供了一种建筑遗产病害自动识别预测方法、装置及设备。该装置可以依托图像采集单元、环境传感单元收集建筑遗产的图像和环境物理量，建立建筑遗产裂隙基础数据库，并将数据传输至深度学习模块发掘环境物理量与建筑遗产裂隙间的识别预测模型，最终通过识别预测模块实时预测未来建筑遗产的状态，将可能发生裂隙的信号发送至相关保护及管理部门。本发明专利技术实施例能够对建筑遗产所处环境的环境物理量进行实时监测并识别预测建筑遗产裂隙宽度及深度，降低了建筑遗产保护及管理工作中人力消耗、提高了保护效率和准确性，增强了建筑遗产保护的信息化、自动化和规模化。自动化和规模化。自动化和规模化。

【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。
[0006]可选地，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。
[0007]可选地，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：
[0008]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：
[0009][0010]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
；
[0011]y
dq+1
‑
y
dq
＝R
dq
[0012](d＝1,2,3
……
m,q＝1,2,3
……
n
i
)
[0013]将外部图像裂隙宽度像素值的一阶差分值R
dq
ꢀⅠ
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；
[0014]R
dq
ꢀⅠ
＝β0+β1T
dq
+β2H
dq
+β3W
dq
+β4L
dq
+β5A
dq
[0015]将内部图像裂隙深度像素值的一阶差分值R
dq
ꢀⅡ
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；
[0016]R
dq
ꢀⅡ
＝γ0+γ1T
dq
+γ2H
dq
+γ3W
dq
+γ4L
dq
+γ5A
dq
[0017]其中，其中，T
dq
表示温度，H
dq
表示湿度，W
dq
表示风速，L
dq
表示光照，A
dq
表示空气质量，β0与γ0、β1与γ1、β2与γ2、β3与γ3、β4与γ4、β5与γ5分别为各环境物理量对应系数。
[0018]可选地，所述识别预测模型的训练过程还包括：获取多个预先标注裂隙宽度及深度的建筑遗产的图像；将所述多个预先标注裂隙宽度及深度的建筑遗产的图像输入卷积神经网络模型进行深度学习，直至满足训练终止条件。
[0019]可选地，所述将所述多个预先标注裂隙宽度及深度的建筑遗产的图像输入卷积神经网络模型进行深度学习，直至满足训练终止条件，包括：提取多个预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值，以及内部图像裂隙深度的一阶差分值；将预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值以及预先标注裂隙宽度及深度的建筑遗产的内部图像裂隙深度像素值的一阶差分值，输入卷积神经网络模型进行深度学习，直至满足训练终止条件。
[0020]可选地，所述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，包括：按照固定时间间隔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。
[0021]可选地，所述方法还包括：将所述建筑遗产的实时图像输入所述识别预测模型，得到所述建筑遗产当前的裂隙宽度及深度。
[0022]可选地，所述方法还包括：将所述建筑遗产裂隙宽度及深度的预测结果报送至相关保护及管理部门，以及时制定预防性保护策略。
[0023]本专利技术提供一种建筑遗产病害自动识别预测装置，所述装置包括：数据获取模块，用于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；识别预测模块，用于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。
[0024]本专利技术提供一种建筑遗产病害自动识别预测设备，包括图像采集单元、环境传感单元及建筑遗产病害自动识别预测装置；所述图像采集单元包括：高分辨率摄像机和光学相干层析成像系统；所述环境传感单元包括红外温度探测器、VOC气体测试仪、照度仪、湿度仪和空气流量监测仪；所述建筑遗产病害自动识别预测装置用于执行上述建筑遗产病害自
动识别预测方法。
[0025]本专利技术实施例可以将数据传输至深度学习模块发掘环境物理量与建筑遗产裂隙间的识别预测模型，最终通过识别预测模块实时预测未来建筑遗产的状态，将可能发生裂隙的信号发送至相关保护及管理部门，能够对建本文档来自技高网...

【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：