一种基于大数据的建筑工程质量监理和预警系统技术方案

本发明专利技术涉及图像数据处理技术领域，提出了一种基于大数据的建筑工程质量监理和预警系统，包括：利用无人机获取，该图像为RGB图像，使用神经网络获取包含裂缝存在的ROI区域并转换到CIELab颜色空间，其中根据ROI区域中像素点之间差异程度得到每个像素点的扩散梯度，根据所获得的图像信息获取ROI区域每个像素点的特征向量；在ROI区域获取每个像素点的局部密度；计算ROI区域中每个像素点的种子点选取概率，根据每个像素点的种子点选取概率得到每个种子点的位置；根据像素点的特征向量相似度得到特征距离，根据特征距离划分超像素块，进一步分割图像。本发明专利技术计算了种子点的选取位置，提高了分割精度。高了分割精度。高了分割精度。

【技术实现步骤摘要】
一种基于大数据的建筑工程质量监理和预警系统


[0001]本专利技术涉及图像数据处理领域，具体涉及一种基于大数据的建筑工程质量监理和预警系统。

技术介绍

[0002]建筑工程项目出现在生活的绝大多数场景，例如常见的道路维修，居民建筑，房屋修建等，多样化的建筑工程不仅帮助人们更好的进行社会活动同时也造就了很多工作岗位，建筑工程的安全问题就显得尤为重要。
[0003]建筑工程的质量安全受到多个因素的影响，例如所选用建筑材料，施工过程中的天气状况等，这些影响因素会导致建筑出现裂纹，掉皮，倾斜等质量问题。因此，需要对施工进程中的建筑工程的质量进行监督管理，发现建筑物中的质量问题，进行及时的维修，消除对施工人员的安全隐患。现阶段许多对建筑质量的监管仍然通过人为观测方式，例如通过铅锤线是否垂直判断建筑边缘是否符合标准，人为观察裸露部分是否发生腐蚀现象等等。这种监管方法适合小面积的区域，且依赖施工人员的经验，很难在大面积的建筑工程的质量监管上应用，对于大规模的建筑物，需要确保多个区域的质量安全，因此需要一种根据建筑物质量相关数据实现对建筑物质量的高效率监管方法。

技术实现思路

[0004]本专利技术提供一种基于大数据的建筑工程质量监理和预警系统，以解决现有的在大面积建筑工程中很难人为检测的问题，所采用的技术方案具体如下：
[0005]第一方面，本专利技术一个实施例提供了一种基于大数据的建筑工程质量监理和预警系统，该系统包括以下模块：
[0006]图像预处理模块，用于采集建筑内外墙的表面图像，并进行滤波处理；
[0007]特征向量获取模块，用于获取表面图像中包含裂缝存在的ROI区域，将ROI区域内所有像素点转换到CIELab颜色空间中，在CIELab颜色空间中根据ROI区域中每个像素点与邻域像素点的差异得到每个像素点的扩散梯度，结合扩散梯度、像素点位置和颜色通道值获取在CIELab颜色空间中ROI区域每个像素点的特征向量；
[0008]图像分割模块，根据在ROI区域中每个像素点的特征向量、超像素块的范围大小以及范围内的像素点数量得到每个像素点的局部密度，根据所有像素点的局部密度筛选出若干初始种子点；根据像素点与初始种子点之间的位置关系获得每个像素点的分割距离，根据ROI区域中每个像素点的局部密度以及所有像素点的局部密度最大值、最小值和每个像素点的分割距离及所有像素点的分割距离最大值、最小值计算得到每个像素点的种子点选取概率，根据每个像素点的种子点选取概率绘制种子选取概率曲线，根据种子选取概率曲线得到所有的目标种子点；
[0009]根据目标种子点的特征向量和ROI区域中其余像素点的特征向量相似度得到每个像素点与目标种子点之间的特征距离，根据所有的目标种子点以及所述特征距离划分超像
素块，得到分割结果；
[0010]监理预警模块，包括，根据ROI区域的分割结果得到ROI区域中的裂缝区域和正常区域，获取裂缝区域的最大外接矩形和区域中心点位置，根据区域中心点位置得到具体裂缝类型，根据裂缝区域的最大外接矩形和具体裂缝类型给出预警信息。
[0011]优选的，所述在CIELab颜色空间中根据ROI区域中每个像素点与邻域像素点的差异得到每个像素点的扩散梯度的计算方法为：
[0012][0013]其中，l
i
是像素点i在颜色空间L分量的值，a
i
是像素点i在颜色空间a分量的值，b
j
是像素点i在颜色空间b分量的值，像素点j是像素点i所取四邻域的内的第j个像素点，J是四邻域内像素点的数量，l
j
，a
j
，b
j
分别是像素点j对应颜色空间的L分量、a分量、b分量的值。
[0014]优选的，所述根据在ROI区域中每个像素点的特征向量、超像素块的范围大小以及范围内的像素点数量得到每个像素点的局部密度的计算方法为：
[0015][0016]式中，ρ
i
是像素点i对应的局部密度，Size
i
是像素点i所在超像素块，N(Size
i
)是像素点i所在超像素块Size
i
内的像素点数量，T
i
是像素点i对应的特征向量，n(T
i
)是Size
i
内与像素点i的特征向量一致的像素点数量，H(T
i
)表示向量T
i
中除了两个坐标值之外的4个值归一化后的累加和。
[0017]优选的，所述得到每个像素点的种子点选取概率的方法为：
[0018][0019]d
i
是像素点i对应的分割距离，ρ
i
是像素点i对应的局部密度，ρ
max
、ρ
min
分别是所有像素点的局部密度最大值、最小值；d
max
、d
min
分别是所有像素点的分割距离最大值、最小值，p
i
表示像素点i的种子点选取概率。
[0020]优选的，所述根据种子选取概率曲线得到所有的种子点为：
[0021]将ROI区域中左上角顶点像素点的坐标作为坐标起点(1,1)，从左向右，从上倒下依次对每个像素点进行标记，标记大小就是种子点选取概率曲线对应坐标系的横坐标，种子点选取概率就是种子点选取概率曲线的横坐标，将每个发生明显下降处的局部最大值像素点作为种子点的位置。
[0022]优选的，所述根据超像素分割种子点的特征向量和ROI区域中其余像素点的特征向量相似度得到特征距离的计算方法为：
[0023][0024]其中，T
i,c
是像素点i的特征向量T
i
中第c个参数值，T
O,c
是目标种子点O的特征向量T
O
中第c个参数值，D
i,O
表示像素点i与目标种子点O的特征距离。
[0025]第二方面，本专利技术另一个实施例提供了一种基于大数据的建筑工程质量监理和预警系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0026]本专利技术的有益效果是：本专利技术提出一种基于大数据的建筑工程质量监理和预警系统，根据裂缝区域内像素点扩散特性获取每个像素点的特征向量，用以表征像素点的图像信息，并构建聚类过程中的度量公式，进一步的，根据建筑墙面中超像素块中种子点和非种子点的特征指数，种子选取概率的不同获取超像素分割算法中的种子点位置信息，根据获取的种子点位置信息可以更精确的分割图像。
附图说明
[0027]为了更清楚地说明本专利技术实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的建筑工程质量监理和预警系统，其特征在于，该系统包括以下模块：图像预处理模块，用于采集建筑内外墙的表面图像，并进行滤波处理；特征向量获取模块，用于获取表面图像中包含裂缝存在的ROI区域，将ROI区域内所有像素点转换到CIELab颜色空间中，在CIELab颜色空间中根据ROI区域中每个像素点与邻域像素点的差异得到每个像素点的扩散梯度，结合扩散梯度、像素点位置和颜色通道值获取在CIELab颜色空间中ROI区域每个像素点的特征向量；图像分割模块，根据在ROI区域中每个像素点的特征向量、超像素块的范围大小以及范围内的像素点数量得到每个像素点的局部密度，根据所有像素点的局部密度筛选出若干初始种子点；根据像素点与初始种子点之间的位置关系获得每个像素点的分割距离，根据ROI区域中每个像素点的局部密度以及所有像素点的局部密度最大值、最小值和每个像素点的分割距离及所有像素点的分割距离最大值、最小值计算得到每个像素点的种子点选取概率，根据每个像素点的种子点选取概率绘制种子选取概率曲线，根据种子选取概率曲线得到所有的目标种子点；根据目标种子点的特征向量和ROI区域中其余像素点的特征向量相似度得到每个像素点与目标种子点之间的特征距离，根据所有的目标种子点以及所述特征距离划分超像素块，得到分割结果；监理预警模块，包括，根据ROI区域的分割结果得到ROI区域中的裂缝区域和正常区域，获取裂缝区域的最大外接矩形和区域中心点位置，根据区域中心点位置得到具体裂缝类型，根据裂缝区域的最大外接矩形和具体裂缝类型给出预警信息。2.根据权利要求1所述的一种基于大数据的建筑工程质量监理和预警系统，其特征在于，所述在CIELab颜色空间中根据ROI区域中每个像素点与邻域像素点的差异得到每个像素点的扩散梯度的计算方法为：其中，l
i
是像素点i在颜色空间L分量的值，a
i
是像素点i在颜色空间a分量的值，b
i
是像素点i在颜色空间b分量的值，像素点j是像素点i所取四邻域的内的第j个像素点，J是四邻域内像素点的数量，l
j
、a
j
、b
j
分别是像素点j对应颜色空间的L分量、a分量、b分量的值。3.根据权利要求1所述的一种基于大数据的建筑工程质量监理和预警系统，其特征在于，所述根据在ROI区域中每个像素...

【专利技术属性】
技术研发人员：吴金松，
申请(专利权)人：浙江天律工程管理有限公司，
类型：发明
国别省市：