一种古建筑修缮方法、系统、计算机设备和存储介质技术方案

本发明专利技术公开了一种古建筑修缮方法及系统，本发明专利技术基于多种神经网络模型的表面残损识别，采用先将古建筑整体分割为细部构造，根据细部构造类型再将细部构造分割为基本构造单元，在对基本构造单元中的残损进行提取，进而采用基于神经网络和专家系统混合的算法，实现方案设计的智能化推理，将推理的参数通过PKPM3D平台建模并进行虚拟漫游，实现了古建筑修缮设计直观的三维效果展示，同时输出相应的标准图和工程量计算表，最终生成目标古建筑修缮设计成果图。这种逐步精细的残损识别技术有效解决了古建筑残损类型多、识别难度大的难题，为古建筑残损识别提供全新的解决方案，极大的减少了人工的参与，同时保证了修缮设计方案的科学合理。理。理。

【技术实现步骤摘要】
一种古建筑修缮方法、系统、计算机设备和存储介质


[0001]本申请涉及古建筑修缮
，特别是涉及一种古建筑修缮方法、系统、计算机设备和存储介质。

技术介绍

[0002]古建筑在全国重点文保单位中的数量之大、地位之重使得对古建筑的修缮和数字化保护工作越来越重要，越来越迫切。
[0003]目前古建筑修缮存在以下问题：
[0004](1)古建筑表面残损由于人工调查过程中的疏忽、遗漏及经验不足等原因，造成不能完整记录残损信息，同时由于设计人员的业务能力不足等原因造成修缮设计方案与真实残损处理方法不匹配，不能针对性、有效的对残损进行修缮。
[0005](2)古建筑残损调查采用人工测量、调查、整理外业数据，这种作业模式耗时、工作量大、调查结果精度低。
[0006](3)目前古建筑残损修缮设计采用设计人员按照行业规范要求，结合设计经验，人工画图然后人工计算工程量，设计成果的质量取决于设计人员的专业水平和个人经验，质量难以保证。

技术实现思路

[0007]基于此，针对上述技术问题，提供一种古建筑修缮方法、系统、计算机设备和存储介质，能够解决现有古建筑残损类型识别复杂、人工识别难度大和解决修缮设计方案专业性强的问题。
[0008]第一方面，一种古建筑修缮方法，所述方法包括：
[0009]获取目标古建筑的目标正射影像图；
[0010]基于密集连接卷积神经网络DenseNet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；
[0011]采用FasterR
‑
CNN算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；
[0012]通过MaskFasterR
‑
CNN算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；
[0013]基于BP神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标建筑的残损处理设计参数以及所述目标建筑的修缮策略参数；
[0014]基于PKPM3D图形平台，将所述目标建筑的残损处理设计参数进行建模，并进行虚
拟漫游，输出目标古建筑修缮设计的三维效果数据图；
[0015]基于输出模块结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；
[0016]结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。
[0017]上述方案中，可选的，所述获取目标古建筑的目标正射影像图，包括通过无人机倾斜摄影测绘或贴近摄影测量获取目标古建筑的目标正射影像图。
[0018]上述方案中，进一步可选的，所述基于密集连接卷积神经网络DenseNet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图，具体为：将所述目标正射影像图通过多尺度分割处理，得到三种尺寸目标图像数据；将分割后的所述目标图像数据输入密集连接卷积神经网络,分别得到不同尺寸下神经网络提取的第一目标特征图；
[0019]将所述第一目标特征图融合到一起，同时送入注意力模型，得到所述目标特征图各个像素点的权重分布；
[0020]将所述各个像素点的权重分布与融合后的第二目标特征图进行点乘,经过Soft
‑
Max得到所述目标古建筑的细部构造图。
[0021]上述方案中，进一步可选的，所述采用FasterR
‑
CNN算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元，具体为：将训练集中的砖石结构细部构造原始图像输入到CNN网络中进行网络训练，得到所述砖石结构细部构造原始图像的特征图；
[0022]将所述砖石结构细部构造原始图像的特征图输入到RPN网络，生成感兴趣区ROI,并将所述感兴趣区ROI进行池化处理；经过一系列的全连接层，从而对所述砖石结构细部构造进行分类和边界回归，得到所述砖石结构基本构造单元。
[0023]上述方案中，进一步可选的，所述通过MaskFasterR
‑
CNN算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数，具体为：将训练集中的木结构细部构造和砖石结构基本构造单元图像输入到一个预训练好的神经网络中，获得对应的FeatureMap；对所述Feature Map中的每一点设定预定个的ROI，获得多个候选ROI，将所述多个候选ROI送入RPN网络进行二值分类和BB回归，过滤掉一部分候选的ROI，得到剩余ROI；对所述剩余ROI进行ROIAlign操作，对所述剩余ROI进行分类、BB回归和MASK生成，得到木结构细部构造及砖石结构基本构造单元表面不同种类残损参数。
[0024]上述方案中，进一步可选的，所述专家系统通过预先创建全局数据库存放所述目标古建筑残损参数、中间运行状态和推理过程记录和结果信息；
[0025]通过预先创建知识库存放基于行业设计规范知识和基于BP神经网络对经验样本学习的经验知识；
[0026]通过预先创建神经网络推理机，采用正向推理的方式对各设计要素进行推理；
[0027]通过预先创建解释器实现对用户查询某个问题的系统解释文本的输出，系统完成推理过程后给出的完整推理流程的输出。
[0028]上述方案中，进一步可选的，所述砖石结构基本构造单元包括：屋瓦、墙砖和柱基
本单元。
[0029]第二方面，一种古建筑修缮系统，所述系统包括：
[0030]获取模块：用于获取目标古建筑的目标正射影像图；
[0031]第一处理模块：用于基于密集连接卷积神经网络DenseNet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；
[0032]第二处理模块：用于采用FasterR
‑
CNN算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；
[0033]第三处理模块：用于通过MaskFasterR
‑
CNN算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；
[0034]参数生成模块：用于基于BP神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种古建筑修缮方法，其特征在于，所述方法包括：获取目标古建筑的目标正射影像图；基于密集连接卷积神经网络DenseNet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；采用FasterR
‑
CNN算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；通过MaskFasterR
‑
CNN算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；基于BP神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标建筑的残损处理设计参数以及所述目标建筑的修缮策略参数；基于PKPM3D图形平台，将所述目标建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；基于输出模块结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。2.根据权利要求1所述的方法，其特征在于，所述获取目标古建筑的目标正射影像图，包括通过无人机倾斜摄影测绘或贴近摄影测量获取目标古建筑的目标正射影像图。3.权利要求1所述的方法，其特征在于，所述基于密集连接卷积神经网络DenseNet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图，具体为：将所述目标正射影像图通过多尺度分割处理，得到三种尺寸目标图像数据；将分割后的所述目标图像数据输入密集连接卷积神经网络,分别得到不同尺寸下神经网络提取的第一目标特征图；将所述第一目标特征图融合到一起，同时送入注意力模型，得到所述目标特征图各个像素点的权重分布；将所述各个像素点的权重分布与融合后的第二目标特征图进行点乘,经过Soft
‑
Max得到所述目标古建筑的细部构造图。4.根据权利要求1所述的方法，其特征在于，所述采用FasterR
‑
CNN算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元，具体为：将训练集中的砖石结构细部构造原始图像输入到CNN网络中进行网络训练，得到所述砖石结构细部构造原始图像的特征图；将所述砖石结构细部构造原始图像的特征图输入到RPN网络，生成感兴趣区ROI,并将所述感兴趣区ROI进行池化处理；经过一系列的全连接层，从而对所述砖石结构细部构造进行分类和边界回归，得到所述砖石结构基本构造单元。5.根据权利要求1所述的方法，其特征在于，所述通过MaskFasterR
‑
CNN算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木

【专利技术属性】
技术研发人员：乔恩懋，尚大为，侯智国，黄胜龙，王晓，
申请(专利权)人：内蒙古建筑职业技术学院内蒙古自治区建筑职工培训中心，
类型：发明
国别省市：