【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
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。