墙体垂直度检测系统及其检测方法技术方案

本发明专利技术公开了一种墙体垂直度检测系统及其检测方法，其获取由摄像头采集的在多个太阳照射角度下的被检测墙体的多个墙体投影图像；采用基于深度学习的人工智能技术，进行所述墙体投影线条间关联特征和照射角度间关联特征之间的融合关联特征信息的充分表达，以此来对于墙体的垂直度进行准确检测，进而优化建筑的美观度和安全性能。美观度和安全性能。美观度和安全性能。

【技术实现步骤摘要】
墙体垂直度检测系统及其检测方法


[0001]本专利技术涉及智能化检测
，尤其涉及一种墙体垂直度检测系统及其检测方法。

技术介绍

[0002]在建筑工程中，对于混凝土墙、柱等竖向结构模板的安装过程中，垂直度的检测与修正是必不可少的步骤，其不仅会影响建筑美观度，也会影响结构和安全性能。目前，大多数建筑工程都采用传统吊线测量法来进行垂直度的检测，这种方法所需人力物力较大，且精度有限，需要至少两人搭配完成。此外，在一些高楼施工和高空作业场景下，存在着较大的安全隐患，并且若要获取更为精确的垂直度数据，则需要使用一些较为昂贵的检测工具，增加了经济负担。
[0003]因此，期望一种优化的墙体垂直度检测系统。

技术实现思路

[0004]本专利技术实施例提供一种墙体垂直度检测系统及其检测方法，其获取由摄像头采集的在多个太阳照射角度下的被检测墙体的多个墙体投影图像；采用基于深度学习的人工智能技术，进行所述墙体投影线条间关联特征和照射角度间关联特征之间的融合关联特征信息的充分表达，以此来对于墙体的垂直度进行准确检测，进而优化建筑的美观度和安全性能。
[0005]本专利技术实施例还提供了一种墙体垂直度检测系统，其包括：图像数据采集模块，用于获取由摄像头采集的在多个太阳照射角度下的被检测墙体的多个墙体投影图像；墙体投影图像特征提取模块，用于将所述多个墙体投影图像分别通过基于卷积神经网络模型的墙体线条特征提取器以得到多个墙体投影线条特征向量；墙体投影线条特征关联模块，用于将所述多个墙体投影线条特征向量通过基于转换器模块的上下文编码器以得到墙体投影线条间关联特征向量；太阳照射角度关联编码模块，用于将所述多个太阳照射角度排列为角度输入向量后通过包含第一卷积神经网络模型和第二卷积神经网络模型的角度间关联特征提取器以得到多尺度照射角度关联特征向量；特征融合模块，用于融合所述墙体投影线条间关联特征向量和所述多尺度照射角度关联特征向量以得到分类特征向量；以及墙体垂直检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测墙体的垂直度是否符合预定标准。
[0006]本专利技术实施例中，所述墙体投影图像特征提取模块，用于：使用所述基于卷积神经网络模型的墙体线条特征提取器的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的墙体线条特征提取器的最后一层的输出为所述多个墙体投影线条特征向量，所述基于卷积神经网络模型的墙体线条特征提取器的第一层的输入为
所述多个墙体投影图像。
[0007]本专利技术实施例中，所述墙体投影线条特征关联模块，包括：上下文语义编码单元，用于使用所述基于转换器模块的上下文编码器对所述多个墙体投影线条特征向量进行基于全局的上下文语义编码以得到多个墙体投影线条特征向量；以及，级联单元，用于将所述多个墙体投影线条特征向量进行级联以得到所述墙体投影线条间关联特征向量。
[0008]本专利技术实施例中，所述太阳照射角度关联编码模块，包括：第一尺度特征提取单元，用于将所述角度输入向量输入所述角度间关联特征提取器的第一卷积神经网络模型以得到第一尺度照射角度特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；第二尺度特征提取单元，用于将所述角度输入向量输入所述角度间关联特征提取器的第二卷积神经网络模型以得到第二尺度照射角度特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，级联单元，用于将所述第一尺度照射角度特征向量和所述第二尺度照射角度特征向量进行级联以得到所述多尺度照射角度关联特征向量。
[0009]本专利技术实施例中，所述特征融合模块，用于：以如下融合公式融合所述墙体投影线条间关联特征向量和所述多尺度照射角度关联特征向量以得到分类特征向量；其中，所述融合公式为：，其中，为所述分类特征向量，为所述墙体投影线条间关联特征向量，为所述多尺度照射角度关联特征向量，表示按位置加法，和为用于控制所述墙体投影线条间关联特征向量和所述多尺度照射角度关联特征向量之间的平衡的加权参数。
[0010]本专利技术实施例中，还包括用于对所述基于卷积神经网络模型的墙体线条特征提取器、所述基于转换器模块的上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的角度间关联特征提取器和所述分类器进行训练的训练模块。
[0011]本专利技术实施例中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括在多个训练太阳照射角度下的被检测墙体的多个训练墙体投影图像；训练墙体投影图像特征提取单元，用于将所述多个训练墙体投影图像分别通过所述基于卷积神经网络模型的墙体线条特征提取器以得到多个训练墙体投影线条特征向量；训练墙体投影线条特征关联单元，用于将所述多个训练墙体投影线条特征向量通过所述基于转换器模块的上下文编码器以得到训练墙体投影线条间关联特征向量；训练太阳照射角度关联编码单元，用于将所述多个训练太阳照射角度排列为训练角度输入向量后通过所述包含第一卷积神经网络模型和第二卷积神经网络模型的角度间关联特征提取器以得到训练多尺度照射角度关联特征向量；训练特征融合单元，用于融合所述训练墙体投影线条间关联特征向量和所述训练多尺度照射角度关联特征向量以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；伪循环差异惩罚损失单元，用于计算所述训练墙体投影线条间关联特征向量和所述训练多尺度照射角度关联特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值；以及，模型训练单元，用于以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于卷积神经网络模型的墙体线条特征提取器、所述基于转换器模块的上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的角
度间关联特征提取器和所述分类器进行训练的训练模块。
[0012]本专利技术实施例中，所述分类损失单元，包括：训练分类子单元，用于所述分类器以如下分类公式对所述训练分类特征向量进行处理以生成训练分类结果，其中，所述分类公式为：，其中表示所述训练分类特征向量，至为权重矩阵，至 表示偏置矩阵；以及计算子单元，用于计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
[0013]本专利技术实施例中，所述伪循环差异惩罚损失单元，用于：以如下损失公式计算所述训练墙体投影线条间关联特征向量和所述训练多尺度照射角度关联特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值；其中，所述损失公式为：，其中，是所述训练墙体投影线条间关联特征向量， 是所述训练多尺度照射角度关联特征向量，为所述训练墙体投影线条间关联特征向量和所述训练多尺度照射角度关联特征向量之间的距离矩阵， 表示矩阵的Frobenius范数，是特征向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种墙体垂直度检测系统，其特征在于，包括：图像数据采集模块，用于获取由摄像头采集的在多个太阳照射角度下的被检测墙体的多个墙体投影图像；墙体投影图像特征提取模块，用于将所述多个墙体投影图像分别通过基于卷积神经网络模型的墙体线条特征提取器以得到多个墙体投影线条特征向量；墙体投影线条特征关联模块，用于将所述多个墙体投影线条特征向量通过基于转换器模块的上下文编码器以得到墙体投影线条间关联特征向量；太阳照射角度关联编码模块，用于将所述多个太阳照射角度排列为角度输入向量后通过包含第一卷积神经网络模型和第二卷积神经网络模型的角度间关联特征提取器以得到多尺度照射角度关联特征向量；特征融合模块，用于融合所述墙体投影线条间关联特征向量和所述多尺度照射角度关联特征向量以得到分类特征向量；以及墙体垂直检测模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测墙体的垂直度是否符合预定标准。2.根据权利要求1所述的墙体垂直度检测系统，其特征在于，所述墙体投影图像特征提取模块，用于：使用所述基于卷积神经网络模型的墙体线条特征提取器的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的墙体线条特征提取器的最后一层的输出为所述多个墙体投影线条特征向量，所述基于卷积神经网络模型的墙体线条特征提取器的第一层的输入为所述多个墙体投影图像。3.根据权利要求2所述的墙体垂直度检测系统，其特征在于，所述墙体投影线条特征关联模块，包括：上下文语义编码单元，用于使用所述基于转换器模块的上下文编码器对所述多个墙体投影线条特征向量进行基于全局的上下文语义编码以得到多个墙体投影线条特征向量；以及级联单元，用于将所述多个墙体投影线条特征向量进行级联以得到所述墙体投影线条间关联特征向量。4.根据权利要求3所述的墙体垂直度检测系统，其特征在于，所述太阳照射角度关联编码模块，包括：第一尺度特征提取单元，用于将所述角度输入向量输入所述角度间关联特征提取器的第一卷积神经网络模型以得到第一尺度照射角度特征向量，其中，所述第一卷积神经网络模型具有第一尺度的一维卷积核；第二尺度特征提取单元，用于将所述角度输入向量输入所述角度间关联特征提取器的第二卷积神经网络模型以得到第二尺度照射角度特征向量，其中，所述第二卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及级联单元，用于将所述第一尺度照射角度特征向量和所述第二尺度照射角度特征向量进行级联以得到所述多尺度照射角度关联特征向量。5.根据权利要求4所述的墙体垂直度检测系统，其特征在于，所述特征融合模块，用于：以如下融合公式融合所述墙体投影线条间关联特征向量和所述多尺度照射角度关联特征向量以得到分类特征向量；其中，所述融合公式为：，其中，为所述分类特征向量，为所述墙体投影线条间关联特征向量，为所述多尺度照射角度关联特征向量，表示按位置加法，和为用于控制所述墙体投影线条间关联特征向量和所述多尺度照射角度关联特征向量之间的平衡的加权参数。
6.根据权利要求5所述的墙体垂直度检测系统，其特征在于，还包括用于对所述基于卷积神经网络模型的墙体线条特征提取器、所述基于转换器模块的上下文编码器、所述包含第一卷积神经网络模型和第二卷积神经网络模型的角度间关联特征提取器和所述分类器进行训练的训练模块。7.根据权利要求6所述的墙体垂直度检...

【专利技术属性】
技术研发人员：尹喜恩，孟兆刚，陈大鹏，桓伟锋，刘兵，孟雅，王军民，陈燕霞，
申请(专利权)人：河南骏飞建设工程有限公司，
类型：发明
国别省市：