一种基于人工智能的建筑物结构缺陷检测方法技术

本发明专利技术公开了一种基于人工智能的建筑物结构缺陷检测方法，其涉及缺陷检测技术领域，其包括以下步骤：步骤(1)：对建筑物开展无人机飞行，获取建筑物结构图片；步骤(2)：利用预先训练好的人工智能模型对建筑物结构图片进行缺陷识别和预测，输出预测结果；步骤(3)：统计预测结果，生成缺陷检测报告，该缺陷检测报告，包括图片的总数量，含缺陷图片的数量，每种类型缺陷的图片数量及对应的缺陷图片编号，本发明专利技术能够较准确的识别出多类型建筑物结构中的裂纹、脱落等缺陷，并在像素级定位出缺陷的形态大小和位置，能够克服人工检测的缺点。能够克服人工检测的缺点。能够克服人工检测的缺点。

【技术实现步骤摘要】
一种基于人工智能的建筑物结构缺陷检测方法


[0001]本专利技术涉及缺陷检测技术
，尤其涉及一种基于人工智能的建筑物结构缺陷检测方法。

技术介绍

[0002]建筑的结构包含各种梁、板、墙体结构，组成建筑物结构的常见材料有混泥土、水泥、瓷砖、岩石、聚合物、石灰等。随着使用时间的延长，环境和使用条件等因素使得这些种类多样的建筑物结构中产生了各种形态的缺陷，常见的缺陷如混泥土开裂、岩石墙体开裂、瓷砖破裂、瓷砖脱落、混泥土损坏脱落、石灰墙剥离、聚合物保温层脱落等，这些缺陷给建筑物的使用安全性带来了极大的隐患，严重影响了建筑物的使用寿命和功能。
[0003]传统的建筑物缺陷检测方法主要依靠人工视觉检测。这种方法不仅需要耗费大量的人力和时间成本，而且很多特殊的场所人工视觉无法检测。同时人工视觉的方法严重依靠检测者的经验，准确性不高。更重要的人工检测方法也会产生一些安全风险。近些年，基于人工智能的建筑物缺陷检测方法发展迅速。通过收集建筑物缺陷的图片，利用获取的缺陷图片建立人工智能模型进行训练，通过训练好的人工智能模型结合无人机等工具，实现建筑物缺陷的自动化检测。此种方法可以克服传统人工视觉方法准确率低、人力和时间成本高的缺点，同时避免了检测过程中可能出现的人工安全风险。
[0004]然而现阶段基于人工智能的建筑物缺陷检测方法较多采用目标识别进行裂纹检测、或者对某一局部建筑物进行缺陷检测，还不能较好的完成多类型缺陷、呈现复杂背景的多种类建筑物结构的缺陷检测。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的上述缺陷，提供了一种基于人工智能的建筑物结构缺陷检测方法，其能够较准确的识别出多类型建筑物结构中的裂纹、脱落等缺陷，并在像素级定位出缺陷的形态大小和位置，能够克服人工检测的缺点。
[0006]为实现上述目的，本专利技术提供了一种基于人工智能的建筑物结构缺陷检测方法，包括以下步骤：
[0007]步骤(1)：对建筑物开展无人机飞行，获取建筑物结构图片；
[0008]步骤(2)：利用预先训练好的人工智能模型对建筑物结构图片进行缺陷识别和预测，输出预测结果；
[0009]步骤(3)：统计预测结果，生成缺陷检测报告。
[0010]上述技术方案中，所述步骤(2)中预先训练好的人工智能模型为基于深度神经网络的图像分割模型，对缺陷的识别和预测是在图像像素级进行。
[0011]上述技术方案中，所述步骤(2)中预先训练好的人工智能模型包含以下步骤：
[0012]步骤(2.1)：收集建筑物结构缺陷图片；
[0013]步骤(2.2)：对建筑物缺陷图片进行标记；
[0014]步骤(2.3)：根据建筑物缺陷图片开展人工智能模型的预训练；
[0015]步骤(2.4)：开展人工智能模型的测试，若检测准确率达不到目标值则进一步训练优化；若检测准确率达到目标值，则停止训练。
[0016]上述技术方案中，所述步骤(2.3)中根据建筑物缺陷图片开展人工智能模型的预训练，其中人工智能模型预训练中以Unet架构为基础架构。
[0017]上述技术方案中，所述步骤(2.3)中根据建筑物缺陷图片开展人工智能模型的预训练，其中，人工智能模型预训练中以Dice Loss(DL)为优化的损失函数，具体为：
[0018][0019]其中A为目标像素点，B为预测值。
[0020]上述技术方案中，所述步骤(2.3)中根据建筑物缺陷图片开展人工智能模型的预训练，其中，人工智能模型预训练中以Intersection over Union(IoU)为评价的metrics，具体为：
[0021][0022]其表示目标像素点和预测值的交集除以两个的并集。
[0023]上述技术方案中，所述步骤(2.4)中若检测准确率达不到目标值则进一步优化训练，其中检测准确率目标值结合召回和精度共同评价。
[0024]上述技术方案中，所述步骤(2)中利用预先训练好的人工智能模型对建筑物结构图片进行缺陷识别和预测，包括识别和预测混凝土开裂、岩石墙体开裂、瓷砖破裂、混凝土剥离脱落、瓷砖脱粘脱落、抹灰墙体剥离脱落、建筑物结构中的裂纹和脱落缺陷。
[0025]上述技术方案中，所述步骤(3)中统计预测结果，生成缺陷检测报告，包括图片的总数量，含缺陷图片的数量，每种类型缺陷的图片数量及对应的缺陷图片编号。
[0026]与现有技术相比，本专利技术的有益效果在于：
[0027]本技术方案训练好的人工智能模型对建筑物结构图片进行缺陷识别和预测是在像素级进行的，图3中为预测的混凝土墙体裂纹，瓷砖墙开裂和岩石墙体结构开裂，其中对裂纹的预测实在图片像素级进行了缺陷识别和预测，可以很好得识别裂纹缺陷、预测其位置和形态，图4为预测的瓷砖脱粘脱落和抹灰墙体玻璃脱落，对不同类别的建筑物结构，都可以很好的识别脱落缺陷，预测其大小和位置，并且在图3和图4中所示裂纹和脱落同时存在一张图片中时，模型也能够很好的识别和预测出多类别的缺陷，本技术方案能够较准确的识别出多类型建筑物结构中的裂纹、脱落等缺陷，并在像素级定位出缺陷的形态大小和位置，能够克服人工检测的缺点。
附图说明
[0028]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的前提下，还可以根据这些附图获得其他的附图。
[0029]图1是本专利技术提供的一种基于人工智能的建筑物结构缺陷检测方法的流程示意图；
[0030]图2是本专利技术提供的一种人工智能模型训练的流程图；
[0031]图3是采用本技术方案的人工智能模型预测的裂纹缺陷结果图；
[0032]图4是采用本技术方案的人工智能模型预测的脱落缺陷结果图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]需要说明，本专利技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0035]在本专利技术中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的建筑物结构缺陷检测方法，其特征在于，包括以下步骤：步骤(1)：对建筑物开展无人机飞行，获取建筑物结构图片；步骤(2)：利用预先训练好的人工智能模型对建筑物结构图片进行缺陷识别和预测，输出预测结果；步骤(3)：统计预测结果，生成缺陷检测报告。2.根据权利要求1所述的一种基于人工智能的建筑物结构缺陷检测方法，其特征在于，所述步骤(2)中预先训练好的人工智能模型为基于深度神经网络的图像分割模型，对缺陷的识别和预测是在图像像素级进行。3.根据权利要求2所述的一种基于人工智能的建筑物结构缺陷检测方法，其特征在于，所述步骤(2)中预先训练好的人工智能模型包含以下步骤：步骤(2.1)：收集建筑物结构缺陷图片；步骤(2.2)：对建筑物缺陷图片进行标记；步骤(2.3)：根据建筑物缺陷图片开展人工智能模型的预训练；步骤(2.4)：开展人工智能模型的测试，若检测准确率达不到目标值则进一步训练优化；若检测准确率达到目标值，则停止训练。4.根据权利要求3所述的一种基于人工智能的建筑物结构缺陷检测方法，其特征在于，所述步骤(2.3)中根据建筑物缺陷图片开展人工智能模型的预训练，其中人工智能模型预训练中以Unet架构为基础架构。5.根据权利要求4所述的一种基于人工智能的建筑物结构缺陷检测方法，其特征在于，所述步骤(2.3)中根据建筑物缺陷图片开展人工智能模型的预训练，其中，人...

【专利技术属性】
技术研发人员：周小玲，张丽光，
申请(专利权)人：中新国际联合研究院，
类型：发明
国别省市：