【技术实现步骤摘要】
本专利技术涉及智能检测，具体涉及一种建筑外墙脱落的智能检测方法及系统。
技术介绍
1、随着大学城的不断扩建和人数的增加，高校房屋建筑存在的问题日益突出。一般来说学校教学楼的使用寿命为30-50年左右，而大部分高校的宿舍楼和教学楼都建于上世纪，使用寿命已达到甚至超过预计年限，这导致许多建筑物出现老化、开裂、空鼓、面砖脱落等破坏。各校外墙砖脱落砸伤人等意外事故屡见不鲜，这对教师和学生的人身安全造成严重威胁。因此对校园楼栋外墙饰面层进行定期检测十分必要，而如何快速简便地排除这种安全隐患成为防止此类事件继续发生的关键。
2、目前，常用的检测方式包括目测法和锤击法等，但是这类方法存在依赖脚手架或吊车，成本高、周期长、效率低等缺点；利用红外热像检测可通过对墙面外部温度的变化进行分析判断，但容易受观测距离、仰角的限制以及外立面材料材质、颜色的影响，误差及不确定度较高；利用计算机视觉法检测能够快速对大量数据进行分析处理，从而节省时间和资源，但计算机视觉技术受光照和视角的影响仍会造成较大的误差。面对复杂的建筑物外立面损伤检测领域，以上方法显然已难以适应发展趋势的新需求。
3、因此，如何对建筑外墙的脱落情况进行精准高效的检测成为当前领域工作人员急需解决的问题。
技术实现思路
1、有鉴于此，有必要提供一种建筑外墙脱落的智能检测方法及系统，以达到对建筑外墙的脱落情况进行精准高效的检测的目的。
2、为了解决实现上述目的，本专利技术提供了一种建筑外墙脱落的智能检测方法，包括
3、采集建筑体表面图像数据，提取建筑体外立面特征，基于建筑体外立面特征制定无人机的飞机轨迹；
4、控制无人机按照飞行轨迹进行飞行，并进行数据采集，得到外立面红外图像数据和外立面视觉图像数据；
5、基于红外热成像分析模型对外立面红外图像数据进行分析，若存在威胁，则筛选出红外威胁区域，并确定红外威胁区域位置数据；
6、基于视觉分析模型对外立面视觉图像数据进行分析和处理，若存在危险，则筛选出视觉危险区域，对剔除干扰区域的视觉危险区域进行二次判断，得到危险数据，危险数据包括脱落危险区域数据及脱落危险区域位置数据；
7、输出危险数据并发出预警信号。
8、在一种可能的实现方式中，采集建筑体表面图像数据，提取建筑体外立面特征，基于建筑体外立面特征制定无人机的飞机轨迹，包括：
9、采集建筑体表面图像数据，提取建筑体外立面特征；
10、基于建筑体外立面特征将建筑体外立面划分为若干矩形区域；
11、对矩形区域进行障碍物剔除处理，获取目标矩形区域；
12、基于网格方式建立遍历目标矩形区域的无人机飞行轨迹。
13、在一种可能的实现方式中，外立面图像数据基于搭载于无人机上的红外摄像组件和视觉摄像组件获取。
14、在一种可能的实现方式中，红外热成像分析模型为基于支持向量机算法的深度学习模型，支持向量机的核函数为径向基核函数。
15、在一种可能的实现方式中，基于视觉分析模型对外立面视觉图像数据进行分析和处理，对剔除干扰区域的威胁区域进行二次判断，得到危险数据，包括：
16、对外立面视觉图像数据进行筛选处理，去掉清晰度低于预设阈值的外立面视觉图像数据，得到第一视觉图像数据；
17、对第一视觉图像数据进行滤波和增强处理，得到第二视觉图像数据；
18、对第二视觉图像数据进行特征提取，得到视觉危险区域，剔除视觉危险区域中的干扰区域，得到第三视觉图像数据；
19、对第三视觉图像数据中的视觉危险区域进行二次判断，得到危险数据。
20、在一种可能的实现方式中，对第一视觉图像数据进行滤波和增强处理，得到第二视觉图像数据，包括：
21、基于自适应平滑滤波对第一视觉图像数据进行滤波处理；
22、基于直方图灰度拉伸法对第一视觉图像数据进行对比度增强处理，得到第二视觉图像数据。
23、在一种可能的实现方式中，对第二视觉图像数据进行特征提取，剔除威胁区域中的干扰区域，得到第三视觉图像数据，包括：
24、基于图像边缘检测法对第二视觉图像数据进行特征提取，基于曲线特征提取法剔除视觉危险区域中的干扰区域，得到第三视觉图像数据。
25、在一种可能的实现方式中，基于曲线特征提取法剔除视觉危险区域中的干扰区域，包括：
26、基于图像细化算法获取第二视觉图像中的裂缝骨架，利用图像闭运算去除裂缝骨架中的毛刺区域和断裂区域，得到目标裂缝骨架；
27、提取目标裂缝骨架的像素坐标，基于目标裂缝骨架像素坐标计算线性特征拟合方程；
28、利用曲率对线性特征拟合方程进行判断，得到视觉危险区域，去除目标裂缝骨架中的直线干扰区域，得到第三视觉图像数据。
29、在一种可能的实现方式中，对第三视觉图像数据中的视觉危险区域进行二次判断，得到危险数据，包括：
30、基于红外威胁区域对第三视觉图像数据中的视觉危险区域进行二次判断，以对红外威胁区域和视觉危险区域的差异区域进行判断，得到危险数据。
31、为了实现上述目的，本专利技术还提供了一种建筑外墙脱落的智能检测系统，包括：
32、飞行轨迹规划模块，用于采集建筑体表面图像数据，提取建筑体外立面特征，基于建筑体外立面特征制定无人机的飞机轨迹；
33、数据采集模块，用于控制无人机按照飞行轨迹进行飞行，并进行数据采集，得到外立面红外图像数据和外立面视觉图像数据；
34、红外热成像分析模块，用于基于红外热成像分析模型对外立面红外图像数据进行分析，若存在威胁，则筛选出红外威胁区域，并确定红外威胁区域位置数据；
35、视觉分析模块，用于基于视觉分析模型对外立面视觉图像数据进行分析和处理，若存在危险，则筛选出危险区域，对剔除干扰区域的视觉危险区域进行二次判断，得到危险数据，危险数据包括脱落危险区域数据及脱落危险区域位置数据；
36、输出模块，用于输出危险数据并发出预警信号。
37、采用上述实施例的有益效果为：采集建筑体表面图像数据，提取建筑体外立面特征，基于建筑体外立面特征制定无人机的飞机轨迹；控制无人机按照飞行轨迹进行飞行，并进行数据采集，得到外立面红外图像数据和外立面视觉图像数据；基于红外热成像分析模型对外立面红外图像数据进行分析，筛选出红外威胁区域，并确定红外威胁区域位置数据；基于视觉分析模型对外立面视觉图像数据和红外威胁区域位置数据进行分析和处理，对剔除干扰区域的视觉危险区域进行二次判断，得到危险数据；输出危险数据并发出预警信号。本专利技术能够对建筑外墙进行多角度、全覆盖、近距离的脱落检测，以便工作人员能够对建筑外墙进行综合分析并采取预防措施，避免安全事故的发生。
本文档来自技高网...【技术保护点】
1.一种建筑外墙脱落的智能检测方法，其特征在于，包括：
2.根据权利要求1所述的建筑外墙脱落的智能检测方法，其特征在于，所述采集建筑体表面图像数据，提取建筑体外立面特征，基于所述建筑体外立面特征制定无人机的飞机轨迹，包括：
3.根据权利要求1所述的建筑外墙脱落的智能检测方法，其特征在于，所述外立面图像数据基于搭载于无人机上的红外摄像组件和视觉摄像组件获取。
4.根据权利要求1所述的建筑外墙脱落的智能检测方法，其特征在于，所述红外热成像分析模型为基于支持向量机算法的深度学习模型，所述支持向量机的核函数为径向基核函数。
5.根据权利要求1所述的建筑外墙脱落的智能检测方法，其特征在于，所述基于视觉分析模型对所述外立面视觉图像数据进行分析和处理，若存在危险，则筛选出视觉危险区域，基于所述红外威胁区域对对剔除干扰区域的危险区域进行二次判断，得到危险数据，包括：
6.根据权利要求5所述的建筑外墙脱落的智能检测方法，其特征在于，所述对所述第一视觉图像数据进行滤波和增强处理，得到第二视觉图像数据，包括：
7.根据权利要求5所
8.根据权利要求7所述的建筑外墙脱落的智能检测方法，其特征在于，所述基于曲线特征提取法剔除所述视觉危险区域中的干扰区域，包括：
9.根据权利要求5所述的建筑外墙脱落的智能检测方法，其特征在于，所述对所述第三视觉图像数据中的视觉危险区域进行二次判断，得到危险数据，包括：
10.一种建筑外墙脱落的智能检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种建筑外墙脱落的智能检测方法，其特征在于，包括：
2.根据权利要求1所述的建筑外墙脱落的智能检测方法，其特征在于，所述采集建筑体表面图像数据，提取建筑体外立面特征，基于所述建筑体外立面特征制定无人机的飞机轨迹，包括：
3.根据权利要求1所述的建筑外墙脱落的智能检测方法，其特征在于，所述外立面图像数据基于搭载于无人机上的红外摄像组件和视觉摄像组件获取。
4.根据权利要求1所述的建筑外墙脱落的智能检测方法，其特征在于，所述红外热成像分析模型为基于支持向量机算法的深度学习模型，所述支持向量机的核函数为径向基核函数。
5.根据权利要求1所述的建筑外墙脱落的智能检测方法，其特征在于，所述基于视觉分析模型对所述外立面视觉图像数据进行分析和处理，若存在危险，则筛选出视觉危险区域，基于所述红外威胁区域对...
【专利技术属性】
技术研发人员：沈鑫阳，张红红，李新萍，熊俊俏，
申请(专利权)人：武汉工程大学，
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。