System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无损检测,尤其涉及一种基于无人机与卷积神经网络的既有建筑玻璃幕墙裂纹检测方法及系统。
技术介绍
1、随着高层建筑和摩天大楼数量的不断增加,玻璃幕墙现已遍布全球。长期使用的既有建筑玻璃幕墙可能会带来严重的安全隐患,需要定期监测和维护。传统的人工检测是由专业检测人员用绳子爬上建筑物,寻找裂纹等缺陷。整个检查过程效率低、主观性强且危险。相比之下,带有视觉相机的无人机可以通过图像或视频的形式捕捉玻璃幕墙上的裂纹。卷积神经网络可用于分析此类图像或视频,提取裂纹特征、检测裂纹位置,并最终对裂纹进行像素级分割。结合无人机和卷积神经网络技术开发自动、准确、安全的既有建筑玻璃幕墙裂纹检测方法和系统势在必行。
2、基于无人机与卷积神经网络的既有建筑玻璃幕墙裂纹检测方法,主要包含玻璃幕墙裂纹检测方法,如专利cn116228692a,使用yolov5对无人机拍摄的玻璃幕墙红外图像进行裂痕检测;专利cn115565068a,使用经过剪枝的yolov4对高层建筑玻璃幕墙进行破损检测;专利cn114708195a,使用经典机器学习算法对幕墙进行灰度值比对,以此判断幕墙是否出现损伤。
3、上述具体专利对比文件为:
4、1)、“一种基于深度学习的玻璃幕墙裂痕检测方法、装置和介质”,专利号cn116228692a。该专利公开了一种基于深度学习的玻璃幕墙裂痕检测方法、计算机装置及存储介质,包括使用无人机拍摄玻璃幕墙的红外图像,运行经过训练的yolov5模型,通过yolov5模型对红外图像进行处理获得裂痕识别结果,根据
5、2)、“一种基于轻量型深度卷积神经网络的高层建筑玻璃幕墙破损的全自动检测方法”,专利号cn115565068a。该专利涉及一种基于轻量型深度卷积神经网络的高层建筑玻璃幕墙破损的全自动检测方法,包括构建yolo网络,将yolo网络中的卷积层用依次相连接的扩展卷积、逐通道卷积、逐点卷积和剪枝层进行替换,得到新卷积层,最后将替换完成的yolo网络作为构建的第一检测网络;之后对剪枝层中的待学习参数wi进行稀疏约束以及对第一检测网络中的新卷积层进行剪枝,得到第二检测网络;最后再对第二检测网络中每个bn层的缩放因子向量进行稀疏约束和剪枝,得到第三检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量,实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。本专利技术所使用的卷积神经网络能生成玻璃幕墙裂纹的实例分割掩膜,对比该方法所使用的yolo网络生成的目标检测框,能得到更高精度的裂纹信息。
6、3)、“一种玻璃幕墙安全检测方法、装置及计算机设备”,专利号cn114708195a。该专利提出了一种玻璃幕墙安全检测方法、装置及计算机设备,涉及安全检测
,包括:步骤s101,获取无人机对玻璃幕墙拍摄的全局图像,以建立玻璃幕墙的全局模型;步骤s102,基于所述全局模型规划所述无人机对玻璃幕墙进行局部拍摄的三维航线,以便所述无人机以预定距离进行局部拍摄获得玻璃幕墙的一组局部拍摄图像;步骤s103,获取所述局部拍摄图像,并对所述局部拍摄图像进行拼接处理以获得包含单个幕墙玻璃块的完整图像;步骤s104,根据每个幕墙玻璃块的完整图像确定玻璃幕墙是否有损伤;步骤s105,当判定玻璃幕墙有损伤时,确定玻璃幕墙的损伤位置。该专利提出了一种玻璃幕墙安全检测方法,可避免人工高空作业风险极高和效率低下的问题。本专利技术主要通过卷积神经网络对玻璃幕墙裂纹进行检测,而该专利主要通过经典机器学习算法对比灰度值判断幕墙是否出现损伤,对象与所使用方法都不相同。本专利技术能获得更精准的玻璃幕墙裂纹掩膜,对玻璃幕墙的维护工作,维持玻璃幕墙的使用安全和美观性有更大的帮助。
技术实现思路
1、为解决上述技术问题,本专利技术的目的是提供一种基于无人机与卷积神经网络的既有建筑玻璃幕墙裂纹检测方法及系统。
2、本专利技术的目的通过以下的技术方案来实现:
3、一种既有建筑玻璃幕墙裂纹检测方法,该方法基于无人机与卷积神经网络实现,具体包括以下步骤:
4、步骤a设计无人机飞行路径,使拍摄获得的无人机图像包含全面的玻璃幕墙裂纹特征;
5、步骤b对获得的无人机图像进行标注与数据增强,形成玻璃幕墙裂纹图像数据集;
6、步骤c将形成的玻璃幕墙裂纹图像数据集输入卷积神经网络进行训练。
7、一种既有建筑玻璃幕墙裂纹检测系统,包括可使用5g移动网络的无人机、云端服务器与移动控制终端;
8、5g移动网络的无人机,用于对待检测玻璃幕墙进行拍摄,将拍摄结果通过5g移动网络传送到云端服务器;
9、云端服务器,将接收到的拍摄结果输入到训练好的卷积神经网络,输出玻璃幕墙裂纹检测结果,再通过5g移动网络传送到移动控制终端;
10、移动控制终端,接受到玻璃幕墙裂纹检测结果后,在自带屏幕上进行玻璃幕墙裂纹检测结果显示。
11、与现有技术相比,本专利技术的一个或多个实施例可以具有如下优点:
12、无人机飞行路径设计为特定的“之”字形,通过此种特定路径,使得无人机能够从九个角度对玻璃幕墙裂纹进行拍摄,并获得更全面的玻璃幕墙裂纹特征。玻璃幕墙裂纹图像数据集经过像素级标注与数据增强,进一步增加了训练集的数量,可训练出具有更强通用能力的模型,并能有效避免过度拟合。卷积神经网络中的特征提取模块、感兴趣区域提案模块与玻璃幕墙裂纹分割模块通过改进特征提取、感兴趣区域计算方法与生成高分辨率掩膜的方法提升了最终的玻璃幕墙裂纹检测精度。建立既有建筑玻璃幕墙裂纹检测系统的建立与使用使得检测人员能在地面对玻璃幕墙裂纹进行检测,大大提升了安全性、检测效率与检测精度,具有实际意义和推广价值。
本文档来自技高网...【技术保护点】
1.一种既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述方法基于无人机与卷积神经网络实现,所述方法包括以下步骤:
2.根据权利要求1所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述步骤A中,无人机飞行路径为“之”字形,通过“之”字形路径,无人机从九个角度对玻璃幕墙裂纹进行拍摄,获得玻璃幕墙裂纹特征。
3.根据权利要求1所述既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述步骤B中,玻璃幕墙裂纹图像数据集包含385幅图像,其中325幅图像作为训练集、30幅图像作为测试集以及30幅图像作为验证集;所述图像分辨率均为5472×3648;
4.根据权利要求1所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述步骤C中,所述卷积神经网络包括:特征提取模块、感兴趣区域提案模块与玻璃幕墙裂纹分割模块;
5.根据权利要求4所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述特征提取模块中残差网络由一个残差构件和一个捷径构建而成,该残差构件由三个卷积层组成,大小分别为1×1、3×3和1×1;由三个卷积层输出值累加并通过ReLU激活层获得残差构件模块的输
6.根据权利要求4所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述感兴趣区域提案模块通过感兴趣区域对齐法,使用双线性插值法从特征提取模块所获得的特征图中计算每个采样点的值,并通过选择最大点或平均值计算结果,得到感兴趣区域。
7.根据权利要求1所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述玻璃幕墙裂纹分割模块使用低分辨率的特征图生成低分辨率的粗裂纹掩膜,然后通过两倍双线性插值对粗裂缝掩模进行上采样,再利用上采样裂纹掩模的特征和特征提取模块的特征图,通过小型全连接网络对每个点进行独立预测;不断重复上述过程,直至达到最终分辨率,以完善粗裂纹掩模并生成高分辨率的裂纹掩模。
8.根据权利要求1所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述步骤C中卷积神经网络训练包括卷积神经网络构建、卷积神经网络超参数设置与卷积神经网络训练评价指标;
9.一种既有建筑玻璃幕墙裂纹检测系统,其特征在于,包括可使用5G移动网络的无人机、云端服务器与移动控制终端;
...【技术特征摘要】
1.一种既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述方法基于无人机与卷积神经网络实现,所述方法包括以下步骤:
2.根据权利要求1所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述步骤a中,无人机飞行路径为“之”字形,通过“之”字形路径,无人机从九个角度对玻璃幕墙裂纹进行拍摄,获得玻璃幕墙裂纹特征。
3.根据权利要求1所述既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述步骤b中,玻璃幕墙裂纹图像数据集包含385幅图像,其中325幅图像作为训练集、30幅图像作为测试集以及30幅图像作为验证集;所述图像分辨率均为5472×3648;
4.根据权利要求1所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述步骤c中,所述卷积神经网络包括:特征提取模块、感兴趣区域提案模块与玻璃幕墙裂纹分割模块;
5.根据权利要求4所述的既有建筑玻璃幕墙裂纹检测方法,其特征在于,所述特征提取模块中残差网络由一个残差构件和一个捷径构建而成,该残差构件由三个卷积层组成,大小分别为1×1、3×3和1×1;由三个卷积层输出值累加并通过relu...
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。