【技术实现步骤摘要】
本专利技术涉及隔墙质量检测领域，尤其涉及基于深度学习实现轻质隔墙的表观质量检测方法及系统。
技术介绍
1、轻质隔墙是指一种使用轻质材料构建的隔墙。它通常由轻质砖、轻钢龙骨和轻质石膏板等材料组成，与传统的实心墙相比，轻质隔墙具有重量轻、施工快、隔音效果好以及可拆卸、调整和重装等优点，用于分割空间、划定房间功能区域，同时也可以用作隔音和防火的功能。
2、目前，轻质隔墙的常用表观质量检测内容包括：墙面平整度、墙体垂直度、表面平滑度以及毛边和破损等方面，而轻质隔墙常是通过使用检测仪器进行测量，如：激光测距仪、水平仪、测斜仪等，这些仪器可以测量墙体的墙面平整度、墙体垂直度等，然而，由于需要使用较多检测仪器实现轻质隔墙的表观质量检测，导致其检测效率较低，因此，需要一种基于深度学习实现轻质隔墙的表观质量检测方法及系统以提高轻质隔墙的表观质量检测效率。
技术实现思路
1、本专利技术提供的基于深度学习实现轻质隔墙的表观质量检测方法及系统，其主要目的在于提高轻质隔墙的表观质量检测效率。
2、为实现上述目的，本专利技术提供的基于深度学习实现轻质隔墙的表观质量检测方法，包括：
3、获取已安装轻质隔墙对应的隔墙表观图像，标记所述隔墙表观图像对应的图像标签，基于所述图像标签，构建所述隔墙表观图像对应的表观图像集；
4、对所述表观图像集进行图像平滑处理，得到平滑图像集，识别所述平滑图像集中图像对应灰度级，并查询所述灰度级对应的像素量，基于所述灰度级和所述像素量，计
5、基于所述表观直方图，计算所述表观直方图中每个灰度级对应的累积分布值；
6、基于所述累积分布值，利用预构建的隔墙表观质检模型对所述隔墙表观图像进行图像区域分割，得到表观分割区域，计算所述表观分割区域中对应的纹理特征值，对所述纹理特征进行聚类处理，得到隔墙表观图像对应的表观质量类别；
7、基于所述表观质量类别，对所述表观分割区域进行质量标记，得到区域质量标记，基于所述区域质量标记，生成所述已安装轻质隔墙对应的表观质检报告。
8、可选地，所述标记所述隔墙表观图像对应的图像标签，包括：
9、对所述隔墙表观图像进行图像调整，得到调整图像；
10、提取所述调整图像中的隔墙区域；识别所述隔墙区域中的隔墙特征；
11、标记所述隔墙特征对应的特征序列；
12、基于所述特征序列，标记所述隔墙表观图像对应的图像标签。
13、可选地，所述基于所述图像标签，构建所述隔墙表观图像对应的表观图像集，包括：
14、标注所述图像标签对应的标签序列；
15、基于所述标签序列，划分所述隔墙表观图像对应的表观图像对；
16、提取所述表观图像对中的表观特征，识别所述表观特征对应的特征向量；基于所述特征向量，构建所述隔墙表观图像对应的表观图像集。
17、可选地，所述对所述表观图像集进行图像平滑处理，得到平滑图像集，包括：
18、将所述表观图像集中的每个图像转换为灰度图像；
19、对所述灰度图像进行图像分割，得到小块图像；
20、计算所述小块图像的局部像素平均值；
21、将所述局部像素平均值作为所述小块图像对应的中心像素值；
22、基于所述中心像素值，将所述小块图像组合成平滑图像；
23、对所述平滑图像进行图像存储，得到平滑图像集。
24、可选地，所述计算所述小块图像的局部像素平均值，包括：
25、利用下述公式计算所述小块图像的局部像素平均值：
26、
27、其中，pj表示所述小块图像的局部像素平均值，m、n分别表示所述小块图像对应的行数和列数，i(i,j)表示所述小块图像中第i行第j列的像素值。
28、可选地，所述基于所述灰度级和所述像素量，计算所述表观图像集对应的表观直方图，包括：
29、利用下述公式计算所述表观图像集对应的表观直方图：
30、
31、其中，c(gk)表示所述表观图像集中像素的出现次数，gk表示所述灰度级，n表示所述像素量，i表示所述表观图像集，i表示所述表观图像集中的像素索引，p(gk)表示对每个所述灰度级的像素出现次数进行归一化处理得到的归一化频率，h(gk)表示所述表观图像集对应的表观直方图。
32、可选地，所述基于所述表观直方图，计算所述表观直方图中每个灰度级对应的累积分布值，包括：
33、利用下述公式计算所述表观直方图中每个灰度级对应的累积分布值：
34、
35、其中，s(gk)是指所述表观直方图中的像素数量累积和，gk表示所述灰度级，k表示所述灰度级的索引，h(gk)表示所述表观直方图，n表示所述表观直方图中的总像素数量，l表示所述灰度级的总数，d(gk)表示所述表观直方图中每个灰度级对应的累积分布值。
36、可选地，所述计算所述表观分割区域中对应的纹理特征值，包括：识别所述表观分割区域中对应的灰度值和平均灰度值；
37、首先，利用下述公式计算所述灰度值和所述平均灰度值之间的差异值：
38、di(x,y)＝e(x,y)-μi
39、其中，di(x,y)表示所述表观分割区域对应区域i中像素(x,y)的差异值，e(x,y)表示所述表观分割区域对应图像中像素(x,y)的灰度值，μi表示所述平均灰度值；
40、其次，利用下述公式计算所述差异值对应的标准差：
41、
42、其中，σi表示所述差异值对应的标准差，w、h分别表示所述表观分割区域对应图像的宽度和高度，(x,y)表示表示所述表观分割区域对应图像的像素位置；
43、进一步地，利用下述公式计算所述表观分割区域对应的灰度差异均值：
44、
45、其中，m表示所述表观分割区域对应的灰度差异均值，n表示所述表观分割区域对应的区域数量，μi表示第i个区域的平均灰度值，μj表示第j个区域的平均灰度值；
46、最后，利用下述公式计算所述表观分割区域中对应的纹理特征值：
47、
48、其中，f表示所述表观分割区域中对应的纹理特征值，(σi/(1+m))表示对每个区域的标准差进行归一化。
49、可选地，所述基于所述表观质量类别，对所述表观分割区域进行质量标记，得到区域质量标记，包括：
50、识别所述表观质量类别对应的质量标准；
51、基于所述质量标准，提取所述表观分割区域中的区域特性；
52、基于所述区域特性，计算所述表观分割区域对应的质量得分；
53、基于所述质量得分，对所述表观分割区域进行质量标记，得到区域质量标记。
54、为了解决上述问题，本专利技术还提供基于深度学习实现轻质隔墙的表观质量检测系统，本文档来自技高网...
【技术保护点】
1.基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述标记所述隔墙表观图像对应的图像标签，包括：
3.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述基于所述图像标签，构建所述隔墙表观图像对应的表观图像集，包括：
4.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述对所述表观图像集进行图像平滑处理，得到平滑图像集，包括：
5.如权利要求4所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述计算所述小块图像的局部像素平均值，包括：
6.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述基于所述灰度级和所述像素量，计算所述表观图像集对应的表观直方图，包括：
7.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述基于所述表观直方图，计算所述表观直方图中每个灰度级对应的累积分布值，包括：
8.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述计算所述表观分割区域中对应的纹理特征值，包括：识别所述表观分割区域中对应的灰度值和平均灰度值；
9.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述基于所述表观质量类别，对所述表观分割区域进行质量标记，得到区域质量标记，包括：
10.基于深度学习实现轻质隔墙的表观质量检测系统，其特征在于，用于执行如权利要求1-9中任意一项所述的基于深度学习实现轻质隔墙的表观质量检测方法，所述系统包括：
...【技术特征摘要】
1.基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述标记所述隔墙表观图像对应的图像标签，包括：
3.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述基于所述图像标签，构建所述隔墙表观图像对应的表观图像集，包括：
4.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述对所述表观图像集进行图像平滑处理，得到平滑图像集，包括：
5.如权利要求4所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述计算所述小块图像的局部像素平均值，包括：
6.如权利要求1所述的基于深度学习实现轻质隔墙的表观质量检测方法，其特征在于，所述基于所述灰度...
【专利技术属性】
技术研发人员：杭世杰，朱东烽，潘健明，黄炳森，钟海健，陈瞭宇，何志斌，王裕良，黄银坚，陈焕，梁作波，梁菲，
申请(专利权)人：广东筠诚建筑科技有限公司，
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。