一种智能外墙检测方法与流程
本发明涉及建筑外墙检测,具体而言,涉及一种智能外墙检测方法。
背景技术:
1、建筑外墙作为建筑物的外围护结构,长期暴露于自然环境中,受风荷载、温度应力、材料老化等因素影响,易产生裂缝、空鼓、剥落、渗漏及污染等病害,这些病害不仅影响建筑美观,更可能构成高空坠物安全隐患,对公共安全构成威胁,目前,传统的外墙检测主要依赖人工目视检查、红外热成像仪手持检测或搭建脚手架、使用吊篮进行近距离勘查。这类方法存在以下显著缺陷:人工检测需搭设安全设施,检测周期长,且难以覆盖高层建筑及复杂立面区域;检测人员需高空作业,存在较大的人身安全风险;检测结果多以纸质记录或零散照片存档,缺乏系统性的数据管理与历史对比分析,难以实现病害趋势预测;病害判定依赖检测人员的经验,缺乏统一的量化标准和自动化识别手段,误判、漏判率较高。因此我们对此做出改进,提出一种智能外墙检测方法。
技术实现思路
1、本发明提供了智能外墙检测方法,包括以下步骤:
2、s1、建立项目档案:录入建筑信息并导入建筑图纸,生成项目目录;
3、s2、航线规划:设置飞行参数并自动生成航线,进行航线仿真预览;
4、s3、无人机采集:控制无人机按航线自动飞行,采集可见光图像、红外热成像图像,并记录定位信息;
5、s4、图像传输与存储:实时回传图像,对图像进行质检过滤后存储原始数据;
6、s5、图像处理与拼接:对图像进行预处理,再进行图像拼接,生成正射立面图;
7、s6、ai病害识别:基于拼接后的图像进行裂缝识别、空鼓识别、脱落识别、污染、渗漏识别;
8、s7、病害定位与量化:将病害定位到楼层、立面,计算病害面积,评估严重程度;
9、s8、风险评估与报告:进行风险等级评估,生成检测报告并提供维修建议。
10、作为本申请优选的技术方案,s1中,建筑信息包括建筑物的名称、地址、层高、结构类型、建造年份基础信息;导入的建筑图纸包括建筑cad图纸或bim模型,解析图纸中的楼层分割线、立面边界及关键节点坐标;根据图纸信息自动生成分层分立的检测项目目录树,并将每个立面与对应的建筑楼层、朝向进行关联绑定。
11、作为本申请优选的技术方案,s2还包括:
12、使用地面控制软件规划无人机的飞行路径,确保路径覆盖所有需要监测的区域;
13、设定合适的飞行高度和飞行速度,以确保采集图像的清晰度和覆盖范围;
14、在航线规划过程中,实时显示无人机的检测状态及飞行参数。
15、作为本申请优选的技术方案,s3具体包括:
16、将红外相机、红外热成像仪、超声波传感器、rtk定位模块安装于无人机上;
17、控制无人机按预设航线飞行,同步采集建筑物的可见光图像和红外热成像图像,并记录位置信息及无人机姿态数据;
18、红外相机实时记录外墙表面的温度数据,生成对应的热成像图像,数据存储在相机内置存储设备或通过无线传输至地面控制站。
19、作为本申请优选的技术方案,s4具体包括:
20、通过4g/5g网络将采集到的图像数据实时回传至地面站,传输中断时执行断点续传;
21、对接收到的原始图像及对应的元数据进行分类存储,并执行备份存储。
22、作为本申请优选的技术方案,s5具体包括:
23、对存储的图像依次进行去噪、增强、畸变校正和统一尺寸处理;
24、将图像像素值归一化到[0,1]或[-1,1]范围内,提高模型训练的稳定性和效率;
25、采用旋转、翻转、平移中的一种或多种方式对图像进行数据增强,扩展数据集以提升模型泛化能力;
26、对预处理后的多幅图像进行特征匹配与图像对齐,生成建筑物的正射立面图。
27、作为本申请优选的技术方案,s6具体包括:
28、将正射立面图输入训练好的深度学习模型进行推理,输出各类病害的概率;
29、利用图像识别算法检测外墙上的裂缝、剥落、霉菌和污染问题;
30、结合红外热成像图像的温度分布,分析目标区域的热特性,识别空鼓、裂缝、脱落病害区域。
31、作为本申请优选的技术方案,s7具体包括:
32、根据模型输出的位置信息,计算病害的面积、长度和宽度数值;
33、将病害区域映射至建筑物的楼层位置、立面位置,并结合gps坐标进行空间坐标映射。
34、作为本申请优选的技术方案,s8具体包括:
35、使用机器学习算法对检测到的缺陷进行分类,并评估其严重程度,计算建筑物健康评分;
36、根据历史数据和当前检测结果进行趋势分析,评估病害风险等级;
37、生成包含外墙病害类型、现场图像、位置、面积、分析结论及维修保养建议的外墙健康评估报告,报告支持导出为pdf或excel格式。
38、作为本申请优选的技术方案,还包括:
39、通过图表、热力图、三维模型、病害分布图的形式可视化展示检测数据和分析结果;
40、提供用户交互操作界面,支持数据查询、报告生成和预警管理;
41、根据风险评估结果触发风险预警,并通过短信、邮件和平台消息方式推送预警信息。
42、与现有技术相比,本发明的有益效果:
43、1.本申请从项目建档、航线自动规划、无人机自主采集、图像处理到ai识别与报告生成,形成了完整的数据处理闭环,减少了人工干预,提升了检测效率;结合可见光图像与红外热成像图像,并基于定位信息进行图像拼接生成正射立面图,既保留了表面纹理细节,又揭示了内部温度场异常,克服了单一图像源信息不足的缺陷;
44、2.本申请通过将病害锚定至具体楼层和立面坐标,并利用ai算法计算病害面积及严重程度,实现了检测结果的空间可量化,为后续精准维修提供了数据支撑;
45、3.本申请采用无人机替代人工高空作业,减少了检测人员坠落风险,同时无需搭设脚手架,缩短检测周期,降低了人力与物力成本。
1.一种智能外墙检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的智能外墙检测方法,其特征在于,s1中,建筑信息包括建筑物的名称、地址、层高、结构类型、建造年份基础信息;导入的建筑图纸包括建筑cad图纸或bim模型,解析图纸中的楼层分割线、立面边界及关键节点坐标;根据图纸信息自动生成分层分立的检测项目目录树,并将每个立面与对应的建筑楼层、朝向进行关联绑定。
3.根据权利要求1所述的智能外墙检测方法,其特征在于,s2还包括:
4.根据权利要求1所述的智能外墙检测方法,其特征在于,s3具体包括:
5.根据权利要求1所述的智能外墙检测方法,其特征在于,s4具体包括:
6.根据权利要求1所述的智能外墙检测方法,其特征在于,s5具体包括:
7.根据权利要求1所述的智能外墙检测方法,其特征在于,s6具体包括:
8.根据权利要求1所述的智能外墙检测方法,其特征在于,s7具体包括:
9.根据权利要求1所述的智能外墙检测方法,其特征在于,s8具体包括:
10.根据权利要求1所述的智能外墙检测方法,其特征在于,还包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com