一种基于端云协同的建筑损伤快速识别方法及系统

本发明属于智能建造、结构工程与计算机视觉交叉，尤其涉及一种基于端云协同的建筑损伤快速识别方法及系统。

背景技术：

1、近年来，建筑结构在自然灾害中的损伤评估一直是建筑安全管理领域中的关键问题，尤其是在地震、洪水、风暴等灾害发生后，如何快速、准确地评估建筑损伤，成为保障人员生命财产安全、有效进行灾后重建的迫切需求。传统的建筑损伤检测主要依赖人工巡检，这种方式不仅费时费力，还存在较大的主观性，检测结果难以量化，并且无法满足灾后快速评估的需求。针对这一问题，近年来，随着智能建造技术的发展，计算机视觉、图像处理和深度学习等技术被逐渐应用于建筑损伤检测，尤其是在裂缝检测和几何尺寸量测方面。

2、传统的建筑损伤检测方法包括视觉检查、传感器监测和基于图像处理的自动化检测。然而，这些方法都存在一定的局限性。视觉检查依赖于人工判断，存在检测效率低和结果主观性强的缺点。基于传感器的监测方法尽管能够提供更为精确的实时数据，但其通常难以全面覆盖建筑物的所有受损区域，且安装成本较高、维护难度大。基于图像处理的自动化检测方法，则多依赖于目标参照物或控制点，但在复杂环境下，如光照变化、背景杂乱、拍摄角度变化等因素影响下，图像的稳定性较差，难以进行稳定的几何尺寸测量。

3、现有的图像处理与计算机视觉技术在建筑损伤识别领域仍面临多重挑战。首先，高质量数据集的匮乏构成了研究瓶颈，目前研究多侧重于目标检测，而针对精细化图像分割的研究相对有限；尤其在裂缝检测方面，现有成果多集中于交通道路，针对复杂建筑结构的应用尚显不足。其次，现有模型的泛化性能受限，难以有效应对建筑类型多样性及复杂环境干扰，导致其在大规模灾后建筑损伤的快速评估中存在显著局限。因此，现有的技术方案在时效性与检测精度上，仍难以完全满足实际抗震救灾的紧迫需求。

4、随着智能手机硬件性能的不断提升，尤其是在图像处理、传感器技术（如陀螺仪、加速度计、gps等）和计算能力方面的突破，为灾后建筑快速检测提供了新的技术路径。智能手机已成为人们日常生活中不可或缺的工具，其强大的硬件性能和普及性使得其成为灾后快速评估的重要手段。利用智能手机搭载的深度学习模型，可以在移动端实现裂缝检测、损伤识别和几何量测等功能，具有较强的环境适应性和应用灵活性。

5、然而，现有的研究多聚焦于损伤的识别与提取，属于“数据采集”阶段。从获取损伤几何参数到生成最终的“结构安全评估报告”，中间仍需依赖大量的人工计算与专业逻辑判断。检测结果无法实时转化为决策建议，导致检测与评估之间存在明显的技术断层，智能化程度不足。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于端云协同的建筑损伤快速识别方法及系统，本发明结合了智能手机端侧感知能力与深度学习模型，能够实现从损伤类型识别、裂缝像素级分割到几何尺寸测量的全流程自动化，提升了建筑损伤检测的效率与精度。同时，借助云端计算和大语言模型的支持，实现了实时数据上传与结构安全评估，从而形成了完整的端侧快速检测—云端智能评估协同工作模式。

2、为实现上述目的，本发明提供了一种基于端云协同的建筑损伤快速识别方法，包括：

3、获取历史建筑损伤图像数据集，基于所述历史建筑损伤图像数据集，构建损伤类型识别模型和裂缝精细分割模型；

4、采集待检测建筑构件的现场损伤图像；

5、将所述待检测建筑构件的现场损伤图像分别输入所述损伤类型识别模型和裂缝精细分割模型，获取损伤区域掩膜和裂缝二值掩膜；

6、基于所述损伤区域掩膜和裂缝二值掩膜，获取损伤识别结果。

7、可选的，获取历史建筑损伤图像数据集，基于所述历史建筑损伤图像数据集，构建损伤类型识别模型和裂缝精细分割模型包括：

8、获取历史建筑损伤图像数据集，所述数据集包括建筑构件表面损伤图像及其对应的损伤标注文件，所述损伤标注文件包括裂缝、剥落、露筋、破损中的至少一种损伤类别标注；

9、对所述历史建筑损伤图像数据集进行预处理；

10、以预处理后的损伤图像作为输入，以多类别损伤标注图作为监督标签训练初始损伤类型识别模型，以裂缝二值掩膜作为监督标签训练初始裂缝精细分割模型；

11、对训练完成的损伤类型识别模型和裂缝精细分割模型进行轻量化处理，获取损伤类型识别模型和裂缝精细分割模型。

12、可选的，采集待检测建筑构件的现场损伤图像还包括：

13、同步记录构件信息，并在所述现场损伤图像中布置已知实际长度的参照直线；

14、根据所述参照直线的实际长度与像素长度计算像素尺寸与实际物理尺寸之间的转换比例系数。

15、可选的，将所述待检测建筑构件的现场损伤图像分别输入所述损伤类型识别模型和裂缝精细分割模型，获取损伤区域掩膜和裂缝二值掩膜包括：

16、将所述现场损伤图像调整至模型预设输入尺寸并进行像素归一化处理；

17、利用所述损伤类型识别模型对归一化后的图像进行推理，输出每个像素点属于各损伤类别的概率，取概率最大对应的类别作为对应像素点的预测损伤类别，获取预设输入尺寸下的损伤区域掩膜；

18、利用所述裂缝精细分割模型对归一化后的图像进行推理，输出裂缝二值预测掩膜；

19、根据尺寸调整参数对所述损伤区域掩膜和裂缝二值掩膜进行逆变换，采用最近邻插值将掩膜还原至原始图像尺寸。

20、可选的，所述识别方法还包括：

21、根据所述损伤识别结果构建检索查询信息，调用损伤评估知识库进行相似文本检索和规则匹配，得到知识文本集合和评估规则集合；

22、基于所述评估规则集合进行规则匹配和阈值判断生成初步损伤评估结果，并将所述初步损伤评估结果、知识文本集合和预设输出格式输入大语言模型，生成损伤评估报告；

23、将所述损伤评估报告与现场损伤图像、损伤区域掩膜、裂缝二值掩膜及损伤量化结果进行关联展示。

24、可选的，生成损伤评估报告包括：

25、对所述损伤识别结果进行特征整理，形成包含构件类型、损伤类别、损伤位置、裂缝宽度、裂缝长度、损伤面积和模型识别置信度的损伤评估特征向量；

26、根据所述损伤评估特征向量生成检索查询信息，调用损伤评估知识库进行相似文本检索和规则匹配，得到与当前构件类型、损伤类别和损伤量化指标相对应的知识文本集合和评估规则集合；

27、根据所述损伤评估特征向量和评估规则集合进行规则匹配和阈值判断，获取所述初步损伤评估结果；

28、将所述初步损伤评估结果、知识文本集合和预设输出格式构造成报告生成输入信息，输入大语言模型进行文本组织、条文摘要和报告格式化处理，生成损伤评估报告，所述大语言模型不独立改变由规则匹配和阈值判断得到的损伤等级、损伤量化指标和人工复核标记。

29、可选的，根据所述损伤评估特征向量和评估规则集合进行规则匹配和阈值判断包括：

30、当模型识别置信度不低于预设置信度阈值且评估规则匹配度不低于预设匹配阈值时，生成包含损伤等级、主要损伤类型、损伤量化指标、规则匹配依据、风险提示、人工复核建议和维修加固建议的初步损伤评估结果；

31、当模型识别置信度低于预设置信度阈值或评估规则匹配度低于预设匹配阈值时，输出待人工复核标记及相应复核建议。

32、本发明还提供了一种基于端云协同的建筑损伤快速识别系统，包括：模型构建模块、图像采集模块、图像处理模块和结果输出模块；

33、所述模型构建模块，用于获取历史建筑损伤图像数据集，基于所述历史建筑损伤图像数据集，构建损伤类型识别模型和裂缝精细分割模型；

34、所述图像采集模块，用于采集待检测建筑构件的现场损伤图像；

35、所述图像处理模块，用于将所述待检测建筑构件的现场损伤图像分别输入所述损伤类型识别模型和裂缝精细分割模型，获取损伤区域掩膜和裂缝二值掩膜；

36、所述结果输出模块，用于基于所述损伤区域掩膜和裂缝二值掩膜，获取损伤识别结果。

37、可选的，所述系统还包括：损伤评估模块和损伤可视化模块；

38、所述损伤评估模块，用于根据所述损伤识别结果构建检索查询信息，调用损伤评估知识库进行相似文本检索和规则匹配，得到知识文本集合和评估规则集合；基于所述评估规则集合进行规则匹配和阈值判断生成初步损伤评估结果，并将所述初步损伤评估结果、知识文本集合和预设输出格式输入大语言模型，生成损伤评估报告；

39、所述损伤可视化模块，用于将所述损伤评估报告与现场损伤图像、损伤区域掩膜、裂缝二值掩膜及损伤量化结果进行关联展示。

40、与现有技术相比，本发明具有如下优点和技术效果：

41、第一，移动端能够在现场完成损伤识别、裂缝分割和几何参数量化，不再仅依赖云端完成全部图像识别任务，提高了现场响应速度；

42、第二，系统通过尺寸标定参数将像素级识别结果转换为实际物理尺寸，能够输出裂缝长度、裂缝宽度、损伤面积等量化参数，使检测结果更适合用于工程评估；

43、第三，云端损伤评估中心结合损伤评估知识库和大语言模型生成损伤等级、风险提示和维修加固建议，使图像识别结果能够进一步转化为具有工程意义的评估结论；

44、第四，系统形成“移动端现场采集—端侧识别量化—云端知识增强评估—移动端结果展示”的闭环流程，可用于灾后建筑损伤快速筛查和应急决策支持。