基于机器视觉的幕墙门窗气密性能评价方法及系统与流程

1.本发明涉及机器视觉领域，具体涉及一种基于机器视觉的幕墙门窗气密性能评价方法及系统。


背景技术：

2.如果幕墙门窗没有正确的安装，在夏天会导致冷风泄露，热气倒灌，在冬天则会导致冷风倒灌，暖气泄漏的情况发生，由此则会造成采暖或制冷系统系统负荷升高，运行成本增加，这种问题称之为“建筑气密性”缺陷。
3.现有的对门窗进行气密性评价的方法是，基于深度神经网络对幕墙门窗的热成像进行处理，确定冷区，根据冷区的面积占比评价门窗的气密性；这种方法受热成像设备的分辨率和门窗其他结构的影响较大，因此，门窗气密性的评价结果不准确。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于机器视觉的幕墙门窗气密性能评价方法及系统，所采用的技术方案具体如下：
5.第一方面，本发明一个实施例提供了一种基于机器视觉的幕墙门窗气密性能评价方法，该方法包括以下具体步骤：
6.利用热成像双光谱相机获取门窗图像；基于像素点的温度和像素点与门窗边缘的距离确定若干漏风点；
7.对于每个漏风点对应的每个邻近区域，在邻近区域内寻找被漏风点所影响的像素点；基于像素点的像素位置和温度确定每个寻找到的像素点对应的三维点，对三维点进行拟合，得到椭圆锥面；每个邻近区域对应一个椭圆锥面；
8.对于每个漏风点，获取该漏风点每个邻近区域对应的椭圆锥面，根据漏风点与各个椭圆锥面间的距离计算该漏风点的漏风程度；
9.根据每个漏风点的漏风程度进行幕墙门窗气密性能评价。
10.进一步地，基于像素点的温度和像素点与门窗边缘的距离确定若干漏风点，具体为：
[0011][0012]
pi为第i个像素点的评分；gi表示第i个像素点的温度，max(g)表示门窗图像中像素点温度的最大值；di表示第i个像素点与门窗边缘间的最短距离；
[0013]
根据各个像素点的评分确定漏风点。
[0014]
进一步地，对于一个漏风点对应的一个邻近区域，在邻近区域内寻找被漏风点所影响的像素点，具体为：
[0015]
邻近区域内每个像素点与漏风点间的距离、温度差，分别为横坐标d、纵坐标td，得到多个点，对多个点进行聚类，点到直线td＝d的平均距离最小的簇中的点对应的像素点为
被漏风点所影响的像素点。
[0016]
进一步地，在邻近区域内寻找被漏风点所影响的像素点后，计算寻找到的像素点的可信度：
[0017]
基于寻找到的像素点与漏风点间的距离、温度差，利用主成分分析法获取寻找到的像素点的分布方向，基于分布方向计算所述可信度，具体地：
[0018][0019]
r为寻找到的像素点的可信度，r大于等于预设可信度阈值时，寻找到的像素点可信；λ1和λ2为基于主成分分析法得到的特征值，(u,v)为max(λ1,λ2)对应的特征向量。
[0020]
进一步地，r小于预设可信度阈值时，需要调整聚类参数，重新聚类。
[0021]
进一步地，所述漏风程度的获取具体为：每个椭圆锥面对应一个可信度，可信度为权重，漏风点与各个椭圆锥面间的距离进行加权平均后得到漏风点的漏风程度。
[0022]
第二方面，本发明另一个实施例提供了一种基于机器视觉的幕墙门窗气密性能评价系统，该系统具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于机器视觉的幕墙门窗气密性能评价方法的步骤。
[0023]
本发明实施例至少具有如下有益效果：本发明基于漏风点的影响范围进行门窗气密性的评价，其评价结果准确，且评价结果不受复杂门窗结构的影响。
具体实施方式
[0024]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合较佳实施例，对依据本发明提出的一种基于机器视觉的幕墙门窗气密性能评价方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0025]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0026]
本发明实施例以下面的应用场景为例对本发明进行说明：
[0027]
该应用场景为：幕墙门窗安装完成之后，或幕墙门窗经过多年使用之后，确定幕墙门窗的保温性能，判断幕墙门窗是否安装正确，或者是否需要修缮、更换幕墙门窗。
[0028]
本发明一个实施例提供了一种基于机器视觉的幕墙门窗气密性能评价方法，该方法包括以下步骤：
[0029]
步骤s1，利用热成像双光谱相机获取门窗图像；基于像素点的温度和像素点与门窗边缘的距离确定若干漏风点。
[0030]
具体地，在室内，使用热成像双光谱相机采集门窗图像，相机的光轴尽量垂直于幕墙门窗平面，热成像双光谱相机是指，相机可以同时获取门窗的彩色图像(包括rgb三个通道)和红外热度图像(一个通道)共四个通道。
[0031]
若获取门窗图像的时间为夏季，则基于原始获得的红外热度图执行后续步骤；若获取门窗图像的时间在冬季，则对红外热度图像进行反相处理，得到新的红外热度图像，即
新的红外热度图像中每个像素点的像素值为原始的红外热度图像中相应像素点的像素值与最大可能像素值的差值，最大可能像素值一般是255，后续步骤基于新的红外热度图像进行。
[0032]
优选地，基于像素点的温度和像素点与门窗边缘的距离确定若干漏风点，具体为：
[0033][0034]
pi为第i个像素点的评分；gi表示第i个像素点的温度，max(g)表示门窗图像中像素点温度的最大值，所述像素点的温度基于红外热度图获取；di表示第i个像素点与门窗边缘间的最短距离，具体地，使用边缘检测算法对门窗的彩色图像即rgb图进行处理，得到图像中的各个门窗边缘，实施例中利用canny算子进行边缘检测，得到门窗边缘图，图中门窗边缘像素的值为1，其余像素的值为0；其中，di为第i个像素点与各个门窗边缘像素的距离的最小值。
[0035]
根据各个像素点的评分确定漏风点：设置评分阈值，优选地，实施例中评分阈值为0.78，在rgb图像中将评分大于评分阈值的像素点的像素值置为1，其余像素的像素值置为0，得到二值图，对二值图进行连通域分析，得到多个连通域，利用soft-argmax算法在每个连通域内寻找评分值最大的像素点，寻找到的像素点即为漏风点，进一步的，可获取各个漏风点在rgb图像中的位置坐标。
[0036]
步骤s2，对于每个漏风点对应的每个邻近区域，在邻近区域内寻找被漏风点所影响的像素点；基于像素点的像素位置和温度确定每个寻找到的像素点对应的三维点，对三维点进行拟合，得到椭圆锥面；每个邻近区域对应一个椭圆锥面；对于每个漏风点，获取该漏风点每个邻近区域对应的椭圆锥面，根据漏风点与各个椭圆锥面间的距离计算该漏风点的漏风程度。
[0037]
(a)将门窗边缘图中门窗像素的值置为0，其余像素的值置为1，得到门窗平面二值图，对门窗平面二值图进行连通域分析，得到多个连通域，在多个连通域中寻找每个漏风点对应的邻近区域，具体地，对于每个漏风点，计算每个连通域中像素点与该漏风点间的最小距离，最小距离小于预设距离阈值的连通域对应的平面为该漏风点对应的邻近区域，优选地，实施例中距离阈值设为20。
[0038]
(b)对于一个漏风点对应的一个邻近区域，在邻近区域内寻找被漏风点所影响的像素点，具体为：以漏风点为原点，以点间距离d为横轴，以点间温度差td为纵轴，建立聚类坐标系；邻近区域内每个像素点与漏风点间的距离、温度差，分别为横坐标d、纵坐标td，得到多个点，对多个点进行聚类，点到直线td＝d的平均距离最小的簇中的点对应的像素点为被漏风点所影响的像素点；优选地，实施例中采用dbscan算法，聚类半径eps为5，密度阈值minpts为7。
[0039]
(c)基于像素点的像素位置和温度确定每个寻找到的像素点对应的三维点对三维点进行拟合，得到椭圆锥面；具体地，以漏风点位置为原点，以像素所在的行数为x轴，以像素所在的列数y轴，以像素的温度为z轴，建立三维坐标系，基于像素点的像素位置和温度可得到每个寻找到的像素点对应的三维坐标(x,y,z)，(x,y)表示像素点的像素位置，z表示像素点的温度，使用最小二乘法对每个寻找到的像素点对应的三维点进行拟合，得到椭圆锥面。
[0040]
至此，对于每个漏风点，其对应的每个邻近区域都对应一个椭圆锥面。
[0041]
(d)对于每个漏风点，获取该漏风点每个邻近区域对应的椭圆锥面，根据漏风点与各个椭圆锥面间的距离计算该漏风点的漏风程度，漏风点与椭圆锥面间的距离越大，说明漏风点的影响范围越大，进而漏风点处的漏风程度越严重，具体地，基于各个距离获取距离均值，所述距离均值表示该漏风点的漏风程度。
[0042]
优选地，为了得到更精确的漏风程度，一种实施方式中还计算在每个漏风点对应的每个邻近区域内寻找到的像素点的可信度，具体地：基于寻找到的像素点与漏风点间的距离、温度差，利用主成分分析法获取寻找到的像素点的分布方向，基于分布方向计算所述可信度，具体地：
[0043][0044]
r为寻找到的像素点的可信度，r大于等于预设可信度阈值时，寻找到的像素点可信，未受到噪声的影响，优选地，实施例中可信度阈值为0.8；λ1和λ2为基于主成分分析法得到的特征值，(u,v)为max(λ1,λ2)对应的特征向量。由于漏风点对其他像素点温度的影响仅与距离有关，因此，聚类坐标系中的点应该是线性分布的，理想情况下，聚类坐标系中的点的分布是在直线td＝d附近，线性度越好，说明寻找到的像素点的可信度越高，即max(λ1,λ2)-min(λ1,λ2)的值越大，说明聚类坐标系中的点的分布的线性度越好；u和v之间的差异越小，说明聚类坐标系中的点越是分布在直线td＝d附近。
[0045]
r小于预设可信度阈值时，需要调整聚类参数，重新聚类；为了后续描述方便，将可信度的计算公式写成a、b分别表示原公式中括号内加号左边的分式、右边的指数函数，具体地，当a小于预设可信度阈值时，减小dbscan聚类算法的密度阈值minpts；当b小于预设可信度阈值时，减小dbscan聚类算法的聚类半径eps；当a和b均小于预设可信度阈值时，同时减小dbscan聚类算法的聚类半径eps和密度阈值minpts。
[0046]
其中，基于寻找到的像素点与漏风点间的距离、温度差，利用主成分分析法获取寻找到的像素点的分布方向具体为：对于在一个漏风点对应的一个邻近区域中寻找到的像素点，将寻找到的每个像素点与漏风点间的距离、温度差，构成一个2行n列的矩阵，n表示共寻找到n个像素点，矩阵中一行元素分别为n个像素点与漏风点间的距离，另一行元素分别为n个像素点与漏风点对应温度的温度差；进一步的，基于2行n列的矩阵获取协方差矩阵，具体地获取协方差矩阵的步骤本发明不再赘述；对协方差矩阵进行特征值分解获得其对应的特征值λ1、λ2和特征值对应的特征值向量ξ1、ξ2；则特征值最大值max(λ1,λ2)对应的特征向量表示寻找到的n个像素点在聚类坐标系中的分布方向。
[0047]
在一种实施方式中，对于每个漏风点，该漏风点的漏风程度的获取具体为：该漏风点的每个邻近区域对应一个椭圆锥面，每个椭圆锥面对应一个可信度，可信度为权重，漏风点与各个椭圆锥面间的距离进行加权平均后得到该漏风点的漏风程度。
[0048]
需要注意，本发明基于漏风点和各椭圆锥面间的最短距离获取漏风点的漏风程度，相对于计算漏风点与寻找到的像素间的距离均值或最小距离得到漏风点的漏风程度，本发明消除了相机位姿对计算结果的影响，使得到的漏风点的漏风程度更准确。
[0049]
步骤s3，根据每个漏风点的漏风程度进行幕墙门窗气密性能评价，具体地：
[0050][0051]
q表示幕墙门窗气密性能评价得分，αk为第k个漏风点的漏风程度，k表示共有k个漏风点，s表示获取的门窗图像的面积。
[0052]
根据幕墙门窗气密性能评价得分获取幕墙门窗的气密性等级，若q大于等于s3，则门窗的气密性等级为三级；若q小于s3大于等于s2，则门窗的气密性等级为二级；若q小于s2大于等于s1，则门窗的气密性等级为一级；若q小于s1，则门窗的气密性等级为零级；实施例中s3的值为0.3，s2的值为0.2，s2的值为0.1，s1的值为0.05。q值越大，对应的气密性等级越高，门窗的气密性越差。
[0053]
基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种基于机器视觉的幕墙门窗气密性能评价系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于机器视觉的幕墙门窗气密性能评价方法的步骤。
[0054]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0055]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0056]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。