危房智能检测鉴定方法与流程

1.本发明涉及建筑检测技术，具体涉及一种危房智能检测鉴定方法。


背景技术：

2.目前已有相当一部分建筑物相继达到或超过其设计使用年限，此外，由于各种施工缺陷、年久失修和环境的侵蚀作用等，部分建筑物的服役功能不足或老化。伴随着人民生活水平的提高，对自身居住或者使用的建筑物已愈来愈引起人们的关注，尤其是对出现明显缺陷的建筑物更为重视，因此对老旧、劣化现象比较严重的建筑物进行危险房屋鉴定的需求也越来越多。
3.对于危险房屋的检测鉴定方法，目前的房屋检测鉴定专业机构主要根据现有行业标准jgj 125-2016《危险房屋鉴定标准》的相关规定，普遍采用现场人工检测的方法，其中对于房屋倾斜及沉降采用钢尺、吊线锤或全站仪测量的方式，其中对于危险构件数量统计采用现场查勘、局部测量和拍照记录的方式。此方式的检测精确度差、效率低、主观经验依赖性强，同时工作强度大。


技术实现要素：

4.本发明的目的是为了克服以上现有技术存在的不足，提供了一种危房智能检测鉴定方法。此危房智能检测鉴定方法的精确度高、效率高。
5.本发明的目的通过以下的技术方案实现：本危房智能检测鉴定方法，包括以下步骤：s1、建立建筑信息数字化模型：当目标建筑有图纸存档时，按图纸的建筑承重结构建立建筑信息数字化模型；当目标建筑没有图纸存档时，基于室内定位系统在现场对目标建筑采集信息，以建立建筑信息数字化模型；s2、对建筑内进行全息图像数据采集，再基于建筑信息数字化模型对各种破损特征进行深度学习后，对全息图像数据展开的各平面图像进行破损特征识别，获得建筑内部损伤分布信息，以确定建筑内部危险点分布信息；s3、通过线激光扫描技术获取建筑的形变数据，基于建筑信息数字化模型对形变数据进行识别，获得建筑内部构件和外部整体形变分布信息，以确定建筑整体形变的危险点分布信息；s4、基于建筑内部危险点分布信息和建筑整体形变的危险点分布信息，并依据建筑信息数字化模型对应的各个建筑构件定点位置关联的危房等级评价系统进行评级。
6.步骤s1中，所述建筑承重结构包括各承重构件、木结构体系和瓦顶屋面的定位位置信息。
7.所述承重构件包括柱、墙、梁和板。
8.步骤s1中，当目标建筑没有图纸存档时室内定位系统关联软件-建筑信息数字化
系统，室内定位系统在现场采集各承重构件、木结构体系、瓦顶屋面的定位位置信息，在建筑信息数字化系统中自动形成点-线框架网络，通过输入现场所量测的各个承重构件的尺寸大小，自动形成各结构层简单的二维平面图，基于此二维平面图的信息建立建筑信息数字化模型。
9.步骤s2中，破损特征包括裂缝、缺陷、露筋、钢筋锈蚀、露砖且破损、抹灰砂浆脱落、瓦片破损或脱落、木结构开裂、虫蛀、损伤、渗水、发黄、生长青苔。
10.步骤s3中，所述形变数据包括倾斜、挠曲、侧弯和整体扭转。
11.本发明相对于现有技术具有如下的优点：本危房智能检测鉴定方法通过软件功能预设、关联jgj 125-2016《危险房屋鉴定标准》规范评判规则、现场定位及构件尺寸采集、破损特征图像数据采集以及形变数据采集建立建筑信息数字化模型，再基于此建筑信息数字化模型，自动识别破损特征和对破损特征数据、形变数据进行处理分析及评判，以确定建筑内部危险点分布信息和建筑整体形变的危险点分布信息，从而对危房进行检测鉴定。此方法减少了人工检测和内业人员数据处理、分析及评级工作，后期自动生成危房鉴定报告，既提高了检测和鉴定效率，也提升了检测精确度。
附图说明
12.图1是本发明实施例目标建筑的示意图。
13.图2是本发明实施例目标建筑的首层示意图。
14.图3是本发明实施例目标建筑的二层示意图。
15.图4是本发明实施例目标建筑的首层的危险构件分布示意图。
16.图5是本发明实施例目标建筑的二层的危险构件分布示意图。
17.图6是本发明实施例目标建筑的垂直度（倾斜）测点布置示意图。
18.图7是《危险房屋鉴定标准》（jgj 125-2016）鉴定方法计算表。
具体实施方式
19.下面结合附图和实施例对本发明作进一步说明。
20.危房智能检测鉴定方法，包括以下步骤：s1、建立建筑信息数字化模型：当目标建筑有图纸存档时，按图纸的建筑承重结构建立建筑信息数字化模型；当目标建筑没有图纸存档时，基于uwb高精度室内定位系统（此uwb高精度室内定位系统采用爱尔兰decawave公司的uwb定位系统产品）在现场对目标建筑采集信息，以建立建筑信息数字化模型；其中，所述建筑承重结构包括各承重构件、木结构体系和瓦顶屋面的定位位置信息。所述承重构件包括柱、墙、梁和板。具体的，当目标建筑没有图纸存档时，uwb高精度室内定位系统关联软件-建筑信息数字化系统，uwb高精度室内定位系统在现场采集各承重构件、木结构体系、瓦顶屋面的定位位置信息，在建筑信息数字化系统中自动形成点-线框架网络，通过输入现场所量测的各个承重构件的尺寸大小，自动形成各结构层简单的二维平面图，基于此二维平面图的信息建立建筑信息数字化模型。其中，在建筑信息数字化系统中自动统计采集的各个承重构件（柱、墙、梁、板）或木结构体系、瓦顶屋面的平面尺寸信息
（长、宽、高、面积）和构件数量信息等，形成数字化信息。
21.s2、对建筑内进行全息图像数据采集，再基于建筑信息数字化模型对各种破损特征进行深度学习后，对全息图像数据展开的各平面图像进行破损特征识别，获得建筑内部损伤分布信息，以确定建筑内部危险点分布信息；具体的，破损特征包括裂缝、缺陷、露筋、钢筋锈蚀、露砖且破损、抹灰砂浆脱落、瓦片破损或脱落、木结构开裂、虫蛀、损伤、渗水、发黄、生长青苔。
22.对应建筑信息数字化模型所述的各承重构件、木结构体系、瓦顶屋面的定位位置信息等，在此基础上获取采集的室内各个房间的定点位置，并给各房间予以编号，再获取采集的各个房间的全息图像数据，每个房间全息图像数据可自动展开成前、后、左、右、上、下的平面图像；通过定位信息，初步自动识别所述前、后、左、右、上、下各平面图像内的承重构件与非承重构件的所占区域、边界、面积；其中，承重构件为由砌体或钢筋混凝土或钢结构制成柱、墙、梁和板等。
23.基于建筑信息数字化模型对各种破损特征进行深度学习后，对房间全息图像展开的各平面图像进行裂缝、缺陷、露筋、钢筋锈蚀、露砖且破损、抹灰砂浆脱落、瓦片破损或脱落、木结构开裂或虫蛀、损伤、渗水、发黄、生长青苔的破损特征识别，获得建筑内部损伤分布信息；建筑内部损伤分布信息应用于建筑信息数字化模型，在建筑信息数字化模型中自动统计获取采集的建筑内部损伤分布信息的平面尺寸信息（长、宽、高、面积）和构件数量信息，再基于行业标准jgj 125-2016《危险房屋鉴定标准》中各种评判方法的危险点判断系统对建筑内部损伤分布信息进行判断，以确定建筑内部危险点分布信息。
24.s3、通过线激光扫描技术获取建筑的形变数据，基于建筑信息数字化模型对形变数据进行识别，获得建筑整体形变分布信息，以确定建筑整体形变的危险点分布信息；具体的，所述形变数据包括倾斜、挠曲、侧弯和整体扭转。通过线激光扫描技术获取有代表性的建筑外围阳角处或通过受力分析选取的关键部位的各个竖向承重构件的形变数据（如弯扭曲、倾斜等）；在现场室内，对应上述建筑信息数字化系统所述的各个水平向承重构件（如柱、梁和板等）的定位位置信息，通过线激光扫描技术获取通过裂缝现场识别和受力分析选取的关键部位的各个水平向承重构件的形变数据；基于建筑信息数字化模型对各个承重构件的形变数据进行弯扭曲、倾斜、挠曲等变形数据识别，获得建筑整体形变分布信息；经过对行业标准jgj 125-2016《危险房屋鉴定标准》对建筑整体形变分布信息进行是否危险点判断，获得建筑整体形变的危险点分布信息。
25.s4、基于建筑内部危险点分布信息和建筑整体形变的危险点分布信息，并依据建筑信息数字化模型对应的各个建筑构件定点位置关联的危房等级评价系统进行评级。
26.具体的，如危险房屋鉴定项目为广东省珠海市xxx农村自建房，建筑面积为78.75
㎡
，结构类型为砖木结构，共两层，建筑年代和基础类型不详，委托方无设计图纸提供，目标建筑如图1所示。检测鉴定的具体过程如下：首先基于uwb高精度室内定位系统关联软件-建筑信息数字化系统，在现场采集承重构件（墙、梁、板）和木结构体系、瓦顶屋面的定位位置信息，在建筑信息数字化系统中自动形成点-线框架网络，通过输入现场所量测的各个承重构件的尺寸大小，自动形成各结构层简单的二维平面图；在建筑信息数字化系统中自动统计采集的各个承重构件（墙、梁、板）
和木结构体系、瓦顶屋面的平面尺寸信息（长、宽、高、面积）及构件数量信息，如图2和图3所示，以形成建筑数字化模型，为后续危险点的判别作准备；图2和图3中，a、b、c和d为目标建筑的建筑结构，其中a为钢筋混凝土板，b为木梁，c为墙，d为钢筋混凝土梁。
27.通过建筑房间表观损伤的全息图像识别方法，对房屋的裂缝、缺陷、露筋及其他损伤进行识别。获取室内各个房间的定点位置，并给各房间予以编号，再获取采集的各个房间的全息图像数据，每个房间全息图像数据可自动展开成前、后、左、右、上、下的平面图像；通过所述定位信息，初步自动识别所述前、后、左、右、上、下各平面图像内的承重构件与非承重构件的所占区域、边界、面积；通过基于预先训练和对各种破损特征已进行深度学习的表观损伤识别模型，对所述房间全息图像展开的各平面图像进行破损特征识别，获得建筑内部损伤分布信息；所述的建筑内部损伤分布信息应用于建筑信息数字化系统，在建筑信息数字化系统中自动统计获取采集的建筑内部损伤分布信息的平面尺寸信息（长、宽、高、面积）和构件数量信息；基于经过对现有行业标准jgj 125-2016《危险房屋鉴定标准》中所述评判方法进行深度学习的危险点判断系统对所述建筑内部损伤分布信息进行是否危险点判断，获得建筑内部危险点分布信息，如图4和图5所示及表1：
表1其中，图4和图5中的1~24均为目标建筑的危险点，图中的1~24的位置与表1中的序号1~24一一对应。
28.表观损伤识别模型的建立过程具体如下：图像数据样本采集主要通过网络收集和工程项目现场拍摄，网络收集主要通过网络数据库得到裂缝、缺陷、露筋、钢筋锈蚀、露砖且破损、抹灰砂浆脱落、瓦片破损或脱落、木结构开裂或虫蛀、损伤、渗水、发黄、生长青苔等危险房屋局部损伤图片，后进行人工筛选，去除画质模糊、图像不明确的图片；后面利用opencv开源计算机视觉库对损伤图片进行随机裁剪和旋转以及随机色彩变换方式的数据增强，完成构建数据库的工作。最后通过在
tensorflow深度学习框架中，将所述数据集作为神经网络输入，利用神经网络模型框架设计规则设计出卷积神经网络框架，后面选取激活函数、损失函数、学习率和反向传播算法等参数，通过 tensorflow 构建训练程序，最后对训练样本集进行训练得到模型，以此来构建基于神经网络分类的所述表观损伤识别模型。
29.在现场室外，对应建筑信息数字化模型的各个竖向承重构件（如柱和墙等）的定位位置信息，通过线激光扫描技术获取建筑外围阳角处或通过受力分析选取的关键部位的各个竖向承重构件的形变数据（如弯扭曲和倾斜）；在现场室内，经现场识别该建筑水平向承重构件（梁、板）没有肉眼可见的明显挠曲，所以本案例不采集该类构件的形变数据；基于建筑信息数字化模型对所述各个承重构件的形变数据进行弯扭曲、倾斜、挠曲等变形识别，获得建筑整体形变分布信息；具体如图6及下表2：表2其中，图6中的
①
、
②
、
③
和
④
均为测点位置，与表2中的
①
、
②
、
③
和
④
相对应。由上表及图6可知，现场垂直度观测结果中观测点倾斜率未超过jgj 125-2016《危险房屋鉴定标准》 4.2.1.4中的3%的规定。
30.经过对行业标准jgj 125-2016《危险房屋鉴定标准》中所述垂直度或倾斜率、挠度、侧弯变形等形变限值进行深度学习的危险点判断系统对所述建筑整体形变分布信息进行是否危险点判断，获得建筑整体形变危险点分布信息。
31.基于建筑内部危险点分布信息和建筑整体形变的危险点分布信息，并依据建筑信息数字化模型对应的各个建筑构件定点位置关联的危房等级评价系统进行评级。具体如图7所示。由图7的《危险房屋鉴定标准》（jgj 125-2016）鉴定方法，对房屋进行危险性鉴定：根据上述现场检查、检测情况，依照《危险房屋鉴定标准》（jgj 125-2016）鉴定方法，对房屋进行危险性鉴定：（一）第一阶段：地基危险性鉴定该建筑未发现明显下沉，亦未发现有因地基基础沉降而引起上部结构的损坏反应；因此地基危险性评定为非危险状态。
32.（二）第二阶段：基础及上部结构危险性鉴定（1）基础：未发现有因基础承重能力不足引起上部结构的损坏反应，故基础的危险性等级评定为au级。
33.（2）上部结构构件：首层危险构件综合比例rs1＝47.3%，故首层的危险性等级评定为du级；二层危险
构件综合比例rs2＝22.2%，故二层的危险性等级评定为cu级。
34.（三）房屋整体危险性等级评定根据该房屋基础及上部结构各楼层的危险性评定结果，该房屋整体结构危险构件综合比例r=0.383，即r=38.3%。
35.根据《危险房屋鉴定标准》（jgj 125-2016）第6.3.6条第4款要求，当r≥25％时，应评定为d级；故该房屋应评定为d级。
36.处理建议如下：（1）应停止使用或应采取相关安全技术措施对该房屋排危，若无修缮加固价值及在条件允许下，可整体拆除重建。
37.（2）应在房屋四周拉起警戒线，周边围蔽，并悬挂危险标识牌。
38.上述具体实施方式为本发明的优选实施例，并不能对本发明进行限定，其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式，都包含在本发明的保护范围之内。