一种建筑外墙的维护方法与流程

一种建筑外墙的维护方法
【技术领域】
1.本发明涉及建筑技术领域，尤其涉及一种建筑外墙的维护方法。


背景技术：

2.由于建筑外墙保温层为长期暴露的建筑装饰，在经历风吹、日晒、雨淋以及冷热等恶劣环境反复作用下，会导致发生外墙保温层脱落事故，造成高空坠物事件的发生，影响人们的生命健康和财产损失，造成负面的社会影响。
3.而目前建筑外墙的安全排查，普通采用人工定期检查的方式。人工检查存在极大的主观性，检查耗时耗力，其成本高、工作效率低下，而且，部分高耸或结构较为复杂的建筑物不利于检查员肉眼观测，容易产生漏检误检的可能。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种建筑外墙的维护方法。该方法包括：
5.s1、无人机接收检查端发送的图像拍摄指令，并将拍摄的建筑物墙面图像和位置数据发送给任务分配服务器；
6.s2、任务分配服务器对建筑物墙面图像进行预处理生成待识别图像，并生成监测任务分发给分布式计算集群；
7.s3、分布式计算集群对监测任务进行风险识别，并将识别结果发送给管理服务器；
8.s4、管理服务器将识别出风险目标的建筑物墙面图像和位置数据发送给维护终端，并对风险目标进行评级，筛选出危险目标发送至物业终端和监督终端。
9.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s1具体包括：
10.无人机接收检查端发送的图像拍摄指令进行图像拍摄，通过gps模块获取当前的位置数据，并且以位置数据对拍摄的建筑物墙面图像进行命名并存储；
11.将命名后的建筑物墙面图像与上一图像进行对比，若位置数据相同，则判断重复度r和清晰度d是否满足要求，若重复度r≥重复度阈值r0，删除该建筑物墙面图像；若重复度r《重复度阈值r0且清晰度d≥清晰度阈值d0，则根据时间顺序在命名中添加序号；若重复度r《重复度阈值r0且清晰度d《清晰度阈值d0，则删除该建筑物墙面图像并向检查端发送重拍请求，当获取的重拍建筑物墙面图像的清晰度d满足要求时，则以位置数据对重拍的建筑物墙面图像进行命名并根据时间顺序在命名中添加序号；
12.若位置数据不同，判断清晰度d是否满足要求，若清晰度d《清晰度阈值d0，则删除该建筑物墙面图像并向检查端发送重拍请求，若清晰度d≥清晰度阈值d0，则判断当前位置数据与上一位置数据的距离l是否小于距离阈值l0，若小于，则将当前建筑物墙面图像与上一建筑物墙面图像划分为同一图像组，否则划分为不同图像组；
13.将同一图像组图像压缩后发送给任务分配服务器。
14.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述重复度r
的获取方法如下：
15.选取命名后的建筑物墙面图像与上一图像，通过surf特征点检测算法提取特征点并匹配，通过汉明距离过滤掉部分匹配对，用最小二乘法对匹配的特征点求解得到单应矩阵；
16.根据单应矩阵，计算上一图像的顶点转换后的点集；
17.由命名后的建筑物墙面图像的顶点集合和上一图像的转换点集，计算多边形交集；
18.利用单应矩阵还原多边形的交集在上一图像的原始点集，从而标识出重复区域；
19.计算重复区域与命名后的建筑物墙面图像全域面积比值，得到重复度r。
20.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述清晰度d的获取方法如下：
21.将待计算的建筑物墙面图像进行高斯模糊去噪处理，得到去噪后的建筑物墙面图像，根据以下公式进行高斯滤波：其中，i(x,y)表示输入图像，w(m,n)表示高斯滤波的模板，模板的大小为a
×
b，f(x,y)表示输出图像；
22.将输出图像转换为灰度图，并使用拉普拉斯算子进行模糊检测；
23.进行直方图均衡化，将直方图进行归一化映射到灰度级0～255区间范围内；
24.求均值得到清晰度d。
25.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s2中任务分配服务器对建筑物墙面图像进行预处理生成待识别图像，具体包括：
26.任务分配服务器采用图像归一法对建筑物墙面图像进行处理，然后通过依次采用直方图均衡化、光照校正、降噪和锐化处理后生成待识别图像。
27.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s2中生成监测任务分发给分布式计算集群，具体包括：
28.基于作为图像源的不同无人机将待识别图像分组生成不同监测任务，并将监测任务按待识别图像数量由大至小进行排序；
29.以预设时间间隔t计算分布式计算集群所有集群服务器的计算资源状态s，当计算资源状态s＜下限阈值s1，则将对应集群服务器作为闲置集群服务器；
30.获取空闲集群服务器，根据计算资源状态s由小至大对空闲集群服务器进行排序，将监测任务以循环遍历方式一一分发给空闲集群服务器。
31.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：
32.在预设时间间隔t内且到达t/2时，计算分布式计算集群所有集群服务器的计算资源状态s，当计算资源状态s≥上限阈值s2，则将对应集群服务器作为过载集群服务器；
33.获取空闲集群服务器和过载集群服务器，根据计算资源状态s由大至小对过载集群服务器进行排序，根据计算资源状态s由小至大对空闲集群服务器进行排序，将过载集群服务器未处理的监测任务以循环遍历方式一一转移给空闲集群服务器。
34.如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述计算资
源状态s的计算公式如下：
[0035][0036][0037][0038]vij
＝u
1j
+u
2j
+u
3j
，
[0039]
其中，si为第i个集群服务器的计算资源状态，为所有集群服务器的计算资源的平均值，n为集群服务器的数量，为第i个集群服务器的m个虚拟机的计算资源的平均值，v
ij
为第i个集群服务器中第j个虚拟机的计算资源，u
1j
、u
2j
、u
3j
分别为第j个虚拟机的cpu利用率、内存利用率和带宽利用率。
[0040]
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，s3中分布式计算集群对待识别图像进行风险识别，具体包括：
[0041]
将待识别图像转换为ycbcr颜色空间，利用预先构建的墙面颜色模型进行墙面检测；
[0042]
若检测到待确认墙面，则统计待确认墙面的像素的数目；
[0043]
计算待识别图像中待确认墙面占比k，其中，占比k计算公式如下：其中，p1表示待确认墙面的像素数目，p2表示待识别图像中非待确认墙面发像素数目，p表示待识别图像的总像素数；
[0044]
当占比k≥占比阈值k0，则认定存在建筑物墙面；
[0045]
使用像素分割从待识别图像中获取建筑物墙面的区域图像；
[0046]
将区域图像转换为灰度图像，通过训练好的卷积神经网络模型进行裂纹识别；
[0047]
对识别出的裂纹进行非直线筛选，筛选结果为风险目标。
[0048]
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述s4中对风险目标进行评级，筛选出危险目标发送至物业终端和监督终端，具体包括：
[0049]
统计待识别图像中风险目标所包含的像素点数，当像素点数大于预设阈值时，将待识别图像标记为含有危险目标的图像；
[0050]
使用canny边缘检测算子检测区域图像的边缘，识别出闭合轮廓，若闭合轮廓与风险目标重合，将待识别图像标记为含有危险目标的图像；
[0051]
将含有危险目标的图像和位置数据发送至物业终端和监督终端。
[0052]
上述技术方案中的一个技术方案具有如下有益效果：
[0053]
本发明实施例的方法中提出了一种建筑外墙的维护方法，可以不同小区同时作业，提高了建筑外墙检修的效率，实现了计算资源的整合，优化了大量数据处理的效率，实现了各端联动，实现及时维护，及时进行现场防护，及时监督，避免造成高空坠物伤人事件的发生，保障人们的生命健康和财产安全。
【附图说明】
[0054]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0055]
图1是本发明实施例所提供的建筑外墙的维护方法的流程示意图；
[0056]
图2是本发明实施例所提供的s1流程示意图；
[0057]
图3是本发明实施例所提供的重复度r获取的流程示意图；
[0058]
图4是本发明实施例所提供的清晰度d获取的流程示意图；
[0059]
图5是本发明实施例所提供的s2部分流程示意图；
[0060]
图6是本发明实施例所提供的s3部分流程示意图；
[0061]
图7是本发明实施例所提供的s4部分流程示意图。
【具体实施方式】
[0062]
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0063]
请参考图1，其为本发明实施例所提供的建筑外墙的维护方法的流程示意图。如图1所示，该方法包括以下步骤：
[0064]
s1、无人机接收检查端发送的图像拍摄指令，并将拍摄的建筑物墙面图像和位置数据发送给任务分配服务器；
[0065]
s2、任务分配服务器对建筑物墙面图像进行预处理生成待识别图像，并生成监测任务分发给分布式计算集群；
[0066]
s3、分布式计算集群对监测任务进行风险识别，并将识别结果发送给管理服务器；
[0067]
s4、管理服务器将识别出风险目标的建筑物墙面图像和位置数据发送给维护终端，并对风险目标进行评级，筛选出危险目标发送至物业终端和监督终端。
[0068]
本发明实施例的方法中提出了一种建筑外墙的维护方法，实现了各端联动，无人机接收检查端发送的图像拍摄指令拍摄的建筑物墙面图像，检查端控制无人机拍照成本低、且安全，多架无人机和多台检查端可以不同小区同时作业，提高了建筑外墙检修的效率，无人机携带有拍照模块和定位模块，而检查端可以是控制无人机的手机或电脑等移动终端。任务分配服务器对建筑物墙面图像进行预处理生成待识别图像，并生成监测任务分发给分布式计算集群，分布式计算集群对监测任务进行风险识别，并将识别结果发送给管理服务器，图像预处理提高了风险识别准确性，而分布式计算集群实现了计算资源的整合，优化了大量数据处理的效率。管理服务器将识别出风险目标的建筑物墙面图像和位置数据发送给维护终端，并对风险目标进行评级，筛选出危险目标发送至物业终端和监督终端，通过及时通报维护终端，可以让维护人员及时获取消息并维修，而通过物业终端和监督终端的联动，及时进行现场防护，避免造成高空坠物伤人事件的发生，保障人们的生命健康和财产安全，并及时督促维护人员进行维修。
[0069]
在本发明优选实施例中，如图2所示，s1具体包括：
[0070]
无人机接收检查端发送的图像拍摄指令进行图像拍摄，通过gps模块获取当前的位置数据，并且以位置数据对拍摄的建筑物墙面图像进行命名并存储；
[0071]
将命名后的建筑物墙面图像与上一图像进行对比，若位置数据相同，则判断重复度r和清晰度d是否满足要求，若重复度r≥重复度阈值r0，删除该建筑物墙面图像；若重复度r《重复度阈值r0且清晰度d≥清晰度阈值d0，则根据时间顺序在命名中添加序号；若重复度r《重复度阈值r0且清晰度d《清晰度阈值d0，则删除该建筑物墙面图像并向检查端发送重拍请求，当获取的重拍建筑物墙面图像的清晰度d满足要求时，则以位置数据对重拍的建筑物墙面图像进行命名并根据时间顺序在命名中添加序号；
[0072]
若位置数据不同，判断清晰度d是否满足要求，若清晰度d《清晰度阈值d0，则删除该建筑物墙面图像并向检查端发送重拍请求，若清晰度d≥清晰度阈值d0，则判断当前位置数据与上一位置数据的距离l是否小于距离阈值l0，若小于，则将当前建筑物墙面图像与上一建筑物墙面图像划分为同一图像组，否则划分为不同图像组；
[0073]
将同一图像组图像压缩后发送给任务分配服务器。
[0074]
具体的，如图3所示，重复度r的获取方法如下：
[0075]
选取命名后的建筑物墙面图像与上一图像，通过surf特征点检测算法提取特征点并匹配，通过汉明距离过滤掉部分匹配对，用最小二乘法对匹配的特征点求解得到单应矩阵；
[0076]
根据单应矩阵，计算上一图像的顶点转换后的点集；
[0077]
由命名后的建筑物墙面图像的顶点集合和上一图像的转换点集，计算多边形交集；
[0078]
利用单应矩阵还原多边形的交集在上一图像的原始点集，从而标识出重复区域；
[0079]
计算重复区域与命名后的建筑物墙面图像全域面积比值，得到重复度r。
[0080]
具体的，如图4所示，清晰度d的获取方法如下：
[0081]
将待计算的建筑物墙面图像进行高斯模糊去噪处理，得到去噪后的建筑物墙面图像，根据以下公式进行高斯滤波：其中，i(x,y)表示输入图像，w(m,n)表示高斯滤波的模板，模板的大小为a
×
b，f(x,y)表示输出图像；
[0082]
将输出图像转换为灰度图，并使用拉普拉斯算子进行模糊检测；
[0083]
进行直方图均衡化，将直方图进行归一化映射到灰度级0～255区间范围内；
[0084]
求均值得到清晰度d。
[0085]
本发明通过重复度r和清晰度d判断，实现了无人机对采集不符合要求的图像时对检查端的反馈，使得拍摄的建筑物墙面图像满足要求，从而为后期建筑墙面的准确风险检测提供了保障。通过对图像以位置数据命名，从而使得目标建筑墙面可以进行准确追溯。不同小区的建筑物墙面具有统一性，通过对建筑物墙面图像进行分组处理，从而将不同组建筑物墙面图像与不同小区不同建筑之间建立对应关系，提高了同类外墙识别的准确性和数据处理速度，并方便后期维护和防护工作进行信息查找和处理。
[0086]
在本发明优选实施例中，s2中任务分配服务器对建筑物墙面图像进行预处理生成
待识别图像，具体包括：
[0087]
任务分配服务器采用图像归一法对建筑物墙面图像进行处理，然后通过依次采用直方图均衡化、光照校正、降噪和锐化处理后生成待识别图像。
[0088]
其中，直方图均衡化增强图像的对比度，从而显示出更多的细节，光线校正去除阴影或调整黑暗区域，降噪通过使用平滑滤波器去除不必要的像素，以确保细节是可识别的，通过锐化使得对比度进一步增强。
[0089]
在本发明优选实施例中，如图5所示，s2中生成监测任务分发给分布式计算集群，具体包括：
[0090]
基于作为图像源的不同无人机将待识别图像分组生成不同监测任务，并将监测任务按待识别图像数量由大至小进行排序；
[0091]
以预设时间间隔t计算分布式计算集群所有集群服务器的计算资源状态s，当计算资源状态s＜下限阈值s1，则将对应集群服务器作为闲置集群服务器；
[0092]
获取空闲集群服务器，根据计算资源状态s由小至大对空闲集群服务器进行排序，将监测任务以循环遍历方式一一分发给空闲集群服务器。
[0093]
另外，s2还包括：
[0094]
在预设时间间隔t内且到达t/2时，计算分布式计算集群所有集群服务器的计算资源状态s，当计算资源状态s≥上限阈值s2，则将对应集群服务器作为过载集群服务器；
[0095]
获取空闲集群服务器和过载集群服务器，根据计算资源状态s由大至小对过载集群服务器进行排序，根据计算资源状态s由小至大对空闲集群服务器进行排序，将过载集群服务器未处理的监测任务以循环遍历方式一一转移给空闲集群服务器。
[0096]
具体的，计算资源状态s的计算公式如下：
[0097][0098][0099][0100]vij
＝u
1j
+u
2j
+u
3j
，
[0101]
其中，si为第i个集群服务器的计算资源状态，为所有集群服务器的计算资源的平均值，n为集群服务器的数量，为第i个集群服务器的m个虚拟机的计算资源的平均值，v
ij
为第i个集群服务器中第j个虚拟机的计算资源，u
1j
、u
2j
、u
3j
分别为第j个虚拟机的cpu利用率、内存利用率和带宽利用率。
[0102]
通过优化任务分配和任务转移机制，从而实现了计算资源的最优化处理，高了数据处理的效率。
[0103]
在本发明优选实施例中，如图6所示，s3中分布式计算集群对待识别图像进行风险识别，具体包括：
[0104]
将待识别图像转换为ycbcr颜色空间，利用预先构建的墙面颜色模型进行墙面检
测；
[0105]
若检测到待确认墙面，则统计待确认墙面的像素的数目；
[0106]
计算待识别图像中待确认墙面占比k，其中，占比k计算公式如下：其中，p1表示待确认墙面的像素数目，p2表示待识别图像中非待确认墙面发像素数目，p表示待识别图像的总像素数；
[0107]
当占比k≥占比阈值k0，则认定存在建筑物墙面；
[0108]
使用像素分割从待识别图像中获取建筑物墙面的区域图像；
[0109]
将区域图像转换为灰度图像，通过训练好的卷积神经网络模型进行裂纹识别；
[0110]
对识别出的裂纹进行非直线筛选，筛选结果为风险目标。
[0111]
本发明利用预先构建的墙面颜色模型进行墙面检测，使得墙面检测方法高效快捷，而通过墙面占比确认从而进一步保障了墙面识别的准确性，通过训练好的卷积神经网络模型进行裂纹识别，实现识别的准确性，而非直线筛选可以剔除墙面原有线条元素干扰。
[0112]
其中，墙面颜色模型构建方法如下：通过收集大量含有建筑墙面的图像，统计在这些图像中各种ycbcr颜色值分别出现为建筑墙面的概率和非建筑墙面的概率，按照贝叶斯规则，计算每种ycbcr颜色值对应的建筑墙面概率值，选取一个建筑墙面阈值；对于图像中的每个像素，如果像素点的颜色值的建筑墙面概率大于建筑墙面阈值，判定该像素点是建筑墙面像素，否则判定该像素点位非建筑墙面像素；建筑墙面阈值的选取应该使得建筑墙面正检率和误检率的比值最大；ycbcr颜色空间中各种颜色值对应的建筑墙面概率以及建筑墙面阈值构成了墙面颜色模型。
[0113]
其中，卷积神经网络模型的训练方法如下：
[0114]
获取大量具有裂纹的建筑墙面照片和不具有裂纹的建筑墙面照片，预处理后，转化为灰度图像，并为两者分配不同的标签；
[0115]
对照片连同的标签进行随机抽取，形成训练集，其余10％用于测试集；
[0116]
构建卷积神经网络模型，其中，卷积神经网络模型第一层为输入层，用于接收输入图像进行分类，并将大小统一为256
×
256
×
3；第二层为一个卷积层，进行特征提取，卷积核取3
×
3，步长取1，得到126
×
126
×
64的特征图；第三层为最大池化层，对卷积层卷积后的特征图进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3
×
3，步长取2，得到64
×
64
×
64的特征图；第四层为第一密集块，输出特征图大小为64
×
64
×
256；第五层为第一过渡块，输出特征图大小为32
×
32
×
128；第六层为第二密集块，输出特征图大小为32
×
32
×
512；第七层为第二过渡块，输出特征图大小为16
×
16
×
256；第八层为第三密集块，输出特征图大小为16
×
16
×
1024；第九层为第三过渡块，输出特征图大小为8
×8×
512；第十层为第四密集块，输出特征图大小为8
×8×
1024，第十一层为最大池化层输出一维向量，长度为3072；第十二层为全连接层，包含512个resnet全连接神经元节点，连接第十一层输出的所有特征；第十三层为输出层，包含2个使用softmax函数的输出神经元节点，与全连接层的神经元全连接，对输出结果进行二分类，识别出具有裂纹的建筑墙面照片和不具有裂纹的建筑墙面照片；
[0117]
其中，密集块中的基本组件由1
×
1卷积层和3
×
3卷积层构成，而第一密集块、第二密集块、第三密集块和第四密集块分别具有6、12、24和16个基本组件；而第一过渡块、第二
过渡块和第三过渡块分别由1
×
1卷积层和2
×
2平均池化层组成，步长为2；
[0118]
上述每个卷积层的激活函数均为relu；
[0119]
训练的时候将训练集的训练样本图片放入输入层，标签向量放入输出层，完成对卷积神经网络模型的训练，并通过测试集测量训练过的卷积神经网络模型的准确性；
[0120]
将区域图像转换为灰度图像，通过训练好的卷积神经网络模型进行裂纹识别。
[0121]
本发明的卷积神经网络模型选择和分类能力高，对裂纹识别准确迅速。
[0122]
需要说明的是，根据需要，本发明的卷积神经网络模型还可以采用其他能识别裂纹的卷积神经网络模型。
[0123]
在本发明优选实施例中，如图7所示，s4中对风险目标进行评级，筛选出危险目标发送至物业终端和监督终端，具体包括：
[0124]
统计待识别图像中风险目标所包含的像素点数，当像素点数大于预设阈值时，将待识别图像标记为含有危险目标的图像；
[0125]
使用canny边缘检测算子检测区域图像的边缘，识别出闭合轮廓，若闭合轮廓与风险目标重合，将待识别图像标记为含有危险目标的图像；
[0126]
将含有危险目标的图像和位置数据发送至物业终端和监督终端。
[0127]
当像素点数大于预设阈值时，则存在长裂纹或者复杂裂纹，此使，墙面脱落可能性大，因此，将待识别图像标记为含有危险目标的图像；而使用canny边缘检测算子检测区域图像的边缘，识别出闭合轮廓，若闭合轮廓与风险目标重合，双重识别可以排除干扰因素，则说明已存在脱落墙面或者存在鼓包，墙皮或者保温层随时有脱落风险，因此，将待识别图像标记为含有危险目标的图像。
[0128]
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。