一种基于图像识别的建筑物外立面危险判别方法

本发明提供一种基于图像识别的建筑物外立面危险判别方法，属于计算机领域中的图像处理与模式识别。

背景技术：

1、常规的建筑物外立面危险判别方式一般包括：通过人眼直接观测以及根据‘建筑物外立面维护技术规程’进行通常周期一年一次的检修维护，前者对于建筑物外墙存在的危险判别不准确，而后者的时间跨度过大，很难及时发现并判别建筑物外墙存在的危险。现有的建筑物外墙检测技术多是人工进行，需要投入的资源量较大且安全性得不到保证，特别是中高层建筑，楼层越高检修人员的安全隐患越大、检测耗时越长、成本越高，无法在短时间内简单快速的判别建筑物外立面实时存在的危险种类和危险程度。

2、专利cn116109954b提供一种房屋安全隐患识别方法、装置及存储介质，获取监测设备在当前巡检周期采集的目标房屋墙面的第一近景图像，以及获取监测设备采集的所述目标房屋周边边坡在各个巡检周期的第二近景图像；根据所述第一近景图像识别所述墙面在所述当前巡检周期的裂缝数据，所述裂缝数据包括裂缝位置和裂缝尺寸；根据各个巡检周期的第二近景图像确定所述边坡在未来的滑坡数据，所述滑坡数据包括滑坡位置和形变量；根据所述裂缝数据，以及所述滑坡数据确定所述目标房屋的安全隐患。但该方法中缺少对于其他房屋安全隐患的识别。

3、专利cn116295637a提供一种高空建筑安全智能监测的方法及系统，通过摄像器监控高空建筑，采集温度、风速等环境数据，采集沉降、位移、应变、部件脱落等静态数据和倾斜、振动等动态数据，对采集的数据进行实时分类处理，对异常数据发出警报通知，对实时数据进行存储，通过网络传输至云端，通过数据治理与分析，对高空建筑安全风险等级进行全方位管控。本发明通过对高空建筑结构运行状态的实时在线监测，构建结构监测预警、风险管控体系，实现对高空建筑的倾斜变形、裂缝变形和沉降变形等情况进行数据采集和动态监测预警，及早发现隐患，降低建筑安全事故的风险，全面提升结构安全水平和安全管理水平。该方法涉及的采集、监测数据非常详细，但用于监测房屋安全隐患过程冗杂且成本过高。

4、专利cn116663897a提供一种基于贝叶斯网络的城市老旧社区安全风险评价方法，包括构建城市老旧社区安全风险评价指标体系，从人、物、环境三个维度构建指标体系，再下设二级指标；城市老旧社区安全风险评价指标数据的收集与预处理；贝叶斯网络结构学习；贝叶斯网络参数学习；贝叶斯网络模型检验；基于上述基本操作提出城市老旧社区安全风险评价技术流程。本方法能够科学地对城市老旧社区安全风险进行客观评价，并通过评价结果厘清城市老旧社区关键安全风险，为城市老旧社区安全风险防范提供有效指导，从而推动城市老旧社区健康安全发展。该方案提供了详细的老旧房屋建筑的安全风险评价流程，但未提出及时预警的方法且评价方法繁琐。

技术实现思路

1、针对上述技术问题，本发明提供一种完全基于图像处理与识别的建筑物外立面危险判别技术，对建筑物上可能存在危险进行分类识别，并判别其危险等级，最后根据危险类别和危险等级发出综合信息。

2、具体技术方案为：

3、一种基于图像识别的建筑物外立面危险判别方法，包括以下步骤：

4、步骤a：通过固定点位摄像机系统获取建筑物外立面图像数据，对图像进行分析，得到危险分类与位置信息。

5、步骤b：无人机根据步骤a获取的危险分类与位置信息计算最佳拍摄位置并进行路径规划，控制无人机移动至拍摄位置，获取近距离图像。

6、步骤c：根据步骤b获取的近距离图像，对图像进行重识别，确定外立面危险类别，包含了危险分类与危险等级信息；

7、步骤d：根据步骤c重识别获得的结果，发出综合信息。

8、进一步的：

9、步骤a包括下述子步骤：

10、步骤a1,数据准备：

11、收集多个固定点位的1000张建筑物图像，涵盖4种危险情况。这些图像将用于训练和测试yolov4-tiny模型。

12、步骤a2,数据标注：

13、对收集到的图像进行标注，标注图像中危险目标的位置和类别。4种危险标签包括：外墙裂缝、即将脱落的玻璃、损坏的空调外机、墙体碎石。

14、步骤a3,模型训练与测试：

15、把1000张图像样本按8：2，分成训练集、测试集。调整yolov4-tiny模型部分训练参数，别的参数保持不变。类别数classes＝4；滤波器数filters＝27；最大迭代次数max_batches＝12000。完成训练后，每秒可处理30-35张416×416像素的图像，对于4种不同危险类别的图像模型识别预测的平均准确率达到87.3％-92.5％。

16、步骤a4,危险位置信息获取：

17、把每个固定摄像机获取的建筑物外立面图像，平均分成8×8＝64个区域。对每个区域进行编号，一个建筑物外立面得到64×3＝192个区域编号。每个区域的实际位置在系统初始化时人工标注，作为无人机系统的初始值。根据图像中危险物的框定位置，获得其区域编号。

18、步骤a5，信息发送：

19、固定摄像机系统处理得到的危险分类结果与区域编号信息发送给无人机系统。

20、步骤b包括下述子步骤：

21、步骤b1：接收步骤a发送的危险分类结果与区域编号信息，根据区域编号获取人工标注的实际位置对应的空间坐标。

22、步骤b2：无人机系统根据危险类别和危险实际位置，规划最佳拍摄位置和飞行路径，并控制无人机移动至拍摄位置拍摄近距离图像。

23、步骤b3：传送近距离图像给主检测系统。

24、步骤c包括下述子步骤：步骤c1：数据准备：

25、收集步骤b中无人机拍摄的2000张建筑物图像，涵盖4种危险情况和3种危险等级。这些图像将用于训练和测试yolov4模型。

26、步骤c2：数据标注：

27、对4种不同危险类别“外墙裂缝”、“即将脱落的玻璃”、“损坏的空调外机”、“墙体碎石”，每个危险类别划分为3个危险等级：等级1低危、等级2中危、等级3高危；最后形成12个外立面危险类别。在图像上按12个外立面危险类别进行人工标注。

28、步骤c3：模型训练与测试：

29、将2000张图像样本按8：2划分为训练集和测试集。调整主检测系统中yolov4模型的部分参数，类别数classes＝12；滤波器数filters＝51；最大迭代次数max_batches＝24000；学习率lr＝0.001。完成训练后，主检测系统的yolov4模型对于建筑物外立面危险类别图像重识别的准确率达到85.7％-90.4％。

30、步骤c4：外立面危险类别重识别

31、主检测系统把步骤b中无人机系统拍摄的待识别的近距离图像作为输入，采用训练好的yolov4模型进行重识别，得到建筑物最终的外立面危险类别。这个外立面危险类别包含了危险分类与危险等级信息。

32、步骤d包括：若检测到建筑物外立面存在危险，将综合信息发送到维修人员的移动终端。

33、如果步骤c重识别检测到建筑物外立面危险类别，将综合信息发送到维修人员的移动终端。综合信息包括：步骤a和步骤b获取的外立面图像、危险的实际位置坐标、危险的分类和危险等级。

34、本发明首先以固定点位的建筑物图像获取危险分类结果与危险位置信息；由无人机系统根据危险分类与位置信息计算最佳拍摄位置和规划飞行路径，控制无人机移动至拍摄位置拍摄近距离图像；主系统对近距离图像进行重识别确定外立面危险类别(包含了危险分类与危险等级信息)；最后发出综合信息。本发明实施例克服了现有技术存在的危险检测成本高、耗时长的问题，并且克服了人工检测建筑物外墙时存在安全隐患的问题，能够快速准确地发现建筑物上可能存在的风险，提升中高层建筑物的安全性，避免发生意外。本发明实施例相较传统方案更加简单可行同时具有科学性，且投入资源更少，训练后的模型在判别外立面危险类别的准确度达到了90.4％，在处理速度方面每秒可处理30-35张416×416像素的图像。较现有技术更加安全、成本更低、耗时更少且在检测效率上更加高效，具有明显优势。