本技(ji)術屬于圖像識別(bie)，更具體地說，涉及(ji)一種(zhong)智(zhi)能化建筑質量檢(jian)測方法及(ji)系統。

背景技術：

1、建(jian)(jian)(jian)筑行(xing)業是國民(min)經濟的(de)支柱產(chan)業,建(jian)(jian)(jian)筑物的(de)質(zhi)(zhi)量檢(jian)測對確(que)保工程質(zhi)(zhi)量、預防安(an)全隱患(huan)、保護人民(min)生命財(cai)產(chan)安(an)全具有重要(yao)作(zuo)用。傳統的(de)建(jian)(jian)(jian)筑質(zhi)(zhi)量檢(jian)測方(fang)法主要(yao)依(yi)賴于人工檢(jian)查,通過專業檢(jian)測人員對建(jian)(jian)(jian)筑物的(de)結構、裝(zhuang)修等方(fang)面進行(xing)檢(jian)查評估(gu)。這種檢(jian)測方(fang)式存(cun)在(zai)諸多問(wen)題:

2、首先(xian),這(zhe)(zhe)種(zhong)依賴人(ren)工的檢(jian)測方式效率較低。大(da)型建(jian)筑(zhu)項(xiang)目往往涉及(ji)(ji)多棟建(jian)筑(zhu)物,要求專業(ye)檢(jian)測人(ren)員(yuan)對每(mei)一處細節進行仔細檢(jian)查(cha),這(zhe)(zhe)需(xu)要投入大(da)量的人(ren)力和時間成本。特別是對于一些大(da)型復(fu)雜的建(jian)筑(zhu)群來(lai)說,傳統的人(ren)工檢(jian)查(cha)很難在(zai)短時間內完成全面評估。這(zhe)(zhe)不僅(jin)會拖慢整個建(jian)筑(zhu)項(xiang)目的進度,也無法及(ji)(ji)時發現并(bing)解(jie)決存在(zai)的質量問題。

3、其次,人(ren)工檢查存(cun)在(zai)較(jiao)(jiao)強的(de)(de)主觀性。不(bu)同的(de)(de)檢測(ce)人(ren)員(yuan)對于(yu)同一(yi)問題的(de)(de)判(pan)斷標準(zhun)可(ke)(ke)能存(cun)在(zai)差異,導致檢測(ce)結(jie)果的(de)(de)可(ke)(ke)靠性和可(ke)(ke)重復性較(jiao)(jiao)差。某些隱(yin)藏(zang)的(de)(de)質量缺(que)陷(xian)很(hen)難被人(ren)工發現,檢測(ce)結(jie)果可(ke)(ke)能存(cun)在(zai)偏差。這不(bu)僅(jin)會影(ying)響到(dao)建筑物的(de)(de)質量,也(ye)可(ke)(ke)能引(yin)發一(yi)些安全隱(yin)患(huan)。

4、再者,人(ren)工檢(jian)查的(de)(de)(de)覆(fu)蓋范圍有限。檢(jian)測人(ren)員主要(yao)關注建筑(zhu)物的(de)(de)(de)表面(mian)和容易(yi)發現(xian)的(de)(de)(de)問題(ti),很難(nan)對內部結構等隱(yin)藏的(de)(de)(de)質量(liang)問題(ti)進行全(quan)面(mian)檢(jian)查。部分重要(yao)但不易(yi)發現(xian)的(de)(de)(de)質量(liang)缺陷可能被忽(hu)略,這(zhe)給建筑(zhu)物的(de)(de)(de)使(shi)用帶來了(le)潛在的(de)(de)(de)安全(quan)隱(yin)患。

5、此外,傳統的人工檢查方式成本(ben)較高。需(xu)要投(tou)入(ru)大量(liang)的專業檢測人員,耗費大量(liang)的人力成本(ben)。加之檢測過(guo)程耗時,也需(xu)要支付相(xiang)應(ying)的時間成本(ben)。這無疑增加了整(zheng)個建(jian)筑(zhu)項目的投(tou)資風(feng)險(xian),不利于(yu)建(jian)筑(zhu)企業的利潤(run)空間。

6、因此,迫切需(xu)要(yao)探索新(xin)的建筑質量檢測(ce)方法,以(yi)克服傳(chuan)統(tong)人工檢查的局限(xian)性(xing),提高檢測(ce)效率(lv)和準(zhun)確(que)性(xing),減少安全隱患,降低建筑成本。

技術實現思路

1、本發明提供了一種智能化建筑質量檢測方(fang)法及系統，擬解決目前傳統人(ren)工檢查的局限性的技術問(wen)題。

2、一種(zhong)智能(neng)化建(jian)筑質(zhi)量檢測方法，包括以下步(bu)驟：

3、步驟1：通過圖(tu)像(xiang)采集(ji)設備采集(ji)建筑外部(bu)和內部(bu)的(de)原(yuan)始圖(tu)像(xiang)數據集(ji)；

4、步驟(zou)2：對采集(ji)的(de)圖(tu)像(xiang)數據集(ji)進行清洗和標(biao)注，去除噪聲和不相關信息，標(biao)注建筑結構和特征(zheng)，得到第一圖(tu)像(xiang)數據集(ji)；

5、步驟(zou)3：采用第一圖像數據集，并(bing)基于深度學習模(mo)型對建筑的不同元素(su)進行檢測和分割，得(de)到圖像中不同位置(zhi)和邊界(jie)信息；

6、步(bu)驟4：構建(jian)端到端的建(jian)筑(zhu)質量評(ping)估(gu)(gu)模型(xing)，基于第一圖像(xiang)(xiang)數據(ju)集、圖像(xiang)(xiang)中不同位置和(he)邊界(jie)信息對所(suo)述(shu)建(jian)筑(zhu)質量評(ping)估(gu)(gu)模型(xing)進行訓練(lian)，得到訓練(lian)好(hao)的建(jian)筑(zhu)質量評(ping)估(gu)(gu)模型(xing)；

7、步驟5：將所述訓練好的(de)建筑(zhu)質量評估(gu)模(mo)型部署到應用場景中(zhong)，得(de)到建筑(zhu)質量的(de)評估(gu)結(jie)果。

8、本發(fa)明基于深度學習模(mo)(mo)型對建(jian)筑(zhu)的(de)(de)(de)不同(tong)元(yuan)素進行(xing)檢(jian)測和(he)分割，得(de)到圖像中各個部位的(de)(de)(de)位置(zhi)和(he)邊界信息，使得(de)可以(yi)客觀全面的(de)(de)(de)分析(xi)建(jian)筑(zhu)圖像，避免人工檢(jian)查的(de)(de)(de)主(zhu)觀性和(he)局限(xian)性；并(bing)且本發(fa)明通過(guo)構(gou)建(jian)端(duan)到端(duan)的(de)(de)(de)建(jian)筑(zhu)質量(liang)評估(gu)(gu)模(mo)(mo)型，通過(guo)建(jian)筑(zhu)質量(liang)評估(gu)(gu)模(mo)(mo)型自(zi)動化(hua)、智能化(hua)的(de)(de)(de)對建(jian)筑(zhu)質量(liang)進行(xing)評分，大大提高了建(jian)筑(zhu)質量(liang)檢(jian)測的(de)(de)(de)效率和(he)準確性，避免依(yi)賴人工檢(jian)查的(de)(de)(de)局限(xian)性。

9、優選的(de)，所述(shu)步驟3中(zhong)的(de)深(shen)度學(xue)習模型采用mask?r-cnn模型；

10、所述mask?r-cnn模(mo)型包括骨(gu)干網絡、區域提議網絡、目標檢測頭(tou)和分割頭(tou)；

11、所述骨干網絡采用(yong)(yong)用(yong)(yong)于特征提取的卷積神經網絡；

12、所述(shu)區域提議網絡用于生(sheng)成候選區域的邊界框；

13、所述目標檢測(ce)頭用于(yu)對候選區(qu)域進行(xing)分類(lei)和(he)邊界框回歸；

14、所述(shu)分割頭用于為每(mei)個檢測到的對(dui)象生成(cheng)一個二進(jin)制分割掩碼(ma)。

15、優選的，所述mask?r-cnn模型的訓練步驟如下：

16、將第一圖(tu)(tu)像數據集劃(hua)分為訓練集和(he)驗(yan)證集；其中所述(shu)第一圖(tu)(tu)像數據集中包括原始圖(tu)(tu)像和(he)對(dui)應(ying)的(de)標注信息(xi)，其中標注信息(xi)包括建(jian)筑元素的(de)類別和(he)邊界框以及每個(ge)元素的(de)分割(ge)掩碼；

17、采用(yong)預訓練(lian)的(de)骨干網(wang)絡來初(chu)始化模型(xing)的(de)權重參數(shu)；

18、采(cai)用訓練集對(dui)mask?r-cnn模型進行訓練，通過反向傳(chuan)播算(suan)法更新模型的(de)參數(shu)，使損(sun)失(shi)函數(shu)最小(xiao)化；

19、其(qi)中損(sun)失函(han)(han)數(shu)包括(kuo)交叉熵損(sun)失函(han)(han)數(shu)、平滑l1損(sun)失函(han)(han)數(shu)以及dice損(sun)失函(han)(han)數(shu)；

20、所述(shu)交叉熵損失函(han)數用于(yu)目(mu)標(biao)檢測任務的(de)分類損失；所述(shu)平(ping)滑l1損失函(han)數用于(yu)邊界(jie)框回(hui)歸(gui)損失；所述(shu)dice損失函(han)數用于(yu)分割任務的(de)損失；

21、基于驗證集(ji)對mask?r-cnn模(mo)型(xing)的性能進行評估，基于評估結果調整模(mo)型(xing)的參(can)數；

22、將訓練好的(de)mask?r-cnn模型存(cun)儲(chu)到數據庫中用(yong)于后續的(de)推斷和應用(yong)。

23、優選的，在所(suo)述mask?r-cnn模型的后續推斷過程中(zhong)采用多(duo)尺度(du)測試技術對檢測結(jie)果(guo)進行優化，具體步驟(zou)如下：

24、在推斷過(guo)程中，首(shou)先構建圖像(xiang)(xiang)(xiang)金字塔(ta)，通過(guo)縮放原(yuan)始圖像(xiang)(xiang)(xiang)來生成不同尺度(du)的圖像(xiang)(xiang)(xiang)；

25、對于(yu)每個尺度的圖像(xiang)，使用訓(xun)練好(hao)mask?r-cnn模(mo)型進行目(mu)標檢(jian)測和(he)分(fen)割，得到不(bu)同(tong)尺度下檢(jian)測的建筑元素，并(bing)生成相應(ying)的分(fen)割掩碼；

26、將不同尺度下的檢(jian)測結果進行合(he)并，再基(ji)于非極(ji)大值抑制的方法(fa)對(dui)合(he)并后(hou)的檢(jian)測結果進行后(hou)處理(li)，以去除重疊的邊界框。

27、優(you)選的，所述(shu)建(jian)筑質量評估模(mo)型采用卷積神經網(wang)絡(luo)模(mo)型，所述(shu)卷積神經網(wang)絡(luo)模(mo)型包括如下(xia)結構(gou)：

28、輸(shu)入層：用于接搜(sou)建筑(zhu)圖像數據作為輸(shu)入；

29、卷(juan)積(ji)層(ceng)(ceng)(ceng)堆疊：包括多個(ge)(ge)(ge)卷(juan)積(ji)層(ceng)(ceng)(ceng)，每個(ge)(ge)(ge)卷(juan)積(ji)層(ceng)(ceng)(ceng)后面跟隨一(yi)(yi)(yi)個(ge)(ge)(ge)批(pi)量歸(gui)(gui)一(yi)(yi)(yi)化層(ceng)(ceng)(ceng)和relu激(ji)(ji)活函數；其(qi)中第一(yi)(yi)(yi)個(ge)(ge)(ge)卷(juan)積(ji)層(ceng)(ceng)(ceng)用于接(jie)收(shou)輸入層(ceng)(ceng)(ceng)的輸出(chu)數據，輸出(chu)經過卷(juan)積(ji)核(he)濾波(bo)后的特征圖；所述批(pi)量歸(gui)(gui)一(yi)(yi)(yi)層(ceng)(ceng)(ceng)用于對卷(juan)積(ji)層(ceng)(ceng)(ceng)的輸出(chu)進行批(pi)量歸(gui)(gui)一(yi)(yi)(yi)化，加(jia)速模型(xing)收(shou)斂；所述relu激(ji)(ji)活函數用于對歸(gui)(gui)一(yi)(yi)(yi)化的特征圖進行非(fei)線性(xing)激(ji)(ji)活；

30、池化層(ceng)：每個所(suo)述激(ji)活(huo)函數(shu)的后面連(lian)接有(you)一(yi)個池化層(ceng)，基于(yu)所(suo)述池化層(ceng)對特征圖進行(xing)降維；

31、全(quan)連(lian)接層：將(jiang)池化層輸出的(de)特征圖展(zhan)平成一(yi)維向量，作為全(quan)連(lian)接層的(de)輸入；其中(zhong)全(quan)連(lian)接層包含多個隱(yin)藏層和輸出層，用(yong)于將(jiang)高級別的(de)特征表示映射(she)到建筑(zhu)質量評分(fen)的(de)空間中(zhong)；

32、所述輸出(chu)(chu)層具備一個輸出(chu)(chu)節點用于輸出(chu)(chu)建筑質量評分。

33、優選的(de)(de)，所述卷積神經網絡模型的(de)(de)訓練步驟如下：

34、基于(yu)圖(tu)像(xiang)中(zhong)不同位置和邊界信息與第一圖(tu)像(xiang)數(shu)據集(ji)中(zhong)的(de)圖(tu)像(xiang)進行匹(pi)配(pei)，經過(guo)匹(pi)配(pei)后得到匹(pi)配(pei)數(shu)據集(ji)，將匹(pi)配(pei)數(shu)據集(ji)劃分為訓練(lian)集(ji)和驗證集(ji)；

35、采用隨機初始化的方式來(lai)初始化卷積神經(jing)網(wang)絡模(mo)型的權重參數；

36、采用(yong)均方誤差(cha)損(sun)失函數(shu)作為卷積神經網(wang)絡模型的損(sun)失函數(shu)；

37、訓(xun)練過(guo)程中(zhong)，利(li)用訓(xun)練集對卷積神經網絡模型進行訓(xun)練，通過(guo)反向傳播算(suan)法和隨機梯度下降來更新模型的參(can)數，使損失(shi)函(han)數最(zui)小(xiao)化；

38、采用(yong)驗證(zheng)集評(ping)(ping)估模型(xing)在(zai)建筑(zhu)質量評(ping)(ping)估任務上的性(xing)能(neng)，通過計算r方值來評(ping)(ping)估模型(xing)的性(xing)能(neng)，根(gen)據評(ping)(ping)估結果調整神(shen)經(jing)網絡模型(xing)的超參數。

39、一種智能化(hua)建(jian)筑質(zhi)量檢測(ce)系統，包括圖(tu)像采集模(mo)塊(kuai)、圖(tu)像預處理模(mo)塊(kuai)、建(jian)筑元素檢測(ce)與分割模(mo)塊(kuai)以(yi)及建(jian)筑質(zhi)量評估模(mo)塊(kuai)；

40、所述圖(tu)像采(cai)集模塊用于采(cai)集建筑(zhu)物的內(nei)部和外部圖(tu)像，形成原(yuan)始圖(tu)像數據(ju)集；

41、所述圖像預處(chu)理模塊用于(yu)對(dui)采(cai)集的原(yuan)始圖像數據(ju)集進行清洗去除(chu)噪聲和不相關信息，得到新圖像數據(ju)集；

42、所述建筑元(yuan)素(su)檢測與分割(ge)模塊中部(bu)署有(you)訓(xun)練(lian)好的(de)mask?r-cnn模型，基于所述訓(xun)練(lian)好的(de)mask?r-cnn模型對新圖像(xiang)數據集進行(xing)建筑元(yuan)素(su)的(de)檢測和分割(ge)，得到圖像(xiang)中不同位置和邊(bian)界信息(xi)；

43、所(suo)述(shu)建筑質量評(ping)估(gu)(gu)模(mo)塊中部(bu)署有(you)訓練好卷積(ji)神(shen)經網絡模(mo)型(xing)，基于所(suo)述(shu)訓練好的(de)卷積(ji)神(shen)經網絡模(mo)型(xing)對新(xin)的(de)圖(tu)像數據(ju)進(jin)行質量評(ping)估(gu)(gu)，輸(shu)出建筑質量的(de)評(ping)估(gu)(gu)結果。

44、本發明的有益(yi)效果包括：

45、本發(fa)明(ming)基(ji)于(yu)深度學習模型(xing)對建(jian)筑(zhu)的不同元(yuan)素進行(xing)檢測和(he)分(fen)割，得到(dao)圖(tu)像中各(ge)個部位(wei)的位(wei)置和(he)邊界信息，使得可以客觀全面的分(fen)析(xi)建(jian)筑(zhu)圖(tu)像，避免(mian)人工(gong)檢查(cha)的主觀性(xing)和(he)局限(xian)性(xing)；并且本發(fa)明(ming)通(tong)過構建(jian)端(duan)(duan)到(dao)端(duan)(duan)的建(jian)筑(zhu)質量評估(gu)模型(xing)，通(tong)過建(jian)筑(zhu)質量評估(gu)模型(xing)自動(dong)化(hua)、智能化(hua)的對建(jian)筑(zhu)質量進行(xing)評分(fen)，大大提高了建(jian)筑(zhu)質量檢測的效率和(he)準確(que)性(xing)，避免(mian)依(yi)賴人工(gong)檢查(cha)的局限(xian)性(xing)。