文摘

建筑墙体表面缺陷的检测具有重要意义,消除潜在的安全隐患。在本文中,研究建筑墙设计缺陷提出了基于偏微分方程的图像识别方法。收集建筑表面缺陷的图像数据,采样和量化收集到的图片,和数字阈值分割等缺陷图像进行预处理,过滤和增强。然后,改进的偏微分方程用于识别图像作为一个整体。二阶偏微分扩散方程和四阶偏微分方程用于识别图像的高频和低频带,分别。内核主成分分析算法将输入空间整体形象转移到高维特征空间。内核函数是用来计算内积不同子带图像的高维特征空间来减少整体形象的维度。加工系数由nondownsampling轮廓波反向转换实现整体形象识别,确保源图像的边缘信息不消失。实验结果表明,与其他算法相比,该算法具有更好的效果和更好的稳定性。

1。介绍

近年来,随着建筑工程技术的快速发展,人民对施工质量的要求越来越严格。建筑物的表面是由混凝土材料,很容易形成缺陷在不断变化的外部环境1,2]。在工程实践和现代工程材料的质量的研究,最常见的质量问题的缺陷是建筑结构墙表面,和建筑墙的破坏总是从缺陷。小缺陷将影响建筑物的安全,在大缺陷将会破坏结构完整性的同时,缩短建筑物的使用寿命,导致安全事故,危及人们的生命和财产安全,并产生严重后果(3,4]。建筑墙体缺陷无法避免,但损害的建筑可以减少建筑物的缺陷及时识别。目前,有害的和无害的边界建立缺陷主要是基于工程建设标准的确定和基本生活经验。对于一些特殊的项目,应考虑心理和审美需求(5]。建筑变得越来越高,如何避免一些缺陷和外部干扰下实现nonmanual识别已成为迫切需要解决的问题。发现通过识别建筑墙缺陷图像,可以提前分析缺陷像素特征,建筑墙体缺陷可以有效地识别,可以减少劳动成本(6,7]。

许多研究人员已经改进了传统的图像模式识别方法。文献[8进行缺陷图像识别通过颜色特征歧视的方法。这种方法注册两个不同缺陷通过注册算法结合图像梯度和交叉累计剩余熵和使用像素比例方法识别缺陷的建筑形象墙。然而,这种方法有可怜的识别精度的条件下确定的照明。文献[9)主要建筑墙体缺陷的提取图像特征通过SiTF算法,节省了文学XML特性,创建一个图像特征数据库,保存特性文件信息和图像的基本信息,最后利用GPS的组合匹配和筛选特征匹配来识别建筑墙体缺陷图像,但这种方法受限于GPS和需要很长时间。文献[10)提出了一种支持向量机方法,它使用精明的经营者获得建筑墙缺陷的边缘图像,使用霍夫变换算法提取的直线缺陷边缘图像,然后检测直线的位置关系,检测通过定位原理,并生成一条直线关系图根据直线之间的位置关系。最后,通过遍历得到封闭的几何线形图实现图像识别建筑墙的缺陷,但该方法耗时长、大误差的问题。

解决上面的问题,建筑墙设计缺陷的图像识别基于偏微分方程的研究。通过引入二阶偏微分扩散方程和四阶偏微分方程图像的高频和低频部分是公认的,核函数是用来计算内积不同子带图像的高维特征空间来减少整体形象的维度,从而实现建筑墙体缺陷的识别形象。本文的第一部分介绍研究的背景和国内外研究现状。第二部分是数据采集和预处理的建筑墙设计缺陷图像。第三部分是基于偏微分方程的图像目标识别缺陷。第四部分是实验结果和分析。第五部分是全文的总结。实验结果表明,改进后的方法优于传统的识别方法的预处理效果,识别时间和准确性。

2。图像增强的建筑墙设计缺陷

研究缺陷图像识别基于偏微分方程的建筑墙设计需要收集建筑表面缺陷的图像数据,然后取样和量化收集到的图像来实现缺陷图像的数字处理。收集缺陷图像数据主要从三个方面:收集缺陷图像由人工现场采集,收集缺陷图像在实验室和收集缺陷图像的无人机(11,12]。其中,人工现场采集方法相对比较简单,主要是通过手工图像采集,和工具是pa线扫描相机。当在实验室采集图像,它主要是收集图像数据相关的建筑混凝土梁弯曲实验,采集工具是单反数码相机。当收集缺陷图像的无人机,飞机模型是RTK配备航空摄影机。

2.1。图像数据采集的缺陷

为了使训练模型的泛化能力和鲁棒性强,形象的多样性需要充分考虑当收集缺陷图像(13]。收购一些图像的距离小于0.5米,和剩余的图像采集距离是0.5 ~ 1米。阴影和光照等影响因素时充分考虑收购。

总共有240张图片由人工现场采集,收集的像素的分辨率 。总共120张图片收集在实验室的决议 。总共有360张图片收集的无人机,像素的分辨率 。700幅图像中收集到的图片,用于模型试验的过程中,验证,和培训,剩下的图像用于二次测试。为了增加在整个数据集的数据量和获得更高的识别模型的准确性,为收集到的图像实现图像剪裁,所以决议改变图像像素 。缺陷图像自动剪从窗口滑动在Python语言分割算法。然后,背景图像的一部分没有缺陷和混凝土,最后,图像标记。标记内容缺陷免费图片和缺陷图像,作为数据库用于测试,验证,和培训。有20000个缺陷图像数据库中的图像。随机选择生成测试集,验证集,由剪切和训练集。这一步,我们可以确保数据库中的数据丰富,包含更广泛的图像类型,如大的缺陷,小缺陷,缺陷,边缘变形缺陷,凸起,纹理,划痕和其他缺陷免费图片。

本文研究壁缺陷主要分为两种类型:裂缝区域和缺陷区域。为了更好地理解建筑表面缺陷的图像数据的降维可视化数据集通过随机嵌入的实现 - - - - - -分布式社区。样本和收集到的图像进行量化,数字处理的具体流程如图1。

2.2。图像数据预处理的建筑墙的缺陷

数字处理后获得的图像数据,它还需要预处理。具体步骤包括阈值分割、滤波和增强。

2.2.1。阈值分割处理

Ostu阈值分割方法的自动分割方法,它属于全球市场细分方法自动参数选择。它主要使用基于灰度直方图的图像灰度统计获得。阈值是通过最大化解决组内的方差。阈值作为判断标准对图像像素进行分类,分为背景和前景。

首先,实际的灰色的期望第一像素计算,也就是说,

在方程(1),代表实际的第一像素灰度的期望;代表的实际发生频率像素的灰度在图像;代表了一个灰色的阈值。

的实际灰度期望第二像素计算,也就是说,

在方程(2),代表实际的第二像素灰度的期望;代表了相应数量的灰色鳞片的灰色空间。

接下来,实际的加权计算期望的第一个像素。

并计算相应的加权期望所有像素的图像。

最后,两个像素的实际组内的方差计算,即

在方程(5),2 b代表实际的组内的两个像素的方差。

2.2.2。过滤处理

过滤器选择过滤处理是将过滤器。特定的过滤处理过程如下:过滤函数的表达式如下:

在方程(6), 代表了过滤功能;代表截止频率; 代表了频域坐标。

频域函数的表达式如下:

在方程(7),和代表频域的左和右坐标像素。

根据上述计算postfrequency域滤波函数公式:

在方程(8), 代表了postfrequency域滤波函数。

最后,相应的函数在原空间域滤波后计算。

在方程(9), 代表相应的功能在原来的空间域滤波后; 代表了过滤阈值。

2.2.3。增强处理

图像增强是改善图像的视觉效果,提高图像的清晰度,突出一些有趣的特性,和抑制不感兴趣的特征,扩大图像中区别不同对象的特点,满足分析的需要。自适应增强方法是用于增强处理,具体处理步骤如下:

首先,计算缺陷的预期总灰度值图像。具体计算公式如下:

在方程(10),代表预期的缺陷图像的总灰度值。

最后,实现自适应图像增强。具体公式如下:

在方程(11), 表示自适应增强后的图像坐标;代表相应的函数的最大值后在原始空间域滤波;代表相应的函数的最小值滤波后原来的空间域。

3所示。基于偏微分方程的图像目标识别缺陷

现有的图像分割技术应用于识别缺陷图像面积条件下的背景(14]。结果表明,缺陷图像中的干扰辐射源的情况下背景(如天空背景和门窗开口)造成很大的干扰识别的缺陷区域。甚至会导致现有的图像分割技术无法完成缺陷图像的识别区域背景条件下。数字阈值分割、滤波和增强缺陷图像的预处理。内核主成分分析算法将输入空间整体形象转移到高维特征空间。内核函数是用来计算内积不同子带图像的高维特征空间来减少整体形象的维度。因此,本文提出了一个缺陷图像背景条件下的目标识别算法,及其基本技术流程图如图2:

3.1。背景去除

本文在天空缺陷图像分为背景背景,门窗打开背景,和其他背景干扰辐射源,天空背景的去除方法和门窗打开背景进行了研究[15,16]。背景去除主要是消除对无用的信息,而图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的检测能力,并简化数据在最大的程度上。

第一步是删除门窗开口的背景。具体的处理流程如下:第一步是把门窗开口的“矩形”,选择四个特征点的坐标的外轮廓的门窗开口缺陷图像,并构造切割矩形特征点的坐标值的外轮廓。第二步是正确的像素值裁剪矩形(7]。如果像素值在剪辑矩形分配缺陷图像的平均值或中位数温度价值,虚假的边缘是手动添加后续缺陷检测。“矩形”切割后的门窗打开和像素值的校正切割矩形,干扰辐射源的门窗打开已经完全移除,并移除伐区不能产生一个明显的错误边界(17]。

第二个是天空背景的去除。当只有天空干扰辐射源除了缺陷图像,目标辐射源温度缺陷图像的统计直方图呈现双峰的特点。因此,天空的具体过程缺陷图像中的干扰辐射源去除方法如下:首先,最小误差法应用于部分包含天空干扰辐射源的缺陷图像,分割图像的像素值区域处理。第二步是比较最优阈值之间的大小关系和缺陷图像的平均温度。当最优阈值小于缺陷图像的平均温度,重复步骤1。当最优阈值大于或等于平均温度的缺陷图像,算法结束。

后重复应用最小误差方法的图像分割技术,天空干扰辐射源的缺陷图像准确地剥离,剥离边界是相对明确。天空没有残余干扰辐射源的剥夺了缺陷图像。然而,在算法的计算过程,误差最小的图像分割技术重复多次,导致计算效率低的问题。因此,该算法需要进一步优化和改进。

3.2。缺陷目标识别算法基础上改进的偏微分方程

基于改进的偏微分方程图像目标识别,处理高频和低频图像的二阶偏微分扩散方程和四阶偏微分方程。加工系数由nondownsampling轮廓波反向转换,和内核的实现降维主成分分析算法。管理不同的子块后,重建数据通过核主成分分析算法,最后,整体形象识别是实现。图像识别流程如图3。从图可以看出3图像识别,本文分为两个部分,即整体图像处理和当地的图像识别。不同于其他传统方法,本文使用轮廓波变换将源图像分解,分解在不同的尺度上,不同的方向,获得不同的部分波段更准确地去除图像噪声,从而有效提高图像识别的准确性。

偏微分方程的各向异性的特征。二阶偏微分扩散方程如下: 在哪里 代表了媒介转换量与时间和空间的转换,和 是它的起始状态;代表浓度转换方向和转换的在中指定的部分(即。梯度算子);表示散度算子; 表示扩散系数,它可以表示如下: 在哪里是一个常数大于零,表明梯度阈值,然后呢nonincreasing函数大于零,如果 ,然后

从上面的公式可以看出,边界不会消失,因为周围的梯度延伸边界和正则化结束。边缘轮廓数据和图像的噪声大多位于nondownsampling轮廓波变换的高频波段,所以当使用高频的二阶偏微分扩散方程处理,它不仅能识别,但也确保源图像的边缘信息不消失。

图像的灰色渐变信息位于低频乐队。与高频波段相比,低频噪声的频带是更少。二阶偏微分扩散方程不仅可以消除大规模范围的噪声,但也导致高度的梯度突然改变。为了实现,没有图像块或一步问题过程中低频处理,用于识别四阶偏微分方程,边界是分段斜面所取代,这解决了块或一步问题引起的二阶偏微分扩散方程。这种方法不仅可以识别,也确保图像边界不会消失,所以四阶偏微分方程扩散算法可以更好地处理灰色转换的关键信息的源图像低频系数。处理过的高频系数和低频系数改变了nondownsampling逆轮廓波获得整体的识别形象。

改进的偏微分方程的基本计算过程如下:

步骤1。提取的缺陷图像处理图像中的干扰辐射源和过滤的图像与高斯函数抑制图像中的高频噪声。本文中选择高斯模板的大小 。截止频率是1.2。

步骤2。温度过滤缺陷图像的像素值是计算一阶微分,和温度梯度幅值矩阵和温度梯度方向矩阵。一阶微分计算模板选择摘要如下: 温度梯度幅值的计算公式和温度梯度方向缺陷图像的每个像素点如下: 在哪里 温度梯度幅值在吗方向和像素在缺陷图像的方向。

步骤3。nonmaximum抑制原理应用于初步提取温度异常区域的边缘缺陷图像。的具体实现步骤提取边缘的温度异常区域的缺陷图像通过使用nonmaximum抑制原理如下:首先,确定每个像素的梯度方向。摘要梯度方向分为四个等级:0,45岁,90年,135年,它的反向延长线通过使用线性插值技术。其次,找到当地最大的缺陷图像像素的梯度。通过比较缺陷图像中的每个像素的梯度值的两个值的梯度方向,根据比较结果,当像素的梯度值最大的三个值,像素的梯度值保持不变;否则,像素的梯度值设置为0。

步骤4。确定阈值的大小,进一步提取边缘的温度异常区域的缺陷图像根据双阈值方法。双阈值法的基本思想是使用两个阈值T1和T2 ( )。T1用于查找每个温度异常区域的边界,和T2是用来补充并连接的边界温度异常区域。改进的偏微分方程提高了抗噪声干扰的能力,具有较高的计算效率,更理想的边缘检测效果,更清晰的边缘。

为了验证缺陷图像目标识别算法的可行性在背景条件下,本文选择两组背景条件下缺陷图像,进行图像缺陷识别。结果如图所示4:

如图4,温度异常区域的缺陷图像与背景条件的两组是准确定位和优势相对明显,但提取的边缘不是关闭,边缘线段太厚。同时,很少有错误的认知现象的两组图像。如黑色圆形区域在图所示4和黄色的矩形区域,通过上面的观察,本文认为,该算法具有良好的可行性和精度高的缺陷目标识别缺陷图像与背景。同时,该算法仍有不足,需要进一步的研究和改进。

3.3。区域提取缺陷图像的区域

缺陷图像的区域提取面积缺陷图像检测的最后一步,也是关键一步获得定量数据的质量评价基于红外技术的建筑外墙。因此,研究了缺陷图像区域的区域提取算法。缺陷面积可以有效地测量缺陷的损伤程度和定量评估建筑物的安全性能。计算过程如下:

步骤1。提取每个点的坐标值绘制样条曲线。确定横坐标的最大和最小值之间的样条曲线上的每个点的坐标值和纵线的最大和最小值,以确定缺陷的一般范围面积。

步骤3。提取缺陷区域的边界特征点坐标;最小值和马克斯分为区间段的步骤1,坐标和相应的样条曲线上的点的坐标位于每个区间段。提取的和坐标是圆形至零,并记录在特定的变量,在哪里最小值和马克斯是最小值和最大值样条曲线上的各点的坐标。

步骤3。计算像素的数量根据提取缺陷区域和边界特征点的坐标值的缺陷区域。具体的方法是找到的最大和最小值的纵向坐标下的边界特征点相同根据坐标值的顺序边界特征点的坐标值从小型到大型的“凸”缺陷。像素的数量的样条曲线包围 - - - - - -坐标间隔计算使用公式 。然后,计算像素曲线包围的总数 - - - - - -协调的间隔。“凹”缺陷,“凹”的缺陷,下边界特征点的纵坐标值相同 - - - - - -协调值排列从小型到大型,和它们的值显示以下法律:连续increment-jump increment-continuous increment-jump increment-continuous增量。其中,跳越来越细分的偶数是nondefect区域,即“凹”的曲线。因此,计算缺陷像素的数量的“凹”缺陷分为两个步骤:首先,计算缺陷区域的像素的数量根据计算方法的数量“凸”缺陷区域的像素。然后,确定缺陷的“休息”,和“休会”区域的像素数量统计。最后,“休会”区域的像素数量从像素的总数。其中,跳增加部分是由使用不同的函数找到越来越多的步骤价值。

缺陷图像区域提取算法的基本原理提出了如图5:

本文的优点是利用改进的偏微分方程来确定图像作为一个整体。二阶偏微分扩散方程和四阶偏微分方程用于识别图像的高频和低频部分,分别。不仅墙上裂缝识别,而且缺陷面积计算。

4所示。实验结果和分析

为了验证改进的缺陷图像识别方法的有效性和可行性,实验比较分析是必要的。在实验中,改进后的方法和传统方法进行预处理,分别。可以看出条件下缺陷重合度,清晰、谷物重合度,并显示缺陷宽度指标,当使用颜色特征歧视方法时,处理效果清晰度低,缺陷是不清楚,与原始图像的巧合也非常穷,和缺陷宽度和原始图像的缺陷宽度不准确地显示出来。当支持向量机方法用于预处理,处理效果好,符合程度的缺陷纹理原始图像低,缺陷宽度是不能完全表达。采用改进的方法时,处理效果明显,缺陷线清晰,与原始图像的巧合是好的,和缺陷宽度非常接近原始图像的缺陷宽度。

的热传导过程影响建筑物的外墙墙缺陷和损伤,所以外部辐射源的作用下,温度分布在墙上缺陷明显不同于正常区域。通过分析墙的红外热图像,我们可以直观地显示缺陷的位置,初步判断缺陷的严重程度。为了进一步验证了改进方法的有效性和可行性在识别建筑墙体缺陷图像,不确定条件下的识别样本大小,实验进行比较分析与识别系数作为参考。结果如图6- - - - - -8。图中的实线是图像识别基准,即图像“船”和点非零元素。

从数据可以看出6- - - - - -8当采用改进方法,它可以从非零元素是非常稀疏的图像,它们中的大多数都是大约0,和非零项不是分布在各种类型,主要集中在图像“船”和最大系数值也对应于图像“船”,具有良好的识别效果。当使用颜色特征歧视方法,wt的系数作为测试样本在这个地区获得通过使用高斯随机矩阵和NMF然后解决了最低标准。非零项分布在不同的类别,有很多大的系数。很难判断哪些类别系数对应,和识别效果并不明显。

为了进一步验证了改进方法的有效性和可行性在识别缺陷的建筑形象墙,不确定条件下的识别,实验比较分析进行识别,识别率,报废率作为指标。结果如表所示1。

4.1。缺陷识别速度

实验结果的设计方法的识别率和颜色特征方法和建筑表面缺陷识别方法基于编解码器网络如表所示1和图9。

根据实验结果表的识别率1设计方法的识别率高于颜色特征的方法和基于编解码器网络建筑表面缺陷识别方法。

4.2。缺陷识别区域的结

在测试、识别范围的设计方法,颜色特征的方法,建立基于编解码器的表面缺陷识别方法网络表所示2和图10。根据识别范围实验结果表2设计方法的识别范围大于颜色特征的方法和基于编解码器的建筑表面缺陷识别方法的网络。

5。结论

墙作为建筑的焦点的缺陷检测,检测其表面缺陷不仅可以及时修复和弥补缺陷,防止发生的危险,但也避免老化造成的经济损失或结构性破坏。目前,缺乏整体的建筑表面裂纹缺陷识别方法,所以它具有重要意义研究建筑表面缺陷识别的问题。在本文中,研究建筑墙设计缺陷提出了基于偏微分方程的图像识别方法。基于图像的分布特点和改进的偏微分方程模型,建筑墙裂缝图像识别方法首先进行数字阈值分割的预处理,过滤和增强的缺陷图像,然后使用二阶偏微分扩散方程和四阶偏微分方程识别图像的高频和低频部分。内核函数是用来计算内积在不同子带图像的高维特征空间,减少整体形象的维度,实现缺陷在建筑墙体图像复杂背景下目标识别,并作出初步研究缺陷的计算面积。实验结果表明,改进后的方法优于传统的识别方法的预处理效果,识别系数和识别率和计算方法的复杂性。我们还可以建立一个深度学习卷积神经网络模型和学习使用输入图像模块,意见箱生成模块,卷积特征提取模块,分类,和帧回归模块。作为一种新的质量评价方法,仍有许多问题在红外技术的应用研究领域的建筑外墙质量评价。然而,随着学科的发展和科学技术的进步,将存在的问题逐步解决,和红外技术将进一步和广泛应用领域的建筑外墙质量评价。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项研究受到了人文社会科学研究重点项目在安徽大学:研究保护和继承的徽州建筑文化从新的城市化的角度(没有。:SK2016A0756) and the project of supporting outstanding young talents in Universities of Anhui Province: Study on Hierarchical classification protection mode and comprehensive utilization technology of Huizhou ancient dwellings under the background of new urbanization (No.: gxyq2018053).