元本检测(荆州)有限公司 荆州市 434020
【摘要】裂缝是为现阶段各类建筑极为常见的一类破损,形成裂缝会对建筑物的全局性、耐久性以及抗震性产生不利影响,继而降低建筑的施工质量。一方面,居住者对于裂缝的出现会形成心理与感观的双重不利刺激,另外一方面,如果对裂缝一直不采取措施加以处理,则极易造成不必要的安全事故或隐患。而机器视觉作为一类创新型的智能检测仪器,其对于建筑外墙裂缝检测中得到了普及性应用。本文基于机器视觉,对检测相关外墙裂缝开展探讨,旨在为后续研究提供有益参照。
【关键词】机器视觉;外墙;裂缝检测;墙体裂缝
近年,我国地产业发展迅速,建筑规模持续攀升。随之而来建筑物品质不过关、墙体裂纹、渗漏等相关事故不为增加。因此强化建筑外墙开裂检测,对建筑外墙施工开展全面监测成为现阶段各方关注的共同课题。
一、机器视觉概述
机器视觉为现阶段智能检测领域的新兴课题之一,其借助成像传感器来掌握客观事物视频或图像资料,随后经由图像处理算法将相关目标所具备的特征信息提取出来,最终确保检测及控制的自动化与智能化。就建筑外墙裂缝检测而言,要机器视觉这一先进技术,可降低实现裂缝的自动检测与尺寸测量。可在提升检测效率的同时,不断减少检测误差。
二、基于机器视觉的外墙裂缝检测
基于机器视觉的外墙裂缝检测涉及到多类检测技术,受篇幅所限,本节以无人机为基础,探讨基于计算机视觉的外墙裂纹检测内容。
(一)基于无人机的建筑墙面裂缝检测技术
基于无人机这一机器视角,开展建筑外墙裂缝检测分成三部分进行技术,即无人机先行开展建筑外墙立面观测;随后进行裂缝识别;最后提取裂缝的基础特征。
第一,建筑外墙立面观测则以被观测建筑为对象,结合其外墙立面的主要特点,选定规则墙面航线开展无人机自主飞行,外墙墙面复杂则手动贴近拍摄,借助搭载运动相机和RTK模块的精灵4RTK旋翼无人机完成外墙相关数据的收集。同时对采集完成的各种无人机影像数据开展预处理,将影像POS数据导出后后进行解算,随之获得影像对应的现实地理坐标,借助相机参数设置对影像开展畸变矫正,经由高斯及中值两类滤波进行影像滤波处理。使用限制对比度自适应直方图均衡手段,将局部对比度进行调整,使裂缝细节得以完整展现出来。
第二,识别外墙裂缝后进行检测。通常选用以深度残差网络这一常用的深度学习手段,完成外墙裂缝数据集的识别,然后在多次裂缝检测中训练并提升裂缝识别水平及能力。不断优化训练模型并改进训练参数,最终借助此模型识别外墙所有裂缝区域后完成检测。
第三,提取裂缝几何特征。首先借助边缘检测来得到外墙裂缝区域内的具体开裂信息,随后借助形态学的膨胀、腐蚀、开与闭两类运算完成外墙裂纹轮廓的描述及连接,开展连通域搜索以正确掌握裂缝影响的范围,借助推算其最小外接矩形面积,对外墙影响区域进行准确评估。随后将提取影像骨架线连接起来,借助计算影像像素解析度获得裂缝的具体长度后,可视化揭示出裂缝在外墙立面的走势及位置。
(二)无人机建筑外墙立面裂缝观测
无人机建筑外墙立面裂缝观测涵盖有外墙立面的数据采集、解析裂纹影像的具体像素并加以计算、数据库系统构建、裂缝识别与后续验证。
1、外墙立面的数据采集
本文借助大疆精灵4RTK翼无人机,同时搭载FC6310R相机采集外墙立面裂缝的具体影像,单次采集设置其影像分辨率为。采集时要依照任务需求及时调整建筑外墙的建成年份、立面种类及裂缝病害的数量,无人机飞行高度设置为5到70米。相机像元大小及焦距分别对应2.41微米、8.8毫米。距离外墙1.5~5米开展数据采集时,可利用有效公式得出采集外墙立面的影像成果分辨率位于
间,可以使外墙裂缝识别达到亚毫米精准化需求。且将RTK模块搭载于无人机时,定位实现了厘米级高精定位,确保外墙近距离的裂缝可以实现高清拍摄。
2、外墙立面裂缝的影像像素解析与计算
就外墙近景摄影的测算而言,多借助相机自身的内外方位元素对照被测定物体二者间的距离而得到相片像素和实物的真正对应关系。像素解析度即为被测实物的真实物理尺寸对照相机影像内像素间的比例。无人机多搭载相机进行影像拍摄,此类相机多设有高倍光变焦镜头,当采集裂缝具体数据时,图像视野相对不大,且光轴对照被测外墙平面法线形成不大的夹角。由此假设图像全部像素点在现实空间内对应物形成的点距对照相机投影均保持同一距离,则每张外墙裂缝图像内可视作各像素有着统一的像素解析度,因此取均距离值即可认为是裂缝的全图像素解析度。
3、裂缝影像数据库的构建
城市建筑外墙表面建材除传统的混凝土,还有涂料、石材等不同立面。从立面饰物而言,则外墙还会有空调外机、窗台、拼接缝及水锈等其他干扰要素。因此,对外墙裂缝进行识别要以建立建筑外墙立面场景为基础,同时描述具泛化性的裂缝样本以作识别数据集。把前面采集的各影像裁剪成的图块,随后对有裂纹图块进行标注及分类处理,以获得正负样本各为八千的图像数据集。因外墙裂缝的不对称及不规则等显著特点,要引入数据增广理念,对外墙样本的亮度、对比度、方向翻转等开展随机变换,以提升强数据集真实的泛化能力。
4、外墙裂缝识别与检验
建完外墙裂纹影像数据集,随后借助数据增广处理好相关数据的正负样本后,可得出更多的开裂数据集。把此数据集与Pytorch框架实现接入后,搭建起ResNet101网络开展识别,调整相应参数直至影像集网络收敛,由loss值波动走势可知,用于测试裂缝影像网络在多个epoch内均匀速收敛,这证明数据集通过检验,即其具体相应的可训练性,网络训练时还要同步检验数据集的整体精准率,确保变化走势与loss值波动同步,如此完成外墙裂缝检测。
结语
本文先对机器视觉的内涵及外延进行简要概述,随后以此为基础阐述基于机器视觉的外墙裂缝检测。随后以无人机为例,详细探讨其于无人机这一机器视觉的建筑外墙裂缝检测全过程的实践手法。从分析可知,基于无人机开展外墙开裂检测,首先要与外墙贴近,以提升摄影及测量准确度,使外墙影像质量更高;随后完成裂缝几何信息特征的相关提取。要准确采集相关数据,随后基于外墙裂缝数据采集这一基础,完成裂缝影像像素解析与计算。再次,完成裂缝影像数据库的构建,并开展外墙裂缝识别与检验。整个外墙裂缝检测基于无人机视角的实践操作要确保数据集变化与loss值波动保持同步统一,以提升外墙裂缝检测准确度。
参考文献:
[1]夏子祺,马临原,单伽锃,吕西林.基于计算机视觉的建筑外墙剥落和裂缝两阶段检测方法[J].建筑结构学报,2023,44(02):217-226.
[2]韩豫,孙昊,李雷,马国鑫,尤少迪.基于无人机的建筑外墙裂缝快速检查系统设计与实现[J].土木工程与管理学报,2019,36(03):60-65.