[发明专利]一种基于红外热成像仪的玻璃幕墙检测方法

说明书

本发明涉及红外热成像技术领域，尤其是一种基于红外热成像仪的玻璃幕墙检测方法，基于Numpy、OpenCV等库，利用红外图像作为输入，对红外图像进行预处理，减小噪声的影响。对温度异常区域进行分割，通过机器学习对分割出来的异常区域进行分类，找到存在缺陷区域，经过对玻璃幕墙的红外图像的进行机器学习，并对待分类图像进行处理，从而更加准确的识别玻璃幕中存在缺陷区域。

技术领域

本发明涉及红外热成像技术领域，尤其是一种基于红外热成像仪的玻璃幕墙检测方法。

背景技术

玻璃幕墙作为一种美观新颖的建筑墙体，被广泛应用于现代高层建筑。现代玻璃幕墙一般由钢材骨架、玻璃面板、硅酮结构胶(以下简称结构胶)以及钢材构件组成。在实际应用环境中，由于主体结构变形、结构胶安装不合理或老化以及玻璃自身在生产加工过程中产生的瑕疵，都可能会对玻璃幕墙的气密性、水密性造成影响，导致雨水渗漏、保温性能下降，局部温度异于主体温度。这种异常无法被肉眼捕捉，因此采用红外热像仪对玻璃幕墙进行检测。同时玻璃幕墙通常大面积装配于高层建筑，人工检测效率低下，成本昂贵，危险性高。采用无人机则可以轻松解决以上问题。但受红外热像仪本身和检测环境的影响，红外图像与可见光图像相比，存在对比度低、边缘模糊、噪声复杂等缺点。

发明内容

本发明要解决的技术问题是提供一种基于红外热成像仪的玻璃幕墙检测方法，经过对玻璃幕墙的红外图像进行处理，从而准确的识别玻璃幕中存在缺陷区域，所述缺陷区域是指玻璃幕墙中存在结构变形、损坏等需要维修或更换区域。

本发明利用搭载于无人机的红外热像仪对玻璃幕墙进行拍摄，将获得的红外图像作为输入，通过图像处理检测幕墙是否存在缺陷。

一种基于红外热成像仪的玻璃幕墙检测方法，具体包括以下几个步骤；

步骤1，利用红外热像仪采集玻璃幕墙检的红外图像训练样本集，对支持向量机模型进行训练和测试，得到训练后的支持向量机模型；

利用红外热像仪对幕墙进行图像拍摄，形成红外图像训练样本集，红外图像训练样本集包括红外图像训练正样本集和红外图像训练负样本集，所述红外图像训练正样本集是指存在缺陷、且温异常的玻璃幕墙所对应的红外图像，所述红外图像训练负样本集是指不存在缺陷、但温度异常的玻璃幕墙对应的红外图像，利用红外图像训练正样本集和红外图像训练负样本集对支持向量机模型进行训练和测试，并获得训练后的支持向量机模型，训练后的支持向量机模型可以完成对输入的待测红外图像进行分类。

步骤2，利用无人机搭载的红外热像仪对待检测幕墙进行图像拍摄，形成待测红外图像集。

步骤3，对待测红外图像集进行处理，并筛选出温度异常区域红外图像集；

步骤4，对步骤3中筛选出的具有温度异常区域的红外图像进行特征提取，并输入到训练后的支持向量机模型中，进行分类，区分出存在缺陷的玻璃幕墙所对应的红外图像；

步骤4.1，对具有温度异常区域的红外图像，进行红外图像灰度直方图特征提取；

步骤4.2，将红外图像灰度直方图输入到训练后的支持向量机模型中，进行分类，区分出存在缺陷的玻璃幕墙所对应的红外图像；

进一步的，步骤3中对待测红外图像集进行处理，并筛选出温度异常区域红外图像集，具体包括如下步骤；

步骤3.1，对待测红外图像集进行图像增强处理以及去噪处理，形成去噪后待测红外图像集；

去噪处理方法包括高斯滤波方法、中值滤波方法和双边滤波方法，本发明中采用高斯滤波方法。

步骤3.2，采用图像分割算法将去噪后待测红外图像集中的红外图像温度异常区域分割出来，形成温度异常区域红外图像集；

步骤3.2.1，计算去噪后待测红外图像集中图像的梯度和幅度；