[发明专利]基于深度学习的建筑墙面渗漏水表观发育状况预测方法

权利要求书

1.基于深度学习的建筑墙面渗漏水表观发育状况预测方法，其特征在于：包括以下步骤，

获取建筑墙面渗漏水视频，并对所述渗漏水视频中的所有帧图像进行畸变校正；

通过基于深度学习网络的视频语义分割和二值化技术从所述所有帧图像中提取出渗漏水的形状信息，从而建立用于渗漏水表观发育状况预测的时序样本库；

将所述时序样本库输入至Transformer网络，获得时间与渗漏水表观发育状况关系的时序预测模型；

将待预测的建筑墙面渗漏水视频输入所述时序预测模型，获得未来某个时间的建筑墙面渗漏水表观发育状况，所述渗漏水表观发育状况包括渗漏水的形状信息。

2.根据权利要求1所述的方法，其特征在于：所述方法还包括，

在获得未来某个时间的建筑墙面渗漏水表观发育状况后，再根据所述渗漏水的形状信息以及预设的判断条件确定渗漏水的阶段；其中，所述渗漏水的阶段包括渗漏水发生阶段、渗漏水发展阶段、渗漏水扩展阶段和渗漏水成型阶段。

3.根据权利要求1或2所述的方法，其特征在于：所述获取建筑墙面渗漏水视频，并对所述渗漏水视频中的所有帧图像进行畸变校正的步骤为：

采用计算机视觉工具包HALCON标定方法对相机进行标定,获取相机内部参数；

保持相机内部参数不变，在建筑墙面正面拍摄出所述渗漏水视频，并测量拍摄距离与拍摄倾角；

再采用除法畸变模型对所述渗漏水视频中的所有帧图像进行畸变校正。

4.根据权利要求3所述的方法，其特征在于：所述采用计算机视觉工具包HALCON标定方法对相机进行标定,获取相机内部参数的步骤为：

选取陶瓷材质的标定板；

采样时保持光源位于标定板的前方，且所述光源位于相机相反的方向，并保证标定板的四角全部在相机的视野范围内；

采集12幅以上标定板图像；

用HALCON标定程序对所采集的标定板图像进行处理,获取相机内部参数。

5.根据权利要求3所述的方法，其特征在于：所述采用除法畸变模型对所述渗漏水视频中的所有帧图像进行畸变校正的步骤为：

采用除法畸变模型,对所有帧图像进行畸变校正,径向畸变校正公式如下：

其中，分别表示畸变后的投影点在成像平面坐标系下的行坐标和列坐标；径向畸变参数κ表示径向畸变量级,如果κ为负,畸变为桶型畸变,如果κ为正,畸变为枕型畸变；u、v分别表示畸变校正后的投影点在成像平面坐标系下的行坐标和列坐标。

6.根据权利要求1或2所述的方法，其特征在于：所述通过基于深度学习网络的视频语义分割和二值化技术从所述所有帧图像中提取出渗漏水的形状信息，从而建立用于渗漏水表观发育状况预测的时序样本库的步骤为：

以预设的间隔从所有帧图像中选取部分帧图像，并使用labelme图像标注工具对所述部分帧图像进行手动标注后获得手动标注样本；

根据所述手动标注样本，利用空间位移卷积块预测未来帧和未来标签，并同时传播未来帧和未来标签，获得合成样本，形成渗漏水数据库；

用所述渗漏水数据库训练Deeplabv+3模型，得到渗漏水形状语义分割模型；

通过所述渗漏水形状语义分割模型对所有帧图像进行语义分割，提取出渗漏水图像；

将从所有帧图像中提取出的所述渗漏水图像转化成灰度图；

获取每帧灰度图中黑色部分的形状信息，形成时间与渗漏水形状特征的对应关系，获得用于渗漏水表观发育状况预测的时序样本库。