[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

说明书

本发明公开了基于深度学习的建筑墙面渗漏水表观发育状况预测方法，属于深度学习领域，包括：获取建筑墙面渗漏水视频，对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有帧图像中提取出渗漏水的形状信息，建立用于渗漏水表观发育状况预测的时序样本库；将时序样本库输入至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，渗漏水表观发育状况包括渗漏水的形状信息。本发明通过建立基于深度学习的语义分割模型和时序预测模型，根据现有渗漏水视频预测未来的渗漏水形状，弥补现有技术的不足。

技术领域

本发明涉及深度学习技术领域，特别涉及一种基于深度学习的建筑墙面渗漏水表观发育状况预测方法。

背景技术

近年来,随着我国经济水平不断提高，综合国力逐渐增强，作为拉动经济的重要支点我国的基础设施建设呈现出蓬勃兴旺之势，从而促使房地产开发行业规模不断壮大，大型社区和高层建筑的数量与体量不断扩张。然而,由于房屋建筑在施工、养护与运营阶段所处环境非常复杂，致使其在使用过程中质量问题时有发生。其中,渗漏水是建筑物最常见的病害之一。

随着技术的进步，传统的通过人工评估墙面渗漏水的方法，由于其存在结果主观性大、对检测人员专业经验要求较高以及精度和效率较低等缺点，正逐渐被新的方法替代。

随着计算机技术的快速发展，深度学习方法逐渐取代传统图像处理技术而成为图像分类、目标检测与实例分割的的主流方法，因此被广泛应用于土木工程行业，并已取得诸多成果。基于深度学习的渗漏水表观发育状况检测也已应用在建筑行业，具有比人工更加精确、便捷的优势。另外，对于形状检测方面，各个领域也有了长足的进展。但是对包含时间信息的渗漏水发展预测方面的研究方面，还暂时处于空白阶段。

2010年刘蕾在期刊《软件工程师》发表的《机器学习在糖果形状检测中的应用》一文用特征向量法将糖果的形状描述为知识，并与对应的响应一起多为训练数据训练决策树，将合格的糖果划分到正确的形状分类，并与不合格的糖果区分开。该论文实现了对形状初步的判断，但由于决策树的层级较少，仅约60％的成功率，并不能广泛适用。

黄宏伟，李庆桐2017年于《岩石力学与工程学报》发表的《基于深度学习的盾构隧道渗漏水病害图像识别》提出基于全卷积网络的盾构隧道渗漏水病害的图像识别，多次运用卷积运算、池化运算自动提取并学习隧道病害的高级图像特征，相较于传统图像识别方法能够有效地避免管片拼缝、螺栓孔、管线、支架等干扰物的影响，特别是在克服管线遮挡方面具有优越的鲁棒性，但是该方法仅能识别渗漏水区域并定位，不能获得渗漏水的面积等其他信息，对渗漏水的病害程度无法评价。

中交公路规划设计院有限公司于2018年申请、公开号为CN109359130A的中国发明专利公开了一种桥梁病害分级和分级维护方法及系统，其填补了对不同桥梁构件进行病害分级的空白，将各种桥梁结构的每个构件及其组件的信息、病害信息存入数据库，确定病害的影响因素及其权重得到病害等级得分，再根据输入的病害信息和病害特征，判断病害的严重程度，使后期的维养决策更加科学，但是病害的分类较粗略，实例中仅列举了开裂病害、裂缝病害两种，后续随着研究的深入可以进一步细化病害。

2020年于国龙、赵勇、吴恋、崔忠伟在期刊《计算机工程与应用》发表的《QPSO算法的改进及其在DBN参数优化中应用》一文将改进后QPSO算法进行参数寻优的DBN网络(LQ_DBN)应用于蛋黄形状检测中。该论文提出的方法比现有模型进行的预测具有精度更高且对硬件要求不高的优点。

华南理工大学2020年硕士学位论文《基于深度学习的时序预测和分类》通过建立深度学习模型，对时间序列预测和分类问题进行研究，并成功证明了两种深度学习模型的分类和泛化能力。该论文提出的方法有效的改善了传统的机器学习通过人工设计特征所导致的费时费力的问题。