[发明专利]一种幕墙玻璃爆裂检测方法、系统、电子设备及存储介质

说明书

本发明公开一种幕墙玻璃爆裂检测方法、系统、电子设备及存储介质，该方法包括如下步骤：数据采集步骤，具体包括：获取摄像头拍摄到的建筑面外立面实时视频流并输出给数据处理步骤；数据处理步骤，具体包括：对数据收集步骤传入的视频流进行相应处理，转换成算法分析步骤所需要的格式；算法分析步骤，具体包括：接收所述数据处理步骤输出的格式视频流，通过数据预处理步骤、模型加载步骤、模型推理步骤、模型输出后处理步骤输出任务结果给异常事件生成及告警推送步骤；异常事件生成以及告警推送步骤，包括：将算法分析步骤返回的任务结果进行处理和呈现。本发明将检测到的爆裂玻璃位置与实际建筑的房间位置作匹配，实现端到端的玻璃爆裂监测告警。

技术领域

本发明涉及一种幕墙玻璃爆裂检测方法、系统、电子设备及存储介质，属于视频监控安防技术领域。

背景技术

玻璃幕墙在当代广受开发商青睐，得益于外形精美，透光性好等优点，体现了现代建筑学与美学结构设计的最佳结合。然而，玻璃幕墙上的玻璃爆裂坠落危及行人的情况也常有发生，对人身和财产安全造成不可忽视的影响。针对频频发生的幕墙玻璃爆裂造成的事故，国家也相继出台了《玻璃幕墙的后期安全维护等规范》和相应的《管理办法》，但是目前对于已投入使用的玻璃幕墙的质量检测，仍然缺乏有效的技术手段。

目前比较常见的方法仍是借助专门的玻璃质量检测设备，或者将玻璃从支撑框架中拆除下来，然后再进行检测。除此之外，为了及时发现这类隐患，还需要安排人手定期巡检，直接观察玻璃状态，检查玻璃是否有裂纹，然而，物业安排相关工作人员每周或者每月巡检大楼的每一层玻璃，这意味着需要长期的人力投入，且无法保证人工检查没有疏漏。而且，巡检间隔期如果发生玻璃爆裂，也无法及时被检测到，还是无法解决根本问题。所以，一个能够快速简单地定位幕墙上的爆裂玻璃，且成本低，易批量部署的检测方法显得尤为重要。

专利1公开一种幕墙玻璃爆裂倾向的检测设备及其检测方法，涉及公开号为CN102565309A，其设计要点是通过应变材料，对玻璃扭曲变形程度进行检测，将应变片的变形信号经过测量检测电路的处理，通过计算机计算得到玻璃内部应力大小，从而实现定量检测。

论文:ColorCrack:Identifying Cracks in Glass，其设计要点是通过传统的视觉算法检测玻璃上的裂痕，首先用HOG特征提取画面中的玻璃区域，再通过其次变换矫正玻璃屏幕，然后用边缘检测器检测屏幕上的边缘，最后根据检测到的边缘信息找到玻璃上的裂纹。

论文:Semantic segmentation with deep learning:detection of cracks atthe cut edge of glass，其要点设计是通过设计一个巻积神经网络:U-Net，对玻璃边缘位置的裂纹进行图像分割，从而检测出爆裂的玻璃。

发明内容

现有的玻璃质量检测技术主要分成两种，一种是借助一些物理设备，利用特殊材料反馈的信号进行检测；另一种则是基于视觉，即通过拍摄得到玻璃照片，进行图像层面的分析，进而判断是否存在裂痕。第一种方法虽然可以定量地确认玻璃是否存在质量问题，但是对于已经投入使用的幕墙玻璃而言，对每一块都采用物理检测的方式，显然不现实。尤其对于高层建筑，还要考虑勘测成本以及人员操作安全问题。这一类的方法最明显的缺点在于实效性差，效率低。第二种方法，基于视觉的方法对玻璃图片进行分析，又可以细分为基于传统图像处理技术的方法，和基于神经网络的方法。基于传统图像处理技术，例如边缘检测/缺陷检测，主要弊端在于需要人工提取大量特征，算法的准确率受限，在到达精度瓶颈后很难再提升，而且普适性不强。基于神经网络的方法，例如使用大型分割网络，对输入图像进行下采样后再上采样，这种方法需要大量的数据作为支撑，然而现实场景中，玻璃爆破的数据量达不到要求，所以这是一个技术难点，目前一些方案提出利用生成网络来模拟玻璃爆破的图片，但是生成的图片与真实图片相比，仍然存在很大差距，对模型的精度提升帮助不大。除此之外，神经网络的训练依赖于大量的人工标注数据，这也是基于监督式神经网络的技术弊端之一。