CN113762183A - 一种既有建筑安全的智能检查分析***及操作方法 - Google Patents
一种既有建筑安全的智能检查分析***及操作方法 Download PDFInfo
- Publication number
- CN113762183A CN113762183A CN202111069534.6A CN202111069534A CN113762183A CN 113762183 A CN113762183 A CN 113762183A CN 202111069534 A CN202111069534 A CN 202111069534A CN 113762183 A CN113762183 A CN 113762183A
- Authority
- CN
- China
- Prior art keywords
- curtain wall
- information
- data
- hidden danger
- glass curtain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007689 inspection Methods 0.000 claims abstract description 56
- 239000011521 glass Substances 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 48
- 238000012795 verification Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001931 thermography Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 241000239290 Araneae Species 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013434 data augmentation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011157 data evaluation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008521 reorganization Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种既有建筑安全的智能检查分析***及操作方法,其中***包括:采集模块,所述采集模块用于采集玻璃幕墙的可视化数据;定位信息模块,所述定位信息模块包括运动轨迹信息,搭载所述采集模块的设备沿着所述运动轨迹信息进行数据采集;图像识别单元,采集后的数据发送至所述图像识别单元,所述图像识别单元进行数字算法识别,并筛选归类玻璃幕墙的隐患,通过隐患算法***进行综合分析,得出所述玻璃幕墙的安全等级。通过***管理能够进行统一高效地管理,提高了建筑外墙检查的灵活性、机动性、完整性和精确查找隐患位置的工作效率。
Description
技术领域
本发明涉及玻璃幕墙领域,尤其涉及一种既有建筑安全的智能检查分析 ***及操作方法。
背景技术
建筑外墙是建筑重要的***护结构,特别是玻璃幕墙和石材幕墙因材料 的物理特性,存有一定的自爆率。
现有的既有幕墙安全检查大部分是蜘蛛人放吊绳检查和擦窗机检查,检 查问题也是全靠施工人员的主观和经验判断,而放蜘蛛人进行检查施工本身 就是属高危作业,有一定风险性;
现有幕墙检查蛛蛛人在进行外墙检查时,特别是超高层,在半空中不易 知道自己的位置,查出问题不能准确标出隐患点的具***置,不便于精准定 位;
有些建筑造型奇特,特别是有凹凸和圆型的特殊造型建筑,以人工检查 的方式如蜘蛛人和擦窗机都无法进行检查;
人工施工检查效率较低,从楼顶到底楼只能检查一趟后需重新上楼,解 绳,再找吊挂点系绳、放绳、下绳,而且每次在高空作业检查的范围只局限 于吊挂位置左右各一米左右,每一吊的检查范围极为有限;
为防止建筑外墙高坠隐患的发生,具有专业资质的检查、检测单位对幕 墙的检查、检测工作尤为重要,但现在对既有建筑的检查、检测工作主要为 人工检查为主,检查施工人员高空作业也是一种高危工作,所以开发以智能 自动检查设备进行检查,可以大大降低施工风险和提高工作效率。
发明内容
本发明的目的在于提供了一种既有建筑安全的智能检查分析***及操 作方法,用本智能无人机检查***来进行建筑立面检查,通过***管理能够 进行统一高效地管理,提高了建筑外墙检查的灵活性、机动性、完整性和精 确查找隐患位置的工作效率。适应了建筑维保维护发展的未来需求,可持续 对日益增长的老龄建筑进行快速、准确的检查,及时对建筑物进行维护保养, 延长建筑物的使用寿命。
为实现上述目的,本发明通过以下技术方案予以实现。
一种既有建筑安全的智能检查分析***,包括:
采集模块,所述采集模块用于采集玻璃幕墙的可视化数据;
定位信息模块,所述定位信息模块包括运动轨迹信息,搭载所述采集模 块的设备沿着所述运动轨迹信息进行数据采集;
图像识别单元,采集后的数据发送至所述图像识别单元,所述图像识别 单元进行数字算法识别,并筛选归类玻璃幕墙的隐患,通过隐患算法***进 行综合分析,得出所述玻璃幕墙的安全等级。
在本发明的一个优选实施例中,所述采集模块用于采集玻璃幕墙的可视 化数据,所述可视化数据包括但不限于图片、视频。
在本发明的一个优选实施例中,所述采集模块包括各类可见光、红外热 成像、结构光、激光点的云载云台,通过云台自动采集所述玻璃幕墙的可视 化数据。
在本发明的一个优选实施例中,所述运动轨迹信息由后台或用户自行设 定,或者内嵌于所述定位信息模块中,以供搭载所述采集模块的设备使用。
在本发明的一个优选实施例中,所述搭载所述采集模块的设备采用无人 机,所述运动轨迹信息即为航线规划信息。
在本发明的一个优选实施例中,通过BIM***构建信息模型,将航线在 信息模型上进行设定,并将航线规划信息发送给无人机,无人机通过RTK精 确定位,按照检查航线信息自动进行飞行,在规划的定位点自动按设置的参 数进行采集玻璃幕墙的数据。
在本发明的一个优选实施例中,通过玻璃幕墙的隐患点的识别和图片 GPS的定位信息进行关联,并在信息模型进行位置标定,在信息模型上显示 所述玻璃幕墙的隐患位置。
在本发明的一个优选实施例中,所述图像识别单元进行数字算法识别的 方法包括以下步骤:
步骤1、使用labelImg标注工具,选择pascal voc格式,将图片中 有缺陷的目标框选出来,并保存成与图片名相同的xlm文件;
步骤2、编写python脚本,按照8:1:1的比例将数据集划分成训练集、 验证集、测试集,生成对应的txt文件,文件记录相应图片的文件名,确 保每一类检测的缺陷的图片都按比例分配均匀的分配到各数据集上;
步骤3、将训练、验证集的图片+标注数据集转换成tfrecord格式;
步骤4、模型训练和评估,并执行模型训练,使用tensorboard可根据 训练保存的log查看训练过程记录,模型在训练到3000步时已经达到最 优的效果,来最终验证测试结果。
在本发明的一个优选实施例中,所述隐患算法***包括若干参数,不同 的隐患类型对应不同的玻璃幕墙的安全等级。
在本发明的一个优选实施例中,还包括通讯***,所述采集模块通过5G 信号可以跟服务器端实时数据通讯,将采集的画面即时传输至服务器端,实 时显示当前照片和视频;所述服务器端显示幕墙状态信息、幕墙识别信息和 幕墙定位信息。
一种既有建筑安全的智能检查分析***的操作方法,采用上述智能检查 分析***,包括以下步骤:
步骤1、任务派单:应业主需求签订合同后,根据幕墙检查内容对飞手 进行检查内容、检查要求等进行工作任务交底;
步骤2、确定飞行任务后,到当地空管、管理部门进行飞行报备;
步骤3、飞行前根据项目需要准备无人机及相关配件;
步骤4、第一次飞行需在信息模型上设置规划飞行线路,保存至本楼宇 信息中,以后再进行幕墙检查时只需一键起飞,自动按设定航线飞行;
步骤5、无人机沿着航线自动飞行的同时,根据设定的GPS定位进行自 动检查拍照;
步骤6、数据采集后导入管理***进行自动隐患识别分类;
步骤7、通过对隐患部位的分析,判断楼宇的安全属性和维护改进建议;
步骤8、最后根据无人机采集和分析的数据自动生成检查报告;
步骤9:结束。
通过以上方案,本发明的技术效果在于:
1、通过倾斜摄影模型或BIM数字模型设定规划巡查航线;
2、通过数字模型与RTK、GPS等实际精确定位,数字模型上自动标识隐 患点位置;
3、通过图像识别算法能自动从海量检查照片快速识别和判断幕墙的隐 患点;
4、可即时通过远程技术通讯技术进行技术诊断、现场技术指导调整检 查方案;
5、最后根据对每栋或同类型的幕墙建筑多年检查隐患情况通过气候、 光照、温度、海拔高度、设计、维养、施工质量等多维度的算法分析等技术 手段设定建筑幕墙体系的安全等级。
附图说明
图1为本发明的工作原理图;
图2为本发明的图像识别单元的模型训练的训练参数表;
图3为本发明的图像识别单元的使用验证集数据对模型进行评估的 模型验证表;
图4为本发明的图像识别单元的使用验证集数据对模型进行评估的 模型优化表;
图5为本发明的图像识别单元的使用验证集数据对模型进行评估的 训练集验证表;
图6a为本发明的图像识别单元的总损失随迭代步数的变化规律;图 6b为本发明的图像识别单元的分类器随迭代步数的变化规律;
图7a为本发明的图像识别单元的验证集数据评估模型得到的验证精 度随迭代步数的变化曲线;图7b为本发明的图像识别单元的验证集数据 评估模型得到的召回率随迭代步数的变化曲线。
图8为本发明的操作方法流程图;
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的 是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施 方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保 护范围之内。
参照图1所示,一种既有建筑安全的智能检查分析***,包括:采集模 块,所述采集模块用于采集玻璃幕墙的可视化数据;定位信息模块,所述定 位信息模块包括运动轨迹信息,搭载所述采集模块的设备沿着所述运动轨迹 信息进行数据采集;图像识别单元,采集后的数据发送至所述图像识别单元, 所述图像识别单元进行数字算法识别,并筛选归类玻璃幕墙的隐患,通过隐 患算法***进行综合分析,得出所述玻璃幕墙的安全等级。
进一步地,图像识别单元进行数字算法识别的方法包括以下步骤:
步骤1,收集大量的真实玻璃幕墙隐患图片数据,这些数据切合业务场 景,有助于提高算法识别准确度;
步骤2,对于输入图像,进行归类去重,筛选掉因重复拍摄而产生的照 片;
步骤3,对于特定的应用场景隐患图像数据,派外场人员实地拍摄图像, 收集隐患素材;
步骤4,为了丰富隐患图像数据集,使用常规爬虫技术,爬取适用于模 型训练的隐患照片。
步骤5,对图片进行预处理,基于tensorflow models模型使用labelImg 标注工具,选择pascal voc格式,将图片中有缺陷的目标框选出来,并保 存成与图片名相同的xlm文件,框选的最佳效果是能完全包含缺陷目标但 又没有其他背景的影响。
然后,编写python脚本,按照8:1:1的比例将数据集划分成训练集、 验证集、测试集,生成对应的txt文件,文件记录相应图片的文件名。需 要确保每一类检测的缺陷的图片都按比例分配均匀的分配到各数据集上。 最后,将训练、验证集的图片+标注数据集转换成tfrecord格式。
步骤6,模型训练,训练参数配置主要用于控制模型训练过程的实现, 如图2所示,batch_size默认值是64,该值与模型训练的硬件平台参数相 关,默认是2的倍数,与显卡性能相关,性能强大的话可以增加该值,反 之降低。Num_steps表示训练的步数,训练步数多耗费时间长,最佳调整的 步数是训练损失较小且随着步数增加基本不再降低即可。Learning_rate表 示梯度下降的步幅,步幅太大,损失会出现跳变,无法收敛,步数调小,则损失降低得非常慢。Checkpoint记录了预模型的详细信息, data_augmentation_options用于配置数据增广,在少量数据集上进行模型 训练时,起到了自动增加数训练数据的作用,可降低模型过拟合,可实现 对图片的翻转、缩放、平移等。完成对模型训练参数的配置后,执行模型训 练训练过程会每100步显示当前的损失值,损失值一般小于1,如果出现 非常大的值,则表示训练异常,需要收到结束训练检查异常原因,是否是参 数配置异常等;如果损失值非常小,接近于0,则表示训练已经达到合适的 效果,可提前结束训练。
步骤7,模型评估,模型训练完成之后,使用验证集对模型进行评估, 评估完成后会得到以下数据。图3和图4都是使用验证集数据对模型进行评 估,AP表示平均精度,AR表示平均召回率,IOU是交并比,交并比表示 标注框与检测框相交部分除以两个框并集得到的值,值为1表示标注框与 检测框完成重合,百分之百检测正确,值为0表示完成不重合,检测错误。
精度和召回率在不同交并比上的值如表格所示,值越大,表示模型的 泛化能力越强,对比图3和图4的数据,可以图3的值都比较高,以第一 行AP值为例,该精度从0.493提高到了0.644,精度提高了15.1%,这 里主要对整个训练算法进行优化得到的结果,主要涉及到的优化方向是:增 加了50%的数据集,特别是无人机视角拍摄的缺陷照片,训练数据使用清晰 度较好、背景不杂乱的图片,同时使用更多是数据增广功能。
图4表示自己使用训练数据集对模型进行评估得到的数据,其最高的精 度能达到0.995,说明模型已经充分学习到训练数据集的图像特征,但是这 并不一定是我们期望的效果,因为验证集结果比训练集低很多,拿表2图 4的total_loss比较,图3是0.604732,图4该值是0.150939,验证 集的总损失函数值比训练集的高太多,这说明模型训练发生了过拟合,还 需要进一步优化,优化的方向主要是:数据增广、获取更多的训练数据、减 小网络的大小、添加权重正则化、添加dropout正则化等。故需要在验证 集的结果上不断调整训练参数,以便达到最高的识别精度。
步骤8,使用tensorboard可根据训练保存的log查看训练过程记录, 如图6记录了训练过程总的总损失和分类器损失随迭代步数的变化规律。 图6a总损失在迭代到4000步是已经趋近于0,图6b分类器损失在迭代 2000步后基本处于比较低的值。
图7表示验证集数据评估模型得到的验证精度(图7a)和召回率(图 7b)随迭代步数的变化曲线,都是随步数的增加而增大,但是在3000步 是达到最大值,之后值开始变小,说明模型在训练到3000步时已经达到最 优的效果。
上述采集模块用于采集玻璃幕墙的可视化数据,所述可视化数据包括但 不限于图片、视频;其中运动轨迹信息由后台或用户自行设定,或者内嵌于 所述定位信息模块中,以供搭载所述采集模块的设备使用。所述搭载所述采 集模块的设备采用无人机,所述运动轨迹信息即为航线规划信息。
本发明通过无人机自动航线飞行检查与现有人工检查比较具有以下技 术优势:
1、施工安全:现有人工检查方式主要为以座式滑板和擦窗机的人工高 空作业方式,施工本身具有危险性,无人机不需要人员登高,可以替代绝大 部分人工操作;
2、检查区域及覆盖面:人工幕墙检查因高空的局限性,每一吊在空中 检查的范围约2米左右,极为有限,换另一位置时因吊绳吊点位置影响,不 可能做到无缝对接,特别是一些有凹凸弧形等奇特造型的建筑,部分外墙没 法实现人工检查作业,检查区域有一定的盲区,而无人机通过挂载长变焦的 高清摄像云台,检查可以做到无缝拍摄,可以拍摄完整理的建筑外立面。
3、室外幕墙检查效率:人工检查只能一次放置一座式滑板作业,或乘 坐擦窗机上下作业一趟后需重新上楼放置作业绳、安全绳和移动擦窗机,作 业效率低下,而无人机通过预告设定航线一键起飞,自动按线路自动拍摄作 业,仅需每一组电池飞完自动降落更换电池后即可进行断点续航作业,效率 比人工提高5倍左右;
4、隐患点的位置标定:人工检查特别楼层较高时所拍摄的隐患照片往 往在半空中不知道自己所处的位置,所拍摄的隐患照片因视场角小,不易判 定隐患点位置,而无人机的GPS和RTK的高精定位可精确的对应所拍摄每一 张照片GPS三维座标,对应***模型的设置,能可视化呈现隐患点的位置;
5、精准复检:对于隐患位置的整改和维修情况的复核,对隐患位置的 标定要求也非常高,普通人工方式不易二次找到隐患点位置,而无人机通过 精准复拍功能就能一键起飞,自动按照设定的隐患点GPS三维坐标进行精准 复拍,在***里与第一次的隐患照片进行比对,记录维修和整改后的照片。
6、检查成本:现在人工成本越来越高,高危行业的人工成本更高,通 过无人机建筑外墙高效率检查可以比人工成本低2倍左右,随着技术成熟, 会降低更多。
实施例1
本实施例,一种既有建筑安全的智能检查分析***,包括无人机检查采 集模块、定位信息模块、无人机与后台通信模块、隐患图像识别单元、楼宇 隐患综合算法分析;
检查采集模块主要安装于无人机上,由各类型摄像采集云台组成,主要 用于采集玻璃幕墙的可见光及红外影像数据,结合定位信息模块记录每张照 片的GPS定位,然后根据采集到的图像数据通过5G通信模块连接,将数据 自动传输到存储服务器端,采集后的数据启动隐患图像识别单元进行数字算 法识别,自动筛选归类幕墙各种隐患,通过隐患算法***进行综合分析,鉴 定出建筑幕墙的安全程度,有效采取措施可防止幕墙安全隐患的发生。
本发明实施方式中,采集单元包括各类可见光、红外热成像、结构光、 激光点云等挂载云台,通过云台自动采集相关幕墙图像信息;
定位信息模块主要方法为:通过建立无人机倾斜摄影或BIM建模,在信 息模型上将航线在信息模型上进行设定,并将航线规划信息发送给无人机, 无人机通过RTK精确定位,按照检查航线信息自动进行飞行,在规划的定位 点自动按设置的参数进行拍摄。
无人机与后台通信模块主要方法为:通过5G信号可以跟***实时数据 通讯,将采集的画面即时传输至后台,实时显示当前照片和视频,便于后端 技术人员判断和下达指令,除了实时通讯,还能将数据同时传送至服务器进 行储存。
隐患图像识别单元,通过前期大量的人工技术指定隐患的AI基础训练, 达到自动图像识别幕墙隐患的目的。通过隐患点的识别和图片GPS等定位信 息与数字模型位置进行标定,在信息模型上对应隐患位置。
隐患类型进行自动累积统计分析,通过气候、温度、高度、设计、维养 及施工质量等多维度通过算法评定幕墙建筑的安全等级。
服务器端发送幕墙状态信息、幕墙识别信息和幕墙定位信息,同时接收 幕墙识别信息。
用本智能无人机检查***来进行建筑立面检查,通过***管理能够进行 统一高效地管理,提高了建筑外墙检查的灵活性、机动性、完整性和精确查 找隐患位置的工作效率。适应了建筑维保维护发展的未来需求,可持续对日 益增长的老龄建筑进行快速、准确的检查,及时对建筑物进行维护保养,延 长建筑物的使用寿命。
实施例2
如图8所示,本实施例中,一种既有建筑安全的智能检查分析***的操 作方法,采用上述智能检查分析***,包括以下步骤:
步骤1、任务派单:应业主需求签订合同后,根据幕墙检查内容对飞手 进行检查内容、检查要求等进行工作任务交底;
步骤2、确定飞行任务后,到当地空管、管理部门进行飞行报备;
步骤3、飞行前根据项目需要准备无人机及相关配件;
步骤4、第一次飞行需在信息模型上设置规划飞行线路,保存至本楼宇 信息中,以后再进行幕墙检查时只需一键起飞,自动按设定航线飞行;
步骤5、无人机沿着航线自动飞行的同时,根据设定的GPS定位进行自 动检查拍照;
步骤6、数据采集后导入管理***进行自动隐患识别分类;
步骤7、通过对隐患部位的分析,判断楼宇的安全属性和维护改进建议;
步骤8、最后根据无人机采集和分析的数据自动生成检查报告;
步骤9:结束。
综上所述,本发明具有以下技术效果:
1、替代人工进行建筑物外立面检查的高危作业;
2、无人机针对建筑物的航线规划,在***的建筑物信息模型上设置航 线,无人机到现场只需一键起飞,利用搭载的高清摄像、红外热成像等机载 设备设置自动拍摄,采集建筑物外墙数据;
3、无人机通过软件控制可设置电子围栏,保证在作业区域内安全飞行, 防止无人机失控飞出作业控制区域;
4、无人机拍摄照片GPS的三维坐标与建筑物的对应逻辑关系,每张照 片通过GPS的三维坐标能与建筑物BIM模型或倾斜摄影模型自动对应,保证 隐患点在模型上进行可视化互动;
5、确定隐患点位置标记,以便第二次、第三次自动智能同一隐患位置 进行精准复检,利于对建筑物隐患点维养监控;
6、隐患点的图像识别,对于所拍摄的海量照片通过前期的AI智能训练, 自动区分识别建筑物外墙正常状态和有隐患状态的照片进行比对和筛选,自 动挑出隐患点照片进行分类统计;
7、对隐患照片自动进行识别归类,对隐患的数量进行智能统计分析, 自动生成统计报表和检查报告。
8、对隐患累积结果进行全方面的分析,评定该建筑物的风险级别。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式 的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精 神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细 节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形 式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的, 而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因 此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发 明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实 施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起 见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也 可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种既有建筑安全的智能检查分析***,其特征在于,包括:
采集模块,所述采集模块用于采集玻璃幕墙的可视化数据;
定位信息模块,所述定位信息模块包括运动轨迹信息,搭载所述采集模块的设备沿着所述运动轨迹信息进行数据采集;
图像识别单元,采集后的数据发送至所述图像识别单元,所述图像识别单元进行图像边缘算法识别,并筛选归类玻璃幕墙的隐患,通过隐患算法***进行综合分析,得出所述玻璃幕墙的安全等级。
2.根据权利要求1所述的一种既有建筑安全的智能检查分析***,其特征在于,所述采集模块用于采集玻璃幕墙的可视化数据,所述可视化数据包括但不限于图片、视频。
3.根据权利要求1所述的一种既有建筑安全的智能检查分析***,其特征在于,所述采集模块包括各类可见光、红外热成像、结构光、激光点的云载云台,通过云台自动采集所述玻璃幕墙的可视化数据。
4.根据权利要求1所述的一种既有建筑安全的智能检查分析***,其特征在于,所述运动轨迹信息由后台或用户自行设定,或者内嵌于所述定位信息模块中,以供搭载所述采集模块的设备使用。
5.根据权利要求1-4任意一项所述的一种既有建筑安全的智能检查分析***,其特征在于,所述搭载所述采集模块的设备采用无人机,所述运动轨迹信息即为航线规划信息。
6.根据权利要求5所述的一种既有建筑安全的智能检查分析***,其特征在于,通过BIM***构建信息模型,将航线在信息模型上进行设定,并将航线规划信息发送给无人机,无人机通过RTK精确定位,按照检查航线信息自动进行飞行,在规划的定位点自动按设置的参数进行采集玻璃幕墙的数据。
7.根据权利要求1所述的一种既有建筑安全的智能检查分析***,其特征在于,通过玻璃幕墙的隐患点的识别和图片GPS的定位信息进行关联,并在信息模型进行位置标定,在信息模型上显示所述玻璃幕墙的隐患位置。
8.根据权利要求1所述的一种既有建筑安全的智能检查分析***,其特征在于,所述图像识别单元进行数字算法识别的方法包括以下步骤:
步骤1、使用labelImg标注工具,选择pascal voc格式,将图片中有缺陷的目标框选出来,并保存成与图片名相同的xlm文件;
步骤2、编写python脚本,按照8:1:1的比例将数据集划分成训练集、验证集、测试集,生成对应的txt文件,文件记录相应图片的文件名,确保每一类检测的缺陷的图片都按比例分配均匀的分配到各数据集上;
步骤3、将训练、验证集的图片+标注数据集转换成tfrecord格式;
步骤4、模型训练和评估,并执行模型训练,使用tensorboard可根据训练保存的log查看训练过程记录,模型在训练到3000步时已经达到最优的效果,来最终验证测试结果。
9.根据权利要求1所述的一种既有建筑安全的智能检查分析***,其特征在于,所述隐患算法***包括若干参数,不同的隐患类型对应不同的玻璃幕墙的安全等级。
10.一种既有建筑安全的智能检查分析***的操作方法,采用如权利要求5-9任意一项所述的智能检查分析***,包括以下步骤:
步骤1、任务派单:应业主需求签订合同后,根据幕墙检查内容对飞手进行检查内容、检查要求等进行工作任务交底;
步骤2、确定飞行任务后,到当地空管、管理部门进行飞行报备;
步骤3、飞行前根据项目需要准备无人机及相关配件;
步骤4、第一次飞行需在信息模型上设置规划飞行线路,保存至本楼宇信息中,以后再进行幕墙检查时只需一键起飞,自动按设定航线飞行;
步骤5、无人机沿着航线自动飞行的同时,根据设定的GPS定位进行自动检查拍照;
步骤6、数据采集后导入管理***进行自动隐患识别分类;
步骤7、通过对隐患部位的分析,判断楼宇的安全属性和维护改进建议;
步骤8、最后根据无人机采集和分析的数据自动生成检查报告;
步骤9:结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069534.6A CN113762183A (zh) | 2021-09-13 | 2021-09-13 | 一种既有建筑安全的智能检查分析***及操作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069534.6A CN113762183A (zh) | 2021-09-13 | 2021-09-13 | 一种既有建筑安全的智能检查分析***及操作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762183A true CN113762183A (zh) | 2021-12-07 |
Family
ID=78795190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111069534.6A Pending CN113762183A (zh) | 2021-09-13 | 2021-09-13 | 一种既有建筑安全的智能检查分析***及操作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762183A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116007542A (zh) * | 2022-12-30 | 2023-04-25 | 深圳瑞捷工程咨询股份有限公司 | 一种基于bim的无人机智能检测*** |
CN117893477A (zh) * | 2023-12-15 | 2024-04-16 | 北京图安世纪科技股份有限公司 | 一种基于ai图像识别的智能安全检查*** |
CN118037737A (zh) * | 2024-04-12 | 2024-05-14 | 深圳市恒义建筑技术有限公司 | 玻璃幕墙的安全性检测方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106018417A (zh) * | 2016-06-27 | 2016-10-12 | 深圳大学 | 一种外墙缺陷的检测方法及检测*** |
CN108490030A (zh) * | 2018-03-30 | 2018-09-04 | 吉林建筑大学 | 基于无人机红外热成像的建筑围护结构热工性能检测方法 |
CN110390265A (zh) * | 2019-06-21 | 2019-10-29 | 万翼科技有限公司 | 一种无人机巡检的识别检测方法及*** |
CN110987956A (zh) * | 2019-10-30 | 2020-04-10 | 常州市建筑科学研究院集团股份有限公司 | 外墙功能层质量问题智能识别与管理的***及方法 |
CN110988871A (zh) * | 2019-12-25 | 2020-04-10 | 中南大学 | 一种无人机载穿墙雷达高层建筑墙体健康离线检测***及检测方法 |
CN111060073A (zh) * | 2019-03-26 | 2020-04-24 | 上海伯镭智能科技有限公司 | 一种建筑外墙检测***及其使用方法 |
CN111176316A (zh) * | 2020-01-21 | 2020-05-19 | 滁州职业技术学院 | 一种适用于古建筑的无人机倾斜摄影飞行*** |
WO2020139195A1 (en) * | 2018-12-27 | 2020-07-02 | Performance Rotors Pte. Ltd. | Drone for surface defects inspection |
CN111537515A (zh) * | 2020-03-31 | 2020-08-14 | 国网辽宁省电力有限公司朝阳供电公司 | 基于三维实景模型的铁塔螺栓缺陷展示方法和*** |
CN111929329A (zh) * | 2020-07-30 | 2020-11-13 | 广东寰球智能科技有限公司 | 玻璃幕墙智能检测方法、***及存储介质 |
CN111999298A (zh) * | 2020-06-30 | 2020-11-27 | 南京林业大学 | 一种基于5g技术的无人机快速巡检桥梁*** |
CN112633114A (zh) * | 2020-12-17 | 2021-04-09 | 深圳中科保泰科技有限公司 | 面向建筑物变化事件的无人机巡查智能预警方法和装置 |
-
2021
- 2021-09-13 CN CN202111069534.6A patent/CN113762183A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106018417A (zh) * | 2016-06-27 | 2016-10-12 | 深圳大学 | 一种外墙缺陷的检测方法及检测*** |
CN108490030A (zh) * | 2018-03-30 | 2018-09-04 | 吉林建筑大学 | 基于无人机红外热成像的建筑围护结构热工性能检测方法 |
WO2020139195A1 (en) * | 2018-12-27 | 2020-07-02 | Performance Rotors Pte. Ltd. | Drone for surface defects inspection |
CN111060073A (zh) * | 2019-03-26 | 2020-04-24 | 上海伯镭智能科技有限公司 | 一种建筑外墙检测***及其使用方法 |
CN110390265A (zh) * | 2019-06-21 | 2019-10-29 | 万翼科技有限公司 | 一种无人机巡检的识别检测方法及*** |
CN110987956A (zh) * | 2019-10-30 | 2020-04-10 | 常州市建筑科学研究院集团股份有限公司 | 外墙功能层质量问题智能识别与管理的***及方法 |
CN110988871A (zh) * | 2019-12-25 | 2020-04-10 | 中南大学 | 一种无人机载穿墙雷达高层建筑墙体健康离线检测***及检测方法 |
CN111176316A (zh) * | 2020-01-21 | 2020-05-19 | 滁州职业技术学院 | 一种适用于古建筑的无人机倾斜摄影飞行*** |
CN111537515A (zh) * | 2020-03-31 | 2020-08-14 | 国网辽宁省电力有限公司朝阳供电公司 | 基于三维实景模型的铁塔螺栓缺陷展示方法和*** |
CN111999298A (zh) * | 2020-06-30 | 2020-11-27 | 南京林业大学 | 一种基于5g技术的无人机快速巡检桥梁*** |
CN111929329A (zh) * | 2020-07-30 | 2020-11-13 | 广东寰球智能科技有限公司 | 玻璃幕墙智能检测方法、***及存储介质 |
CN112633114A (zh) * | 2020-12-17 | 2021-04-09 | 深圳中科保泰科技有限公司 | 面向建筑物变化事件的无人机巡查智能预警方法和装置 |
Non-Patent Citations (5)
Title |
---|
SOPHIE JORDAN等: "State-of-the-art technologies for UAV inspections", 《IET RADAR SONAR NAVIGATION》, vol. 12, no. 2, 8 November 2017 (2017-11-08), pages 151 - 164, XP006065482, DOI: 10.1049/iet-rsn.2017.0251 * |
徐勤等: "一种幕墙及外墙安全隐患检测的方法", 《中国建筑防水》, no. 1, 31 January 2020 (2020-01-31), pages 25 - 27 * |
李涛等: "BIM技术在幕墙结构可靠性检测中的应用研究", 《江苏建筑》, no. 2, 31 December 2016 (2016-12-31), pages 49 - 51 * |
王建勇: "无人机技术在既有幕墙安全检查中的应用研究", 《上海建材》, no. 03, 31 December 2023 (2023-12-31), pages 28 - 33 * |
田力: "输电线路杆塔无人机自动精细巡检***研究", 《电力与能源》, vol. 40, no. 2, 30 April 2019 (2019-04-30), pages 130 - 134 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116007542A (zh) * | 2022-12-30 | 2023-04-25 | 深圳瑞捷工程咨询股份有限公司 | 一种基于bim的无人机智能检测*** |
CN117893477A (zh) * | 2023-12-15 | 2024-04-16 | 北京图安世纪科技股份有限公司 | 一种基于ai图像识别的智能安全检查*** |
CN118037737A (zh) * | 2024-04-12 | 2024-05-14 | 深圳市恒义建筑技术有限公司 | 玻璃幕墙的安全性检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113762183A (zh) | 一种既有建筑安全的智能检查分析***及操作方法 | |
CN108037770B (zh) | 基于人工智能的无人机输电线路巡检***和方法 | |
EP3115858B1 (en) | Centralized monitoring system and monitoring method for unmanned aerial vehicle to patrol power transmission line | |
CN113781450A (zh) | 一种基于输配电线路无人机图像采集自动化智能缺陷分析*** | |
CN114373138A (zh) | 一种高速铁路全自动无人机巡检方法及*** | |
CN106203265A (zh) | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测***及方法 | |
CN114898232B (zh) | 基于光伏组串数据分析的光伏电站无人机巡检方法及*** | |
CN108388194A (zh) | 铁路机房智能机器人巡检***及其方法 | |
CN108693888A (zh) | 一种用于无人机输电线路巡检的集中监控*** | |
CN112327906A (zh) | 一种基于无人机的智能自动巡检*** | |
CN103823449A (zh) | 用于无人机输电线路巡检的集中监控子***及监控方法 | |
CN103941745A (zh) | 用于无人机输电线路巡检的移动子站及工作方法 | |
CN113240249B (zh) | 基于无人机增强现实的城市工程质量智能评价方法及其*** | |
CN112381356A (zh) | 一种工程项目竣工验收方法、***、服务器及存储介质 | |
CN112506214B (zh) | 一种无人机自主风机巡检***的作业流程 | |
CN114240868A (zh) | 一种基于无人机的巡检分析***及方法 | |
US20220084133A1 (en) | Method and apparatus for processing an insurance claim | |
CN115220479A (zh) | 动静协同的输电线路精细化巡检方法与*** | |
US20230290122A1 (en) | Unmanned aerial vehicle based system to track solar panel system construction and commissioning | |
CN115580708A (zh) | 一种光缆线路无人机巡检的方法 | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测***和方法 | |
CN117592759B (zh) | 一种基于无人机的林草资源网格化巡护方法 | |
CN113687661B (zh) | 无人值守变电站数据自动分析管理方法、装置及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |