古建筑墙体缺陷灰浆加固修复技术研究

针对古建筑墙体裂缝、空鼓、脱落、腐蚀等问题,为了不影响建筑使用安全,研究设计了古建筑墙体缺陷灰浆加固修复技术。配制古建筑墙体缺陷灰浆加固剂,调整灰浆的配比、养护条件,使灰浆表面硬度不断增加,满足灰浆加固修复质量需求。灌灰修复古建筑墙体灰缝缺陷,将受损的灰浆抠掉取出,并在纵横墙间增加构造柱,确保墙体加固效果。针对灰浆风化、灰缝分裂、砖石松动、墙体受潮等情况,通过重嵌古建筑墙体缺陷加固泥灰,最终完成加固修复任务。研究采用实例进行分析,验证了该技术的墙体加固修复效果更佳,以期为类似工程提供借鉴。

结合深度学习与注意力机制的墙体安全检测模型

为解决传统建筑墙体检测采用人工目视方式效率低、成本高、危险性大的问题,提出利用无人机拍摄建筑外墙缺陷图像,采用卷积神经网络(Convolutional Neural Network,CNN)结合注意力机制实现对威胁建筑外墙安全缺陷的识别分类。从获取建筑外墙缺陷图像数据开始,制作缺陷图像数据集,以威胁墙体安全的缺陷为学习样本,构造浅层卷积神经网络,融入BAM(Bottleneck Attention Module)注意力机制,从卷积神经网络提取的浅层特征中提炼缺陷特征进行学习,实现建筑外墙的安全检测。经试验,多类安全问题检测正确率达到96.18%,所提出的模型相较传统的CNN、VGG 16、ResNet 18算法,检测正确率分别提高了3.36个百分点、3.92个百分点、14.6个百分点。研究表明,卷积神经网络结合注意力机制的方法可以避免局部缺陷丢失,提高检测正确率。