基于卷积神经网络的房屋外墙裂缝检测分类系统

随着经济的蓬勃发展和高层建筑的迅速增多,对外墙裂缝的精确检测变得日益关键。现有方法的主要目的是识别裂缝的存在与否,会增加大量不必要的信息。现有外墙裂缝识别模型存在无法充分反映裂缝在复杂环境中的特征信息等问题。因此,基于卷积神经网络(CNN)模型构建建筑外墙裂缝识别分类系统,能良好地应对实际检测时庞大的数据信息,并在识别出裂缝的同时,对裂缝进行种类划分和等级评定。其中裂缝种类划分为横纵网三类,等级评定分为轻中重三级,同时考虑无裂缝情况。该系统为无人机赋能,以采集高层建筑外墙图像数据信息用于检测。实验表明,该系统的平均准确率为92.46%,实用性较高,能极大减轻工作人员负担,优化资源分配,为建筑外墙裂缝检测提供高效助力。

基于改进BiSeNetV2的裂缝检测与识别

裂缝作为固体材料中较为常见的某种不连续现象,是固体结构破坏的开始,及时对裂缝进行识别和检测,并对检测结果进行分析,采取相对应的措施,能够较好地防止事故发生,保障工程作业中的安全。目前裂缝识别主要依靠人工检测,存在劳动强度大、耗时长、精确度不高、危险、耗费高等问题,为此基于数字图像处理技术的裂缝智能识别被广泛研究,然而裂缝表面纹理不规则、噪声的复杂信息,影响了识别精度。为了解决常见固体材料的裂缝智能识别问题,提出了以轻量级语义分割网络模型BiSeNetV2来进行裂缝自动检测,同时自主构建裂缝数据集。实验表明,改进后的裂缝识别模型识别精度提升了7.6%。基于BiSeNetV2的裂缝识别模型,能对裂缝进行精准检测和识别,解决人工识别存在的各类问题。

Fracture detecting based on Ant Colony Algorithm

Image processing plays an important role in engineering treatment. The authors mainly introduced the feature recognition of borehole image process based on Ant Colony Algorithm (ACA). The most important geological structure-fracture on the borehole image was identified, and quantitative parameters were obtained by HOUGH transform. Several case studies show that the method is feasible.