System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于无人机的高楼外墙病害识别系统的运行方法技术方案_技高网
当前位置: 首页 > 专利查询>淮阴工学院专利>正文

基于无人机的高楼外墙病害识别系统的运行方法技术方案

技术编号:44535150 阅读:6 留言:0更新日期:2025-03-11 14:04
本发明专利技术公开了一种基于无人机的高楼外墙病害识别系统的运行方法;属于图像检测技术领域,其实施步骤如下:通过无人机搭载RGB‑D相机完成航迹规划,同时对高楼外墙的病害进行拍照识别分类;无人机的航迹规划过程为无人机搭载RGB‑D相机完成对高楼环境模型的建立,采用改进的HLOA完成对无人机的航迹进行规划,以获取最短、最安全的无人机飞行航迹;无人机航迹过程中搭载相机对高楼外墙病害信息采集,采用本发明专利技术提出的一种新颖算法MUME完成对高楼外墙裂纹、裂缝病害图像信息进行分类处理,本发明专利技术提出的新颖MUME算法可以更快速、更准确的完成对高楼外墙病害信息的识别检测。

【技术实现步骤摘要】

本专利技术属于图像检测,涉及了一种基于无人机的高楼外墙病害识别系统的运行方法


技术介绍

1、高楼是人们生活的重要基础设施;高楼的出现不仅改变了人们生活的局面,还带来了一系列挑战和问题;在长期使用和自然灾害等原因下,高楼表面可能会出现各种病害,如裂缝、裂纹等病害;这些病害,如果没有及时修复、维护和管理,就会严重影响高楼的安全和稳定性,甚至可能引发灾害事故。

2、目前,针对高楼表面的病害识别和检测主要依靠人工巡视和目视检测;然而,人工巡视会面临人力、物力、时间等方面的限制,而目视检测的准确性和可靠性也存在着一定的局限性,这些都妨碍了对高楼表面病害的发现和处理;因此,开发一种高效、准确、可靠、智能化的高楼表面病害识别方法,对于保障高楼的安全稳定,减少安全事故发生,提供有力保障。


技术实现思路

1、针对上述问题,本专利技术目的是提出了一种基于无人机的高楼外墙病害识别系统的运行方法,旨在提高高楼病害现象的识别精度。

2、本专利技术的技术方案是:本专利技术所述的基于无人机的高楼外墙病害识别系统的运行方法,通过无人机搭载rgb-d相机完成航迹规划,再通过搭载的rgb-d相机完成对高楼外墙病害现象识别分类,其运行步骤如下:

3、步骤(1):无人机通过搭载的激光雷达与rgb-d相机,对高楼环境进行扫描建模,并获取点云数据和设置目标点;

4、步骤(2):在无人机路径规划的过程中,采用改进的角蜥算法(hloa)进行路径规划,其中使用路径平滑方法和约束函数对无人机航迹进行约束,以获取最短、最安全的无人机飞行航迹;

5、步骤(3):无人机在按照规划路径飞行时,每当无人机到达一个目标点,使用机载rgb-d相机对高楼外墙病害进行拍摄,采用新颖mume算法对高楼外墙病害现象进行识别分类。

6、进一步的,在步骤(1)中,所述激光雷达和rgb-d相机采集高楼环境信息的具体方法为:

7、根据激光雷达与rgb-d相机定义采集设置的m个目标点集合:t=t1,t2,...,tm和无人机的初始位置:s=(x0,y0,z0);

8、根据激光雷达定义无人机的路径规划序列:p=p1,p2,...,pm+1,式中,pi表示无人机在第i步时所在的位置。

9、进一步地,在步骤(2)中,所述采用改进的角蜥算法(hloa)进行路径规划,其具体方法为:

10、首先生成初始种群(搜索代理)定义为是第t代(时刻)中第i个角蜥;引入混沌映射的logistic映射,应用其随机性和遍历性提升搜索能力,同时计算每只角蜥的适应度;

11、logistic映射的数学表达式表示为:

12、zi(t)=μzi(t-1)(1-zi(t-1))

13、式中,t为迭代时间,x(t)∈[0,1],μ是可调整的参数,μ∈[0,4];z(t)为在t时刻种群占最大可能种群规模的比例(即现有种群数与最大可能种群数的比率),本方法中,μ取4;

14、加入logistic映射的角蜥个体由以下公式更新:

15、

16、使初始种群均匀分布在空间中,而且使获得的初始种群更靠近最优解;

17、在角蜥检测到危险时,会根据情况选择不同的策略,首先创立“隐蔽策略”;定义是在第t+1代空间中第i个搜索代理,是第t代适应度最佳的搜索代理,计算公式为:

18、

19、式中,r1、r2、r3和r4是在1和搜索代理的最大数目之间产生的整数随机数,并满足r1≠r2≠r3≠r4;max_iter代表最大迭代次数(代);σ是二进制数通过判断来自颜色表的随机数是否小于等于0.5,满足则为1,不满足则为0;设定为2,c1和c2是模拟色度且c1≠c2;

20、改进的hloa抛弃对路径规划效益低的“攻击策略”,而是选择创立“移动逃跑策略”为完善无人机对障碍物的处理提高安全性,公式为:

21、

22、式中,walk是-1和1之间生成的随机数;ε是标准柯西分布生成的随机数,其中σ设置为0和1;

23、通过“皮肤变亮与变暗策略”替换最差的搜索代理,公式为:

24、

25、式中,是第t代适应度最差的搜索代理;light1和light2是0和0.4046661之间生成的随机数;dark1和dark2是0.5440510和1之间生成的随机数;

26、为避免算法陷入过早收敛的问题和跳出局部最优,引入随机差分变异策略,利用当前最佳个体的位置与随机选择的个体位置进行随机差分处理,以产生新的位置;具体公式如下:

27、

28、式中,r5表示在范围[0,1]之间的随机数;表示在t+1代中最新的个体;表示第t代中的随机个体;

29、对规划的路径进行平滑处理,使用b-spline算法处理路径中冗余的转换和边角,b样条曲线为:

30、

31、式中,pi是特征多边形的顶点,是由path(p0,p1,...)用来构建样条的点式,bi,k为k阶(k-1)次基函数,带入path后得到:

32、

33、bi,1(u)=1,ui<u<ui+1;bi,k(u)=0,otherwise.

34、设置无人机约束函数,引入无人机航偏角和俯仰角的性能约束,滤除部分后继节点,减少计算复杂度,提高路径规划的提合度和实时性;

35、设无人机当前所在节点为xi,无人机选取的下一节点为xi+1,上一父节点为xi-1,其航偏角φ(xi,xi+1)与俯仰角的算式如下:

36、

37、式中,(xi,yi,zi)为节点xi的三维坐标;(xi+1,yi+1,zi+1)为下一节点xi+1的三维坐标;(xi-1,yi-1,zi-1)为上一父节点xi-1的三维坐标;

38、

39、无人机在进行节点选择时的限制集合表示为:

40、

41、式中,n为点xi的所有后继节点集合,φmax与表示受无人机性能影响的最大航向角与俯仰角。

42、进一步地,在步骤(3)中,所述采用新颖mume算法对高楼外墙病害现象进行识别分类的具体方法为:

43、无人机按照改进hloa输出的最佳路径飞行,每当无人机到达一个目标点,使用机载rgb-d相机对高楼外墙进行拍摄;根据所采集图像建立高楼外墙病害图像数据集,高楼外墙病害主要包括横向裂缝与纵向裂缝;

44、使用联合mume算法对高楼外墙病害现象进行识别分类,联合mume算法的识别过程为msrcr算法对所采集高楼外墙病害图像进行图像增强,通过改进的u-net模型获得准确的裂缝分割图并进行二值化,然后采用形态学滤波对裂缝二值化后的图像进行去噪和平滑的处理,最后构建efficientnetv2-attnconv网络的数学模型对高楼病害裂缝、裂纹进行分类识别。

45、msrcr算法进行图片增强,本文档来自技高网...

【技术保护点】

1.基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,通过无人机搭载RGB-D相机完成航迹规划,再通过搭载的RGB-D相机完成对高楼外墙病害现象识别分类,其运行步骤如下:

2.根据权利要求1所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,在步骤(1)中,所述激光雷达和RGB-D相机采集高楼环境信息的具体方法为:

3.根据权利要求1所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,在步骤(2)中,所述采用改进的HLOA进行路径规划的具体方法为:

4.根据权利要求3所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,改进的角蜥算法抛弃攻击策略,选择创立移动逃跑策略为完善无人机对障碍物的处理,公式为:

5.根据权利要求4所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,为避免算法陷入过早收敛的问题和跳出局部最优,引入随机差分变异策略,利用当前最佳个体的位置与随机选择的个体位置进行随机差分处理,以产生新的位置;具体公式如下:

6.根据权利要求1所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,在步骤(3)中,所述采用新颖MUME算法对高楼外墙病害现象进行识别分类的具体方法为:

7.根据权利要求6所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,MSRCR算法进行图片增强,多尺度色彩增强MSRCR算法对图像进行多尺度分解,对每个尺度的图像进行Retinex算法增强,得到反射率和亮度分量,然后进行颜色校正和加权合成;

8.根据权利要求7所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,利用改进的U-Net模型获得裂缝分割图并进行二值化,将多尺度特征预测融合神经网络用于改进U-Net网络,改进后的U-Net网络保留原有的卷积核池化部分,将此融合预测作用于U-Net网络中间层的特征;可获得不同情况下的上下文信息,并增强网络对目标特征的理解和判断能力;

9.根据权利要求8所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,损失函数设计对网络模型的性能有影响,以往大多数图像分割任务使用交叉熵作为目标损失函数;交叉熵损失函数用于像素级别的分类,对于裂缝图像,目标裂缝占比小,因此引入Dice损失函数;

10.根据权利要求9所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,采用形态学滤波对裂缝二值化后的图像进行去噪和平滑的处理,形态学滤波通过构造特定的结构元素对原始信号做从前至后的平移匹配或局部修正,抑制噪声的同时保留信号的形态学特征;其通过腐蚀膨胀消除孤立的小点或较小的连通区域,同时还消除毛刺和凹凸不平的部分;

...

【技术特征摘要】

1.基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,通过无人机搭载rgb-d相机完成航迹规划,再通过搭载的rgb-d相机完成对高楼外墙病害现象识别分类,其运行步骤如下:

2.根据权利要求1所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,在步骤(1)中,所述激光雷达和rgb-d相机采集高楼环境信息的具体方法为:

3.根据权利要求1所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,在步骤(2)中,所述采用改进的hloa进行路径规划的具体方法为:

4.根据权利要求3所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,改进的角蜥算法抛弃攻击策略,选择创立移动逃跑策略为完善无人机对障碍物的处理,公式为:

5.根据权利要求4所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,为避免算法陷入过早收敛的问题和跳出局部最优,引入随机差分变异策略,利用当前最佳个体的位置与随机选择的个体位置进行随机差分处理,以产生新的位置;具体公式如下:

6.根据权利要求1所述的基于无人机的高楼外墙病害识别系统的运行方法,其特征在于,在步骤(3)中,所述采用新颖mume算法对高楼外墙病害现象进行识别分类的具体方法为:

7.根据权利要求6所述的基于无人机的高楼外墙病害识...

【专利技术属性】
技术研发人员:王举仲安婕蔡菁栩李洪海冯统瑞廉正阳史宇龙唐中一张志荣
申请(专利权)人:淮阴工学院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1