一种基于机器学习的建筑物裂缝监测方法和系统与流程

本发明涉及建筑检测，具体为一种基于机器学习的建筑物裂缝监测方法和系统。

背景技术：

1、建筑物的裂缝监测在结构安全维护中起着至关重要的作用。随着建筑物使用年限的增加，外部环境因素如风、雨、温度变化以及地震等应力作用，可能导致建筑物表面产生裂缝，进而影响其整体结构安全。传统的裂缝监测方法多依赖人工检查或简单的边缘检测和阈值分割技术。然而，这些方法在应对裂缝的复杂形态、多变环境下的光照和材质变化时，往往存在较大的局限性，无法全面、准确地检测和预测裂缝扩展。

2、现有的基于机器学习的裂缝检测技术虽有进展，但主要局限于裂缝区域分割的准确性不足：常规图像处理或基于固定阈值的分割算法难以应对不同建筑材质和光照条件下裂缝表现的差异，导致裂缝区域分割结果不精确，误检与漏检现象严重。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于机器学习的建筑物裂缝监测方法和系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于机器学习的建筑物裂缝监测方法，包括以下步骤：

3、s1、多频段图像数据增强与预处理；

4、通过采集建筑物不同角度的图像，进行多频段数据增强，利用紫外、红外和可见光的不同波段的图像，丰富裂缝特征信息，通过将图像进行融合，形成包含丰富信息的多层图像数据；

5、s2、裂缝区域自适应分割；

6、采用基于深度学习的自适应分割模型对多层图像数据进行自适应分割，自适应分割模型为全卷积网络fcn或u-net，利用卷积神经网络cnn自动学习裂缝区域的特征，模型训练时，基于建筑裂缝的数据集，通过多尺度卷积特征层次来捕捉不同尺度的裂缝；

7、s3、裂缝特征向量化表示；

8、在检测出不同尺度的裂缝后，将裂缝的形态信息转化为用于机器学习模型的特征向量；

9、s4、基于自监督学习的裂缝特征学习；

10、基于自监督学习模型，通过对转化的特征向量进行预训练，让模型学习裂缝的结构和表现形式，利用未标注的数据提升对裂缝特征的理解能力，并增强在不同场景下的泛化性能；

11、s5、基于图像生成对抗网络gan的裂缝生成；

12、利用生成对抗网络gan对多层图像数据进行合成裂缝图像的处理，gan生成逼真的裂缝样本，通过生成裂缝图像并与真实裂缝图像进行对比学习，模型学到更加抽象的裂缝特征；

13、s6、裂缝形态动力学建模；

14、通过物理学和力学的公式模型，模拟建筑物在不同外部应力条件下裂缝的扩展趋势，将物理模型与机器学习模型相结合，构建出裂缝的动态演化模型；

15、s7、基于图结构的裂缝拓扑分析；

16、通过构建裂缝的拓扑图结构，对裂缝之间的关联进行分析。

17、进一步优化本技术方案，所述步骤s2中，裂缝区域的自适应分割模型，通过结合深度学习的特征提取与图像处理技术，用于精确裂缝区域分割；

18、自适应分割模型中，假设输入图像为，代表一个二维图像，和 是图像的坐标，模型的目标是找到一组函数，用于自动化地从图像中分割出裂缝区域；

19、自适应分割模型包括多尺度特征提取层、自适应权重分配机制、裂缝轮廓加强机制以及裂缝区域预测输出。

20、进一步优化本技术方案，所述自适应分割模型中：

21、多尺度特征提取层：通过多尺度卷积操作捕捉不同尺度的裂缝特征，定义输入图像的特征为，其中代表尺度层次，卷积操作定义为：

22、；

23、其中，表示第个卷积核，表示卷积操作，是尺度层数；

24、通过多尺度卷积，获取裂缝在不同细节层次下的特征表示；

25、自适应权重分配机制：基于裂缝的特征分配不同尺度层次的捕捉，机制如下所示：

26、；

27、其中，是自适应权重，代表不同尺度的重要性，是非线性激活函数relu；

28、自适应权重动态调整每个尺度层次的权重，使得模型更加关注裂缝区域的显著特征；

29、裂缝轮廓加强机制：通过结合sobel算子提取裂缝边缘信息，并与自适应权重特征结合：

30、；

31、其中，通过sobel算子提取的边缘图像，是调节参数，用于平衡自适应权重和边缘信息的权重；

32、该机制确保裂缝的边界得到更高的精确度；

33、裂缝区域预测输出：最终的裂缝区域分割结果通过激活函数 进行二值化处理，得到裂缝的分割掩码：

34、；

35、通过上述处理，输出的值在[0,1]范围内，表示每个像素点属于裂缝的概率值，通过选择适当的阈值，将概率图转化为二值掩码图，标识出建筑物表面上的裂缝区域。

36、进一步优化本技术方案，所述步骤s3中，通过提取裂缝的长度、宽度、深度、方向、形状复杂度的几何特征，并且计算裂缝的纹理信息，gabor滤波器提取纹理特征，以及色度直方图提取颜色变化特征；

37、引入时间序列分析，利用建筑物裂缝随时间变化的数据，提取裂缝扩展速度、裂缝增长趋势的特征。

38、进一步优化本技术方案，所述步骤s4中，自监督学习模型中，假设有一个未经标注的裂缝图像集，其中每个为一张包含裂缝的建筑物图像，通过对比学习任务以及裂缝结构保持任务来学习深层次裂缝特征；

39、对于每个输入图像，对其生成两种不同的增强视图，分别记作和，代表同一裂缝在不同条件下的表现，目标是让模型学习到这两个视图中的裂缝特征是相同的；

40、对比学习的损失函数定义为：

41、；

42、其中，

43、是特征提取网络，将图像映射到特征空间；

44、是余弦相似度函数，度量两个图像在特征空间中的相似度；

45、是温度参数，用于调节对比学习的敏感度；

46、裂缝结构保持任务中，裂缝的结构用图结构来建模，假设从图像中提取了裂缝的结构点集合，结构点代表裂缝的关键位置，每对点之间的欧氏距离定义为：

47、；

48、对同一裂缝在增强视图和上的点集和进行比较，模型保持这些点的距离关系不变，裂缝结构保持的损失函数定义为：

49、；

50、通过保持裂缝关键点之间的相对距离不变，确保模型在学习到裂缝表现特征的同时，并保留裂缝的几何结构。

51、进一步优化本技术方案，所述自监督学习模型，综合两个任务，对比学习和结构保持共同作用，模型的总损失函数定义为：

52、；

53、其中，是平衡系数，用于控制对比学习和结构保持任务的权重；为对比学习的损失函数；为裂缝结构保持的损失函数；

54、基于该总损失函数，模型不仅学习到裂缝在不同视角、光线条件下的相似性，并保持裂缝的几何结构一致性，提升特征学习的鲁棒性。

55、进一步优化本技术方案，所述步骤s6中，裂缝的动态演化模型中，设建筑物某一区域的应力场为，表示该位置随时间的应力值，裂缝在材料应力作用下的扩展通过能量释放率和裂缝扩展速率进行建模；

56、则应力场的动力学方程如下所示：

57、；

58、其中，

59、表示外部负载对应力场的影响，随着时间和建筑结构的变化而变化；

60、是温度场，是温度影响因子，表示温度变化对应力的影响；

61、是应力衰减系数，表示材料内部应力释放的速率；

62、裂缝扩展的动力由应力场引起的能量释放率决定，能量释放率反映裂缝在应力作用下每单位面积释放的能量；

63、裂缝的扩展速率由能量释放率与材料抗裂性能之间的关系决定，当时，裂缝以预设速度扩展，是临界能量释放率，表示裂缝扩展所需的最低能量。

64、进一步优化本技术方案，所述裂缝的动态演化模型，在应力场和能量释放率的作用下，裂缝的扩展路径通过以下动力学方程进行表示：

65、；

66、其中，

67、表示随时间变化的裂缝前沿位置；

68、是裂缝的扩展速率；

69、是裂缝前沿的法向量，表示裂缝扩展的方向；

70、裂缝路径演化方程结合裂缝的扩展速度和方向信息，模拟裂缝在材料应力作用下的动态扩展过程。

71、进一步优化本技术方案，所述步骤s7中，首先，将建筑物表面视为一个二维或三维空间网格，裂缝看作是网格中的边或节点；

72、然后，利用图卷积网络gcn来分析裂缝之间的关联，找出潜在的裂缝扩展路径或关键裂缝点；

73、通过对拓扑结构的分析，识别出哪些裂缝会成为结构破坏的起点或关键点，从而为裂缝修复提供科学依据。

74、一种基于机器学习的建筑物裂缝监测系统，基于上述的基于机器学习的建筑物裂缝监测方法进行构建，包括裂缝区域自适应分割模块、裂缝特征提取与分析模块、裂缝特征学习模块、裂缝形态动力学建模模块、模型训练与更新模块；

75、所述裂缝区域自适应分割模块，采用深度学习技术，将输入的裂缝图像自动分割出裂缝区域，通过自适应分割算法，将复杂场景下的裂缝从背景中精准地分离；

76、所述裂缝特征提取与分析模块，对分割出的裂缝区域进行分析，提取裂缝的几何特征，包括长度、宽度、形状、边缘特征；

77、所述裂缝特征学习模块，通过自监督学习模型学习裂缝的深层次特征，通过对比学习和结构保持任务，系统能够更好地理解裂缝在不同环境下的表现形式；

78、所述裂缝形态动力学建模模块，结合机器学习模型，模拟裂缝随时间的动态扩展过程，通过应力场、能量释放率和裂缝扩展速率，预测裂缝的未来变化；

79、所述模型训练与更新模块，通过定期更新的数据，系统不断训练自监督学习模型和动态演化模型，以提高裂缝检测和预测的准确性。

80、与现有技术相比，本发明提供了一种基于机器学习的建筑物裂缝监测方法和系统，具备以下有益效果：

81、该基于机器学习的建筑物裂缝监测方法和系统，通过自适应分割、自监督学习和裂缝形态动力学建模，有效提升了裂缝监测的精度和鲁棒性，解决了传统方法在裂缝检测中的误检与漏检问题，系统能够自适应学习不同环境和材质下裂缝的表现形式，精准地提取裂缝特征并预测其扩展路径。通过对应力场和裂缝扩展速率的物理建模，系统还可以动态跟踪裂缝的演变过程，显著提高了裂缝扩展的预测准确性，为建筑结构安全管理提供了更可靠的技术保障。