无人机和深度学习用于现有住宅建筑面部缺陷的自动检测和可视化

科学领域:

• 城市规划和基础设施管理
• 在土木工程中的人工智能.
• 遥感和地缘空间分析

背景情况:

• 加快的城市化导致住宅建筑的突出外观缺陷,威胁到结构安全和生活质量.
• 在深等人口密度较高的城市地区,传统的手动检查方法效率低下,容易出现错误.
• 现有的方法缺乏全面的缺陷检测和高效的数据可视化,用于大规模的建筑管理.

研究的目的:

• 开发和验证使用无人机 (UAV) 技术自动检测立面缺陷的综合框架.
• 将可见光和热红外成像与深度学习相结合,用于协同识别缺陷.
• 实现实时3D可视化和检测到的立面缺陷的参数分析,以改善建筑安全管理.

主要方法:

• 利用无人机 (UAV) 基于可见光和热红外成像进行数据采集.
• 采用深度学习算法 (基于Knet的模型) 来自动检测裂和潮湿入侵.
• 开发了一个Grasshopper集成的绘图工具,用于参数3D可视化缺陷信息.

主要成果:

• 可见和热红外图像的融合有效地识别了裂和潮湿入侵缺陷.
• 确定了最佳的射击距离:低层建筑为5-10米,高层建筑为20-25米.
• 肯尼特模型在裂检测方面实现了87.86%的mIoU,在泄漏检测方面达到79.05%.

结论:

• 拟议的基于无人机的框架为全市建筑安全管理提供了有效和准确的技术解决方案,特别是在人口密集地区.
• 这种综合方法提高了关键立面缺陷的检测,并促进了数据驱动的维护策略.
• 该框架支持开发自动化建筑维护系统和智能城市基础设施.