基于无人机采集多信息维度数据的玻璃幕墙损伤智能检测方法

基于无人机采集多信息维度数据的玻璃幕墙损伤智能检测方法
发布时间：2021-07-11T05:45:58.483Z 来源：《现代电信科技》2021年第5期作者：张欢欢唐家兴王子傲宋子辉张洋洋刘祥王志凯[导读] 但由于图像处理的技术瓶颈只能做到无人机拍摄+人眼识别，对整体效率的提升有限，价格优势也不明显。

（江苏航空职业技术学院，飞行学院；工程学院镇江 212134）
摘要：本文针对玻璃幕墙检查风险高、成本高、效率低、管理难，提出一种基于无人机+幕控平台的玻璃幕墙安全监测解决方案。

通过无人机搭载遥感模块，对玻璃幕墙的面板、型材以及密封胶进行多维度的图像采集，所得数据经过基于CED的图像识别算法的幕控计算后台分析计算，智能检测判定玻璃幕墙的损伤情况，并生成检查报告，最终报告数据可以通过BIM模型高可视化展现。

关键词：玻璃幕墙；无人机；图像识别；超声波无损检测
玻璃幕墙在我国发展已有近40年，由于越来越多的幕墙进入老化期，玻璃幕墙造成的安全事故年均达到4.2万起。

玻璃幕墙的检查成为规避此类风险的关键，但是传统吊挂“蜘蛛人”检查的方式效率低费用高还存在人员安全问题。

因此市场上出现了一种以无人机对玻璃幕墙进行航拍的检查方式，但由于图像处理的技术瓶颈只能做到无人机拍摄+人眼识别，对整体效率的提升有限，价格优势也不明显。

经过多次研究实践后，采用无人机携带遥感检测模块对玻璃幕墙进行检查和图像采集。

通过机器视觉法和利用超声波无损检测法解决无人机检查玻璃幕墙存在的图像处理技术瓶颈，提高了安全系数、降低了检查成本、提高了检查效率，进而达到了降低玻璃幕墙安全事故的目的。

本研究的重点在于提出了一种适用于玻璃幕墙检测的图像处理算法，即聚类加边缘检测算法（Clustering and edge detection，CED），其主要包含的内容有：图像匀光处理、有效区域提取、画面增强算法和损伤识别算法
1图像预处理
本文测试时通过利用无人机倾斜拍摄调整玻璃的反光角度，从而尽可能的规避图像倒影问题。

但是由于玻璃幕墙多处于复杂的光照环境下，导致采集到的图像会有亮度不均匀的情况，会影响玻璃幕墙损伤检测，再加上采集的到图像要素过多，计算量过大，所以对采集到的图形进行预处理是十分必要且重要的。

1.1 图像匀光处理
由于玻璃幕墙面板的情况各不相同，不存在标准参考图像，所以本文选取了模型法中具有代表性的基于加性噪音的马斯克匀光（Mask）进行实验。

Mask 匀光是在频域中进行处理，图像的低频信息反映图像的亮度差异，通过低通滤波，即可得到背景图像。

滤波器尺寸过大会影响画面质量，尺寸过小会影响匀光效果。

针对这一特点，本文选取一种基于HSV颜色空间中的亮度作为图像纹理分割依据的纹理分割方法。

在此基础上再根据不同的分割区域对图像分别进行Mask匀光处理。

为了更客观的评价 Mask 匀光改进前后的匀光效果，本文将匀光前后的图像采用亮度平均值和亮度平均偏差进行定量分析。

如表1所示：
由表1可以看出经过改进的Mask匀光算法处理后的图像更加的均匀，可以更有效的减少因为光照不均对玻璃幕墙检测的干扰。

表1 匀光前后亮度比较
1.2有效区域提取
玻璃幕墙面板与外框通常是由密封胶连接的较为规整的矩形，幕墙面板检测的有效区域为幕墙的玻璃面板，通过对采集到的图像进行直线检测即可完成面板提取。

原霍夫算法产生大量误连接的问题且增加了图像处理的计算量。

为此我们提出了随机霍夫变换（RHT）法的基础上加入模糊c-均值聚类（fuzzy c-means algorithm，FCM）。

先将图像进行图像聚类再进行RHT直线检查最后完成区域拼接。

RHT法在判定两个边缘点是一条有效直线后，会提取并删除该直线的所有边缘点，循环操作，直到删除所有边缘点。

从而解决上诉缺点。

1.3画面增强算法
由于无人机采集图像时的振动、玻璃高透光性和反光性的影响以及玻璃周围的污物等，使采集到的图像中含有各种类型的噪音，为了提高图像处理的精度和减少计算量，需要对图像进行灰度化处理和去噪处理，以增强最关键信息的可检测性和最大限度简化数据。

无人机采集的图像属于彩色图像，直接使用 RGB 彩色模型会产生巨大的计算量，所以需要对图像进行灰度化处理。

常规的图像灰度化处理的方法有分量法、最大值法、平均值法和加权平均法。

本文通过实验对比最终采用灰度化处理效果均方误差最小的加权平均法，具体表达式如下：gray=0.299R+0.58G+0.114B
传统去噪的滤波算法是对像素的处理都是基于像素的某一邻域进行的，进而判定其为噪音，但是会易导致图像的不连续性。

所以在分析面板损伤基础上，设计了一种新的滤波算法非局部均值滤波方法：对于某个像素i，在其相邻的9*9的像素区域内选取每个3*3的像素矩阵。

与以像素i为中心的3*3的矩阵进行对比。

2.智能损伤识别
通过对玻璃幕墙损伤特征的分析，发现损伤区域的边界与健康区域的边界存在明显的灰度突变，因此灰度突变的存在与否可以作为幕墙损伤判定的依据。

对于灰度突变区域的检测属于边缘检测，主要的检测算法有：Roberts算子；Sobel算子和Canny 算子
经研究采取了K均值聚类算法（k-means clustering algorithm，简称 k-means）与 Canny 算子的结合使用方法，以达到增强损伤边缘提取的连续性的目的，再使用Canny算子分别对各区域进行边缘检测，最后将各个区域进行拼接，最后完成整个图像的损伤识别。

3超声波无损检测补充
由于玻璃幕墙所处的环境光线过于复杂，利用图像这一单一维度的信息对其进行损伤检测的可靠性是不够的，还需要对CED算法检测后标记存疑的地方进行超声波无损检测，通过更多维度信息的相互佐证，进而确定幕墙的真实服役现状。

超声波无损检测（UT）是较为成熟的技术，运用在玻璃幕墙的检测中不仅限于对幕墙面板检测的信息补充，它还在密封胶检查中起到至关重要的缺陷检查作用。

运用超声波检测模块进行检查，遇到缺陷与零件底面时分别产生不同的反射波，从而在荧光屏上形成脉冲波形，根据这些波形就可以判断缺陷位置和大小。

4.总结
本文通过对玻璃幕墙智能检测方法进行分析探索，研究了图像识别技术和超声波无损检测技术在其中的实践可能，通过一系列的实验研究，得出结论如下：
（1）基于HSV颜色模型进行纹理分割后Mask处理的玻璃幕墙图像匀光效果更加出色。

（2）在RHT变换处理前，对图像进行c-均值聚类，可以有效减少直线检测的处理量，提高图像处理的效率。

（3）对图像灰度化处理的方法选择进行的优化以及对画面去噪滤波算法的改进都有利于后期损伤识别的质量。

（4）利用k-means 算子对图像进行区域分割后再通过Canny算子进行灰度突变区域的直线检测，可以实现对玻璃幕墙损伤的高效识别。

（5）对超声波无损检测可以运用在玻璃幕墙面板和密封胶的检测上，达到对图像技术损伤识别的佐证与补充。

参考文献：
[1]前瞻产业研究院. 2018-2024 年中国建筑幕墙行业市场前瞻与投资战略规划分析报告
[2]王夙喆，王召巴，金永，等. 基于 BP 神经网络的玻璃缺陷识别技术研究[D]. 中北大学，2010.
[3]陈晓红. 基于机器视觉的触摸屏玻璃缺陷检测方法研究[D]. 华南理工大学，2013.
[4]彭超. 透明玻璃平板表面缺陷在线检测系统的研究[D]. 浙江工业大学，2016.
[5]GB 15763.2—2005. 建筑用安全玻璃（第 2 部分：钢化玻璃）[S].
[6]一种基于边缘梯度的图像插值算法[J]. 计算机工程，2013，39（8）：239-242.
[7]田文利. 基于霍夫直线检测与二维透视变换的图像校正恢复算法[J]. 电子测量技术，2017，40（9）：128-131.。