(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210824318.6 (22)申请日 2022.07.14 (71)申请人 北京建筑大学 地址 100044 北京市西城区展览馆路1号 (72)发明人 贺鼎　郑毅　何黎黎　张景瑶　 肖东　张群力　朱宇华　郭贤　 (74)专利代理 机构 北京荟英捷创知识产权代理 事务所(普通 合伙) 11726 专利代理师 张阳 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/14(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G01D 21/02(2006.01) (54)发明名称 建筑遗产病害自动识别预测方法、 装置及设 备 (57)摘要 本发明提供了一种建筑遗产病害自动识别 预测方法、 装置及设备。 该装置可 以依托图像采 集单元、 环 境传感单元收集建筑遗产的图像和环 境物理量， 建立建筑遗产裂隙基础数据库， 并将 数据传输至深度学习模块发掘环境物理量与建 筑遗产裂隙间的识别预测模型， 最终通过识别预 测模块实时预测未来建筑遗产的状态， 将可能发 生裂隙的信号发送至相关保护及管理部门。 本发 明实施例能够对建筑遗产所处环境的环境物理 量进行实时监测并识别预测建筑遗产裂隙宽度 及深度， 降低了建筑遗产保护及管理工作中人力 消耗、 提高了保护效率和准确性， 增强了建筑遗 产保护的信息化、 自动化和规模化。 权利要求书2页 说明书8页 附图3页 CN 115393270 A 2022.11.25 CN 115393270 A 1.一种建筑遗产病害自动识别预测方法， 其特 征在于， 所述方法包括： 获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量； 所述建筑遗产的图像 包括建筑遗产的外部图像和内部图像， 所述环境物理量包括以下至少一项： 温度、 湿度、 风 速、 光照、 空气质量； 将所述建筑遗产的图像与 所述环境物理量输入预先训练 的识别预测模型， 得到所述建 筑遗产裂隙宽度及深度； 所述识别预测模型 由建筑遗产裂隙宽度及深度作为因变量， 建筑 遗产的图像作为中间变量， 环境物理量作为自变量构建， 基于建筑遗产裂隙训练集采用深 度学习算法训练得到； 所述建筑遗产裂隙训练集包括多个建筑遗产的图像及对应的环境物 理量。 2.根据权利要求1所述的方法， 其特征在于， 所述识别预测模型包括裂隙宽度 预测模型 及裂隙深度预测模型， 所述识别预测模型的训练过程包括： 获取建筑遗产的不同时刻的外 部图像、 内部图像及环境物理量； 计算相邻时刻的得到外部图像裂隙宽度像素值的差值， 得到外部图像裂隙宽度像素值 的一阶差分值， 以及计算相邻时刻的得到内部图像裂隙深度像素值的差值， 得到内部图像 裂隙深度像素值的一阶差分值； 将外部图像裂隙宽度像素值的一阶差分值作为因变量， 将环境物理量作为自变量， 构 建裂隙宽度预测模型； 将内部图像裂隙深度像素值的一阶差分值作为因变量， 将环境物理量作为自变量， 构 建裂隙深度预测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述外部图像由高分辨摄影成像技术获 得， 所述内部图像由光学相干层析成像技 术获得； 所述识别预测模型的训练过程包括： 对第m个建筑遗产拍摄不同时刻的ni张图像， 每幅图像的像素值可表示 为： 通过计算dq+1与dq两个时刻图像的像素值的差值， 可得到这两个时刻像素值的一阶差 分值Rdq； ydq+1‑ydq＝Rdq (d＝1， 2， 3. .....m， q＝1， 2， 3. .....ni) 将外部图像裂隙宽度像素值的一阶差分值RdqI作为因变量， 将环境物 理量作为自变量， 构建裂隙宽度预测模型； RdqI＝β0+β1Tdq+β2Hdq+β3Wdq+β4Ldq+β5Adq 将内部图像裂隙深度像素值的一阶差分值RdqII作为因变量， 将环境物理量作为自变量， 构建裂隙深度预测模型； RdqII＝γ0+γ1Tdq+γ2Hdq+γ3Wdq+γ4Ldq+γ5Adq 其中， 其中， Tdq表示温度， Hdq表示湿度， Wdq表示风速， Ldq表示光照， Adq表示空气质量， β0 与γ0、 β1与γ1、 β2与γ2、 β3与γ3、 β4与γ4、 β5与γ5分别为各环境物理量对应系数。 4.根据权利要求2或3所述的方法， 其特 征在于， 所述识别预测模型的训练过程还 包括： 获取多个预 先标注裂隙宽度及深度的建筑遗产的图像； 将所述多个预先标注裂隙宽度及深度的建筑遗产的图像输入卷积神经网络模型进行 深度学习， 直至满足训练终止条件。权　利　要　求　书 1/2 页 2 CN 115393270 A 25.根据权利要求4所述的方法， 其特征在于， 所述将所述多个预先标注裂隙宽度及深度 的建筑遗产的图像输入卷积神经网络模型进行深度学习， 直至满足训练终止条件， 包括： 提取多个预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值， 以 及内部图像 裂隙深度的一阶差分值； 将预先标注裂隙宽度及深度的建筑遗产的外部图像裂隙宽度的一阶差分值以及预先 标注裂隙宽度及深度的建筑遗产的内部图像裂隙深度像素值的一阶差 分值， 输入卷积神经 网络模型进行深度学习， 直至满足训练终止条件。 6.根据权利要求1所述的方法， 其特征在于， 所述获取建筑遗产的图像以及所述建筑遗 产所处环境的环境物理量， 包括： 按照固定时间 间隔获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量。 7.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 将所述建筑遗产的实时图像输入所述识别预测模型， 得到所述建筑遗产当前的裂隙宽 度及深度。 8.根据权利要求1 ‑7任一项所述的方法， 其特 征在于， 所述方法还 包括： 将所述建筑遗产裂隙宽度及深度的预测结果报送至相关保护及管理部门， 以及时制定 预防性保护策略。 9.一种建筑遗产病害自动识别预测装置， 其特 征在于， 所述装置包括： 数据获取模块， 用于获取建筑遗产的图像以及所述建筑遗产所处环境的环境物理量； 所述建筑遗产的图像包括建筑遗产的外部图像和内部图像， 所述环境物理量包括以下至少 一项： 温度、 湿度、 风速、 光照、 空气质量； 识别预测模块， 用于将所述建筑遗产的图像与 所述环境物理量输入预先训练 的识别预 测模型， 得到所述建筑遗产裂隙宽度及深度； 所述识别预测模型 由建筑遗产裂隙宽度及深 度作为因变量， 建筑遗产的图像作为中间变量， 环境物理量作为自变量构建， 基于 建筑遗产 裂隙训练集采用深度学习算法训练得到； 所述建筑遗产裂隙训练集包括多个建筑遗产的图 像及对应的环境物理量。 10.一种建筑遗产病害自动识别预测设备， 其特征在于， 包括图像采集单元、 环境传感 单元及建筑遗产病害自动识别预测装置； 所述图像采集单元包括： 高分辨率摄像机和光学相干层析成像系统； 所述环境传感单 元包括红外温度探测器、 VOC气体测试仪、 照度仪、 湿度仪和空气流 量监测仪； 所述建筑遗产病害自动识别预测装置用于执行如权利要求1 ‑8任一项所述的建筑遗产 病害自动识别预测方法。权　利　要　求　书 2/2 页 3 CN 115393270 A 3