(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 202210483645.X (22)申请日 2022.05.06 (71)申请人 金陵科技学院 地址 211169 江苏省南京市江宁区弘景 大 道99号 (72)发明人 刘志峰　马颖忆　宋永生　陈育志　 李恩康　张启菊　王大伟　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 张力 (51)Int.Cl. G06T 7/00(2017.01) G06V 20/40(2022.01) G06V 10/44(2022.01) G06V 10/46(2022.01)G06V 10/54(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于机器视觉和循环卷积网络的古城 墙损伤实时检测方法 (57)摘要 本发明公开了一种基于机器视觉和循环卷 积网络的古城墙损伤实时检测方法， 包括布置视 觉监测设备及附属设施； 实时采集古城墙结构变 化视频； 选择视频图像中感兴趣区域， 计算结构 关键位置变形位移数据； 识别视频中表面病害， 判断表面病害的位置和类型； 计算形变位移数据 和病害分项分数， 评价古城墙结构整体安全性； 采取相应的管理养护及预防措施。 本发明能够实 现对古城墙损伤 状况的实时监测， 弥补现有城墙 损伤检测手段的不足， 为古城墙的管理养护提供 新的解决思路。 权利要求书3页 说明书7页 附图3页 CN 114943691 A 2022.08.26 CN 114943691 A 1.一种基于 机器视觉和循环卷积网络的古城墙损伤实时检测方法， 其特 征在于， 包括： 步骤1， 根据古城墙参数布置 视觉监测设备及附属设施； 步骤2， 视 觉监测设备及附属设施实时采集古城墙结构变化视频； 步骤3， 基于机器视觉方法和特征点算法， 选择视频图像中感兴趣区域， 计算结构关键 位置变形位移数据； 步骤4， 基于循环卷积网络识别视频中表面病害， 判断表面病害的位置和类型； 步骤5， 综合位移数据和病害信息， 计算形变位移数据和病害分项分数， 评价古城墙结 构整体安全性； 步骤6， 根据形变位移数据和病 害分项分数， 以及古城墙结构整体安全性情况采取相应 的管理养护及预防措施。 2.根据权利要求1所述的一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方 法， 其特征在于， 所述步骤1 中， 根据古城墙尺寸参数安装监测设备及附属设施， 包括摄像机 及附属设施、 网络传输设备、 照明设备， 分别实现结构视频数据采集、 视频数据传输以及夜 间或光照条件差环境下的监测。 3.根据权利要求2所述的一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方 法， 其特征在于， 所述 步骤1中， 所述附属设施包括摄 像机的支 架、 立杆、 基础； 相邻摄像机视域范围可重 叠以保证完全覆盖待监测区域； 所述网络传输设备利用5G移动网络或光纤的方式进行视频 数据传输 。 4.根据权利要求1所述的一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方 法， 其特征在于， 所述 步骤3包括： 步骤301， 在视频图像 中划分感兴趣区域作为结构关键位置， 利用特征点算法识别感兴 趣区域内表面特 征， 包括城墙表面纹 理、 砖石风 化特征； 步骤302， 获取连续图像 中感兴趣区域内的特征点坐标， 通过坐标计算获取感兴趣内特 征点的位移变化， 进 而计算结构关键位置的变形。 5.根据权利要求4所述的一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方 法， 其特征在于， 所述特征点算法分为4个步骤： 特征检测、 特征描述、 特征匹配和误匹配滤 除； 特征点检测采用SURF描述符， 特征描述采用ORB描述符， 特征匹配采用FLANN方法， 误匹 配滤除采用RANSAC方法。 6.根据权利要求4所述的一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方 法， 其特征在于， 所述感兴趣区域尺寸大于 50*50像素。 7.根据权利要求1所述的一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方 法， 其特征在于， 所述 步骤4包括： 步骤401， 将视频采集的图像进行均匀化网格划分； 所述网格的图像尺寸根据相机与城墙距离和标定系数确定， 标定系数通过拍摄已知尺 寸的目标进行计算获取； 步骤402， 将每个网格的图像输入训练好的循环卷积网络， 判断网格 内是否存在病 害并 识别出对应的病害类型， 具体的： 假如输入图片size为AxAx3 的彩色图， 首先经过一个5x5 的卷积层， 卷积层的输出通道权　利　要　求　书 1/3 页 2 CN 114943691 A 2数为16， 得到一个(A ‑4)x(A‑4)x16的一组特 征图； 然后经过2x2的池化层， 得到( (A‑4)/2)x((A‑4)/2)x16的特 征图； 接着Flat ten后进入两个5 0个神经元的全连接层， 最后输出分类结果： 判断网格内是否存在病害并识别出对应的病害类型。 8.根据权利要求7所述的一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方 法， 其特征在于， 所述病害类型分为表面裂缝、 风 化剥落、 渗水泛白和植物 覆盖。 所述循环卷积网络通过如下 方式训练： 将网格化 图像按照8:1:1的比例 分为训练集， 测试集和验证集， 通过训练集学习训练， 判断网格内是否存在病害并识别出对应的病害类型， 通过测试集和验证集实现测试和验 证。 9.根据权利要求1所述的一种基于机器视觉和循环卷积网络的古城墙损伤实时检测方 法， 其特征在于， 所述 步骤5包括： 步骤501， 计算形变位移数据和病害分项分数： 采用公式(1)和公式(2)计算结构关键位置变形位移分数； 采用公式(3)、 (4)、 (5)计算表面裂缝分数； 采用公式(6)计算 风化剥落、 渗水泛白和植物 覆盖三种 病害的分数； 其中， W1和W2为水平方向和垂直方向位移计算分数； Δx和Δy为结构关键位置在水平和垂直方向的位移； Lx和Ly为每 个相机视域范围内的水平和垂直方向的城墙尺寸； 其中， B11和B12为表面裂缝在水平方向和垂直方向投影的计算分数； B13裂缝面积计算分数， l 为表面裂缝长度； α 为表面裂缝与水平方向的夹角； k为表面裂缝宽度， Lx和Ly为每 个相机视域范围内的水平和垂直方向的城墙尺寸； 其中， B2、 B3和B4为风化剥落、 渗水泛白和植物 覆盖病害的计算分数； Si为不同表面病害的面积， Lx和Ly为每个相机视域范围内的水平和垂直方向的城墙尺 寸； 步骤502， 根据步骤501计算出的不同分项分数， 同时考虑不同分项的权重系数， 计算城 墙结构整体安全评价分数： 设置结构水平位移W1和垂直位移W2权重系数分别为0.3和0.2， 表面裂缝水平方向投影、权　利　要　求　书 2/3 页 3 CN 114943691 A 3