基于無人機熱成像的建筑飾面層脫粘缺陷識別

彭 雄，鐘新谷，趙 超，陳安華，張?zhí)煊?/p>

〈紅外應(yīng)用〉

基于無人機熱成像的建筑飾面層脫粘缺陷識別

彭 雄1,2，鐘新谷1,2，趙 超1,2，陳安華1，張?zhí)煊?,2

（1. 湖南科技大學(xué)，湖南 湘潭 411201；2. 結(jié)構(gòu)抗風(fēng)與振動控制湖南省重點實驗室，湖南 湘潭 411201）

建筑外墻飾面層脫粘剝落廣泛存在，對居民生命財產(chǎn)安全帶來巨大威脅。本文以旋翼無人飛機為工作平臺，搭載紅外熱成像相機對建筑外墻飾面層脫粘缺陷進行成像檢測，獲得脫粘缺陷熱成像溫度場分布規(guī)律；通過飾面層脫粘缺陷溫度場、形狀特征分析，提出基于熱源聚類的脫粘缺陷紅外圖像分割方法，構(gòu)建飾面層脫粘缺陷形狀特征向量集，建立基于支持向量機的無人飛機熱成像飾面層脫粘缺陷識別特征學(xué)習(xí)模型、脫粘缺陷實際面積計算方法；以曾出現(xiàn)數(shù)次飾面層剝落的教學(xué)樓為研究對象，對實際建筑進行無人機機載紅外視頻成像檢測，識別脫粘缺陷面積，并與人工檢測進行比較，表明基于先驗特征規(guī)律提出的脫粘缺陷識別小樣本機器學(xué)習(xí)算法具有優(yōu)越性，機載熱成像識別飾面層脫粘缺陷滿足工程精度要求，能有效減少事故發(fā)生，具有可行性和廣泛應(yīng)用前景。

無人飛機；建筑飾面；脫粘缺陷；熱成像；特征學(xué)習(xí)

0 引言

飾面層（building decorative layers, BDLs）廣泛應(yīng)用于建筑外墻，但由于環(huán)境影響、施工質(zhì)量等原因，飾面層容易發(fā)生脫粘剝落，且隨著時間的推移，在雨水、冰凍、暴曬、強風(fēng)等的作用下，脫粘面積會逐漸增大，最終導(dǎo)致飾面層從主體結(jié)構(gòu)上剝離、脫落。近年來建筑外墻飾面層剝落事故時有發(fā)生，對居民生命財產(chǎn)安全帶來巨大威脅，尤其對于高層建筑，一旦出現(xiàn)飾面層脫落將導(dǎo)致嚴重后果，迫切需要采取有效的檢測手段來避免此類事故的發(fā)生。

傳統(tǒng)飾面層脫粘缺陷檢測手段主要有：目測法、錘擊法、拉拔法[1-2]，需要搭設(shè)支架依靠人工攀爬檢測，時間長、成本高且檢測人員安全存在風(fēng)險，因此采用傳統(tǒng)人工檢測的方法識別飾面層脫粘缺陷無實際意義。近年來基于固定或手持紅外熱成像設(shè)備對外墻飾面磚脫粘缺陷檢測相關(guān)研究發(fā)展迅速[3-4]，相關(guān)學(xué)者研究了飾面層脫粘缺陷的溫度場分布規(guī)律，并利用紅外設(shè)備對外墻飾面層模型進行熱成像，識別缺陷面積。但由于紅外熱成像與可見光成像相比具有成像范圍較小、分辨率低的特點[5]，固定或手持紅外熱成像設(shè)備對外墻飾面磚脫粘缺陷檢測尚沒有得到廣泛應(yīng)用。

近年來，旋翼無人飛機在航空拍照、測量、高壓輸電線路巡視、農(nóng)業(yè)等民用領(lǐng)域得到廣泛應(yīng)用[6-10]。在無人飛機搭載紅外熱像儀進行結(jié)構(gòu)檢測方面，Omar利用無人機機載紅外熱像儀檢查混凝土橋面脫空[11]。Patel基于無人飛機紅外熱成像測量了建筑圍護構(gòu)件的傳熱系數(shù)[12]。Ellenberg使用無人機分別搭載紅外相機、普通相機對地面預(yù)制梁進行檢測，分析混凝土結(jié)構(gòu)表面缺陷特征[13]。Dusik Kim利用無人飛機攜帶紅外熱像儀對光伏電站的太陽能面板進行檢測，應(yīng)用閾值分割和形態(tài)學(xué)算法提出太陽面板的面積自動提取算法，識別的正確率達到96.9%[14]。但由于飾面脫粘缺陷為隱蔽缺陷，其熱成像溫度場受太陽輻射角度影響隨時間變化。此外，不同顏色、規(guī)格的脫粘缺陷溫度場規(guī)律可能不一致。因此基于無人飛機平臺進行飾面層脫粘缺陷熱成像檢測還需進一步研究。

同時，由于紅外熱成像像素分辨率低，邊緣模糊，使得基于傳統(tǒng)圖像處理方法難以識別紅外熱成像缺陷面積。近年來機器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)發(fā)展迅速[15-16]，適于大規(guī)模的機載熱成像圖像識別。Olivier利用卷積神經(jīng)網(wǎng)絡(luò)識別紅外圖像自動確定機器的狀態(tài)[17]。Gong將深度學(xué)習(xí)方法用于基于熱成像的電氣設(shè)備檢測[18]。Zhang結(jié)合壓縮感知與分類卷積神經(jīng)網(wǎng)絡(luò)，提出超分辨率紅外圖像處理方法[19]。Luo建立了適于紅外熱成像缺陷檢測的VGG-Unet網(wǎng)絡(luò)[20]。Saeed提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的缺陷自動檢測方法[21]。但無人飛機熱成像的脫粘缺陷識別基于檢測飛行試驗建立小規(guī)模樣本集，且基于文獻及試驗已得到缺陷熱成像先驗規(guī)律，利用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)獲得高階特征進行紅外圖像語義分割的方法人工標(biāo)記時間成本高，且特征冗余，造成識別精度和魯棒性較低。

因此，本文以六旋翼無人飛機為工作臺搭載紅外熱成像儀，在無人飛機加裝三點激光測距儀與熱像儀視頻同步測距[22-23]，基于無人飛機熱成像試驗獲得飾面層脫粘缺陷熱成像敏感性規(guī)律；基于飾面層脫粘缺陷紅外圖像特點，提出熱源模糊聚類二值分割方法，和適于小樣本的機器學(xué)習(xí)算法，并與開源深度學(xué)習(xí)語義分割效果比較；基于空間分辨率換算識別缺陷面積，并與傳統(tǒng)人工檢測進行比較，驗證本文所提出方法的精度，系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)圖

1 飾面層脫粘缺陷熱成像敏感性試驗研究

近年來，有關(guān)學(xué)者研究了基于熱成像的飾面脫粘缺陷識別，但受拍攝仰角、分辨率的限制難以進行大規(guī)模實際應(yīng)用[1-4]。旋翼無人飛機具有使用靈活的特點，以旋翼無人機為平臺，搭載紅外熱成像儀是否滿足飾面層脫粘缺陷識別要求，取決于機載熱成像對于溫度變化下飾面層缺陷的敏感程度，以及不同規(guī)格飾面層的脫粘缺陷熱成像溫度場特性是否具有一致性。為滿足建筑飾面層脫粘缺陷智能識別要求，利用無人飛機機載熱成像對基于人工檢測的脫粘缺陷進行檢測，研究脫粘缺陷熱成像溫度特性，為基于機器學(xué)習(xí)圖像處理的飾面層脫粘缺陷識別提供先驗特征。

1.1 飾面層缺陷識別熱成像原理

文獻[1-4]研究了建筑飾面層的熱傳遞規(guī)律，如圖2所示為建筑物外墻飾面層的能量輻射示意圖，當(dāng)飾面層與建筑外墻之間發(fā)生剝離、脫空時，在脫空位置將形成很薄的空氣層，由于氣體具有很好的隔熱性，使得飾面層與建筑結(jié)構(gòu)之間的熱傳遞減少。升溫時，在太陽照射下墻體的溫度迅速升高并向建筑內(nèi)部傳導(dǎo)熱量，由于脫粘缺陷位置有空氣層的存在熱量向內(nèi)傳遞相應(yīng)減少，導(dǎo)致脫粘缺陷表面的溫度異常高于正常位置；降溫時，由于脫粘缺陷阻擋了建筑內(nèi)部的熱量向表面?zhèn)鬟f，使缺陷表面的溫度異常低于正常位置。利用飾面層脫粘缺陷的熱傳遞規(guī)律，脫粘缺陷處的紅外熱成像圖像與正常位置應(yīng)具有明顯差異，為識別飾面層脫粘缺陷位置與面積提供了實驗與理論依據(jù)。

圖2 太陽輻射下飾面層脫粘缺陷熱傳遞原理

1.2 溫度變化下飾面層缺陷熱成像試驗

根據(jù)建筑飾面層的熱傳遞規(guī)律，利用如圖3所示六旋翼無人飛機平臺，搭載DY640紅外熱成像儀（溫度分辨率0.04℃，熱靈敏度0.035℃，圖像分辨率640×480，幀率25幀）和三點激光測距儀，對人工檢測的脫粘缺陷位置進行成像檢測。將機載紅外熱成像視頻逐幀解壓，對缺陷區(qū)域紅外熱成像照片按典型時段排列，并計算其灰度分布圖，如圖4所示。表明在8:00 am～14:00 pm的升溫過程中，脫粘缺陷的灰度范圍與正常背景之間存在明顯的差異，顯著高于背景，其中在10:00 am左右由于劇烈升溫導(dǎo)致圖像灰度差異最為明顯，脫粘缺陷區(qū)域灰度差異值在40以上。在降溫過程中，脫粘缺陷處灰度值低于正常背景，在16:00 pm左右差異最為明顯。試驗結(jié)果與建筑外墻飾面層能量傳遞規(guī)律一致，且升溫時熱成像圖像灰度特征變化更為明顯，表明利用快速升溫時缺陷區(qū)域機載熱成像結(jié)果的顯著灰度差異識別飾面層缺陷具有可行性。

圖3 飾面層缺陷機載熱成像檢測：(a) 機載熱成像測試原理；(b) 機載熱成像測試結(jié)果

圖4 飾面層脫粘缺陷溫度場時間變化規(guī)律

1.3 不同規(guī)格飾面層脫粘缺陷熱成像試驗

利用前述無人飛機系統(tǒng)，在升溫最劇烈的時間段對多座曾出現(xiàn)過飾面層剝落的大樓進行機載紅外熱成像實驗，選取同一規(guī)格飾面建筑的不同面積脫粘缺陷熱成像圖像進行對比，如圖5所示，表明不同面積的脫粘缺陷區(qū)域溫度場都有中心向邊緣的灰度梯度變化，具有普遍一致性，利用機載熱像儀無差別視頻錄像識別不同面積飾面層缺陷具有可行性。

如圖6所示，對比不同規(guī)格飾面層的缺陷熱成像圖像，表明脫粘缺陷溫度場變化與飾面種類、顏色、規(guī)格無關(guān)，缺陷溫度場特性具有普遍一致性，飾面層脫粘缺陷熱成像圖像邊緣模糊、由中心向邊緣溫度梯度變化明顯、區(qū)域形狀特征與其他干擾噪聲有明顯區(qū)別，表明通過建立飾面缺陷圖像數(shù)據(jù)集，利用無人飛機機載熱成像視頻無差別檢測飛行，利用機器學(xué)習(xí)方法快速識別缺陷病害具有可行性。

圖5 不同面積飾面層脫粘缺陷熱成像灰度分布規(guī)律

圖6 不同規(guī)格飾面層脫粘缺陷熱成像灰度分布規(guī)律

2 無人飛機熱成像飾面層脫粘缺陷識別算法

基于前述試驗分析，表明設(shè)定無人飛機航跡進行無差別機載紅外視頻成像識別飾面層脫粘缺陷具有可行性，但由于視頻成像數(shù)據(jù)量巨大，同時在飾面層熱成像圖像中，飾面磚勾縫、金屬窗、空調(diào)外機等物體大量存在，其比熱容小升溫迅速，與脫粘缺陷的溫度場具有類似的特點，引起脫粘缺陷的誤識別，因此如何利用圖像處理技術(shù)快速準(zhǔn)確識別脫粘缺陷面積尤為重要?；谇笆鎏攸c，本文提出基于熱源模糊聚類的二值分割方法，和基于支持向量機的缺陷形狀自動篩選機器學(xué)習(xí)算法，自動提取并識別飾面層脫粘缺陷面積。

2.1 基于熱源模糊聚類的紅外圖像分割

為準(zhǔn)確識別飾面層脫粘缺陷面積，需對缺陷圖像區(qū)域內(nèi)每一像素點進行分類判斷，實現(xiàn)語義分割[24]。而聚類是把某些具有相同特征的樣本數(shù)據(jù)聚集在一起，從而實現(xiàn)對樣本數(shù)據(jù)進行分類?；跓嵩茨：垲惖募t外圖像分割使用迭代搜索聚類中心即熱成像圖像中熱源中心，并通過區(qū)域內(nèi)像素與中心之間的隸屬度關(guān)系來計算目標(biāo)函數(shù)的最小值，實現(xiàn)紅外圖像模糊邊界的分離和缺陷區(qū)域圖像的像素級分割[25]。算法的目標(biāo)函數(shù)如式(1)所示：

式中：是像素數(shù)目；表示聚類中心數(shù)；表示相對于類的隸屬度；表示模糊權(quán)重系數(shù)；表示像素灰度；表示聚類中心。隸屬度的約束條件為：

因此求解聚類問題變成了一個非線性優(yōu)化，求解在約束公式(2)下的目標(biāo)函數(shù)最小值，通過引入拉格朗日乘子，將方程變成如下：

基于升溫時段飾面脫粘缺陷和噪聲都具有異常高的溫度場特性，利用上述模糊聚類算法進行熱成像圖像分割，其步驟的如下：①將圖7(a)所示原始圖片進行灰度化，并計算其灰度直方圖，如圖7(c)所示；②根據(jù)灰度直方圖確定聚類類別數(shù)為2類；③計算目標(biāo)函數(shù)。如果目標(biāo)函數(shù)比某確定閾值小，或相對于某閾值e大于上次目標(biāo)函數(shù)值的改變量，則算法停止；④用公式(2)計算新的模糊矩陣U，然后返回步驟③。從而確定各類聚類的中心和各個樣本數(shù)據(jù)屬于各類的隸屬度矩陣，完成聚類分割，如圖7(d)所示。

2.2 基于支持向量機的飾面層缺陷識別

經(jīng)過模糊聚類分割后，紅外圖像中窗戶、空調(diào)外機、勾縫等具有集中溫度場特性的噪聲與飾面缺陷同時被聚類出來。為實現(xiàn)小樣本數(shù)據(jù)集下的脫粘缺陷面積精確識別，基于脫粘缺陷區(qū)域形狀特征參數(shù)構(gòu)造向量集，訓(xùn)練基于支持向量機的脫粘缺陷面積識別模型。

2.2.1 形狀特征向量集構(gòu)造

為快速區(qū)分二值圖像內(nèi)脫粘缺陷與其他噪聲，如圖7所示，利用區(qū)域提取函數(shù)對分割后區(qū)域進行標(biāo)記。根據(jù)文獻，計算圖7標(biāo)記區(qū)域內(nèi)等主要形狀指標(biāo)面積、最小外接矩形長寬比、矩形度、圓形度、周長、伸長度、偏心率，結(jié)果表1所示，缺陷與噪聲區(qū)域形狀特征有明顯區(qū)別，表明利用形狀參數(shù)篩選缺陷區(qū)域具有可行性[26]。隨機選取20張含不同像素面積的脫粘缺陷圖像，統(tǒng)計其形狀特征參數(shù)值，并進行歸一化處理，建立篩選曲線，以形狀特征面積和區(qū)域圓度為例，如圖8和圖9所示，其中缺陷區(qū)域像素面積與噪聲像素面積范圍互相重合，無法對缺陷區(qū)域和噪聲進行篩選，而區(qū)域圓度則能有效區(qū)分缺陷與噪聲區(qū)域。統(tǒng)計上述區(qū)域形狀特征指標(biāo)對樣本區(qū)域的篩選率，選取篩選率高的圓度、最小外接矩形長寬比、偏心率、矩形度作為脫粘缺陷區(qū)域特征向量。構(gòu)建＝(,,,)的缺陷形狀特征向量。

2.2.2 支持向量機算法構(gòu)建

支持向量機（support vector machines, SVM）是基于結(jié)構(gòu)風(fēng)險最小化的一種機器學(xué)習(xí)算法，具有泛化能力強、適用于小樣本分類等優(yōu)點[27]。而基于機載熱成像的飾面層脫粘缺陷區(qū)域識別樣本數(shù)據(jù)集制作的時間成本較高，因此本文利用支持向量機算法，建立小樣本飾面缺陷識別數(shù)據(jù)集，訓(xùn)練脫粘缺陷自動識別模型。選取具有強學(xué)習(xí)能力、適應(yīng)范圍寬的徑向基（radial basis function, RBF）核函數(shù)作為支持向量機的核函數(shù)。該核函數(shù)為：

表1 脫粘缺陷區(qū)域形狀特征參數(shù)計算

圖9 基于面積參數(shù)的篩選結(jié)果

對應(yīng)參數(shù)尋優(yōu)的二次規(guī)劃問題轉(zhuǎn)化為以下的最大值問題：

相應(yīng)的最優(yōu)函數(shù)為：

SVM即為構(gòu)造最優(yōu)分割平面，將基于篩選的脫粘缺陷區(qū)域形狀特征向量映射到高維空間，實現(xiàn)基于最優(yōu)分割平面的缺陷區(qū)域與噪聲區(qū)域分類，實現(xiàn)脫粘缺陷區(qū)域與非缺陷區(qū)域的自動篩選濾除。

2.2.3 模型訓(xùn)練與驗證

選取200張經(jīng)過聚類分割后的脫粘缺陷紅外圖像進行區(qū)域標(biāo)記。隨機選取像素面積不同的個區(qū)域作為樣本集(,)，其中＝1, 2, 3,…,，?。?00為樣本數(shù)。為脫粘缺陷紅外圖像的特征向量，為缺陷特征向量的人工標(biāo)記。標(biāo)記圖像的大小為640pixel×480pixel，按照“訓(xùn)練集：驗證集＝4:1”的比例，將圖像樣本數(shù)據(jù)集分成訓(xùn)練集和驗證集，訓(xùn)練集圖像數(shù)量為160張，驗證集圖像數(shù)量為40張。利用Python編寫程序完成樣本訓(xùn)練，將學(xué)習(xí)模型對驗證集進行交叉驗證，測試結(jié)果顯示39個驗證集樣本實現(xiàn)了正確分類，正確率為97.5%。

3 無人飛機建筑飾面層脫粘缺陷熱成像試驗分析

為驗證本文所提出系統(tǒng)方法的有效性，進行無人飛機建筑飾面層脫粘缺陷熱成像試驗，試驗以作者單位某五層教學(xué)樓為依托工程，該教學(xué)樓于2005建成，其采用20cm×8cm規(guī)格瓷磚作為外墻飾面，近年來出現(xiàn)多次飾面層脫落事件。選擇出現(xiàn)剝落較多的東立面、南立面作為檢測飛行對象，在夏季升溫最快的上午10:00左右進行機載熱成像試驗，成像設(shè)備為六旋翼無人飛機平臺，搭載DY640紅外熱成像儀（溫度分辨率0.04℃，熱靈敏度0.035℃，圖像分辨率640×480，幀率25幀），配備與熱像儀同頻率三點激光測距儀，及高清圖傳系統(tǒng)，如圖10所示，飛行檢測過程如圖11所示。

3.1 飾面缺陷無人飛機成像試驗

機載紅外攝像具有檢測速度快、檢測范圍全覆蓋的優(yōu)點，只需在低速平穩(wěn)狀態(tài)下進行無差別掃描攝像。飾面層的脫粘缺陷識別要求對建筑物外墻立面進行快速、全覆蓋檢測，因此選擇機載紅外攝像作為成像方式。在試驗飛行過程中，利用三點激光測距儀實時測量并記錄無人飛機系統(tǒng)與建筑外墻之間物距，為保證機載紅外攝像具有足夠的分辨率，經(jīng)過現(xiàn)場反復(fù)飛行檢測驗證，設(shè)定檢測飛行物距為4～6m。根據(jù)文獻[21-22]，在6m物距下像素解析度計算如式(7)所示：

圖11 無人飛機飛行檢測過程

式中：uav是待求的無人飛機飛行速度；pixel為保證視頻清晰的最小像移；為保證視頻清晰的最小像素數(shù)；為像素解析度；為視頻中單幀拍攝時間。根據(jù)(7)、(8)式計算，設(shè)定飛行物距4～6m，飛行速度0.7m/s。對獲取的紅外視頻進行解壓，得到飾面層缺陷紅外熱成像圖像如圖12所示，對圖12進行人工分割識別如圖13所示。

3.2 飾面層缺陷圖像分割

對于無人飛機機載熱成像的飾面層脫粘缺陷圖12按前述方法進行聚類分割，將紅外圖像中的熱源中心及其附近區(qū)域聚類，結(jié)果如圖14所示。聚類分割后的圖像上存在窗、空調(diào)外機、飾面勾縫等比熱容較低的物體區(qū)域。將圖14所示二值圖像進行區(qū)域標(biāo)記，將形成的區(qū)域特征向量代入前述訓(xùn)練好的支持向量機模型，消除非缺陷區(qū)域，并重新進行區(qū)域標(biāo)記得圖15所示缺陷區(qū)域圖像。結(jié)果顯示所提出的識別方法具有更好的分割效果，對金屬窗戶、勾縫等偽特征噪聲有較強的抑制能力，對邊緣的分割效果也更接近如圖13所示的飾面脫粘缺陷人工分割圖像。

圖12 機載熱成像飾面脫粘缺陷圖

圖13 飾面脫粘缺陷手動分割圖

圖14 聚類分割結(jié)果

為了評估所提出熱源模糊聚類二值分割和支持向量機篩選預(yù)測模型的精確性，采用交互比進行模型評估，其計算方法如式(9)[29]：

式中：TP是被模型預(yù)測為正的正樣本；FP是被模型預(yù)測為正的負樣本；FN是被模型預(yù)測為負的正樣本。計算圖15所示分割結(jié)果對比人工分割樣本的IoU值，對比圖16采用開源Deeplab V3+深度學(xué)習(xí)語義分割網(wǎng)絡(luò)[30]所分割圖像，本文算法的IoU值平均在0.9以上，分割的精度優(yōu)于訓(xùn)練好的語義分割模型。表明利用飾面層脫粘溫度場變化先驗特征、基于支持向量機建立篩選分類模型，在小樣本數(shù)據(jù)集中對比開源深度學(xué)習(xí)網(wǎng)絡(luò)更具有優(yōu)越性和可解釋性，對于對比度較低、邊緣模糊、且有偽特征干擾的脫粘缺陷紅外圖像具有更好的分割精度。

圖16 基于Deeplab V3+的語義分割結(jié)果

3.3 缺陷面積計算與分析

圖12所示機載熱成像飾面缺陷同步激光測距如表2所示，對于圖15中提取的缺陷形狀，通過工具箱分別統(tǒng)計各脫粘缺陷區(qū)域內(nèi)總像素數(shù)，根據(jù)文獻[21-22]，利用物距法計算單個像素對應(yīng)的實際面積，最后得到脫粘缺陷區(qū)域總的實際面積，計算結(jié)果如表2所示。

對比基于傳統(tǒng)人工敲擊檢測脫粘缺陷區(qū)域面積，如表2所示，基于無人飛機熱成像的建筑飾面脫粘缺陷識別結(jié)果，與人工檢測數(shù)據(jù)相比所得結(jié)果相差較小，機載熱成像系統(tǒng)達到90%以上精度，表明基于無人飛機熱成像飾面層脫粘缺陷識別具有可行性。

表2 機載熱成像飾面缺陷面積識別與比對

4 結(jié)論

①通過無人飛機飾面層脫粘缺陷熱成像敏感性試驗，得到飾面層脫粘缺陷溫度場隨時間變化規(guī)律；比較在最佳檢測時間內(nèi)不同飾面層熱成像試驗結(jié)果，表明不同面積和不同飾面規(guī)格的脫粘缺陷熱成像灰度分布具有一致性，利用無人飛機機載紅外無差別掃描錄像識別脫粘缺陷位置與面積大小具有可行性。

②本文提出了一種結(jié)合聚類和機器學(xué)習(xí)的小樣本脫粘缺陷面積識別方法?；诩t外圖像邊緣模糊、灰度梯度明顯、脫粘缺陷區(qū)域形狀與其他干擾噪聲有明顯區(qū)別的特點，提出熱源模糊聚類二值分割方法，并基于支持向量機建立缺陷形狀自動篩選模型，達到90%以上面積識別精度。表明利用溫度場特性和形狀參數(shù)先驗特征，在小樣本數(shù)據(jù)集上對比開源深度學(xué)習(xí)網(wǎng)絡(luò)更具有優(yōu)越性和可解釋性，具有更好的分割精度。利用無人飛機機載紅外熱成像系統(tǒng)可有效識別飾面層脫粘缺陷，為后續(xù)的維修和預(yù)警提供了有效檢測數(shù)據(jù)，具有良好的社會和工程應(yīng)用價值。

③根據(jù)本文試驗及分析結(jié)果，建議無人飛機機載熱成像檢測時段應(yīng)該選擇在夏季、秋季的溫度迅速升高時段。

④本文對飾面層脫粘缺陷的識別為事后分析，制作專門分析軟件內(nèi)置入機載熱成像系統(tǒng)進行實時檢測還需要進一步研究。

[1] 馮力強, 王歡祥, 晏大偉, 等. 建筑外墻飾面層內(nèi)部缺陷紅外熱像法檢測試驗研究[J]. 土木建筑與環(huán)境工程, 2014, 36(2): 57-61

FENG Liqiang, WANG Huanxiang, YAN Dawei, et al. Experimental study on inside defects of building exterior wall decoration layer by infrared thermal imaging method[J]., 2014, 36(2): 57-61.

[2] 朱紅光, 易成, 胡玉琨, 等. 紅外熱像診斷外墻飾面層粘結(jié)缺陷的檢測條件研究[J]. 建筑技術(shù), 2016, 47(2): 172-175.

ZHU Hongguang, YI Cheng, HU Yukun, et al. Study on detection conditions for infrared thermography diagnosis of debonding defect of exterior wall decoration layer[J]., 2016, 47(2): 172-175.

[3] 朱雷, 房志明, 王卓琳, 等. 外墻飾面層粘結(jié)缺陷的檢測評估[J]. 無損檢測, 2016, 38(6): 10-16.

ZHU Lei, FANG Zhiming, WANG Zhuolin, et al. Detection and evaluation of debonding defect of exterior wall decoration layer[J]., 2016, 38(6): 10-16.

[4] 馮力強, 王歡祥, 晏大瑋, 等. 紅外熱像法檢測建筑外墻飾面層內(nèi)部缺陷試驗研究[J]. 土木工程學(xué)報, 2014, 47(6): 51-56.

FENG Liqiang, WANG Huanxiang, YAN Dawei, et al. Experimental study on internal defects detection of exterior wall finish coat by infrared thermography[J]., 2014, 47(6): 51-56.

[5] Gene S, Hojjat A. Infrared thermography for detecting defects in concrete structures[J]., 2018, 24: 508-515.

[6] WANG L, ZHANG Z. Automatic detection of wind turbine blade surface cracks based on UAV-taken images[J]., 2017, 64(9): 7293-7303.

[7] CHEN S, Laefer D F, Mangina E, et al. UAV bridge inspection through evaluated 3D reconstructions[J]., 2019, 24(4): 05019001.

[8] CHEN S, Laefer D F, Mangina E. State of technology review of civilian UAVs[J].2016, 10(3): 160-174.

[9] Rakha T, Gorodetsky A. Review of unmanned aerial system (UAS) applications in the built environment: towards automated building inspection procedures using drones[J]., 2018, 93: 252-264.

[10] Sattar D, Thomas R J, Marc M. Fatigue Crack Detection using unmanned aerial systems in fracture critical inspection of steel bridges[J]., 2018, 23(10): 04018078.

[11] Tarek O, Nehdi M L. Remote sensing of concrete bridge decks using unmanned aerial vehicle infrared thermography[J]., 2017, 83: 360-371.

[12] Patel D, Estevam Schmiedt J, R?ger M, et al. Approach for external measurements of the heat transfer coefficient (U-value) of building envelope components using UAV based infrared thermography [C]//14, 2018: 379-386.

[13] A Ellenberg,A Kontsos, F Moon, I Bartoli. Bridge deck delamination identification from unmanned aerial vehicle infrared thermography, automation in construction[J]., 2016, 72: 155-165

[14] Dusik K, Youn J. Automatic photovoltaic panel area extraction from UAV thermal infrared images[J]., 2016, 34(6): 559-568.

[15] 勾紅葉, 楊彪, 華輝, 等. 橋梁信息化及智能橋梁2019年度研究進展[J]. 土木與環(huán)境工程學(xué)報, 2020, 42(5): 14-27.

GOU Hongye, YANG Biao, HUA Hui, et al. Research progress of bridge informatization and intelligent bridge in 2019[J]., 2020, 42(5): 14-27.

[16] 鮑躍全, 李惠. 人工智能時代的土木工程[J]. 土木工程學(xué)報, 2019, 52(5): 5-15.

BAO Yuequan, LI Hui. Artificial intelligence for civil engineering[J]., 2019, 52(5): 5-15.

[17] Janssens O, Walle R V D, Loccufier M. Deep learning for infrared thermal image based machine health monitoring[J]., 2018, 23(1): 151-159.

[18] GONG X, YAO Q, WANG M, et al. A deep learning approach for oriented electrical equipment detection in thermal images[J]., 2018(6): 41590-41597.

[19] ZHANG X, LI C, MENG Q, et al. Infrared image super resolution by combining compressive sensing and deep learning[J]., 2018, 18(8): 2587.

[20] LUO Q, GAO B, Woo W L, et al. Temporal and spatial deep learning network for infrared thermal defect detection[J]., 2019, 108: 102164.

[21] N Saeed, N King, Z Said, et al. Automatic defects detection in CFRP thermograms, using convolutional neural networks and transfer learning[J]., 2019, 102: 03048.

[22] 鐘新谷, 彭雄, 沈明燕. 基于無人飛機成像的橋梁裂縫寬度識別可行性研究[J]. 土木工程學(xué)報, 2019, 52(4): 52-61.

ZHONG Xingu, PENG Xiong, SHEN Mingyan. Study on the feasibility of identifying bridge crack width with images acquired by unmanned aerial vehicles[J]., 2019, 52(4): 52-61.

[23] 鐘新谷, 彭雄. 基于無人飛機機載成像的混凝土裂縫寬度識別方法: 0845685.9, 中國[P]. 2019-02-19.

ZHONG Xingu, PENG Xiong. Concrete-crack-width identification system and method based on robot bomb airborne imaging:0845685.9 China[P].2019-02-19

[24] CHEN L C, Papandreou G, Kokkinos I, et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs[J]., 2014(4): 357-361.

[25] 王曉飛, 胡凡奎, 黃碩. 基于分布信息直覺模糊c均值聚類的紅外圖像分割算法[J]. 通信學(xué)報, 2020, 41(5): 120-129.

WANG Xiaofei, HU Fankui, HUANG Shuo, Infrared image segmentation algorithm based on distribution information intuitionistic fuzzy c-means clustering[J]., 2020, 41(5): 120-129.

[26] 李可心, 王鈞, 戚大偉. 基于G-S-G的混凝土結(jié)構(gòu)裂縫識別及監(jiān)測方法[J]. 振動與沖擊, 2020, 39(11): 101-108.

LI Kexin, WANG Jun, QI Dawei. Research on crack identification and monitoring method of concrete structure based on G-S-G[J]., 2020, 39(11): 101-108.

[27] 王睿, 漆泰岳. 基于機器視覺檢測的裂縫特征研究[J]. 土木工程學(xué)報, 2016, 49(7): 123-128

WANG Rui, QI Taiyue. Study on crack characteristics based on machine vision detection[J]., 2016, 49(7): 123-128 .

[28] HWANG Soonkyu, AN Yun Kyu, KIM Ji Min, et al. Monitoring and instantaneous evaluation of fatigue crack using integrated passive and active laser thermography[J]., 2019, 119: 9-17.

[29] Kang D, Benipal S S, Gopal D L, et al. Hybrid pixel-level concrete crack segmentation and quantification across complex backgrounds using deep learning[J]., 2020, 118: 103291.

[30] CHEN L C, Papandreou G, Kokkinos I, et al. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]., 2016, 40(4): 834-848.

Debonding Defect Recognition of Building Decoration Layers by UAV Thermography

PENG Xiong1,2，ZHONG Xingu1,2，ZHAO Chao1,2，CHEN Anhua1，ZHANG Tianyu1,2

(1.,411201,; 2.,411201,)

The phenomenon of building decorative layers (BDLs) falling off of exterior walls is quite common, and is of great concerns to human safety. In this study, a rotor unmanned aerial vehicle (UAV) equipped with an infrared thermal camera is used as the working platform to detect debonding BDL defects to obtain the change in law of its thermography imagery. Based on the analysis of the temperature field and shape characteristics of thermography images of BDLs, an image segmentation method for debonding defects based on fuzzy clustering is proposed, and a shape feature vector set of debonding BDL defects is constructed. Therefore, a feature learning model for debonding defect recognition and a calculation method for the actual area of debonding defects based on support vector machines are established. Finally, a case study of the teaching building inspection with several peeling veneers is carried out to demonstrate the effectiveness of the proposed method. Compared with the manual test, the results show that the small-sample machine-learning algorithm for debonding defect recognition based on prior feature law has advantages, and can effectively reduce the occurrence of accidents presenting potential practical applications.

unmanned aerial vehicle, building decoration layers, debonding defect, thermography imagery, feature learning

TU17

A

1001-8891(2022)02-0189-09

2020-11-02；

2021-04-23.

彭雄（1992-），男，博士研究生，主要從事結(jié)構(gòu)健康監(jiān)測技術(shù)與方法研究。E-mail：1021009@hnust.edu.cn。

鐘新谷（1962-），男，博士，教授，主要從事結(jié)構(gòu)工程科研與教學(xué)工作。

國家自然科學(xué)基金（基于無人飛機的橋梁結(jié)構(gòu)裂縫形狀與寬度非接觸識別研究51678235）。