机器视觉技术在木结构建筑检测中的应用现状与展望.pdf

建筑经济CONSTRUCTION ECONOMY第 44 卷第 S1 期2023 年 7 月Vol.44 No.S1Jul.2023摘要：采用机器视觉技术对木结构建筑进行检测，不仅可以克服人工检测效率低，且需较强专业性和经验问题，还可以节省检测成本，提高检测的实时化、自动化及智能化水平。本文阐述机器视觉的技术逻辑及其在木结构建筑检测中的应用逻辑，梳理总结该技术在木结构建筑表层损伤、结构变形等检测应用中的研究现状，提出该技术在检测应用中的不足，并对此类技术的检测应用前景进行展望。关键词：人工智能；深度学习；机器视觉技术；木结构建筑检测中图分类号：TU746；TP274文献标识码：A文章编号：1002-851X（2023）S1-0350-04DOI：10.14181/ki.1002-851x.2023S1350Research Progress and Prospect of Machine Vision Technology in the Detection of Wooden BuildingsDAI Jun1，2（1.School of Intelligent Management，Suzhou Industrial Park Institute of Services Outsourcing，Suzhou 215123，China；2.School of Economics&Management，Tongji University，Shanghai 200092，China）Abstract：Using machine vision technology to detect wooden buildings can not only overcome the low efficiency of manual detection，but also need strong professional and experience problems，can save labor costs，as well as improve actual time，automatic and intelligent level.This paper describes the technical logic of machine vision and its application logic in the detection of wooden buildings，summarizes the research status of this technology in the detection and application of surface damage and structural deformation of wooden buildings were summarized，puts forward the shortcomings of this technology in the detection and application were put forward，and the development trends of this technology in the field of wooden buildings detection were proposed.Keywords：artificial intelligence；deep learning；machine vision technology；wooden building inspection1引言机器视觉技术，即用机器代替人眼来做测量和判断的技术在航天军工、工程材料、养老护理等众多领域都实现了较为丰富的场景应用。机器视觉技术是通过数学算法提取目标图像中的三维信号特征，建立对目标图像的整体自动认知解析，使机器学习人类视觉解译信息能力的一门科学。现在已经发展成一门包括计算机科学、数理统计学、行为认知科学等众多学科的综合性科学，成为当前人工智能科学领域研究的热点之一。由于目标图像存在采集信息的复杂性，以及丰富的动态范围（如光线强弱、生成阴影、视野角度）和认知判别的*基金项目：国家自然科学基金项目“大规模应急救援资源配送点选址鲁棒优化研究”（71272047）；高校哲学社会科学基金项目“中国制造2025背景下制造业实施反向服务外包的现状、问题及对策研究”（2018SJA1926）作者简介：戴军，教授，博士，研究方向：系统工程与工程管理信 息化。机器视觉技术在木结构建筑检测中的应用现状与展望*戴军1，2（1.苏州工业园区服务外包职业学院智能管理学院，江苏 苏州 215123；2.同济大学经济与管理学院，上海 200092）第 44 卷第 S1 期351戴军机器视觉技术在木结构建筑检测中的应用现状与展望主观性，试图让机器真正像人一样“阅读”目标物体、轻松提取目标图像包含的各种信息绝非易事。近年来机器视觉技术在木结构建筑检测中逐渐开始了应用，尤其是在一些不宜人力作业的危险木结构建筑或人工视觉难以达到识别要求的苛刻条件下，利用机器视觉替代人工视觉对木结构建筑实施快速精准的智能化检测，可避免对木结构建筑的二次损伤，而且易于实现目标图像检测信息的自动化集成，因此可以在诸多不良环境下利用机器视觉技术对木结构建筑进行引导、检测和识别。2机器视觉的技术逻辑及其在木结构建筑检测中的应用逻辑2.1机器视觉的技术逻辑机器视觉技术依靠模拟人视觉功能采集目标图像信息，利用图像数字化处理技术提取目标图像信息特征，基于数学算法模型以实现目标物的识别和判别。机器视觉技术系统主要由电光源照明、各种镜头、相机、光学成像、图像处理软硬件技术、监视器、传感器、模拟与数字视频、通讯/输入输出单元等组成（图1）。整个应用系统包括目标图像识别模块、图像信号处理模块、自动研判决策模块和动力控制操作模块。其中目标图像识别是机器视觉技术的“视”系统。“视”系统通过相机等图像采集设备摄取目标图像的各种信息，传送给图像信息处理系统即机器视觉技术的“觉”系统。“觉”系统对“视”系统采集送来的信息开展信号预处理、分割与定位、信号模式分类、提取特征、语义剖析等一系列动作，实现对检测目标图像的识别与分析，然后转变成各种数字化输出信号，借助数学模型算法对数字化信号进行算法运算以抽取目标图像特征，基于设置的允许度等预设条件下输出最终判别结果，从而实现机器视觉的智能化甄别决策功能。2.2机器视觉技术在木结构建筑检测中的应用逻辑在长期风吹、日晒、雨淋等自然以及改建、游客等人为多种因素共同作用下，木结构建筑难免会受到不同程度的损伤，一般体现为木结构建筑的表层损伤，需要快速精准地检测这些木结构建筑损伤程度，为后续诊断、修复、矫正和加固工作提供对策。单纯人工检测损伤的方法效率低，且需较强专业性和丰富经验，但评判主观性高。机器视觉技术能大幅降低人工研判的主观误差，更加客观且高效评价木结构建筑质量，同时提高了目标图像数据信息采集的智能化程度，降低了单纯人工检测的成本，提升了机器换人的检测效率，更为关键的是机器视觉技术可以运用到一些人视觉难以检测的危险木结构建筑环境。因此，目前在木结构建筑的划痕与裂缝损伤检测、倾斜与变形损伤检测等方面，机器视觉技术逐渐得到了广泛应用（图2）。3机器视觉技术在木结构建筑检测中的应用现状本研究基于CNKI学术论文库，搜索字符串“机器视觉技术”与“木结构建筑”相结合，使用内容分析方法对文献梳理发现，当前机器视觉技术对木结构建筑检测的应用研究主要集中于两个方面，一是应用于木结构建筑表层损伤的检测；二是应用于木结构建筑结构变形的检测。3.1表层损伤检测很多木结构建筑物采用古代传承榫卯连接结构，长期未修复的划痕裂缝容易引起构件断裂，导致整个木结构建筑物出现致命性坍塌。为了节约检测成本，赵鹏等创新性地提出利用综合成本低的“众包”思维，即通过向社会公众“发包”方式，帮助收集大量具有表层损伤的木结构建筑表层图像样本，借助卷积神经网络模型（CNN）模拟训练目标样本，再利用滑动窗口算法进一步测试目标图像信息，生成一个鉴别损伤的分类器并完成目标图1机器视觉的技术逻辑图2机器视觉技术在木结构建筑检测中的应用逻辑框架建 筑 经 济2023年352物损伤定位与识别，使用该方法可以极大地节约综合 成本。为了降低整个检测过程中的人工干预值，Mei等通过卷积降噪自编码技术在逐级高斯金字塔层上重建基于机器视觉的目标图像信号，将各层级的目标图像信号融合重构残差设定检测损伤的指标体系，该方法在有效检测划痕裂缝等缺陷的同时极大地降低了人为干预因素的影响。为增强检测方法的有效性，杨娜等提出了 一种改进的SIFT+RANSAC方法提高木结构建筑构件表层损伤图像拼接精度，利用图像处理系统预处理木结构建筑损伤图像，借助自适应阈值分割方法并融入Hessian矩阵，有效提取木结构建筑损伤特征，通过计算机视觉准确识别构件和测量划痕裂缝损伤尺寸。在对目标损伤的实时在线监测方面，陈满军等创新性地设计了一个基于机器视觉的实时在线监测系统，将图像传感器设置于目标裂缝点处，在线采集裂缝图像信息上传监测系统，系统自动汇报裂缝点位置信息与裂缝宽度信息，并自动完成裂缝身份信息归类编属，该系统自动实时在线监测，较大地释放了人力监测 时间。综上，基于机器视觉技术对木结构建筑表层损伤检测的方法各有不同，但是都具有广泛的应用前景。3.2结构变形检测木结构建筑极易出现结构变形。其中整体结构变形例如建筑物沉降、倾斜和扭转，局部结构变形例如梁枋挠曲、木柱倾斜等，是最易发生的木结构建筑结构变形形式。整体与局部结构变形都极大地威胁着木结构建筑安全，张岩等研究举例说明应县千年木塔在地震、环境因素影响下建筑整体产生了较大的结构变形，梁柱材料性能不断退化，更为危险的是经过测量，木塔的倾斜量在日益加大，严重影响了木塔的寿命延续性。木结构建筑的整体和局部变形数据是评价建筑物结构损伤的关键参考指标。一些学者对机器视觉处理技术融入建筑结构影像信息识别进行探索研究，把建筑构件在光照下的阴影区域及灰度作为图像提取特征，并根据建筑构件形状特征、材质广谱特征、纹理特征等目标图像信号进行分类编码转换，得到建筑物影像识别模式框架，通过模式框架构建机器视觉识别系统进行检测，得到了不错的检测效果。房霆宸等研究认为目前关于机器视觉技术在建筑工程领域虽有一定程度应用，但仍然主要存在一些问题，例如检测结果容易受光照强弱影响、先验信号难以融入算法演化、数据样本难以支撑深度学习等问题，亟待进一步解决以拓展更大应用场景。杨娜研究认为传统测量方法主要是把位移计等测量仪器放置于古建筑中，通过与古建筑构建接触方式检测建筑的局部建构变形，还有例如基于光纤布拉格光栅（FBG）的应变式测量技术，对古建筑整体变形、木梁挠度弯曲实施检测，通过相机标定法克服图像拍摄角度限制瓶颈，利用亚像素算法提升检测精度。综上，利用传统方法检测木结构建筑变形存在诸多局限，而基于机器视觉技术的检测方法能最大化地降低对古建筑的接触式损坏，且能有效提升检测的准确程度。4机器视觉技术在木结构建筑检测中的展望4.1理性看待机器视觉技术在建筑检测中的应用机器视觉作为一种新兴的技术手段，由于其所具有检测智能化及自动化程度高等特点，使其成为目前建筑检测领域重要研究方向之一。借助机器视觉技术，运用光学装置和非接触式传感器获取建筑物海量图像信息，通过计算机从海量图像样本信息中识别提取有效数据特征，利用数学模型算法分析处理提取的信息，最终达到实时性好、定位精度高的建筑检测效果，这对木结构建筑的健康可持续发展意义十分重大。但同时也要理性地认识到，机器视觉技术当前在检测应用方面依然存在一些不足，主要体现在以下几个方面。（1）应用检测场景的适应性仍待提升。机器视觉需要区分应用检测场景以达到对建筑物的可靠定位与准确识别。然而实际情况却是，被检测的木结构建筑尤其是古建筑的应用场景非常复杂，有的建筑物相对破烂，被测部位甚至蛛丝尘网。因此机器视觉系统需要在不过分增加图像数据处理难度的条件下，拍摄并优化提取信号最优的图像特征以抑制噪声干扰，满足对检测场景普适性的应用需求。（2）图像处理的速率仍待加快。图像信号数据量庞大且冗余信息多，需要机器视觉系统的对应算法处理必须具备强大的计算能力与较快的计算速率，否则极易导致数据处理系统的明显时滞，难以实现实时性监测，也无法实现机器智能化的高检测效率。因此优越的图像处理算法与高速率的并行处理单元成为机器视觉技术应用的一个主要瓶颈。第 44 卷第 S1 期353（3）产品匹配的模块化仍待加强。不同的机器视觉产品往往需要结合实际应用检测场景需求，选择匹配的个性化的检测硬软件，而当前仍缺乏通用性强的模块化组装硬软件。因此如果布局一个新的机器视觉技术系统则开发成本高且时间久。目前亟需开发通用性良好且可模块化组装的硬软件产品，以降低机器视觉技术系统的应用成本。（4）多传感器的信息融合仍待深化。实际应用检测场景采集到的图像数据庞大、冗余信息多、特征空间维度高，单一视觉传感器无法满足海量高效的图像数据传输需求，多传感器融合可以克服单传感器图像数据传输的不确定性，采集到满足数据处理系统需求的可靠准确图像信息。因此视觉多传感器对不同信息的融合，优化提高信息融合速度，成为抑制机器视觉技术应用的一个束缚。（5）检测结果的准确性仍待提高。采用数据挖掘和数学建模技术，在对采集的样本数据进行检测解析时可能产生维数灾难问题，降维处理数据信息时可能导致有效数据信息损失，进而降低机器分析结果的准确性。因此过度强调机器视觉技术检测优势而单纯依赖机器分析研判，也可能会存在一些隐患。4.2感性认识未来如何更好地对建筑实施检测随着大数据、人工智能制造产业的进一步升级发展，以及智能机器人、计算机算法处理等技术的快速突破，机器视觉技术将会在木结构建筑检测领域发挥更为重要的作用。与此同时3D传感器技术以及嵌入式视觉系统日益成熟，不久后，机器视觉处理系统可以装置更精致小巧的DSP、FPGA等处理器，建造更切合应用检测场景的尺寸灵活的机器视觉技术系统，通过3D技术从复杂的应用检测场景中精准抓取目标图像信息，最大化地提升机器检测效率并减少检测过程的人机交互需求，真正实现对建筑的百分百智能化 检测。参考文献1 KONONENKO I.Machine Learning for medical diagnosis：History，state of the art and perspectiveJ.Artificial Intelligence in Medicine，2001（1）：89-109.2 尹仕斌，任永杰，刘涛，等.机器视觉技术在现代汽车制造中的应用综述J.光学学报，2018（8）：11-22.3 LU X，WANG Y N，ZHOU X Y，etal.Traffic sign recognition via multi-modal tree-structure embedded multi-task learningJ.IEEE Transactions on Intelligent Transportation Systems，2017（4）：960-972.4 黄少罗，张建新，卜昭锋.机器视觉技术军事应用文献综 述J.兵工自动化，2019（2）：16-21.5 朱云，凌志刚，张雨强.机器视觉技术研究进展及展望J.图学学报，2020（6）：871-890.6 杨建梁，刘越男.机器学习在档案管理中的应用：进展与挑战J.档案学通讯，2019（6）：48-56.7 SZELISKI R.Computer Vision：Algorithms and ApplicationsJ.Journal of Polymer Science Part A：Polymer Chemistry Edition，2011（8）：2601-2605.8 卢宏涛，张秦川.深度卷积神经网络在计算机视觉中的应用研究综述J.数据采集与处理，2016（1）：1-17.9 GAIKWAD D，KARANDE K，DESHPANDE H.Detection of Diseases and grading in pomegranate fruit using digital image processingJ.International Journal of Electronics，Electrical and Computational System，2017（6）：54-59.10 RONG Dian，RAO Xiuqin，YING Yibin.Computer vision detection of surface defect on oranges by means of a sliding comparison window local segmentation algorithmJ.Computers and Electronics in Agriculture，2017，137：59-68.11 汤勃，孔建益，伍世虔.机器视觉表面缺陷检测综述J.中国图象图形学报，2017（12）：1640-1663.12 Chen Z Y，Zhu E C，Pan J L，etal.Structural performance of typical beam-column joints in Ying xian wood pagoda an experimental studyJ.Key Engineering Materials，2012（1）：669-676.13 赵鹏，赵雪峰，赵庆安，等.基于 人工智能机器视觉技术的古建筑表层损伤检测J.物联网技术，2017（9）：14-18.14 肖雨晴，杨慧敏，王柯欣，等.卷积神经网络在木材缺陷检测应用中的研究进展J.木材科学与技术，2021（3）：12-18.15 Mei S，Wang Y D，Wen G J.Automatic fabric defect detection with a multi-scale convolutional denoising auto-encoder network modelJ.Sensors，2018（4）：1064.16 杨娜，张翀，李天昊.基于无人机与计算机视觉的中国古建筑木结构裂缝监测系统设计J.工程力学，2021（3）：27-39.17 陈满军，张辉霖，吴玉龙，等.基于机器视觉的建筑结构裂缝病害在线监测系统J.工程质量，2022（7）：48-51.18 张岩，杨娜.典型藏式建筑木构架变形特征与变形关系J.北京交通大学学报，2013（1）：145-151.戴军机器视觉技术在木结构建筑检测中的应用现状与展望