CN119477886A 一种基于机器学习的建筑物裂缝监测方法和系统 （西安建筑科大工程技术有限公司）

一种基于机器学习的建筑物裂缝监测方法本发明公开了一种基于机器学习的建筑物2采用基于深度学习的自适应分割模型对多层图像数据进行自适应分割，型为全卷积网络FCN或U_Net，利用卷积神经网络CNN自动学习裂缝区域的特征，模型训练在检测出不同尺度的裂缝后，将裂缝的形态信息转化为用于机器学习模型的特征向基于自监督学习模型，通过对转化的特征向量进行预训练，让模型利用生成对抗网络GAN对多层图像数据进行通过物理学和力学的公式模型，模拟建筑物在不同外部应力条件下裂缝的扩展趋势，多尺度特征提取层：通过多尺度卷积操作捕捉不同尺度的裂缝特征，定义输入图像;3w是尺度层数；;;裂缝区域预测输出：最终的裂缝区域分割结果通过激活函数sigmoid(c(a,y));通过上述处理，S(a,y)输出的值在[0,1]范围内，表示每;4f()是特征提取网络，将图像映射到特征空间；裂缝结构保持任务中，裂缝的结构用图结构来建模，假设从图像中提取了点集合p={p1,p2,…,pk}，结构点代表裂缝的关键位置，每对点之间的欧;对同一裂缝在增强视图If和上的点集P"和进行比较，模型保持这些点的距离;通过保持裂缝关键点之间的相对距离不变，确保模型在学习到裂缝表现特征的同时，;随时间的应力值，裂缝在材料应力作用下的扩展通过能量释放率和裂缝扩展速率进行建;5T(a,y,t)表示随时间变化的裂缝前沿位置；v(a,y,t)是裂缝的扩展速率；裂缝路径演化方程结合裂缝的扩展速度和方向信息，模拟裂缝在材料通过对拓扑结构的分析，识别出哪些裂缝会成为结构破坏的起点所述裂缝区域自适应分割模块，采用深度学习技术，将输入的裂缝所述裂缝特征学习模块，通过自监督学习模型学习裂缝的深层次特征所述模型训练与更新模块，通过定期更新的数据，系统不断训练自监67;w;;其中，G(I(a,y))通过Sobel算子提取的边缘图像，λ是调节参数，用于平衡自裂缝区域预测输出：最终的裂缝区域分割结果通过激活函数sigmoid(c(a,y))8;的裂缝图像集，其中每个Ii为一张包含裂缝的建筑物图像，通过对比学习任务以及裂缝结构保持任务来学习深层f()是特征提取网络，将图像映射到特征空间；结构点集合p={p1,p2,…,pk}，结构点代表裂缝的关键位置，每对点之间;对同一裂缝在增强视图If和上的点集P";9;;裂缝扩展的动力由应力场引起的能量释放率G(a,y,t)决定，能量释放率反映裂缝的扩展速率v(a,y,t)由能量释放率与材料抗裂性能之间的关系决定，当T(a,y,t)表示随时间变化的裂缝前沿位置；v(a,y,t)是裂缝的扩展速率；[0015]与现有技术相比，本发明提供了一种基于机器学习的建筑物裂缝监测方法和系图2为本发明提出的一种基于机器学习的建筑物裂缝监测方法中自适应分割模型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施;w;不同尺度的卷积结果分配权重，确保模型能根据实际裂缝情况灵活调整特征提取的重点。;其中，G(I(a,y))通过Sobel算子提取的边缘图像，λ是调节参数，用于平衡自[0027]边缘检测在裂缝检测中尤为重要，因为裂缝的边界区域往往是分割的关键部[0028]裂缝区域预测输出：最终的裂缝;[0029]最后的预测输出使用了sigmoid函数将特征映射到概率空间。每个像素点的值表[0030]通过自适应的权重分配机制和裂缝轮廓加强机制，确保了对裂缝区域的精确分f()是特征提取网络，将图像映射到特征空间；结构点集合p={p1,p2,…,pk}，结构点代表裂缝的关键位置，每对点之间;对同一裂缝在增强视图If和上的点集P";[0038]裂缝的几何形态和结构信息对于裂缝监测至关重要。通过设计裂缝结构保持任;;裂缝扩展的动力由应力场引起的能量释放率G(a,y,t)决定，能量释放率反映裂缝在应力作用下每单位面积释放的能量具;T(a,y,t)表示随时间变化的裂缝前沿位置；v(a,y,t)是裂缝的扩展速率；[0050]相比传统的静态裂缝监测方法，该模型能够在时间维度术人员可以将本说明书中描述的