浅议基于红外图像特征的建筑热工缺陷检测技术的应用

浅议基于红外图像特征的建筑热工缺陷检测技术的应用

胡晓梅

321081198109095729  仪征建华建设工程质量检测有限公司  

摘  要：现阶段红外热像法在墙体热工缺陷检测方面的结果主要是依据检测人员根据检测数据进行主观判断。很多时候因为工作量巨大，很容易判断错误，或者图像分析效率低下。为了解决这类问题，可以通过机器学习算法进行图像分析。研究正常的墙体和异常的墙体在红外热像检测图像的特征内的现象，如两者之间可分性比较强的特征以及物理意义比较明显的特征。同时结合分类器进行模型分析，确定最合理的分辨方式。目前异常墙体的红外热像检测结果主要是通过Canny算法标识出异常区域的轮廓，以及通过K-means算法分割出其中的异常区域。针对异常墙体的红外图像被标识出来后，可以通过不同的分类器进行迭代分析处理，可以100%分析出哪些墙体是异常的。

关键词：红外图像；热工缺陷检测；Canny算法；分类器；识别

1  引言

自从我国进入城镇化快速发展阶段，很多建筑技术、材料质量、施工人员因素等原因导致建筑墙体出现各种各样的热工缺陷。目前市面上的建筑外墙保温材料的种类琳琅满目，质量等级也各不相同，而很多施工单位为了确保施工利润，会选择质量较差，价格较低的保温材料进行施工。另外很多施工单位的施工人员的施工水平相对较低，很多工艺技术不是很清楚，施工存在错误，导致外墙保温材料脱落或者冷桥未实现，却变成热桥的情况。严重的情况下还会因为外部的冷热环境导致保温层破坏，造成漏水空鼓等隐患发生。所以针对这些质量缺陷检测的技术应运而生，提早发现质量，避免后期产生安全事故、质量事故等等。

2  异常墙体的判断、标识、分类识别研究

2.1工程项目统计

为了实现异常墙体的正确判断、精准标识、快速分类识别，本文通过以往多个热工检测的墙体的红外图像特征进行整理分析。为了统计的可靠性，本次统计的工程项目主要有一般住宅、高端别墅、常规的办公楼、学校、医院以及一些商业建筑的墙体检测数据。

2.2 异常墙体的判断

采用热工检测的异常墙体会出现温度异常的区域，在红外图像上会体现出灰色程度不同的图像或者不相同的颜色图像。通过红外图像来正确区分墙体是否正常，形成有效的图像特征，然后选用合理的分类器。最后结合图像特征和分类器建立有效的判断模型，并通过大数据不断的训练该判断模型，从中试验出准确的判断方式，从而从图像特征中判断出异常的墙体。最后再继续对异常墙体的异常区域进行有效的标识以及识别。

红外图像分析的原理主要是依据墙体的传热原理，太阳照射在墙体上之后，会通过墙体表面传热到墙内，并且也会与空气换热，然后再根据墙体材料自身的物理特性等参数会形成墙体表面的温度不同。目前常见的热工缺陷的形成类型主要是由于贴瓷砖的时候存在空鼓的情况、墙体保温层粘贴不牢固而脱离的情况、墙体防水做法不规范而造成渗水的情况、窗户区域以及冷桥设置不到位而形成热桥的情况。通常所说的热工缺陷主要存在两种类型，分别是导热和隔热缺陷，也就是我们常说的“热斑和冷斑现象”。

红外图像的分析正确性，需要先建立足够的数据库模型，本次在前文提到异常墙体的热工缺陷的五个类目中各选择80个样本，以及正常墙体选择400个样本作为训练集，另外异常墙体的热工缺陷的五个类目中各选择20各样本以及正常墙体选择100个样本作为验证集。建立模型的分析结果会通过混淆矩阵的方式产生。

拍摄完成的红外图像经过多种对比分析，正常墙体在红外图像和灰度概率密度的去向图中会形成低高低的曲线规律，即单个峰值点；但若存在热工缺陷时，则会出现多个低高低的曲线，即存在多个峰值点。保温层脱落的情况会在脱落部位与周边正常部位存在较大的温差，这个时候在灰度概率密度曲线上会出现双峰曲线的规律。瓷砖空鼓的情况与保温层脱落的情况类似，呈现的曲线也是双峰曲线。热桥现象主要是在一些主要构造节点区域会显现出较高的温度，然而原理节点区域，靠近墙体区域时温度则会快速下降。渗水问题主要是在渗水点处向四周扩散，渗水点的温度相对为最低温度点，四周的温度则会慢慢增加。

正常墙体和异常墙体的主要特征分析清楚完成后，就需要进行分类器的选取。选择合适的分类器，能够提高软件识别的准确率，输出的结果才能让检测人员更加放心采纳。现阶段比较成熟的分类器主要是BP神经网络和SVM支持向量机这两个，整体的分析数据在业内都是比较认可的。所以本次应用研究也是以这两种分类器进行数据分类识别。分类器确定后就需要建立相关的数据分析模型，通过建立模型去对异常墙体进行分类。我们通过训练集进行交叉验证，不停的对原始样本进行数据分析训练，从训练样本集中提取异常墙体的特征，进一步对这类特征进行训练，使得分类器能够识别这类特征。然后再将测试样本集通过分类模型进行分类识别，将异常墙体进行分类。分类模型构件完成后，将单张红外图像进行分析处理，发现分析总用时为2.38s，比传统的识别方式节约了6.56s，并且准确率达到了100%。

2.2 异常墙体区域的标识

为了满足用户查验异常墙体的数据，需要对判断的异常墙体的红外图像进行标识，标识的红外图像中的异常区域的算法种类较多，经过对比分析，Canny算法目前的使用广泛度更高。当一张红外图像中存在多个异常区域时，还可以针对这一红外图像进行裁剪分割，进而形成单个的异常区域便于进行分类识别。

Canny算法的基本原理就是根据温度梯度的变化，并在灰度图上的灰度梯度也会体现出快速变化的过程，进而能够标识出梯度变化较大的地方，即可判断出异常区域的位置。采用canny算法时，要先对滤波器进行去噪，然后进行梯度计算即非极大值抑制。其次进行阈值选取，通常梯度值小于3时主要包含的噪声和正常的墙体，梯度值大于8时为建筑轮廓，介于3到8之间的就是异常区域的轮廓。通过canny算法标识出异常墙体区域后就可以进行最后的分类识别，分析出各种异常墙体均是何种原因产生的缺陷。

2.3 异常墙体图像的识别

异常墙体的图像识别方案较多，主要分为两大类，一是单一图像特征的识别，二是多特征图像识别。单一特征图像的识别方法主要有HOG、灰度直方图以及LBP三种方法，这三种方法的识别准确性还有一定的欠缺。比如灰度直方图针对前文的五种缺陷类型进行分类识别后得到的混淆矩阵一般会体现某个别缺陷的识别准确率相对较高，但是别的一些缺陷缺准确率特别低。这主要就是因为作为单一特征分析方法，会因为特征种类的区别而加大分类的复杂程度。这就是目前单一特征图像识别的缺陷所在。所以为了提高识别的准确性，应采用多特征联合的分类识别方法进行分类，可以解决单一特征图像识别的不平衡问题。

为了提高准确率，可以将三种单一特征图像识别方法建立并联式分类器和层次化分类器，将三种方法进行组合分析，发挥各自识别特有缺陷的优点，进而有效的识别出墙体缺陷并进行分类。

3  结语

本文主要研究分析了红外图像特征的应用三阶段。分别是异常墙体的判断、标识和分类识别。红外图像检测在实际应用过程中，就是要先拍摄墙体的图像，通过专业的数据分析仪器建立可靠的模型后进行异常墙体判断。然后通过引用的分析算法针对异常墙体图像进行标识，最后再将标识出的异常区域进行分类识别，将异常墙体的缺陷种类进行分类清楚，方便检测人员能够查看，并作进一步的判断。由于本文的算法理论的知识极其复杂，所以本文主要是作为应用者的基本了解为出发点进行阐述基本应用的原理。最后还有一些需要注意的，我们在拍摄红外图像期间要做好准备工作，外界的气象环境、仪器调试是否正确，都会直接影响后面的红外图像的判断、标识以及识别的准确性。所以图像判断，不能完全依赖仪器和算法，检测人员仍应该掌握基本原理，个人也应能够根据图像的成果能够判断基本的情况。

参考文献

[1]朱斌,张辉.基于贝叶斯网络的高层建筑外墙饰面砖脱落风险发生概率研究[J].三峡大学学报(自然科学版),2014

[2]袁昕,谢慧才,陈高峰.建筑物外墙饰面砖粘贴质量的红外热像检测试验研究[J].四川建筑科学研究,2003