论文部分内容阅读
古建筑是人类精神文明的载体,是人类历史长河中的里程碑。历经岁月的洗礼,古建筑表面发生不同程度的损伤,这些损伤不仅影响古建筑的外观,严重的损伤甚至影响整个结构的安全,因此对古建筑的定期检测和保护具有十分重要的意义。目前对古建筑表面损伤检测主要依靠人工巡检的方式,这种方式需要经验丰富的专家借助专业设备对古建筑损伤进行评估,检测效率不高。特别是对于大规模古建筑群进行损伤检测时,人工巡检的方式对专业性要求高、费时、费力不能满足大规模检测的要求。根据国家“让文物活起来”的重要指示,借助人工智能时代到来的契机,本文旨在研究深度学习技术对故宫古建筑表面损伤的快速识别、定位、分割及评定,为古建筑保护和修复领域做出贡献。本文的主要研究内容包括以下几个方面:(1)基于卷积神经网络(Convolutional Neural Network,CNN)模型,研发了适用于古建筑表面损伤识别的 AlexNet for Historic Structures Detection(AlexNet HSD)和GoogLeNet for Historic Structures Detection(GoogLeNet HSD)模型,并以北京故宫博物院燕喜堂大木结构和故宫城墙砌体结构为研究对象,通过不同样本数量和不同网络深度的模型训练实验,分别训练了古建筑木结构表面裂缝损伤识别分类器(识别精度为97%),和古建筑砌体结构表面损伤识别分类器(识别精度为94.3%)。之后,基于训练的高精度模型,采用研发的适用于历史建筑损伤识别的滑移窗口算法,基于训练的高精度模型,分别对古建筑木结构表面裂缝以及古建筑砌体结构表面四类损伤进行快速识别。(2)基于先进的候选区域网络算法,研发古建筑砌体结构表面损伤自动探测技术。基于 Resnet1 01 网络的 Faster Region-based Convolutional Neural Network(Faster R-CNN)模型对故宫城墙图像数据进行训练。为寻找最优的模型参数,本研究训练了 33种不同组合算例。模型训练完成后,为验证训练模型的性能,本研究对不同尺寸和不同光照条件下的图像进行检测实验。随后,将训练的CNN模型嵌入智能手机终端,研发了基于智能手机的实时、移动式砖砌体结构损伤检测系统。最后,本研究对故宫博物院进行两次现场实测,验证了该损伤检测系统的可行性和有效性。(3)基于深度学习技术,提出了古建筑屋顶琉璃瓦表面损伤分割的两阶段策略。第一阶段基于Faster R-CNN算法,训练古建筑屋顶琉璃瓦自动识别和裁剪模型。第二阶段基于Mask R-CNN算法,训练单个琉璃瓦表面损伤自动分割、测量和评估模型,并利用100张新琉璃瓦图像对训练后模型的损伤分割性能进行验证。实验结果表明,该方法可以实现像素级别的琉璃瓦表面损伤分割,并生成琉璃瓦损伤分割掩码,从而快速计算出瓦件损伤面积及损伤率。最后,通过模型鲁棒性验证实验,以及与全卷积网络(Full Convolution Network,FCN)的对比实验,验证了训练模型的鲁棒性和精准度。(4)基于移动群智感知技术(Mobile Crowd Sensing,MCS),研发了深度学习大数据收集系统——GreatWatcher,该系统包括数据采集端、网站平台www.greatwatcher.com和数据处理终端,可以实现古建筑遗迹图像、调查问卷和足迹等信息的收集与共享,为深度学习云计算提供网络平台。同时,本研究以长城遗迹为例,进行了两次长城遗迹现场调研,并基于深度学习技术,本研究在计算终端对采集的长城数据进行网络训练,得到长城砖砌体损伤探测模型,从而实现对长城砖砌体结构表面损伤的快速识别和定位。