基于多源数据融合与机器学习的古建筑墙体木柱缺陷分级方法

本发明属于古建筑木材检测，具体涉及一种基于多源数据融合与机器学习的古建筑墙体木柱缺陷分级方法。

背景技术：

1、我国木结构古建筑是重要的文化遗产，木柱是木结构古建筑重要的承重构件。作为一种生物材料，木柱在自然环境下容易受到各种菌类、昆虫等的侵蚀，造成表面与内部各类缺陷。墙体木柱是指与墙体接触、部分或全部被墙体包裹的立柱，所处环境阴暗潮湿，更易助长生物侵蚀，加剧虫蛀、腐朽、缺损等问题。这些缺陷降低了木柱承载能力，严重威胁古建筑的安全性与稳定性。

2、被墙体包裹的古建筑墙体木柱，对其进行无损检测与缺陷分级，可以及早发现和评估木柱存在的缺损和腐蚀等问题，对古建筑预防性保护至关重要。常用的木材无损检测方法包括应力波检测、红外热成像检测、x射线检测、机器视觉检测等，每种方法和技术都有其适用性和局限性。由于古建筑墙体木柱所处位置的特殊性和采样的困难性，常常需要联合多种方法全面可靠地检测木柱缺陷。

3、将机器视觉与微钻阻力法结合，可以弥补机器视觉仅限于木柱的表观缺陷而无法检测到内部深层缺陷的问题，基于机器学习进行缺陷分级，提高了评估效率，为古建筑墙体木柱的保养、修复和加固提供更加快速精准的参考。

技术实现思路

1、为实现上述目的，本发明提出一种基于多源数据融合和机器学习的古建筑墙体木柱缺陷分级方法，将木柱缺陷图像与微钻阻力数据进行数据集融合，将机器视觉与机器学习方法相结合，实现对古建筑墙体木柱实际检测中缺陷等级的快速判别。

2、为了达到上述目的，本发明采用以下技术方案：

3、基于多源数据融合与机器学习的古建筑墙体木柱缺陷分级方法，包括以下步骤：

4、s1、对多源数据进行采集，使用相机记录包含木柱表面缺陷信息的木柱缺陷图像，使用微钻阻力检测仪获取木柱内部缺陷数据并汇入实体缺失数据，包括：

5、s11、搭建木柱表观特征信息采集装置，实现木柱缺陷图像采集和增强处理，木柱缺陷图像的采集和处理包括：

6、使用数码相机记录古建筑墙体木柱表面缺陷图像，采集木柱表面缺陷信息，根据微钻阻力仪检测位置将木柱缺陷图像截取为尺寸1100×500pixel的图片，对图片进行增强处理，包括：

7、色彩变换、归一化处理，并采用高斯滤波、中值滤波平滑图像去除噪声；

8、s12、设计和搭建木柱内部缺陷数据采集装置，采集微钻阻力数据并处理，微钻阻力数据的采集和处理包括：

9、使用微钻阻力检测仪采集木柱内部微钻阻力数据，获取木柱内部缺陷信息，分析木柱内部的缺陷种类和分布情况，包括：

10、在电动机驱动下，将微钻阻力仪钻针以恒定速率钻入木柱内部，通过微机系统采集钻针受到的阻力并显示出阻力数据曲线，结合木材学知识对所述微钻阻力数据曲线进行分析，判断木柱内部的缺陷种类和分布情况，处理微钻阻力数据包括：

11、缺失数据的添加、空转数据的删除、样本长度的调整；

12、s13、测量木柱实体缺失数据并汇入微钻阻力数据，包括：

13、使用探针、量尺等工具测量木柱实体缺失数据，以量测的实体缺失数据为补充，将实体缺失尺寸一并汇入微钻阻力数据曲线。

14、s2、扩充数据集并融合多源数据信息，包括：

15、将实体缺失数据汇入后的微钻阻力数据与木柱缺陷图像一一对应，进行多源数据集的融合，包括数据级融合、特征级融合和决策级融合，获取具有相关性和集成性的融合数据，综合木柱表面与内部缺陷的特征信息。

16、进一步的，搭建木柱表观特征信息采集装置，包括：

17、以古建筑墙体木柱外露部分为采集样本，选取合适光源，明亮的现场采用自然光照方式，阴暗的地方采用人工补光方式，确定光照强度；固定相机支架，调整相机的拍摄角度和距离。

18、进一步的，设计和搭建木柱内部缺陷数据采集装置，包括：

19、采集装置由支撑架1、工作台2和微钻阻力仪3组成，支撑架1包括底座11、伸缩杆12和支撑板13，支撑板13承受工作台2和微钻阻力仪3的载荷，并通过底座11传至地面，支撑板13上方与工作台2通过定位销连接；工作台2包括夹具21、定位槽22和限位挡块23，夹具21两侧安装螺旋夹紧装置，通过调节螺纹杆水平方向上的旋钮夹紧微钻阻力仪3机身，定位槽22与微钻阻力仪3机身支座下端相连，限位挡块23与微钻阻力仪3机身后端连接，限制作业时机身前后位移。

20、s3、选取墙体木柱缺陷分级指标，确定缺陷分级标准，进行古建筑墙体木柱缺陷分级，包括：

21、根据国家标准，选取外部缺陷面积、内部缺陷面积、裂纹长度、裂纹深度数据及其在木柱中占比作为评价指标，外部缺陷的横截面面积在木柱横截面面积的占比为外部缺陷面积比例系数k，内部缺陷的横截面面积在木柱横截面面积的占比为内部缺陷面积比例系数p，裂纹长度在木柱长度的占比为裂纹长度比例系数m，裂纹深度在木柱直径的占比为裂纹深度比例系数n；

22、根据木柱缺陷分级指标，并结合专家前期积累的现场资料和实验室数据分析结果，将木柱分为a、b、c三个等级：

23、a等级：外部缺陷面积比例系数范围在k≤0.05，内部缺陷面积比例系数p＝0，裂纹长度比例系数范围在m≤0.1，裂纹深度比例系数范围在n≤0.1，a等木柱为状况良好木构件，不需要进行干预；

24、b等级：外部缺陷面积比例系数范围在0.05<k<0.50，内部缺陷面积比例系数范围在0<p<0.15，裂纹长度比例系数范围在0.1<m<0.8，裂纹深度比例系数范围在0.1<n<0.8，b等木柱存在缺陷，不需要干预但需定期复查；

25、c等级：外部缺陷面积比例系数范围在k≥0.50，内部缺陷面积比例系数范围在p≥0.15，裂纹长度比例系数范围在m≥0.8，裂纹深度比例系数n范围在n≥0.8，c等木构件有缺陷，需要适当加固木柱。

26、s4、以木柱缺陷分级结果为标签，建立gwo-rbf神经网络模型，进行基于机器学习的墙体木柱缺陷分级，包括：

27、gwo-rbf神经网络模型为灰狼优化算法gwo优化的径向基函数rbf神经网络模型，包括输入层、隐藏层和输出层；

28、输入向量为x＝[x1,x2,…,xn]t，输出向量为y＝[y1,y2,…,ym]t，隐藏层使用径向基函数来进行特征映射，采用高斯函数：

29、

30、其中，ci＝[ci1,ci2,…,cih]t为高斯函数的中心，σi为高斯函数的方差；

31、隐含层的输出为：

32、

33、其中，||xi-ci||为输入函数矢量与径向基函数中心的距离；

34、输出层的函数采用线性映射关系：

35、

36、其中，ωij为连接隐含层和输出层的权值；

37、输入层、隐含层和输出层的节点数分别对应输入向量的维度、高斯函数中心的维度以及输出向量的维度，即输入层的节点数为数据集特征的数量，输出层的节点数为缺陷等级的数量；

38、灰狼优化算法gwo通过模拟灰狼群体中的领导者、副领导者和跟随者行为来更新目标位置，不断优化rbf神经网络的权重和偏差，并使用均方误差评估gwo-rbf神经网络的性能：

39、

40、其中，yi为实际值，f(xi)为预测值，将对应最优解的位置向量返回rbf网络更新原来的参数值，不断迭代训练直至满足结束条件；

41、使用gwo-rbf神经网络模型，基于机器学习方法实现准确、快速和无损的古建筑墙体木柱缺陷分级检测。

42、与现有的技术相比，本发明的效益是：

43、针对传统检测方法在方法单一、效率低、鲁棒性差等方面存在的问题，本发明进行了创新性改进。通过融合多源数据集，利用机器视觉和机器学习神经网络模型，实现对木柱缺陷进行准确、快速和高效的分级；与传统模型相比，该模型在墙体木柱缺陷等级检测方面取得了较高的准确率，整体准确率达到了98％以上。