一种古建筑修缮方法、系统、计算机设备和存储介质-9479威尼斯

专利名称：一种古建筑修缮方法、系统、计算机设备和存储介质

专利类型：发明专利

专利申请号：cn202211605232.0

专利申请（专利权）人：内蒙古建筑职业技术学院(内蒙古自治区建筑职工培训中心)
权利人地址：内蒙古自治区呼和浩特市回民区攸攸板镇一间房村

专利发明（设计）人：乔恩懋,尚大为,侯智国,黄胜龙,王晓

专利摘要：本发明公开了一种古建筑修缮方法及系统，本发明基于多种神经网络模型的表面残损识别，采用先将古建筑整体分割为细部构造，根据细部构造类型再将细部构造分割为基本构造单元，在对基本构造单元中的残损进行提取，进而采用基于神经网络和专家系统混合的算法，实现方案设计的智能化推理，将推理的参数通过pkpm3d平台建模并进行虚拟漫游，实现了古建筑修缮设计直观的三维效果展示，同时输出相应的标准图和工程量计算表，最终生成目标古建筑修缮设计成果图。这种逐步精细的残损识别技术有效解决了古建筑残损类型多、识别难度大的难题，为古建筑残损识别提供全新的24848威尼斯的解决方案，极大的减少了人工的参与，同时保证了修缮设计方案的科学合理。

主权利要求：
1.一种古建筑修缮方法，其特征在于，所述方法包括：
获取目标古建筑的目标正射影像图；
基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；
采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；
通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；
基于bp神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标古建筑的残损处理设计参数以及所述目标古建筑的修缮策略参数；
基于pkpm3d图形平台，将所述目标古建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；
结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；
结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。
2.根据权利要求1所述的方法，其特征在于，所述获取目标古建筑的目标正射影像图，包括通过无人机倾斜摄影测绘或贴近摄影测量获取目标古建筑的目标正射影像图。
3.权利要求1所述的方法，其特征在于，所述基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图，具体为：将所述目标正射影像图通过多尺度分割处理，得到三种尺寸目标图像数据；将分割后的所述目标图像数据输入密集连接卷积神经网络,分别得到不同尺寸下神经网络提取的第一目标特征图；
将所述第一目标特征图融合到一起，同时送入注意力模型，得到所述第一目标特征图各个像素点的权重分布；
将所述各个像素点的权重分布与融合后的第二目标特征图进行点乘,经过soft‑max得到所述目标古建筑的细部构造图。
4.根据权利要求1所述的方法，其特征在于，所述采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元，具体为：将训练集中的砖石结构细部构造原始图像输入到cnn网络中进行网络训练，得到所述砖石结构细部构造原始图像的特征图；
将所述砖石结构细部构造原始图像的特征图输入到rpn网络，生成感兴趣区roi,并将所述感兴趣区roi进行池化处理；经过一系列的全连接层，从而对所述砖石结构细部构造进行分类和边界回归，得到所述砖石结构基本构造单元。
5.根据权利要求1所述的方法，其特征在于，所述通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数，具体为：将训练集中的木结构细部构造和砖石结构基本构造单元图像输入到一个预训练好的神经网络中，获得对应的featuremap；对所述featuremap中的每一点设定预定个的roi，获得多个候选roi，将所述多个候选roi送入rpn网络进行二值分类和bb回归，过滤掉一部分候选的roi，得到剩余roi；对所述剩余roi进行roialign操作，对所述剩余roi进行分类、bb回归和mask生成，得到木结构细部构造及砖石结构基本构造单元表面不同种类残损参数。
6.根据权利要求1所述的方法，其特征在于，所述专家系统通过预先创建全局数据库存放所述目标古建筑残损参数、中间运行状态和推理过程记录和结果信息；
通过预先创建知识库存放基于行业设计规范知识和基于bp神经网络对经验样本学习的经验知识；
通过预先创建神经网络推理机，采用正向推理的方式对各设计要素进行推理。
7.根据权利要求1所述的方法，其特征在于，所述砖石结构基本构造单元包括：屋瓦、墙砖和柱基本单元。
8.一种古建筑修缮系统，其特征在于，所述系统包括：
获取模块：用于获取目标古建筑的目标正射影像图；
第一处理模块：用于基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；
第二处理模块：用于采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；
第三处理模块：用于通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；
参数生成模块：用于基于bp神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标古建筑的残损处理设计参数以及所述目标古建筑的修缮策略参数；
第一输出模块：用于基于pkpm3d图形平台，将所述目标古建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；
第二输出模块：用于结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；
第三输出模块：用于结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。 说明书 : 一种古建筑修缮方法、系统、计算机设备和存储介质技术领域[0001] 本申请涉及古建筑修缮技术领域，特别是涉及一种古建筑修缮方法、系统、计算机设备和存储介质。背景技术[0002] 古建筑在全国重点文保单位中的数量之大、地位之重使得对古建筑的修缮和数字化保护工作越来越重要，越来越迫切。[0003] 目前古建筑修缮存在以下问题：[0004] （1）古建筑表面残损由于人工调查过程中的疏忽、遗漏及经验不足等原因，造成不能完整记录残损信息，同时由于设计人员的业务能力不足等原因造成修缮设计方案与真实残损处理方法不匹配，不能针对性、有效的对残损进行修缮。[0005] （2）古建筑残损调查采用人工测量、调查、整理外业数据，这种作业模式耗时、工作量大、调查结果精度低。[0006] （3）目前古建筑残损修缮设计采用设计人员按照行业规范要求，结合设计经验，人工画图然后人工计算工程量，设计成果的质量取决于设计人员的专业水平和个人经验，质量难以保证。发明内容[0007] 基于此，针对上述技术问题，提供一种古建筑修缮方法、系统、计算机设备和存储介质，能够解决现有古建筑残损类型识别复杂、人工识别难度大和解决修缮设计方案专业性强的问题。[0008] 第一方面，一种古建筑修缮方法，所述方法包括：[0009] 获取目标古建筑的目标正射影像图；[0010] 基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；[0011] 采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；[0012] 通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；[0013] 基于bp神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标古建筑的残损处理设计参数以及所述目标古建筑的修缮策略参数；[0014] 基于pkpm3d图形平台，将所述目标古建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；[0015] 基于输出模块结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；[0016] 结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。[0017] 上述方案中，可选的，所述获取目标古建筑的目标正射影像图，包括通过无人机倾斜摄影测绘或贴近摄影测量获取目标古建筑的目标正射影像图。[0018] 上述方案中，进一步可选的，所述基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图，具体为：将所述目标正射影像图通过多尺度分割处理，得到三种尺寸目标图像数据；将分割后的所述目标图像数据输入密集连接卷积神经网络,分别得到不同尺寸下神经网络提取的第一目标特征图；[0019] 将所述第一目标特征图融合到一起，同时送入注意力模型，得到所述目标特征图各个像素点的权重分布；[0020] 将所述各个像素点的权重分布与融合后的第二目标特征图进行点乘,经过soft‑max得到所述目标古建筑的细部构造图。[0021] 上述方案中，进一步可选的，所述采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元，具体为：将训练集中的砖石结构细部构造原始图像输入到cnn网络中进行网络训练，得到所述砖石结构细部构造原始图像的特征图；[0022] 将所述砖石结构细部构造原始图像的特征图输入到rpn网络，生成感兴趣区roi,并将所述感兴趣区roi进行池化处理；经过一系列的全连接层，从而对所述砖石结构细部构造进行分类和边界回归，得到所述砖石结构基本构造单元。[0023] 上述方案中，进一步可选的，所述通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数，具体为：将训练集中的木结构细部构造和砖石结构基本构造单元图像输入到一个预训练好的神经网络中，获得对应的featuremap；对所述featuremap中的每一点设定预定个的roi，获得多个候选roi，将所述多个候选roi送入rpn网络进行二值分类和bb回归，过滤掉一部分候选的roi，得到剩余roi；对所述剩余roi进行roialign操作，对所述剩余roi进行分类、bb回归和mask生成，得到木结构细部构造及砖石结构基本构造单元表面不同种类残损参数。[0024] 上述方案中，进一步可选的，所述专家系统通过预先创建全局数据库存放所述目标古建筑残损参数、中间运行状态和推理过程记录和结果信息；[0025] 通过预先创建知识库存放基于行业设计规范知识和基于bp神经网络对经验样本学习的经验知识；[0026] 通过预先创建神经网络推理机，采用正向推理的方式对各设计要素进行推理；[0027] 通过预先创建解释器实现对用户查询某个问题的系统解释文本的输出，系统完成推理过程后给出的完整推理流程的输出。[0028] 上述方案中，进一步可选的，所述砖石结构基本构造单元包括：屋瓦、墙砖和柱基本单元。[0029] 第二方面，一种古建筑修缮系统，所述系统包括：[0030] 获取模块：用于获取目标古建筑的目标正射影像图；[0031] 第一处理模块：用于基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；[0032] 第二处理模块：用于采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；[0033] 第三处理模块：用于通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；[0034] 参数生成模块：用于基于bp神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标古建筑的残损处理设计参数以及所述目标古建筑的修缮策略参数；[0035] 第一输出模块：用于基于pkpm3d图形平台，将所述目标古建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；[0036] 第二输出模块：用于基于输出模块结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；[0037] 第三输出模块：用于结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。[0038] 第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：[0039] 获取目标古建筑的目标正射影像图；[0040] 基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；[0041] 采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；[0042] 通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；[0043] 基于bp神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标古建筑的残损处理设计参数以及所述目标古建筑的修缮策略参数；[0044] 基于pkpm3d图形平台，将所述目标古建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；[0045] 基于输出模块结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；[0046] 结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。[0047] 第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：[0048] 获取目标古建筑的目标正射影像图；[0049] 基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；[0050] 采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；[0051] 通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；[0052] 基于bp神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标古建筑的残损处理设计参数以及所述目标古建筑的修缮策略参数；[0053] 基于pkpm3d图形平台，将所述目标古建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；[0054] 基于输出模块结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；[0055] 结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。[0056] 本发明至少具有以下有益效果：[0057] 本发明基于对现有技术问题的进一步分析和研究，认识到目前古建筑修缮主要通过人工测量、调查和整理古建筑残损数据，通过人工给出修缮方案，导致现有古建筑残损类型识别复杂、人工识别难度大和解决修缮设计方案专业性强的问题。本发明基于多种神经网络模型的表面残损识别，采用先将古建筑整体分割为细部构造，根据细部构造类型再将细部构造分割为基本构造单元，在对基本构造单元中的残损进行提取，进而采用基于神经网络和专家系统混合的算法，实现方案设计的智能化推理，将推理的参数通过pkpm3d平台建模并进行虚拟漫游，实现了古建筑修缮设计直观的三维效果展示，同时输出相应的标准图和工程量计算表，最终生成目标古建筑修缮设计成果图。这种逐步精细的残损识别技术有效解决古建筑残损类型多、识别难度大的难题，为古建筑残损识别提供全新的24848威尼斯的解决方案，极大的减少了人工的参与，同时保证了修缮设计方案的科学合理。附图说明[0058] 图1为本发明一个实施例提供的古建筑修缮方法的流程示意图；[0059] 图2为本发明一个实施例提供的古建筑修缮方法的第一阶段算法流程示意图；[0060] 图3为本发明一个实施例提供的古建筑修缮方法的细部构造分割实验模拟示意图；[0061] 图4为本发明一个实施例提供的古建筑修缮方法的第二阶段算法流程示意图；[0062] 图5为本发明一个实施例提供的古建筑修缮方法的第一基本构造分割实验结果示意图；[0063] 图6为本发明一个实施例提供的古建筑修缮方法的第二基本构造分割实验结果示意图；[0064] 图7为本发明一个实施例提供的古建筑修缮方法的修缮策略实验结果示意图；[0065] 图8为本发明一个实施例提供的古建筑修缮方法的参数化建模底层成果示意图；[0066] 图9为本发明一个实施例提供的古建筑修缮方法的修缮设计输出成果模拟展示示意图；[0067] 图10为本发明一个实施例提供的古建筑修缮方法的整体技术线路图流程示意图；[0068] 图11为一个实施例中计算机设备的内部结构图。具体实施方式[0069] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。[0070] 古建筑在全国重点文保单位中的数量之大、地位之重使得对古建筑的修缮和数字化保护工作越来越重要，越来越迫切。本实施例提供一整套基于人工智能深度学习的算法，结合大数据专家系统，使计算机精确识别古建筑残损并自主完成一整套包含修缮设计图纸和工程量在内的古建筑修缮设计方案。项目研发内容涵盖古建筑表面残损识别与探测系统、古建筑修缮设计专家系统和参数化建模与成果输出系统，形成古建筑修缮设计的人工智能体系。有效解决古建筑残损类型识别复杂、人工识别难度大的难题，解决修缮设计方案专业性强、内容复杂的问题。极大提高修缮设计质量、效率的同时大大降低投入成本，为古建筑修缮设计提供全新的人工智能24848威尼斯的解决方案。[0071] 在一个实施例中，如图1及图10所示，提供了一种古建筑修缮方法，包括以下步骤：[0072] 获取目标古建筑的目标正射影像图。[0073] 基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；[0074] 采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；[0075] 通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数。[0076] 在一个实施例中，利用多种神经网络模型共同参与的表面残损识别与探测的流程分为以下三个阶段：[0077] 第一阶段：由于在古建筑正射影像数据中需要提取的各种木结构和砖石结构的尺寸和分布位置差异较大，在同一图像中同时获取不同大小目标的物体特征较为困难；利用多尺度特征能提高模型的语义分割能力的优势，结合注意力模型允许模型根据需要聚焦最相关的特性这一特点，提出了使用密集连接卷积神经网络结合多尺度特征和注意力机制这种算法，经过研究发现该方法能有效提升模型的分割能力和分割效果。[0078] 如图2所示，通过使用密集连接卷积神经网络densenet结合多尺度特征和注意力机制来实现古建筑正射影像图中木结构细部构造，例如：门窗、柱身、檩、枋、望板等、砖石结构细部构造图，例如屋顶、墙面、地面、台基、台阶、柱础等的分割与提取，其中木结构细部结构通过第三阶段算法进行表面残损探测，砖石结构通过第二阶段算法分割出基本构造单元再由第三阶段算法探测表面残损残损。图3为第一阶段实验结果得到的目标建筑的细部构造分割实验模拟图。[0079] 第二阶段：目前古建筑中砖石结构基本构造单元（例如屋瓦、墙砖、地砖、柱础等基本单元）残损识别提取的方法依赖人工逐一识别、判断，这种做法费时费力费人工；经过研究发现fasterr‑cnn算法能够实现大场景中的单个小目标的精确分割，所以采用fasterr‑cnn算法对砖石结构细部构造进行自动检测和裁剪得到基本构造单元图像，算法流程如图4所示。[0080] 第一基本构造分割实验结果如图5所示，通过fasterr‑cnn算法对第一阶段提取的砖石结构细部构造进行自动检测和裁剪，得到基本构造单元，作为第三阶段残损探测和分割的数据集。[0081] 第三阶段：经过研究发现大多数目标探测算法都继承和发展了r‑cnn思想，此类算法能够有效的应用于古建筑表面损伤的识别和提取；由于r‑cnn算法存在模型训练效率低、训练数据占用计算空间大等缺点，为解决上述缺点采取将候选区域的特征提取添加到卷积神经网络训练中，实现直接的端到端训练和测试并通过增加一个mask分支来估计每个感兴趣区域的分割掩码的方法，从而提出maskr‑cnn算法对残损进行自动探测和分割。[0082] 第二基本构造分割实验结果如图6所示，通过maskfasterr‑cnn算法，对木结构细部构造、砖石结构基本构造单元表面残损进行自动探测和分割，实现不同种类残损的精确探测和测量，并将残损类型信息、状态参数作为修缮设计专家系统的数据集。[0083] 研发过程中发现目前古建筑表面残损由于人工调查过程中的疏忽、遗漏及经验不足等原因，造成不能完整记录残损信息，同时由于设计人员的业务能力不足等原因造成修缮设计方案与真实残损处理方法不匹配，不能针对性、有效的对残损进行修缮.专家系统是一种在特定领域内具有专家水平解决问题的算法，具备设计方案智能化的能力，能够有效解决修缮设计方案与真实残损处理方法不匹配的问题。bp神经网络是在模拟人脑神经组织的基础上发展起来的算法，具有自学习和自适应能力以及学习成果应用于新知识的能力，bp神经网络结合专家系统算法能够实现对设计经验的学习并应用于后续设计方案，对于经验参数进行学习并更新知识库，解决传统专家系统知识获取和更新困难的问题，所以提出了bp神经网络结合专家系统的修缮设计算法。[0084] 修缮策略如图7所示，基于bp神经网络结合专家系统算法，实现对不同残损类型自动推理修缮设计方案，并给出修缮方案以及残损处理设计参数，作为参数化建模系统的基础数据。[0085] 参数化建模底层成果如图8所示，pkpm3d图形平台具有实景漫游功能，可使设计场景以任意方位真实地展现在眼前，让设计人员身临其境地感受设计方案，对验证设计方案科学合理具有重要作用。[0086] 参数化建模系统基于pkpm3d图形平台，进行二次开发，将修缮设计专家系统给出的修缮方案和残损处理设计参数进行建模，并进行虚拟漫游，实现了古建筑修缮设计的三维效果展示。[0087] 修缮设计输出成果模拟展示如图9所示，python语言具有简洁明了、容易掌握、标准库丰富、兼容性强等特点，广泛用于自动化办公领域；修缮设计成果分为方案设计图及残损处理措施工程数量表等，内容复杂，专业性强；基于python开发平台的修缮设计成果图表输出模块能够实现对专家系统给出的修缮策略参数，调取数据库，输出对应的修缮设计工程图和修缮设计工程数量表等图表成果，最终输出修缮设计输出成果模拟展示图。[0088] 基于bp神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标古建筑的残损处理设计参数以及所述目标古建筑的修缮策略参数；[0089] 基于pkpm3d图形平台，将所述目标古建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；[0090] 基于输出模块结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；[0091] 结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。[0092] 本实施例基于多种神经网络模型的表面残损识别，采用先将古建筑整体分割为细部构造，根据细部构造类型再将细部构造分割为基本构造单元，在对基本构造单元中的残损进行提取，这种逐步精细的残损识别技术有效解决古建筑残损类型多、识别难度大的难题，为古建筑残损识别提供全新的24848威尼斯的解决方案。[0093] 在一个实施例中，所述获取目标古建筑的目标正射影像图，包括通过无人机倾斜摄影测绘或贴近摄影测量获取目标古建筑的目标正射影像图。现有技术通过拍照和手工量测，获得古建筑表面残损信息，通过人工制图的方式进行残损标注，再修缮原则绘制图纸并制作修缮设计方案。[0094] 在一个实施例中，所述基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图，具体为：将所述目标正射影像图通过多尺度分割处理，得到三种尺寸目标图像数据；将分割后的所述目标图像数据输入密集连接卷积神经网络,分别得到不同尺寸下神经网络提取的第一目标特征图；[0095] 将所述第一目标特征图融合到一起，同时送入注意力模型，得到所述目标特征图各个像素点的权重分布；[0096] 将所述各个像素点的权重分布与融合后的第二目标特征图进行点乘,经过soft‑max得到所述目标古建筑的细部构造图。[0097] 在一个实施例中，所述采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元，具体为：将训练集中的砖石结构细部构造原始图像输入到cnn网络中进行网络训练，得到所述砖石结构细部构造原始图像的特征图；[0098] 将所述砖石结构细部构造原始图像的特征图输入到rpn网络，生成感兴趣区roi,并将所述感兴趣区roi进行池化处理；经过一系列的全连接层，从而对所述砖石结构细部构造进行分类和边界回归，得到所述砖石结构基本构造单元。[0099] 本实施例密集连接卷积神经网络densenet结合多尺度特征和注意力机制分割模型应用于古建筑正射影像中细部结构的提取，采用密集连接卷积神经网络densenet这种新型高效的网络模型结合多尺度特征使模型的语义分割能力明显提升，通过结合注意力机制使模型能够根据需要聚焦最相关的特性从而提高了模型输出的质量；结合多尺度特征和注意力机制的densenet模型分割效果和分割能力大幅提升、分割边界更为清晰，为精确分割细部构造提出了全新的算法。[0100] 在一个实施例中，所述通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数，具体为：将训练集中的木结构细部构造和砖石结构基本构造单元图像输入到一个预训练好的神经网络中，获得对应的featuremap；对所述featuremap中的每一点设定预定个的roi，获得多个候选roi，将所述多个候选roi送入rpn网络进行二值分类和bb回归，过滤掉一部分候选的roi，得到剩余roi；对所述剩余roi进行roialign操作，对所述剩余roi进行分类、bb回归和mask生成，得到木结构细部构造及砖石结构基本构造单元表面不同种类残损参数。[0101] 本实施例maskfasterr‑cnn算法实现了像素级别的残损自动分割与提取，为精确识别和测量基本构造单元表面的残损参数提供了全新的解决方法。[0102] 在一个实施例中，所述专家系统通过预先创建全局数据库存放所述目标古建筑残损参数、中间运行状态和推理过程记录和结果信息；[0103] 通过预先创建知识库存放基于行业设计规范知识和基于bp神经网络对经验样本学习的经验知识；[0104] 通过预先创建神经网络推理机，采用正向推理的方式对各设计要素进行推理；[0105] 通过预先创建解释器实现对用户查询某个问题的系统解释文本的输出，系统完成推理过程后给出的完整推理流程的输出。[0106] 本实施例古建筑修缮设计方案专业性强、内容复杂，采用神经网络结合专家系统的修缮设计方案智能化推理，使修缮方案的制定做到高效、科学；通过神经网络算法对设计人员的经验参数进行学习并更新知识库，解决专家经验参数获取和更新困难的问题。[0107] 在一个实施例中，所述砖石结构基本构造单元包括：屋瓦、墙砖和柱基本单元。[0108] 古建筑残损调查目前采用人工测量、调查、整理外业数据，这种作业模式耗时、工作量大、调查结果精度低，通过本实施例的古建筑表面残损识别模型能够实现残损信息的快速、精确的采集，并且极大的减少了人工的参与。[0109] 目前古建筑残损修缮设计采用设计人员按照行业规范要求，结合设计经验，人工画图然后人工计算工程量，设计成果的质量取决于设计人员的专业水平和个人经验，质量难以保证；本实施例采用基于神经网络和专家系统混合的算法，实现方案设计的智能化推理，将推理的参数通过pkpm3d平台建模并进行虚拟漫游，实现了古建筑修缮设计直观的三维效果展示，同时输出相应的标准图和工程量计算表，保证修缮设计方案的科学合理。[0110] 本实施例基于对现有技术问题的进一步分析和研究，认识到目前古建筑修缮主要通过人工测量、调查和整理古建筑残损数据，通过人工给出修缮方案，导致现有古建筑残损类型识别复杂、人工识别难度大和解决修缮设计方案专业性强的问题。本发明基于多种神经网络模型的表面残损识别，采用先将古建筑整体分割为细部构造，根据细部构造类型再将细部构造分割为基本构造单元，在对基本构造单元中的残损进行提取，进而采用基于神经网络和专家系统混合的算法，实现方案设计的智能化推理，将推理的参数通过pkpm3d平台建模并进行虚拟漫游，实现了古建筑修缮设计直观的三维效果展示，同时输出相应的标准图和工程量计算表，最终生成目标古建筑修缮设计成果图。这种逐步精细的残损识别技术有效解决古建筑残损类型多、识别难度大的难题，为古建筑残损识别提供全新的24848威尼斯的解决方案，极大的减少了人工的参与，同时保证了修缮设计方案的科学合理。[0111] 应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。[0112] 在一个实施例中，提供了一种古建筑修缮系统，包括以下程序模块：[0113] 获取模块：用于获取目标古建筑的目标正射影像图；[0114] 第一处理模块：用于基于密集连接卷积神经网络densenet结合多尺度特征和注意力机制算法对所述目标古建筑的目标正射影像图处理，实现古建筑细部构造分割，得到所述目标古建筑的细部构造图；其中，所述目标古建筑的细部构造图包括砖石结构细部构造以及木结构细部构造；[0115] 第二处理模块：用于采用fasterr‑cnn算法对所述砖石结构细部构造进行自动检测和裁剪得到砖石结构基本构造单元；[0116] 第三处理模块：用于通过maskfasterr‑cnn算法，对所述木结构细部构造以及所述砖石结构基本构造单元表面残损进行自动探测和分割，得到所述木结构细部构造及所述砖石结构基本构造单元表面不同种类残损参数；[0117] 参数生成模块：用于基于bp神经网络结合专家系统算法对所述木结构细部构造及砖石结构基本构造单元表面不同种类残损参数处理，生成对所述目标古建筑的残损处理设计参数以及所述目标古建筑的修缮策略参数；[0118] 第一输出模块：用于基于pkpm3d图形平台，将所述目标古建筑的残损处理设计参数进行建模，并进行虚拟漫游，输出目标古建筑修缮设计的三维效果数据图；[0119] 第二输出模块：用于基于输出模块结合所述修缮策略参数，输出目标古建筑的修缮设计工程图和修缮设计工程数量表；[0120] 第三输出模块：用于结合所述目标古建筑修缮设计的三维效果数据图以及所述目标古建筑的修缮设计工程图和修缮设计工程数量表，生成目标古建筑修缮设计成果图。[0121] 关于古建筑修缮系统的具体限定可以参见上文中对于古建筑修缮方法的限定，在此不再赘述。上述古建筑修缮系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。[0122] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入系统。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种古建筑修缮方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入系统可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。[0123] 本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[0124] 在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，涉及上述实施例方法中的全部或部分流程。[0125] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，涉及上述实施例方法中的全部或部分流程。[0126] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read‑onlymemory，rom）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（randomaccessmemory，ram）或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器（staticrandomaccessmemory，sram）或动态随机存取存储器（dynamicrandomaccessmemory，dram）等。[0127] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。[0128] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

专利地区：内蒙古

专利申请日期：2022-12-14

专利公开日期：2024-07-09

专利公告号：cn116109899b