[0001] 本实用新型属于科学计算及智能分类技术领域，尤其涉及一种基于非破坏性样本的高体墙面玻面检测系统。

[0002] 随着近代工业的迅速发展，城市人口得到了剧增，这就导致了严重的住房紧张。为了缓解这一问题，许多开发商选择了建设高层建筑来扩大土地使用率。

[0003] 在国内，也已经有了许许多多的高楼，200m、300m的大厦随处可见，这在提高了土地利用率的同时，也带来了一些问题。其实有一个很大的问题就是对于墙面玻面安全性的检测，例如墙面出现裂痕，玻面出现破损，这就给楼内楼外的居民都带来了很大的安全隐患。

[0004] 随着近年来人工智能技术和图像处理技术的发展。加上工业无人机的广泛运用，我们已经可以使用工业无人机去进行高空作业，节省大量的人力物力。并且随着计算机的计算和判断力的大大增强，图像处理技术已经随处不见，我们完全可以利用计算机去帮助我们进行墙面玻面的检测工作。这将大大的减少我们对高体维护的成本，并且大大提高了我们高体检测的效率和可靠性。

[0005] 在神经网络进行训练的过程中需要初始的样本，但墙体和玻体的破坏性样本并不容易去采集。实用新型内容

[0006] 针对背景技术存在的问题，本实用新型提供一种基于非破坏性样本的高体墙面玻面检测系统。

[0007] 为解决上述技术问题，本实用新型采用如下技术方案：一种基于非破坏性样本的高体墙面玻面检测系统，包括中央处理器和无人机，还包括分别与中央处理器连接的训练系统、存储器和中心服务器，与存储器连接的取景器，训练系统与中心服务器连接；无人机分别与中央处理器和中心服务器无线连接；无人机用于搭载取景器、存储器、训练系统、中央处理器。

[0008] 在上述基于非破坏性样本的高体墙面玻面检测系统中，中心服务器通过中央处理器以RF‑Datalink通信方式进行通信。

[0009] 在上述基于非破坏性样本的高体墙面玻面检测系统中，无人机的型号为Mavic Air2，存储器、训练系统和中央处理器的型号为PYNQ‑Z2，取景器的型号为First Person View，中心服务器的型号为FusionServer Pro 2288H V5。

[0010] 与现有技术相比，本实用新型可以有效的代替人工对于高体墙面玻面的破损检测，节省更多的人力物力，提高检测的效率和准确率，保证人民群众的安全。采用了利用非破坏性样本训练神经网络的方法，达到了非常好的效果，大大提高了检测的召回率和准确率。

[0014] 下面将结合本实用新型实施例对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本实用新型保护的范围。

[0015] 需要说明的是，在不冲突的情况下，本实用新型中的实施例及实施例中的特征可以相互组合。

[0016] 下面结合具体实施例对本实用新型作进一步说明，但不作为本实用新型的限定。

[0017] 本实施例公开了一种基于非破坏性样本的高体墙面玻面检测系统，包括无人机、取景器、存储器、训练系统、中央处理器以及中心服务器。无人机用于搭载取景器、存储器、训练系统、中央处理器；

[0018] 而且，取景器用于连续采集高体墙面的图像信息并且转输至存储器；存储器用于保存取景器所采集的图像信息，并且将其传输至中央处理器进行预样本判断；训练系统用于对中央处理器发送来的预样本进行神经网络训练，生成权重矩阵传输到中央处理系统；中央处理系统通过使用训练系统传输过来的权重矩阵，对存储器中的非预样本进行计算和判断；中心服务器用于对于无人机飞行的操控，并且对中央处理器传回来的预样本进行数据清洗和判断，另外其一直保持与中央处理器的通信，接受中央处理器传输的判断结果以及其它信息。本实用新型公开了一种基于非破坏性样本的高体墙面玻面检测系统，可以有效的代替人工对于高体墙面玻面的破损检测，节省更多的人力物力，提高检测的效率和准确率，保证人民群众的安全。

[0019] 而且，无人机是取景器、存储器、训练系统和中央处理器的搭载器，其通过中央处理器与中心服务器进行无线通信，通过中心服务器操控其的飞行状况。

[0020] 而且，取景器具体用于等时间间隔的采集墙面玻面的图像信息，并且实时的将图像信息传递至存储器。

[0021] 而且，存储器用于存储取景器所拍摄的图像信息，并且通过一定的分类算法将其预样本和检测样本，其中，预样本作为原始的训练集用于训练系统的初始权重矩阵的计算。预样本需要先传输至中央处理器，在中央处理器和中心服务器建立通信后，将预处理样本传输到中心服务器。然后再通过服务器对于预处理进行数据清洗，保证预样本的有效性。检测样本即是后续需要检测的样本，是包括了高体的所有部位的图像。

[0022] 而且，训练系统用于接受中央处理器清洗过的预样本，通过神经网络进行权重矩阵的计算，并且将权重矩阵传输至中央处理器，协助中央处理器进行运算。

[0023] 而且，中央处理器具体用于与中心服务器的通信，包括服务器控制无人机的中继站和预样本传输的中继站；接受训练系统传输的权重矩阵对存储器传输的检测样本进行分析计算以及最后的判断；

[0024] 而且，中心服务器用于和中央处理器的通信控制无人机的飞行，接收中央处理器传输的预样本并进行数据清洗后再次传输给中央处理器。用于接收中央处理器返回的最终结果。最终结果的形式是破损墙面玻面的图像信息及其位置信息。

[0025] 具体实施时，如图1所示，一种基于非破坏性样本的高体墙面玻面检测系统，包括：无人机11、取景器12、存储器13、训练系统14、中央处理器15、以及中心服务器16，其中：

[0026] 无人机11作为本系统的主体部分，搭载了取景器12、存储器13、训练系统14、中央处理器15、中心服务器16等。在飞行的过程中，其不断的改变方向和角度去让取景器获取不同方位的图像信息，其与中心服务器通过中央处理器以RF‑Datalink通信方式进行通信。

[0027] 取景器12作为本系统的主要信号输入设备，其不断的收集覆盖高体的各个角度的图像，所收集的图像中包括预样本和检测样本，其在获取到图像之后，实时的传输至存储器13。

[0028] 存储器13是本系统的主要存储单元，其存储了预样本和检测样本，在采集到了一定的图像信息后，将其作为预样本传输至中央处理系统15，然后再传输至中心服务器16进行数据清洗。其存储的检测样本会直接传输至中央处理系统15进行数据处理分析。

[0029] 训练系统14在接收到了中心服务器清洗过的数据之后，通过神经网络进行训练，得到相应的数据矩阵作为中央处理系统15进行检测样本判断的依据。其中，预样本不是常规的破坏样本或者称为目标样本，因为破坏样本在采集时具有很大的困难，并且会消耗较大的财力物力。本系统采用的预样本为正常墙壁，正常玻面等非破坏性样本，并且其也取得了较好的效果，提高了识别的召回率和识别准确率。

[0030] 中央处理系统15作为本系统的主要处理器，其担任了本系统的大部分的工作，包括与中心服务器16的通信，包括服务器控制无人机的中继站和预样本传输的中继站；接受训练系统传输的权重矩阵对存储器传输的检测样本进行分析计算以及最后的判断；

[0031] 中心服务器16用于和中央处理器15的通信控制无人机11的飞行，接收中央处理器15传输的预样本并进行数据清洗后再次传输给中央处理器15。用于接收中央处理器15返回的最终结果。最终结果的形式是破损墙面玻面的图像信息及其位置信息。

[0032] 本实例所述无人机的型号为：Mavic Air2；

[0033] 本实例所述存储器、训练系统和中央处理器的型号为PYNQ‑Z2；

[0034] 本实例所述取景器的型号为First Person View；

[0035] 本实例所述中心服务器的型号为FusionServer Pro 2288H V5；

[0036] 本实施例的训练系统、中央处理系统使用了残差网络深度学习模型。

[0037] 如图2所示，本实施例的中央处理系统工作原理图。

[0038] 本实施例的处理模块首先需要进行数据预处理，首先对数据进行裁剪和变换，然后进行数据增广。首先将原始数据裁剪为224*224统一大小的输入图片。由于调节RGB值、旋转等方法

[0039] 本实施例数据为非破坏性样本数据，是通过取景器以一定的比例分配的其所采集的图像。

[0040] 本实施例收集了部分破坏性样本图像进行训练，但只起到辅助判断作用，并不占据主导地位。

[0041] 本实施例采用残差网络进行图像方法的体质分类。残差网络模型很好解决了随着网络深度带来的训练困难，其完成任务的准确度和精度远超传统的网络模型。对于深层网络而言，如果网络后部的隐藏层是恒等映射，那么模型就退化为一个浅层网络。残差学习的思想是把网络设计为H(x)＝F(x)+x，并转换为学习一个残差函数F(x)＝H(x)‑x[0042] 当F(x)＝0时，就构成了一个恒等映射H(x)＝x，而且拟合残差更加容易。公式F(x)+x可以通过添加了捷径连接(shortcut connections)的前向神经网络实现。

[0043] 本实施例的处理模块由1个普通卷积层、8个残差块、2个下采样层、1个批量归一化层、1个修正线性单元和1个全连接层组成。模型的输入层为卷积层，接收输入的图片，输出特征图数量为16。残差块将输入特征图与输出特征图连接，作为下一个残差块的输入。每个残差块中包括批量归一化层、修正线性单元、扩张卷积层(atrous cov)和普通卷积层，扩张卷积核和普通卷积核大小均为3pixel×3pixel，扩张卷积核的扩张率设置为2，因此扩张卷积核在不增加参数量的前提下将感受野扩大为5pixel×5pixel。下采样层采用采样步长为2的平均池化层，以减少模型中的参数。前两个残差块中的卷积层输出特征图数量均为16，第三个至第五个残差块中的卷积层的输出特征图数量为32，最后两个残差块中的卷积核输出的特征图数量为64。批量归一化该层和修正线性单元配合可加速网络的训练且防止梯度消失。

[0044] 以上仅为本实用新型较佳的实施例，并非因此限制本实用新型的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本实用新型说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本实用新型的保护范围内。