基于深度学习的建筑外立面空鼓缺陷严重程度分级方法

本发明公开了一种基于深度学习的建筑外立面空鼓缺陷严重程度分级方法,该方法包括：通过无人机获取建筑外立面红外与可见光图像；对图像进行预处理得到数据集；将数据集进行人工标注并生成相应的缺陷掩码图像；构建并训练基于深度学习的U‑Net语义分割模型，检测外立面缺陷区域并生成掩码图像；根据掩码图像计算缺陷面积、高度及缺陷与正常区域的温度差；结合分级指标与标准对缺陷严重程度进行人工分级；以人工分级结果为标签，构建GWO‑RBF神经网络模型，实现建筑外立面空鼓缺陷严重程度智能分级。本发明提高检测效率，降低成本与风险，并能精确评估缺陷严重程度，解决传统检测方法效率低、成本高且缺陷严重程度难以量化评估的难题。