买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河北万博检验检测技术服务有限公司申请的专利一种基于内外部缺陷协同的建筑结构异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121095163B 。

龙图腾网通过国家知识产权局官网在2026-04-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511178960.1，技术领域涉及：G06T7/00；该发明授权一种基于内外部缺陷协同的建筑结构异常检测方法是由韩法山;李永峰;成彦峰;王丹;张建英;常二宝设计研发完成，并于2025-08-21向国家知识产权局提交的专利申请。

本一种基于内外部缺陷协同的建筑结构异常检测方法在说明书摘要公布了：本发明提供了一种基于内外部缺陷协同的建筑结构异常检测方法，属于基于深度学习的异常检测技术领域；首先，构建数字孪生体，采集外部缺陷图像数据和内部关键节点传感器数据，构建建筑异常结构表征数据集；其次，设计包含外部识别通路和内部识别通路的识别模块，输出内外部缺陷识别结果；再者，通过数字孪生模拟构建类型‑结构和位置‑结构数据集，训练映射模型，结合SHAP值得到量化缺陷类型位置与结构异常关联强度的敏感度表；最后，采用构建联合敏感度表，结合识别结果计算结构异常概率，通过自适应权重与协同放大因子得到整体预警因子，基于预设阈值实现三级实时预警；本发明实现了对建筑结构异常的精准评估与自适应响应。

本发明授权一种基于内外部缺陷协同的建筑结构异常检测方法在权利要求书中公布了：1.一种基于内外部缺陷协同的建筑结构异常检测方法，其特征在于，包括以下步骤： S1，实时获取建筑外表面图像；并基于构建的建筑物数字孪生体，实时获取M个关键建筑节点的多项内部感知数据； S2，将S1获取的数据输入到训练完成的建筑内外缺陷识别模型中，模型包含双通路的建筑缺陷识别模块，外部结构缺陷识别通路输入外表面图像，采用多尺度外部缺陷感知通路，通过多分辨率特征融合，输出建筑外部缺陷的检测结果；内部结构缺陷识别通路输入内部感知数据，针对构件拓扑关联特性，采用图数据计算与融合单元，基于构件连接关系挖掘内部隐藏缺陷，输出建筑内部缺陷的识别结果； S3，基于构建的联合敏感度表，结合S2两种识别结果计算多类结构异常概率，通过自适应权重与协同放大因子得到整体预警因子，基于预设阈值判断得到多级预警；具体过程为： 将识别得到的外部缺陷识别结果和内部缺陷识别结果进行整合，得到完整缺陷识别结果； 根据实际发生的缺陷类型与位置，从联合敏感度表中提取对应敏感度值，并进行加权组合构建出每一类结构异常的风险响应评分，分别对应局部屈曲，构件承载力下降、材料性能劣化、结构偏移、层间刚度不均以及局部高应力聚集； 将上述评分通过软分类机制转化为结构异常发生的概率； 根据结构异常概率，分别为每一个结构异常概率分配自适应概率权重,,随后加权求和得到基础严重度； 统计概率集合概率中数值≥0.5的异常数量，协同放大因子=1+0.2×-1； 随后令基础严重度和协同放大因子相乘，得到最终使用的建筑结构整体预警因子； 基于预警因子与设定的安全阈值做判断，得到多级实时预警； 所述联合敏感度表，是通过数字孪生方式构建建筑缺陷风险度推测数据集，得到类型-结构映射分布以及位置-结构映射分布，结合SHAP值得到类型-结构异常敏感度表和位置-结构异常敏感度表，联合构建为联合敏感度表；具体为： 首先，定义几种结构异常类型，基于所构建的建筑数字孪生体，模拟建筑在出现几种结构异常类型时的建筑运行工况，并分别记录以下数据： 记录是否发生各类外部缺陷，并得到外部缺陷类型数据；同理，得到内部缺陷类型数据，并且将与拼接得到完整的缺陷类型状态数据； 记录外部缺陷发生的位置以及内部缺陷发生的位置，并且将与拼接得到完整的缺陷位置数据； 基于上述方式构建数据集，训练建筑缺陷风险度映射模型，得到训练后针对类型-结构的模型参数以及针对位置-结构的模型参数； 基于参数，采用SHAP算法计算每一个缺陷类型在各结构异常类型判别过程中的SHAP值，并将原始SHAP敏感度值通过最小-最大归一化公式计算得到敏感度值；所有类型向各结构异常的敏感度值构成类型-结构异常敏感度表； 同理，基于参数，采用SHAP算法计算每一个缺陷位置在各结构异常类型判别过程中的SHAP值，将原始SHAP敏感度值通过最小-最大归一化公式计算得到敏感度值；所有位置向各结构异常的敏感度值构成位置-结构异常敏感度表。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河北万博检验检测技术服务有限公司，其通讯地址为：050000 河北省石家庄市新华区植物园西街66号院(植物园西街北头)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。