[發明專利]一種基于深度學習的墻體缺陷檢測方法

有效

• 申請號: 202110038472.6
• 申請日: 2021-01-12
• 公開（公告）號: CN112700435B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 朱超俊;張鑫
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/44;G06V10/82;G06V10/764;G06N3/0464;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;江裕強

本發明公開了一種基于深度學習的墻體缺陷檢測方法。所述方法包括以下步驟：采集墻體缺陷圖像，對圖像進行標注；對標注數據整理構成數據集并對數據集進行數據增強，完成數據集的構建；使用構建好的數據集，訓練一個基于ResNeXt的圖像分類器；利用訓練好的ResNeXt作為特征提取器，搭建基于Faster?RCNN架構的目標檢測器；將構建好的數據集作為搭建好的Faster?RCNN架構的目標檢測器網絡的輸入，進行訓練，得到缺陷檢測模型；使用多進程和多線程技術部署缺陷檢測模型，提升缺陷檢測模型的檢測速度，采用缺陷檢測模型進行墻體缺陷檢測。本發明將深度學習方法應用于墻體缺陷檢測的領域，基于Faster?RCNN架構進行修改和改進，利用多進程技術，成功實現在實時檢測的基礎上保證模型檢測的準確率。

技術領域

本發明涉及墻體缺陷檢測領域，尤其涉及一種基于深度學習的墻體缺陷檢測方法。

背景技術

隨著計算機技術的快速發展，計算機硬件和計算機計算能力的提升，促進了機器學習和深度學習迅速發展。有人提出了神經網絡模型，但是礙于計算能力有限，無法進行，而如今隨著計算機能力的增強，解決了深度學習需要的前提條件，從而使深度學習能都快速發展。目前，又許許多多的科研人員從事深度學習理論方面的研究，特別是計算機視覺領域，涌現出了非常多的科技成果。

缺陷檢測生產過程中的重要環節，是產品質量把控的關鍵步驟，在各個領域都有它的身影。像在布匹的污點、破損，金產品的劃痕、裂紋等各種各樣的缺陷。在建筑行業中同樣也需要缺陷檢測，來檢測墻壁的各種可能的缺陷。缺陷檢測技術由來已久，最開始通過有經驗的工人來仔細檢查來完成這樣的墻壁缺陷檢測，并通知工人來進行修復，這種人工檢查非常耗費人力和資源。這時，就有人提出了使用傳統的機器學習的方法來進行缺陷檢測。傳統算法來研究分析缺陷檢測，主要是通過圖像預處理得到便于檢測的圖像，而后借助統計機器學習的方法來提取圖像的特征，進而分析特征來實現缺陷檢測的目標。

基于深度學習方法的缺陷檢測技術的研究將是以后研究的重要方向，目前，深度學習的缺陷檢測方法已經應用于布匹，鋼鐵等領域，本發明將深度學習應用于墻體缺陷檢測領域，將彌補應用上的缺失，對研究建筑行業中的墻壁缺陷檢測具有重要意義。

專利《基于深度學習的工業自動化缺陷檢測方法》(專利號：2019112765204)中，采用YOLO-V3模型加Inception-V3模型作為基礎模型搭建缺陷檢測模型；模型的準確率、運行效率和速度均不高，且缺陷檢測的速度較低。

專利《墻體缺陷檢測設備》(專利號：CN201821486018.7)設計了一種墻體缺陷檢測設備，通過采用超聲波檢測設備加靈活可移動支架的方法進行檢測活動。這種檢測方式需要一個工人在下方控制支架的活動，另一個工人在支架上操作超聲波設備，需要多個工人配合使用，增加了操作難度，并且檢測效率不高。而且使用設備的工人必須要有經驗才能很好的判斷缺陷類型。

發明內容

本發明的目的是為了現有的墻體缺陷檢測方面的存在的檢測速度慢，準確率不高等不足，提供一種基于深度學習方法的墻體缺陷檢測方法，以滿足現階段的工程需要，彌補現有得墻體缺陷檢測方式得不足，進一步提升墻體缺陷檢測得檢測效率和檢測速率。

本發明的目的至少通過如下技術方案之一實現。

一種基于深度學習的墻體缺陷檢測方法，包括以下步驟：

S1、采集墻體缺陷圖像，對圖像進行標注；

S2、對標注數據整理構成數據集，并對數據集進行數據增強，完成數據集的構建；

S3、使用步驟S2中構建好的數據集，訓練一個基于ResNeXt的圖像分類器；

S4、利用訓練好的ResNeXt作為特征提取器，搭建基于Faster-RCNN架構的目標檢測器；