[發明專利]用于建筑外立面損傷檢測的目標標注方法及目標識別方法

在審

• 申請號: 202110504206.8
• 申請日: 2021-05-10
• 公開（公告）號: CN113160209A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 趙宇翔;王卓琳;王易豪;劉輝;陳玲珠;張東波
• 申請（專利權）人: 上海市建筑科學研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T3/40;G06N20/00;G06N3/04;G06N3/08
• 代理公司: 上海伯瑞杰知識產權代理有限公司 31227
• 代理人: 孟旭彤

本發明公開了一種用于建筑外立面損傷檢測的目標標注方法及目標識別方法，通過該目標標注方法，可以對目標識別模型進行快速微調。在目標識別方法中，采用目標標注方法微調后的目標識別模型，使得建筑外立面損傷檢測過程中所采用的目標識別模型與目標建筑物更加契合，提高了識別過程的準確性以及適應性，解決了不同建筑的建筑外立面差異過大、目標識別模型泛化能力和準確率難以兼顧的問題。

技術領域

本發明涉及機器學習領域，具體涉及一種用于建筑外立面損傷檢測的目標標注方法及目標識別方法。

背景技術

傳統建筑外立面損傷檢測通常需檢測人員近距離拍照記錄并識別損傷，但人為識別建筑表面損傷效率較低，識別質量不穩定，常需檢測人員投入大量時間進行檢查。因此，亟需發展一種快速有效的智能化損傷檢測方法。

為了提高損傷檢測效率，近年來提出了一些基于機器學習的智能檢測方法。基于Faster R-CNN的裂縫檢測算法被用于橋梁工程的損傷檢測中，但其對背景噪聲較為敏感，計算較慢，無法做到實時顯示損傷，且只能用于識別裂縫，不能識別其他類型損傷。Yolo算法已被用于實時目標識別，但數據標注常由并非專業檢測人員的開發者在后臺完成，準確率與效率均不理想，實際應用價值較小。此外，卷積神經網絡對輸入圖像分辨率的限制使其無法處理高分辨率圖像中的細小特征，易造成目標識別的遺漏，仍存在改進空間。

發明內容

本發明的目的是根據上述現有技術的不足之處，提供一種用于建筑外立面損傷檢測的目標標注方法及目標識別方法，該目標識別方法在每次檢測任務的初始階段采用該目標標注方法對目標識別模型進行針對性地微調優化，解決了現有技術中存在的問題。

本發明目的實現由以下技術方案完成：

一種用于建筑外立面損傷檢測的目標標注方法，包括：

(S11)檢測人員通過圖片采集設備獲取建筑外立面圖片，并將其作為待標注圖片；

(S12)通過顯示屏將獲取的待標注圖片實時顯示在用戶端，檢測人員通過人機交互界面控制生成標注框，產生標注文件以及標注圖片，并將標注圖片與標注文件傳輸至服務器端；

(S13)通過圖片切割處理算法對標注圖片與標注文件進行預處理，使其適應目標識別模型的要求；

(S14)通過獲取到的標注圖片與標注文件，對預訓練過的目標識別模型進行微調，生成對該建筑針對性優化的目標識別模型，并將訓練好的模型參數傳輸至用戶端。

本發明的進一步改進在于：所述標注文件包含以下信息：標注框坐標，標注框大小，標注損傷類型；所述損傷類型包括裂縫、水漬、局部破損、空鼓、空調支架銹蝕。

本發明的進一步改進在于：所述服務器端為私有服務器或云服務器；所述用戶端可為PC、平板電腦或手機。

本發明的進一步改進在于：所述目標識別模型為卷積神經網絡模型。

本發明的進一步改進在于：所述微調通過凍結預訓練模型的部分臨近輸入的卷積層，并訓練其余的卷積層和全連接層實現。

本發明還包括一種用于建筑外立面損傷檢測的目標檢測方法，對目標建筑的建筑外立面進行損傷檢測之前，針對目標建筑物采用上述的目標標注方法對目標識別模型進行微調，得到優化的目標識別模型；對目標建筑的建筑外立面進行損傷檢測的過程包括：

(S21)檢測人員通過圖片采集設備獲取建筑外立面圖片；

(S22)通過圖片切割處理算法對建筑外立面圖片進行預處理，得到若干子圖片，使其適應目標識別模型的要求；

(S23)采用優化后的目標識別模型對切割出的子圖片進行目標識別，生成檢測文件；