[發明專利]基于卷積神經網絡的建筑物表面病害檢測方法及系統

在審

• 申請號: 202110993730.6
• 申請日: 2021-08-27
• 公開（公告）號: CN113724219A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 李佳陽;趙林暢;尚趙偉;何靜媛
• 申請（專利權）人: 重慶大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G01N21/88;G06K9/00;G06K9/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶雙馬智翔專利代理事務所(普通合伙) 50241
• 代理人: 顧曉玲

本發明提出了一種基于深度學習網絡模型的建筑物表面病害檢測方法及系統。該方法為：獲取建筑物表面圖像，作為數據集；將數據集輸入深度學習網絡模型中進行學習，學習過程中該深度學習網絡模型對特征提取網絡多尺度特征圖檢測與融合；將融合特征圖于該深度學習網絡模型中進行初次迭代訓練，初次訓練完成后，以設定范圍內的余弦退火學習率再進行第二次訓練，保存第二次訓練中每次迭代的模型的參數，并求出所有模型的中位數得到新的模型；之后基于訓練完成的深度學習網絡模型對建筑物表面病害進行識別。該方法能識別到較小的病害特征，大幅提升了模型AP準確率和目標定位與分類準確率，使得對病害特征的識別更加準確。

技術領域

本發明涉及深度學習領域，具體涉及一種基于卷積神經網絡的建筑物表面病害檢測方法及系統。

背景技術

建筑物的可靠性、安全性和完整性對社會福祉至關重要，因此檢測建筑物表面病害情況極為重要。以橋梁為例，檢測橋梁表面病害情況可以有效防范橋梁磨損、促進橋梁維護和增加橋梁使用壽命。

然而當前在識別和監視橋梁非破壞性病害技術中，人工目視檢查是主要手段，其結果是效率低、費時耗力，且評估存在主觀性。在該背景下，基于計算機視覺的檢測技術得到了應用和發展，它利用爬壁機器人或無人機獲取橋梁圖像，用機器學習算法對目標圖像進行分析。如Prasanna等人針對橋梁表面病害問題提出了基于機器學習的橋梁裂縫自動檢測算法(STRUM)，雖然該方法的性能優于傳統的圖像識別算法，但它的圖像處理效率和魯棒性仍需提升。

近年來，隨著基于深度學習的目標檢測算法不斷創新，自動檢測識別技術在人臉識別、目標檢測、圖像分割等領域獲得了很好效果，但在橋梁外觀病害檢測方面的研究較少。當前基于Anchor-Based的目標檢測算法一般分為兩類,一類是基于區域的兩階段目標檢測算法Faster-RCNN[1]和Mask-RCNN[2]等,該類算法雖然精度高，但由于其將缺陷特征提取、區域建議網絡、邊界框回歸等融為一體，導致模型速度運行慢、實時性差。如Cha等人[3]使用Faster R-CNN檢測和量化鋼筋混凝土橋梁中的五種表面損傷，雖然獲得了不錯效果，但檢測速度不理想。另一類是利用回歸思想直接標出目標所在圖片位置和類別的單階段算法SSD[4]和YOLO系列等，該類算法彌補了基于區域兩階段目標檢測算法的不足，在速度上有較大提升，但是在精度上略有下降，特別是SSD算法不能充分利用淺層的高分辨率特征圖使其識別精度不夠理想。

發明內容

為了克服上述現有技術中存在的缺陷，本發明的目的是提供一種基于卷積神經網絡的建筑物表面病害檢測方法及系統。

為了實現本發明的上述目的，本發明提供了一種基于深度學習網絡模型的建筑物表面病害檢測方法，包括以下步驟：

獲取建筑物表面圖像，作為數據集；

將數據集輸入深度學習網絡模型中進行學習，學習過程中該深度學習網絡模型對特征提取網絡多尺度特征圖檢測與融合；

將融合特征圖于該深度學習網絡模型中進行迭代訓練，訓練過程分為初次迭代訓練和第二次迭代訓練，保存第二次迭代訓練中每次迭代的模型的參數，并求出所有模型的中位數得到新的模型；

基于得到的新模型對建筑物表面病害進行識別。

該建筑物表面病害檢測方法中對特征提取網絡多尺度特征圖的檢測與融合，能識別到較小的病害特征，同時在訓練過程中采用中位數進行迭代訓練在沒有增加參數數量情況下，大幅提升了模型AP準確率和目標定位與分類準確率，使得對病害特征的識別更加準確。

該建筑物表面病害檢測方法的優選方案：所述深度學習網絡模型基于Yolov5網絡進行學習，Yolov5網絡使用PANet作為特征提取主干網絡，對特征提取網絡的4倍、8倍、16倍和32倍下采樣特征圖進行輸出融合。