基于改進制造技術

本發明專利技術涉及一種基于改進

【技術實現步驟摘要】
基于改進YOLOv5s的磚石建筑裂縫檢測方法


[0001]本專利技術屬于圖像處理
，具體涉及一種基于改進
YOLOv5s
的磚石建筑裂縫檢測方法
。

技術介紹

[0002]磚石建筑常常因為自身質量
、
溫度
、
濕度
、
建筑物差異沉降等因素導致表面開裂
。
這不僅影響建筑物結構安全，還會降低建筑物功能，更會縮短建筑物使用年限，是人們生活中潛在的安全隱患
。
因此，及時
、
精確地進行建筑物裂縫的檢測是十分必要的
。
[0003]傳統的裂縫檢測主要以人工檢測方法為主
。
人工檢測方法不僅效率低
、
成本高，而且檢測人員的安全也無法得到保障
。
隨著計算機的發展，研究人員開始使用數字圖像處理技術來配合裂縫檢測相關工作
。Abudayyeh
等人在裂縫檢測圖像中對比了四種邊緣提取算法的效果；馬常霞等人為了增強細小裂縫
、
克服光照和噪聲的影響，采用一種非下采樣
contourlet
變換
(NSTC)
的檢測算法增強細小裂縫的對比度，并采用圖像形態學方法有效去除孤立噪點；王耀東等人采用局部與全局相結合的預處理算法抑制光照不均勻的影響，配合多級濾波算法濾除圖像噪聲，實現了地鐵隧道表面裂縫的檢測；周淑伊等人采用可調證明濾波器
(SEF)
對球團礦生球的進行裂縫檢測，解決了生球球面反光和輪廓的干擾，利用連通域分析法檢測是否存在裂縫，可以有效檢測小目標曲面的裂縫
。
李娜等人利用顏色和紋理在
HSV
的評價函數獲得評價參數作為提示人工檢測的參考依據
。
然而這類方法仍存在檢測步驟繁瑣
、
沒有實現自動化
、
檢測結果帶有一定的主觀性等問題
。
[0004]最近，機器學習作為一門多領域交叉技術被廣泛用于數據分析與挖掘
、
模式識別
、
生物信息學等領域，在裂縫檢測領域也有所研究
。Nguyen
等人將裂縫圖像分割成小圖像進行特征提取，使用機器學習方法進行裂縫檢測；白彪采用多級濾波器去除圖像中的大量背景和噪聲，并提出一種基于
SVM
的裂縫檢測算法，能夠有效檢測地鐵隧道裂縫；
Kuchi
等人針對堤防和防洪墻裂縫檢測，提出了基于堆疊的機器學習方法以提高檢測精度
。
另外，深度學習算法作為機器學習領域中新的研究方向，已經得到眾多研究學者的青睞，并運用于裂縫檢測的實際場景
。
孫哲等人利用
Faster RCNN
結合
FPN
網絡進行目標檢測，并通過添加
VAE
提升檢測精度；萬曉丹使用對抗網絡與神經網絡相結合的目標檢測方法實現檢測精度提升
。
張旭等人使用輕量級網絡
Tiny
?
YOLOv3
減輕終端上的功耗問題，并在
OpenVINO
平臺上對模型進行優化，實現了輕量化的道路裂縫檢測
。
韋春桃等人提出基于
VGG
的輕量級格網橋梁裂縫檢測技術，設計格網化處理方法以實現對橋梁裂縫的高精度檢測
。
謝楊灝等人將光流模型與
CT
序列結合實現目標的分割，提高了裂縫分割的自動化水平
。
封曉晨等人將
U
?
Net
改進并結合注意力機制解決了裂紋寬度信息易丟失的問題
。
這類方法在一定程度上實現裂縫檢測自動化，但在檢測的精度和速度上面仍然有待提升
。

技術實現思路

[0005]本專利技術的目的在于現有技術存在效率低，準確性差等問題，提供一種基于改進
YOLOv5s
的磚石建筑裂縫檢測方法，以
YOLOv5s
作為框架，結合
SPD
?
Conv
保留細小裂縫的細粒度特征，并結合多種機制進行針對性優化，以構建針對磚石建筑裂縫檢測的方法
。
[0006]為實現上述目的，本專利技術的技術方案是：一種基于改進
YOLOv5s
的磚石建筑裂縫檢測方法，構建改進
YOLOv5
的裂縫檢測模型；首先，在
Backbone
上使用
SPD
?
Conv
；其次，在
Neck
上使用
BiFPN
結構，使模型能針對性地學習特征；然后，在
Neck
每個分支集成
Coordinate Attention
注意力模塊，以幫助模型更加準確地定位裂縫位置；最后，在
Head
使用
SIoU Loss
，引入真實框與預測框的角度概念，加快網絡的收斂，提升模型的訓練速度和準確率
。
[0007]在本專利技術一實施例中，所述
SPD
?
Conv
由
Space
?
to
?
depth(SPD)
層和卷積層
(stride
＝
1)
層構成，其中，
[0008]Space
?
to
?
depth(SPD)
層：
Space
?
to
?
depth(SPD)
向下采樣時會將通道維度的所有信息保留下來，避免信息丟失，將寬和高的維度轉移到通道的維度上；對任意大小為
S
×
S
×
C1的特征映射
X
行切片，切片后得到
scale2個子特征映射序列，每個的大小都為，將子特征映射序列沿著通道方向連接起來，形成一個新的特征映射序列，大小為；其中，
S
為原始特征圖的邊長，
scale
為下采樣時采用的比例因子，
C1為原始特征圖的通道數；
[0009]卷積層
(stride
＝
1)
：在
Space
?
to
?
depth(SPD)
層之后，使用
stride
＝1的卷積層，使特征映射序列大小變換為，其中
C2<scale2C1，其中，
C2為子特征圖的通道數
。
[0010]在本專利技術一實施例中，所述
BiFPN
，即一種加權的雙向金字塔網絡，
BiFPN
在輸入到輸出之間增加一條分支，使得模型在不增加成本的情況下能夠融合更多的特征；本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.
一種基于改進
YOLOv5s
的磚石建筑裂縫檢測方法，其特征在于，構建改進
YOLOv5
的裂縫檢測模型；首先，在
Backbone
上使用
SPD
?
Conv
；其次，在
Neck
上使用
BiFPN
結構，使模型能針對性地學習特征；然后，在
Neck
每個分支集成
Coordinate Attention
注意力模塊，以幫助模型更加準確地定位裂縫位置；最后，在
Head
使用
SIoU Loss
，引入真實框與預測框的角度概念，加快網絡的收斂，提升模型的訓練速度和準確率
。2.
根據權利要求1所述的基于改進
YOLOv5s
的磚石建筑裂縫檢測方法，其特征在于，所述
SPD
?
Conv
由
Space
?
to
?
depth(SPD)
層和卷積層
(stride
＝
1)
層構成，其中，
Space
?
to
?
depth(SPD)
層：
Space
?
to
?
depth(SPD)
向下采樣時會將通道維度的所有信息保留下來，避免信息丟失，將寬和高的維度轉移到通道的維度上；對任意大小為
S
×
S
×
C1的特征映射
X
行切片，切片后得到
scale2個子特征映射序列，每個的大小都為將子特征映射序列沿著通道方向連接起來，形成一個新的特征映射序列，大小為其中，
S
為原始特征圖的邊長，
scale
為下采樣時采用的比例因子，
C1為原始特征圖的通道數；卷積層
(stride
＝
1)
：在
Space

【專利技術屬性】
技術研發人員：李佐勇，翁文杏，鄭祥盤，劉偉霞，李煒，
申請(專利權)人：閩江學院，
類型：發明
國別省市：