【技術實現步驟摘要】
本專利技術涉及探地雷達信號目標識別，尤其涉及一種基于mced-yolov7網絡的粘接劑缺陷識別方法。
技術介紹
1、探地雷達(ground?penetrating?radar,gpr)作為一種先進的無損檢測工具，具備高效率、高抗干擾水平和強穿透能力等顯著的技術優勢，能夠高效、準確地獲取地下圖像。gpr技術通過發射電磁波并接收地下反射信號，實現對地下結構或物體的探測與成像，為地質勘探、土木工程、環境監測等領域提供了重要的技術支持。它已被廣泛用于探測地下異常物體。探地雷達發射的電磁波在撞擊不同電磁性質的介質后被反射形成b掃描剖面。因此，地下異常物體的檢測可以被認為是異常gpr信號的檢測。
2、在建筑外墻保溫板和粘接劑的目標檢測中，探地雷達技術發揮著重要作用。其工作原理是通過發射天線向目標區域發射高頻電磁波，這些電磁波在地下或建筑內部傳播時，會與不同介質(如保溫板、混凝土、墻體等)產生反射和折射。當電磁波遇到保溫板與墻體之間的粘接劑層時，由于兩者之間的介電常數差異，會產生明顯的反射信號。這些反射信號被接收天線接收后，經過信號處理和解釋，可以獲取關于粘接劑層的厚度、連續性、均勻性、內部結構等信息，判斷其是否存在病害。然而，目前對于建筑外墻保溫層的粘接狀態檢測主要依賴于人工解釋雷達圖像，這不僅效率低下，而且容易引入人為誤差；同時探地雷達圖像的背景比較復雜，準確判斷正常粘接劑、保溫板與粘接劑之間的頂部脫空、墻體與粘接劑之間的基層脫空狀態成為一個挑戰。因此，如何利用探地雷達技術準確地自動檢測建筑外墻保溫層的粘接狀態，仍是一個值得研
3、現有技術中，有用于管線目標智能識別的faster?r-cnn算法、在道路異常檢測方面的yolov4算法、在隧道襯砌檢測中應用的基于掩模區域卷積神經網絡(mask?r-cnn)等。但是，在建筑外墻保溫板領域中，尚未實施專門的針對正常粘接劑、頂部脫空和基層脫空目標檢測方面的算法。尤其是面對保溫板粘接劑b-scan圖像中所呈現的多個、分散且不規則的目標特征時，識別任務的難度顯著增加。這種復雜性不僅源于目標形態的多樣性，還由于它們在切片中的不規則分布和可能的重疊現象，給自動化識別帶來了極大的挑戰。
4、因此，亟需開發一種能夠高效、準確地處理保溫板粘接劑這種多個、且分散目標的目標識別方法，以精準檢測保溫板內部的正常粘接劑、頂部脫空以及基層脫空，實現對建筑外墻保溫層粘接質量的實時監測與評估，確保建筑外墻的保溫效果和安全性，提升建筑施工的質量控制水平。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種基于mced-yolov7網絡的粘接劑缺陷識別方法。
2、一種基于mced-yolov7網絡的粘接劑缺陷識別方法，包括以下步驟：獲取待識別圖像，采用linear線性插值進行數據圖像處理；采用指數限幅增益算法，進行圖像特征處理；基于yolov7架構，在elan模塊后引入mlca注意力機制，在sppcspc模塊的卷積中加入cbam注意力機制；將原始ciou改進為eiou，并加入dyhead目標檢測頭，構建得到mced-yolov7檢測網絡，用于對待識別圖像進行缺陷識別。
3、在其中一個實施例中，所述指數限幅增益算法包括：
4、
5、ymax＝8
6、y0(y0>ymax)＝ymax
7、data＝data×y′0
8、式中，data為所需處理的原始數據，x0＝1:length(data)創建一個向量x0，其元素從1到data的長度，表示數據點的索引，x0是時間或數據點索引，ymax為增益函數的最大值，y0為增益函數，y′0轉置后的增益函數。
9、在其中一個實施例中，所述基于yolov7架構，在elan模塊后引入mlca注意力機制，在sppcspc模塊的卷積中加入cbam注意力機制，包括：基于yolov7架構，在elan模塊中引入跨層連接和混合卷積，并在elan模塊后引入mlca注意力機制，結合局部特征和全局特征以及通道和空間特征的信息，在不同尺度上識別目標的特征區域；在sppcspc模塊的卷積中加入并行的多次最大池化操作，用于提取多尺度特征，并在sppcspc模塊中加入cbam注意力機制，整合通道注意力和空間注意力，根據輸入圖像的特征信息動態調整不同區域的權重分配。
10、在其中一個實施例中，所述將原始ciou改進為eiou，并加入dyhead目標檢測頭，構建得到mced-yolov7檢測網絡，包括：將yolov7算法中的ciou改進為eiou損失函數；在尺度感知的特征層、空間感知的空間位置以及任務感知的輸出通道內，通過dyhead目標檢測頭連貫地結合多頭self-attention注意機制；結合eiou損失函數和帶有注意力的dyhead目標檢測頭，構建得到mced-yolov7檢測網絡；通過mced-yolov7檢測網絡對所述待識別圖像進行檢測，識別得到粘結劑缺陷。
11、相比于現有技術，本專利技術的優點及有益效果在于：通過linear線性插值對獲取的待識別圖像進行數據圖像處理，能夠顯著提高圖像的細節表現力，有效抑制由柵格化引起的圖像失真；采用指數限幅增益算法進行圖像特征處理，使得b-scan圖像中正常粘接劑、頂部脫空和基層脫空這三種情況的特征更加清晰，有利于后續的目標識別；基于yolov7算法框架，在elan模塊后引入mlca注意力機制，能夠更好的捕捉和利用不同層級特征圖中的上下文信息，從而提升對目標物體的識別能力，并在sppcspc模塊的卷積中加入cbam注意力機制，以進一步增強特征表示的選擇性和魯棒性；將原始的ciou損失函數改進為eiou，以更加精確地描述預測框與目標框之間的重疊程度，進而優化模型的定位準確性；加入dyhead目標檢測頭，能夠自適應地調整其結構和參數，以適應不同尺度和形狀的目標物體，從而提高檢測性能，最終構建得到mced-yolov7檢測網絡，以實現對待識別圖像缺陷的精確識別，提高了檢測網絡的準確性和魯棒性，顯著改善了誤檢和多檢現象。
本文檔來自技高網...【技術保護點】
1.一種基于MCED-YOLOv7網絡的粘接劑缺陷識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于MCED-YOLOv7網絡的粘接劑缺陷識別方法，其特征在于，所述指數限幅增益算法包括：
3.根據權利要求1所述的基于MCED-YOLOv7網絡的粘接劑缺陷識別方法，其特征在于，所述基于YOLOv7架構，在ELAN模塊后引入MLCA注意力機制，在SPPCSPC模塊的卷積中加入CBAM注意力機制，包括：
4.根據權利要求1所述的基于MCED-YOLOv7網絡的粘接劑缺陷識別方法，其特征在于，所述將原始CIOU改進為EIOU，并加入DYHEAD目標檢測頭，構建得到MCED-YOLOv7檢測網絡，包括：
【技術特征摘要】
1.一種基于mced-yolov7網絡的粘接劑缺陷識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于mced-yolov7網絡的粘接劑缺陷識別方法，其特征在于，所述指數限幅增益算法包括：
3.根據權利要求1所述的基于mced-yolov7網絡的粘接劑缺陷識別方法，其特征在于，所述基于y...
【專利技術屬性】
技術研發人員：蘭天，李雨菡，龔俊波，姜子航，季圣杰，胡志剛，李肖肖，
申請(專利權)人：北京理工大學重慶創新中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。