[发明专利]基于卷积神经网络的建筑物表面病害检测方法及系统

权利要求书

1.一种基于深度学习网络模型的建筑物表面病害检测方法，其特征在于，包括以下步骤：

获取建筑物表面图像，作为数据集；

将数据集输入深度学习网络模型中进行学习，学习过程中该深度学习网络模型对特征提取网络多尺度特征图检测与融合；

将融合特征图于该深度学习网络模型中进行迭代训练，训练过程分为初次迭代训练和第二次迭代训练，保存第二次迭代训练中每次迭代的模型的参数，并求出所有模型的中位数得到新的模型；

基于得到的新模型对建筑物表面病害进行识别。

2.根据权利要求1所述的基于深度学习网络模型的建筑物表面病害检测方法，其特征在于，

所述深度学习网络模型基于Yolov5网络进行学习，Yolov5网络使用PANet作为特征提取主干网络，对特征提取网络的4倍、8倍、16倍和32倍下采样特征图进行输出融合。

3.根据权利要求2所述的基于深度学习网络模型的建筑物表面病害检测方法，其特征在于，所述Yolov5网络的第2层为BottleneckCSP×3,同时去掉16层和17层之间的连接，将第16层获得的特征图经过BottleneckCSP操作提取特征,经1×1卷积降低维度后，由上采样与第2层的特征图进行拼接，然后再经过BottleneckCSP×3操作得出第一个的输出，同时该特征图经过进行3×3卷积降低维度后得到新的特征图，新特征图经过拼接操作后进行特征向下融合，并形成最终含有四个输出的特征融合网络。

4.根据权利要求1至3任一项所述的基于深度学习网络模型的建筑物表面病害检测方法，其特征在于，第二次迭代训练以设定范围内的余弦退火学习率在初次迭代训练后最终得到的模型下进行再次迭代训练，并将第二次迭代训练中每次迭代获得的模型参数保存下来，并求出第二次迭代训练中所有模型参数的中位数，得到新的模型。

5.根据权利要求4所述的基于深度学习网络模型的建筑物表面病害检测方法，第二次迭代训练时，以0.001-0.00001之间的余弦退火学习率对初次迭代训练后最终得到的模型进行迭代训练。

6.根据权利要求1所述的基于深度学习网络模型的建筑物表面病害检测方法，对建筑物表面病害进行病害区域提取时，按照置信度从高到低对模型推理出的预测框进行排序，找出置信度最高的预测框，计算置信度最高的预测框与其它预测框的IOU值，将大于阈值IOU的预测框利用下式降低预测框的置信度：其中s_i是待处理预测框b_i的置信度，为置信度最高的预测框，为置信度最高的预测框与选中框b_i的IOU值，σ是超参数。

7.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6任一项所述的建筑物表面病害检测方法对应的操作。

8.一种建筑物表面病害检测系统，其特征在于，包括处理器和存储器，所述处理器和存储器通信连接，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6任一项所述的建筑物表面病害检测方法对应的操作。