[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

说明书

本发明提出了一种基于深度学习网络模型的建筑物表面病害检测方法及系统。该方法为：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初次迭代训练，初次训练完成后，以设定范围内的余弦退火学习率再进行第二次训练，保存第二次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；之后基于训练完成的深度学习网络模型对建筑物表面病害进行识别。该方法能识别到较小的病害特征，大幅提升了模型AP准确率和目标定位与分类准确率，使得对病害特征的识别更加准确。

技术领域

本发明涉及深度学习领域，具体涉及一种基于卷积神经网络的建筑物表面病害检测方法及系统。

背景技术

建筑物的可靠性、安全性和完整性对社会福祉至关重要，因此检测建筑物表面病害情况极为重要。以桥梁为例，检测桥梁表面病害情况可以有效防范桥梁磨损、促进桥梁维护和增加桥梁使用寿命。

然而当前在识别和监视桥梁非破坏性病害技术中，人工目视检查是主要手段，其结果是效率低、费时耗力，且评估存在主观性。在该背景下，基于计算机视觉的检测技术得到了应用和发展，它利用爬壁机器人或无人机获取桥梁图像，用机器学习算法对目标图像进行分析。如Prasanna等人针对桥梁表面病害问题提出了基于机器学习的桥梁裂缝自动检测算法(STRUM)，虽然该方法的性能优于传统的图像识别算法，但它的图像处理效率和鲁棒性仍需提升。

近年来，随着基于深度学习的目标检测算法不断创新，自动检测识别技术在人脸识别、目标检测、图像分割等领域获得了很好效果，但在桥梁外观病害检测方面的研究较少。当前基于Anchor-Based的目标检测算法一般分为两类,一类是基于区域的两阶段目标检测算法Faster-RCNN[1]和Mask-RCNN[2]等,该类算法虽然精度高，但由于其将缺陷特征提取、区域建议网络、边界框回归等融为一体，导致模型速度运行慢、实时性差。如Cha等人[3]使用Faster R-CNN检测和量化钢筋混凝土桥梁中的五种表面损伤，虽然获得了不错效果，但检测速度不理想。另一类是利用回归思想直接标出目标所在图片位置和类别的单阶段算法SSD[4]和YOLO系列等，该类算法弥补了基于区域两阶段目标检测算法的不足，在速度上有较大提升，但是在精度上略有下降，特别是SSD算法不能充分利用浅层的高分辨率特征图使其识别精度不够理想。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于卷积神经网络的建筑物表面病害检测方法及系统。

为了实现本发明的上述目的，本发明提供了一种基于深度学习网络模型的建筑物表面病害检测方法，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。

该建筑物表面病害检测方法中对特征提取网络多尺度特征图的检测与融合，能识别到较小的病害特征，同时在训练过程中采用中位数进行迭代训练在没有增加参数数量情况下，大幅提升了模型AP准确率和目标定位与分类准确率，使得对病害特征的识别更加准确。

该建筑物表面病害检测方法的优选方案：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。