[发明专利]基于超分辨率和半监督学习的装配式预制构件检测方法

权利要求书

1.一种基于超分辨率和半监督学习算法的装配式预制构件检测方法，其特征在于，包括以下步骤：

A.训练超分辨率网络Real-ESRGAN；

A1.收集预制构件图片，对数据进行预处理，得到超分辨率网络Real-ESRGAN的训练数据集；

A2.搭建Real-ESRGAN网络，该网络由生成模型G和鉴别模型D组成。生成模型G利用输入的低分辨率图生成相应的超分辨率图，而鉴别模型D会判断图片是由生成模型生成的超分辨率图还是原始的高分辨率图。通过G和D之间不断的相互博弈提升生成图片的质量；

A3.训练Real-ESRGAN网络：首先固定G的参数，并训练D使其能够准确区分真实图像和生成图像；然后，固定D的参数，并训练G使其生成能混淆D的超分辨率图片。重复以上过程，最后得到所需的生成模型；

B.收集各种施工环境下的装配式预制构件图片，并输入到Real-ESRGAN网络的生成模型中，将图片分辨率放大至原先的两倍，提升图片质量；

C.使用半监督学习算法训练目标检测模型Yolov5；

C1.将提升质量后的图片划分为训练集与测试集，并对其中50％图片进行标注，获得标注图片x_l、标签y、未标注图片x_u；对原始数据集(x_l,x_u)分别加上随机噪声，构成训练数据集，记为(x_l',x'_u)和(x_l”,x'_u')；

C2.搭建半监督学习框架mean-teacher网络，该框架由两个相同结构的student网络和teacher网络组成；

C3.以Yolov5模型作为student网络和teacher网络的目标检测器，将加了随机噪声后的数据(x_l',x'_u)和(x_l”,x'_u')分别输入到student网络和teacher网络中，得到其输出结果。并根据一致性正则化准则计算其损失值，迭代更新student网络和teacher网络参数。最后将训练好的student网络在测试数据集上验证其性能；

D.使用训练后的Yolov5模型检测施工现场采集的图像或视频数据，对建筑工地上装配式预制构件进行定位和分类。

2.根据权利要求1所述的基于超分辨率和半监督学习算法的装配式预制构件检测方法，其特征在于：所述步骤A1中的数据预处理包括：图片被调整至相同大小，为避免图片失真，图片长边缩放至640像素，而短边会保持图片原长宽比缩放至对应大小，记为s，故原始高分辨率图片尺寸记为(640，s)；再将高分辨率图片尺寸缩放至(320,s/2)，作为输入生成模型的低分辨率图片；高分辨率图和低分辨率图共同组成Real-ESRGAN的训练数据集。

3.根据权利要求1所述的基于超分辨率和半监督学习算法的装配式预制构件检测方法，其特征在于：所述步骤A3的训练损失函数包括：L1距离损失L₁，对抗损失L_G和感知损失L_percep，其函数可分别表示为

L_percep＝||φ(z)-φ(G(z))||₁    (3)

其中z,y和x分别代表输入的低分辨率图片、生成的超分辨率图片和高分辨率图片；||·||,和φ(·)分别代表L1范数、期望函数和VGG损失函数。最终的损失值由以下公式得出

L＝ηL₁+λL_G+L_percep     (4)

其中η和λ代表权重系数，分别取为1和0.1。

4.根据权利要求1所述的基于超分辨率和半监督学习算法的装配式预制构件检测方法，其特征在于：所述步骤C2中的mean-teacher网络由student网络和teacher网络组成，其中student网络通过随机梯度下降法进行参数优化，而teacher网络根据student网络的参数进行更新。

5.根据权利要求1所述的基于超分辨率和半监督学习算法的装配式预制构件检测技术，其特征在于：所述步骤C3中的训练损失函数包括student网络损失函数和teacher网络优化函数：

所述student网络损失函数包括监督学习损失L_sl和基于一致性正则化准则的半监督学习损失L_ssl，其函数分别表示为

L_sl＝L_OD[f_s(x′_l),y_l]    (5)

L_ssl＝L_OD[f_s(x′_l,x'_u),f_t(x″_l,x″_u)]    (6)

其中L_OD代表目标检测器的损失函数，f_s代表student网络，f_t代表teacher网络。总损失记为L_T＝L_sl+L_ssl；

所述teacher网络在第t个训练轮次时的参数θ_t'可以通过以下方式给出

θ_t'＝αθ_t'_-1+(1-α)θ_t (7)

其中θ_t代表student网络的参数，α代表平滑参数，随着训练轮次的增加而增大。