[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

说明书

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技方法，使用超分辨率算法提高了预制构件图片的质量，并通过半监督学习算法降低了数据标注工作的高昂成本。具体实施步骤为：①搭建并训练超分辨率网络Real‑ESRGAN；②收集各种施工环境下预制构件的图片，输入到Real‑ESRGAN网络的生成模型中，提升图片质量；③引入半监督学习算法mean‑teacher网络训练目标检测器Yolov5；④使用训练后的Yolov5模型检测实时采集的现场数据，对建筑工地上装配式预制构件进行定位和分类。本发明能改善图像质量，并在有限标记数据的情况下实现优异的检测性能，为装配式建筑工地管理提供技术支持。

技术领域

本发明涉及一种装配式预制构件检测方法，具体为基于超分辨率和半监督学习算法对施工现场装配式预制构件进行检测的技术，属结构工程领域。

背景技术

随着我国装配式建筑产业的发展，装配式预制构件的需求量在迅速增加，施工现场堆积了大量不同种类的预制构件，对其进行实时的检测以指导施工将具有十分重要的研究意义。目前检测预制构件的方法主要为人工检查，费时费力，无法满足工程的需要。

近年来，计算机视觉技术的出现实现了施工现场远程动态监控的自动化，提高了工地施工管理水平。随着计算机计算能力的提升，基于深度学习的目标检测技术飞速发展。得益于其精度高和无接触的特点，大量目标检测模型(如Yolo、Faster R-CNN等)已经被广泛运用于装配式建筑预制构件的检测。

然而，基于深度学习的目标检测模型训练需要大规模、高质量和良好标记的数据集。但现有的数据集仍存在以下问题：(1)预制构件图片的分辨率过低，检测目标在图中的尺寸小，携带的信息少，特征表达能力弱，这会导致深度学习模型的检测性能变差；(2)数据集图片需要由具有相应知识储备的专业人员进行标注，不仅成本高昂，还容易出现错漏的情况。因此，需要一种新的技术来提高图像分辨率并克服人工标记的限制。

发明内容

针对现有技术的不足，本发明提出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，以提升基于视觉的混凝土预制构件检测在实际运用中的可行性。其具体内容包括：

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，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；