(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202210432568.5
(22)申请日 2022.04.24
(71)申请人 科大天工智能装备技 术 (天津) 有限
公司
地址 300308 天津市东 丽区华明 高新技术
产业区华丰路6号G座1号楼
申请人 北京科技大 学
(72)发明人 张超 张波
(74)专利代理 机构 北京高沃 律师事务所 1 1569
专利代理师 王爱涛
(51)Int.Cl.
G06T 7/00(2017.01)
G06T 5/00(2006.01)
G06T 5/10(2006.01)
G06V 10/764(2022.01)G06V 10/80(2022.01)
G06V 10/82(2022.01)
G06K 9/62(2022.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
一种屋面板缺陷检测方法和系统
(57)摘要
本发明涉及一种屋面板缺陷检测方法和系
统, 属于图像处理技术领域。 本发明提供的屋面
板缺陷检测方法, 通过采用基于YOL Ov5‑MCA网络
模型的屋面板缺陷检测分类模型对屋面板是否
存在缺陷进行自动化检测, 能够显著提高屋面板
缺陷检测的精确性和效率。
权利要求书2页 说明书8页 附图2页
CN 114529546 A
2022.05.24
CN 114529546 A
1.一种屋面板缺陷检测方法, 其特 征在于, 包括:
构建屋面板缺陷检测分类模型; 所述屋面板缺 陷检测分类模型为训练好的YOLOv5 ‑MCA
网络模型; 所述YOLOv5 ‑MCA网络模型为改进后的YOLOv5网络模型; 所述YOLOv5 ‑MCA网络模
型包括: 融合有多光谱通道注意力机制模块的骨干网络、 加入有门限通道变换模块的Neck
层和检测头;
获取待检测屋面板的图像数据;
将所述图像数据输入屋面板缺陷检测分类模型 得到检测结果。
2.根据权利要求1所述的屋面板缺陷检测方法, 其特征在于, 所述构建屋面板缺陷检测
分类模型, 具体包括:
获取YOLOv5网络模型; 所述YOLOv5网络模型的骨干网络包括: CSP1_1结构、 第一CBL结
构、 CSP1_3结构和S PP网络;
对所述CSP1_1结构的输出进行正则化处理后 输入特征融合模块; 所述特征融合模块的
操作采用公式 Fi=Ci+L(Conv(Fi‑1))描述, 其中, L代表L2正则化, Conv代表卷积操作, 当 i=2
时, Fi=Ci;
在所述CSP1_3结构和所述第一CBL结构之间以及SPP网络之后均设置多光谱通道注意
力机制模块; 所述多光谱通道注意力机制模块的输入为所述CSP1_3结构的输出或所述SPP
网络的输 出; 所述多 光谱通道注意力机制模块的输 出为msatt:msatt=sigmoid(fc(Freq)); 其
中,fc()为全连接层映射 函数, Freq为多光谱向量, sigmoid为sigmoid函数;
将门限通道变换模块融合至所述YOLOv5网络模型的Neck层中;
将所述YOLOv5网络模型采用的非极大值抑制方法替换为SoftNMS方法。
3.根据权利要求2所述的屋面板缺陷检测方法, 其特征在于, 将所述门限通道变换模块
添加至所述YOLOv5网络模型的Neck层的第一个CS P1_2结构之后。
4.根据权利要求3所述的屋面板缺 陷检测方法, 其特征在于, 对所述YOLOv5 ‑MCA网络模
型进行训练的过程, 包括:
构建训练集;
采用所述训练集训练所述YOLOv5 ‑MCA网络模型 得到训练好的YOLOv5 ‑MCA网络模型。
5.根据权利要求4所述的屋面板缺陷检测方法, 其特征在于, 所述构建训练集, 具体包
括:
获取屋面板的原始图像; 所述原始图像包括: 屋面板发生腐蚀的图像、 屋面板发生漏 水
的图像、 屋面板发生断裂的图像、 屋面板发生掀翻的图像和屋面板无异常的图像;
使用labelme工具标注所述原始图像得到标注后的图像; 标注的标签包括: “完好”、“腐
蚀”、“断裂”、“漏水”和“屋面掀翻 ”;
对所述标注后的图像进行 预处理得到训练集。
6.根据权利要求5所述的屋面板缺陷检测方法, 其特征在于, 所述对所述标注后的图像
进行预处理得到训练集, 具体包括:
采用非局部均值去噪方法对所述标注后的图像进行去噪处 理, 得到去噪图像;
采用小波变换法对所述去噪图像进行增强处 理, 得到增强图像;
将所述增强图像进行小 波逆变换, 得到 重构后的增强图像;
基于所述重构后的增强图像得到训练集。权 利 要 求 书 1/2 页
2
CN 114529546 A
27.一种屋面板缺陷检测系统, 其特 征在于, 包括:
模型构建模块, 用于构建屋面板缺陷检测分类模型; 所述屋面板缺陷检测分类模型为
训练好的YOLOv5 ‑MCA网络模型; 所述YOLOv5 ‑MCA网络模型为改进后的YOLOv5网络模型; 所
述YOLOv5 ‑MCA网络模型包括: 融合有多光谱通道注意力机制模块的骨干网络、 加入有门限
通道变换模块的Neck层和检测头;
图像获取模块, 用于获取待检测屋面板的图像数据;
缺陷检测模块, 用于将所述图像数据输入屋面板缺陷检测分类模型 得到检测结果。
8.根据权利要求7 所述的屋面板缺陷检测系统, 其特 征在于, 所述模型构建模块包括:
模型获取单元, 用于获取YOLOv5网络模型; 所述YOLOv5网络模型的骨干网络包括:
CSP1_1结构、 第一CBL结构、 CS P1_3结构和S PP网络;
第一设置单元, 用于在所述CSP1_1结构后设置特征融合模块; 所述特征融合模块的操
作采用公式 Fi=Ci+L(Conv(Fi‑1))描述, 其中, L代表L2正则化, Conv代表卷积操作, 当 i=2时,
Fi=Ci;
第二设置单元, 用于在 所述CSP1_3结构和所述第一CBL结构 之间以及SPP网络之后均设
置多光谱通道注 意力机制模块; 所述多光谱通道注意力机制模块的输入为所述CSP1_3结构
的输出或所述SPP网络的输出; 所述多光谱通道注意力机制模块的输出为 msatt:msatt=
sigmoid (fc(Freq)); 其中, fc()为全连接层映射函数, Freq为多光谱向量, sigmoid 为
sigmoid函数;
融合单元, 用于将门限通道变换模块融合至所述YOLOv5网络模型的Neck层中;
方法替换单元, 用于将所述YOLOv5网络模型采用的非极大值抑制 方法替换为SoftNMS
方法。权 利 要 求 书 2/2 页
3
CN 114529546 A
3
专利 一种屋面板缺陷检测方法和系统
安全报告 >
其他 >
文档预览
中文文档
13 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共13页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 07:34:38上传分享