(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