本发明涉及产品缺陷检测,尤其涉及一种石材表面缺陷检测方法及系统。
背景技术:
1、石材外立面的损伤检测是建筑维护和修复的关键步骤。传统的检测方法主要人工的检查为主,但是由于石材外立面的损伤类型多,情况复杂,这种方法既耗时又容易造成错检、漏检。
2、近年来,深度学习技术的发展为图像处理提供了新的解决方案,在建筑工程领域,目标检测算法的应用最为广泛。但是现有的模型仍然存在损伤类型不全面、检测准确率不高、检测数据分散等问题,因此对于准确量化评估和修缮石材外立面的可见损伤仍存在挑战。
技术实现思路
1、本发明提供一种石材表面缺陷检测方法及系统,以解决上述技术问题。
2、为解决上述技术问题,本发明提供一种石材表面缺陷检测方法,包括如下步骤:
3、步骤1:采集石材外立面的样本图像,所述样本图像中包含无损伤图像和标注有损伤类型的损伤图像;将所述样本图像分为训练集和测试集;
4、步骤2:实地测量实际外立面尺寸;
5、步骤3:构建基础模型,并利用训练集对所述基础模型进行训练;所述基础模型采用yolov5深度学习神经网络模型;
6、步骤4:利用学习率梯度函数的一阶矩估计和二阶矩估计动态调整学习率;利用测试集对训练好的基础模型进行测试,测试合格得到预测模型;
7、步骤5:获取实际图像,将所述实际图像输入所述预测模型中,输出预测结果,所述预测结果包括带有损伤类型标注框的图片以及损伤类型的分类统计结果。
8、较佳地,所述样本图像通过手持相机或无人机进行采集。
9、较佳地,所述无损伤图像占所述样本图像的10%。
10、较佳地,步骤1中,还包括将所述样本图像进行数据增强。
11、较佳地,所述数据增强的方法包括图像旋转、图像镜像、图像填充、图像拼接以及改变图像亮度、对比度、饱和度。
12、较佳地,所述训练集和测试集中所述样本图像数量的比例为8:2。
13、较佳地,所述yolov5深度学习神经网络模型包括主干网络层、中间层以及预测层,在所述主干网络层中引入注意力机制模块,对输入图像进行特征提取;所述中间层采用自适应特征融合网络对提取到的特征进行多尺度融合;所述预测层进行回归预测。
14、较佳地,所述实际图像为固定地址的多张图像。
15、较佳地,该方法还包括:
16、步骤6:将所述预测结果和步骤2中获取的所述实际外立面尺寸进行比较,基于比较结果计算出损伤的面积大小;根据所述损伤的面积大小和类型,对该损伤的程度进行等级划分;
17、步骤7:根据损伤类型和程度提供短期的修缮方案预选或长期的预防措施建议。
18、本发明还提供了一种石材表面缺陷检测系统,包括项目管理单元、损伤等级评价单元、损伤数据库单元以及损伤处理建议单元,
19、所述项目管理单元用于采用如上所述的石材表面缺陷检测方法获得所述预测结果;
20、所述损伤等级评价单元用于对检测到的损伤的程度进行等级划分;
21、所述损伤数据库单元用于对已检测项目进行分类统计,对既往的检测数据进行比较分析;
22、所述损伤处理建议单元用于提供短期的修缮方案预选或长期的预防措施建议。
23、与现有技术相比,本发明提供的石材表面缺陷检测方法及系统具有如下优点:
24、1、本发明采用优化的预测模型进行石材表面缺陷检测,能够快速准确地检测出石材外立面的损伤位置和类型,并可以量化评估损伤程度和影响;
25、2、本发明增加了对预测结果的进一步分级量化评价,并提供不同程度损伤的修缮建议,有利于石材外立面的长期、合理保养。
1.一种石材表面缺陷检测方法,其特征在于,包括如下步骤:
2.如权利要求1所述的石材表面缺陷检测方法,其特征在于,所述样本图像通过手持相机或无人机进行采集。
3.如权利要求1所述的石材表面缺陷检测方法,其特征在于,所述无损伤图像占所述样本图像的10%。
4.如权利要求1所述的石材表面缺陷检测方法,其特征在于,步骤1中,还包括将所述样本图像进行数据增强。
5.如权利要求4所述的石材表面缺陷检测方法,其特征在于,所述数据增强的方法包括图像旋转、图像镜像、图像填充、图像拼接以及改变图像亮度、对比度、饱和度。
6.如权利要求1所述的石材表面缺陷检测方法,其特征在于,所述训练集和测试集中所述样本图像数量的比例为8:2。
7.如权利要求1所述的石材表面缺陷检测方法,其特征在于,所述yolov5深度学习神经网络模型包括主干网络层、中间层以及预测层,在所述主干网络层中引入注意力机制模块,对输入图像进行特征提取;所述中间层采用自适应特征融合网络对提取到的特征进行多尺度融合;所述预测层进行回归预测。
8.如权利要求1所述的石材表面缺陷检测方法,其特征在于,所述实际图像为固定地址的多张图像。
9.如权利要求1所述的石材表面缺陷检测方法,其特征在于,还包括:
10.一种石材表面缺陷检测系统,其特征在于,包括项目管理单元、损伤等级评价单元、损伤数据库单元以及损伤处理建议单元,