预制混凝土裂缝检测模型、方法、系统和可读介质

本发明涉及预制混凝土表面检测和计算机，尤其是一种预制混凝土裂缝检测模型、方法、系统和可读介质。

背景技术：

1、质量控制在产品生产中的意义日趋显著，产品的表面缺陷影响其质量。建筑建设成本很大一部分用于因材料缺陷而导致的返工。裂缝缺陷是一种十分常见的预制构件表面缺陷类型，准确地进行裂缝缺陷检测对于提高产品质量和降低建设成本具有非常重要的作用。

2、目前检测评估预制构件质量主要有人工识别检测法、基于图像处理算法检测方法以及深度学习方法。其中，传统的人工检测方法，该方法抽检率低、检测准确度受人工经验和疲劳程度等主观因素的影响大、劳动强度大、检测效率低和实时性差。图像处理算法检测方法，主要是针对同一材质和纹理背景图像进行裂缝检测，且目前尚无法对彩色图像直接进行裂缝检测。现有的深度学习算法检测方法，一般是将待检测图像直接压缩到较小尺寸，以满足神经网络输入要求，再送入提前训练好的神经网络模型中进行检测，得出预测结果，此类算法在处理高分辨率的裂缝图像时，会因过度的压缩会导致图像失真，有较高的误检率。

技术实现思路

1、为了克服上述现有技术中混凝土预制件裂缝检测，或效率低，或精度低的缺陷，本发明提出了一种预制混凝土裂缝检测模型的训练方法，可训练出一种高效、精确的预制混凝土裂缝检测模型。

2、本发明提出的一种预制混凝土裂缝检测模型的训练方法，包括以下步骤：

3、首先获取基础模型和学习样本，学习样本为相关联的裂缝拍摄图像和裂缝标注图像；基础模型在yolov5模型的基础上，将相连接的upsample单元和concat单元替换为lw模块，lw模块首先对yolov5模型中upsample单元的输入数据进行池化处理，然后将池化数据与yolov5模型中upsample单元和concat单元组合模块的两路输入进行三向拼接后输出；

4、再令基础模型对学习样本进行学习，以迭代模型参数，直至收敛；将收敛后的基础模型作为预制混凝土裂缝检测模型，其输入为拍摄图像，输出为裂缝标注图像。

5、优选的，lw模块包括平均池化层、最大池化层、维度叠加单元和第五concat单元；第五concat单元设有三个输入端；lw模块设有两个输入端；令yolov5模型中upsample单元和concat单元组合模块中，upsample单元的输入端记作所述组合模块的第一输入端，concat单元连接第二c3模块的输入端记作所述组合模块的第二输入端；lw模块的第一输入端取代所述组合模块的第一输入端，lw模块的第二输入端取代所述组合模块的第二输入端；

6、lw模块的第一输入端分别连接平均池化层的输入端、最大池化层的输入端和第五concat单元的第一输入端，平均池化层的输出端和最大池化层的输出端均连接维度叠加单元的输入端，维度叠加单元的输出端连接第五concat单元的第二输入端，第五concat单元的第三输入端连接lw模块的第二输入端；第五concat单元的输出端作为lw模块的输出端。

7、优选的，令yolov5模型中，相同结构的模块沿着数据流转方向顺序命名；基础模型在yolov5模型的基础上，还将数据流通方向上的第一c3模块和第四c3模块均替换为mmt模块，mmt模块包括顺序连接的bottleneck单元、multiattencat单元和第十conv单元；mmt模块的输入端分别连接bottleneck单元的输入端和multiattencat单元的输入端，第十conv单元的输出端作为mmt模块的输出端。

8、优选的，基础模型在yolov5模型的基础上，还将第四conv单元和第五conv单元均替换为repvgg单元。

9、优选的，模型参数的迭代过程包括以下步骤：

10、st1、将学习样本划分为训练集和测试集；

11、st2、从训练集中抽取多个样本作为训练样本，令基础模型对训练样本进行学习，以迭代模型参数；

12、st3、从测试集中抽取多个样本作为测试样本，令基础模型对测试样本进行预测并输出裂缝标注图像；

13、st4、在测试样本上计算基础模型的损失，判断基础模型是否收敛；否，则返回步骤st2；是，则固定基础模型。

14、优选的，st4中，基础模型的损失为交叉熵损失或者是均方差损失。

15、本发明提出的一种预制混凝土裂缝检测方法，其特征在于，首先采用所述的预制混凝土裂缝检测模型的训练方法获取检测模型；再对待检测目标进行拍照，获取目标图像；然后将目标图像输入检测模型，检测模型输出裂缝标注图像，以标注裂缝类型。

16、优选的，裂缝类型包括：横向裂缝、纵向裂缝和疲劳裂缝。

17、本发明提出的一种预制混凝土裂缝检测系统，包括存储器和处理器，存储器中存储有计算机程序，处理器连接存储器，处理器用于执行所述计算机程序，以实现所述的预制混凝土裂缝检测模型的训练方法。

18、本发明提出的一种可读介质，存储有计算机程序，所述计算机程序被执行时用于实现所述的预制混凝土裂缝检测模型的训练方法。本发明的优点在于：

19、（1）本发明中，设置lw模块进行三路数据拼接，其中一路为lw模块输入的数据，其参与拼接，保留了较大的特征图，有利于小目标检测；另一路为lw模块输入的数据进行平均池化和最大池化后维度叠加的数据，平均池化有利于 提取总体特征，最大池化有利于提取最突出特征，两者结合保证了对数据的特征提取的全面，有利于提高检测精度。

20、（2）mmt模块通过用轻量级网络模型取代原始yolov5中的c3模块来提高数据处理速度。repvgg模块用于通过重用简单的卷积结构来减轻网络重量，将卷积层的计算等效地表示为几个小卷积块的加权和。mmt模块用于优化网络结构，repvgg模块用于减轻网络重量，lw模块提高了检测精度。

21、（3）本发明所提出的检测模型可以检测混凝土预制件上不同类型的裂纹，采用本发明提出的检测模型进行混凝土预制件的表面检测，可大大提高各种类型裂缝上的检测精度，提高检测效率。

技术特征：

1.一种预制混凝土裂缝检测模型的训练方法，其特征在于，包括以下步骤：

2.如权利要求1所述的预制混凝土裂缝检测模型的训练方法，其特征在于，lw模块包括平均池化层、最大池化层、维度叠加单元和第五concat单元；第五concat单元设有三个输入端；lw模块设有两个输入端；令yolov5模型中upsample单元和concat单元组合模块中，upsample单元的输入端记作所述组合模块的第一输入端，concat单元连接第二c3模块的输入端记作所述组合模块的第二输入端；lw模块的第一输入端取代所述组合模块的第一输入端，lw模块的第二输入端取代所述组合模块的第二输入端；

3.如权利要求1所述的预制混凝土裂缝检测模型的训练方法，其特征在于，令yolov5模型中，相同结构的模块沿着数据流转方向顺序命名；基础模型在yolov5模型的基础上，还将数据流通方向上的第一c3模块和第四c3模块均替换为mmt模块，mmt模块包括顺序连接的bottleneck单元、multiattencat单元和第十conv单元；mmt模块的输入端分别连接bottleneck单元的输入端和multiattencat单元的输入端，第十conv单元的输出端作为mmt模块的输出端。

4.如权利要求3所述的预制混凝土裂缝检测模型的训练方法，其特征在于，基础模型在yolov5模型的基础上，还将第四conv单元和第五conv单元均替换为repvgg单元。

5.如权利要求1所述的预制混凝土裂缝检测模型的训练方法，其特征在于，模型参数的迭代过程包括以下步骤：

6.如权利要求5所述的预制混凝土裂缝检测模型的训练方法，其特征在于，st4中，基础模型的损失为交叉熵损失或者是均方差损失。

7.一种采用如权利要求1-6任一项所述的预制混凝土裂缝检测模型的训练方法的预制混凝土裂缝检测方法，其特征在于，首先采用如权利要求1-6任一项所述的预制混凝土裂缝检测模型的训练方法获取检测模型；再对待检测目标进行拍照，获取目标图像；然后将目标图像输入检测模型，检测模型输出裂缝标注图像，以标注裂缝类型。

8.如权利要求7所述的预制混凝土裂缝检测方法，其特征在于，裂缝类型包括：横向裂缝、纵向裂缝和疲劳裂缝。

9.一种预制混凝土裂缝检测系统，其特征在于，包括存储器和处理器，存储器中存储有计算机程序，处理器连接存储器，处理器用于执行所述计算机程序，以实现如权利要求1-6任一项所述的预制混凝土裂缝检测模型的训练方法。

10.一种可读介质，其特征在于，存储有计算机程序，所述计算机程序被执行时用于实现如权利要求1-6任一项所述的预制混凝土裂缝检测模型的训练方法。

技术总结
本发明涉及预制混凝土表面检测和计算机技术领域，尤其是一种预制混凝土裂缝检测模型、方法、系统和可读介质。本发明提出的预制混凝土裂缝检测模型的训练方法，首先优化YOLOv5模型，再进行机器学习。本发明中，设置LW模块进行三路数据拼接，其中一路为LW模块输入的数据，其参与拼接，保留了较大的特征图，有利于小目标检测；另一路为LW模块输入的数据进行平均池化和最大池化后维度叠加的数据，平均池化有利于提取总体特征，最大池化有利于提取最突出特征，两者结合保证了对数据的特征提取的全面，有利于提高检测精度。

技术研发人员：蒋庆,梁雨,周满旭,李赛,叶冠廷
受保护的技术使用者：合肥工业大学
技术研发日：
技术公布日：2024/5/16