스마트 빌딩: YOLOv7 기반 건물 외벽 결함 감지

01 전망 요약

현재 딥러닝 기반 방법은 인식 속도와 모델 복잡성 측면에서 몇 가지 과제에 직면해 있습니다. 건물 외벽 결함 검출의 정확성과 속도를 보장하기 위해 BFD-YOLO라는 향상된 YOLOv7 방법을 연구했습니다. 첫째, YOLOv7의 원래 ELAN 모듈은 경량 MobileOne 모듈로 대체되어 매개변수 수를 줄이고 추론 속도를 향상시킵니다. 둘째, 특징 추출 기능을 향상시키기 위해 좌표 주의 모듈이 모델에 추가됩니다. 다음으로 SCYLLA-IoU는 감지 속도를 높이고 모델의 리콜을 높이는 데 사용됩니다. 마지막으로 공개 데이터 세트를 확장하고 세 가지 일반적인 결함을 포함하는 건물 외관 손상 데이터 세트를 구축했습니다. BFD-YOLO는 이 데이터 세트를 기반으로 탁월한 정확성과 효율성을 보여줍니다. YOLOv7과 비교하여 BFD-YOLO의 정확도와 mAP@0.5는 각각 2.2%와 2.9% 향상되었으며 상당한 효율성을 유지했습니다. 실험에 따르면 이 방법은 실시간 성능을 보장하면서 높은 탐지 정확도를 달성하는 것으로 나타났습니다.

02 현재 상황 및 프로젝트 동기

외관 결함의 존재는 건설 운영 단계에서 시급한 문제이며 기계적 및 환경적 요인에 기인하는 경우가 많습니다. 대표적인 결함으로는 콘크리트 박리, 장식 박리, 부품 균열, 대규모 변형, 타일 손상, 습기 손상 등이 있습니다. 이러한 결함은 외관에 영향을 미치고 건물의 수명을 단축시킬 수 있습니다. 건물 외벽 결함 감지는 구조적 손상 감지의 필수적인 부분으로 정부와 경영진이 건물 외벽의 전반적인 상태를 정확하게 파악하여 합리적인 유지 관리 계획을 수립하는 데 도움이 됩니다. 이는 건물 유지 관리 비용을 줄이고 건물의 수명을 연장하는 데 중요합니다. 건물 외벽 결함 감지는 구조적 손상 감지의 필수적인 부분으로 정부와 경영진이 건물 외벽의 전반적인 상태를 정확하게 파악하여 합리적인 유지 관리 계획을 수립하는 데 도움이 됩니다. 이는 건물 유지 관리 비용을 줄이고 건물의 수명을 연장하는 데 중요합니다. 많은 국가와 지역에서 정기적인 표준화된 육안 검사에 대한 정책을 개발하고 있습니다. 건물 외벽의 결함 탐지는 건물 유지 관리의 중요한 부분이 되었으며, 이는 건물 외벽의 종합적인 상태를 정확하게 이해하고 합리적인 수리 계획을 세우는 데 도움이 됩니다. 이는 건물 유지 관리 비용을 줄이고 건물의 수명을 연장하는 중요한 방법입니다. 많은 국가와 지역에서 정기적인 표준화된 육안 검사에 대한 정책을 개발하고 있습니다. 건물 외벽의 결함 검출은 건물 유지 관리의 중요한 부분이 되었으며, 이는 건물 외벽의 종합적인 상태를 정확하게 이해하고 합리적인 수리 계획을 세우는 데 도움이 됩니다. 이는 건물 유지 관리 비용을 줄이고 건물의 수명을 연장하는 중요한 방법입니다. 건물 외벽의 결함 검출은 건물 유지 관리의 중요한 부분이 되었으며, 이는 건물 외벽의 종합적인 상태를 정확하게 이해하고 합리적인 수리 계획을 세우는 데 도움이 됩니다. 이는 건물 유지 관리 비용을 줄이고 건물의 수명을 연장하는 중요한 방법입니다.

육안 검사는 건물 외관 상태를 평가하는 간단하고 신뢰할 수 있는 방법입니다. 전통적인 건물 외부 검사에서는 일반적으로 전문가가 특수 도구를 들고 검사 현장에 도착해야 하며, 그곳에서 육안 검사, 망치질 및 기타 기술을 사용하여 평가됩니다. 이러한 방법은 검사자의 전문성과 경험에 의존하기 때문에 주관적이고 위험하며 비효율적입니다. 건물 수와 규모의 증가로 인해 수동 육안 검사 방법으로는 더 이상 대규모 검사 요구 사항을 충족하기에 충분하지 않습니다. 기술이 발전함에 따라 드론과 로봇 플랫폼을 통한 외벽 손상 감지에 레이저 스캐닝, 3D 열 화상, SLAM 등 다양한 새로운 방법이 사용되고 있습니다. 이러한 새로운 방법은 기존 기술보다 더 편리하고 안전하지만 시간과 비용이 많이 듭니다. 따라서 이러한 방법은 대규모 검사 요구 사항을 충족하는 데에도 어려움을 겪고 있습니다. 따라서 검출 효율성을 높이고 계산 비용을 줄이기 위해 보다 정확하고 효과적인 표면 결함 검출 방법을 개발할 필요가 있습니다.

03 새로운 아이디어와 실용적인 디테일

건물 외벽 결함에는 다양한 유형이 있으며 다양한 감지 방법이 적용 가능합니다. 일반적인 유형에는 풀아웃 결함, 박리 및 벽 구멍이 포함됩니다. 균열의 경우 감지를 위해 의미론적 분할을 사용하는 연구가 더 많습니다. 벽 중공의 경우 태핑 방법과 적외선 열 화상 방법이 더 널리 사용됩니다. 연구와 연구 끝에 대상 탐지 방법에 적합하고 데이터 세트 구성이 쉬운 결함 유형을 선택했습니다. 데이터 세트의 이미지는 주로 휴대폰, 카메라, 드론으로 촬영한 건물 외관 이미지에서 가져옵니다. 또한 인터넷 및 공개 데이터 세트의 일부 이미지도 확장에 사용됩니다. 모든 이미지의 너비는 1000픽셀에서 3000픽셀까지입니다. 높이 범위는 2000픽셀에서 5000픽셀 사이입니다. 데이터세트는 박리, 박리, 타일 손실 등 세 가지 건물 외관 결함으로 구성됩니다. 적외선 열화상 이미지의 배경 이미지를 포함하여 총 1907장의 원본 이미지가 수집되었다. 배경 이미지는 오류 위치를 줄이기 위해 데이터 세트에 추가된 결함 없는 이미지입니다. 훈련 세트, 검증 세트, 테스트 세트는 7:2:1의 비율로 구분됩니다. 아래 이미지는 데이터 세트의 결함 예를 보여줍니다.

왼쪽부터 박리, 박리, 타일 유실 순입니다.

데이터 증강

신경망의 모델 훈련에는 많은 양의 데이터가 필요한 경우가 많습니다. 그러나 건물 외관 결함에 대한 영상 획득이 상대적으로 어렵고, 수집된 데이터의 클래스 불균형 문제도 존재한다. 이 문제의 영향을 완화하기 위해 훈련 데이터에 데이터 증대 기술을 적용합니다. 데이터 증대는 원시 데이터에 대해 다양한 변환을 수행하는 일반적인 기술입니다. 더 많은 훈련 데이터를 생성하기 위해 딥러닝 분야에서 널리 사용됩니다. 데이터 증대는 모델이 더 많은 데이터 변형을 학습하고 특정 훈련 샘플에 지나치게 의존하는 것을 방지하는 데 도움이 될 수 있습니다. 감시 데이터 향상 기술에는 기하학적 변환(예: 뒤집기, 회전, 크기 조정, 자르기 등)과 픽셀 변환(예: 노이즈, 흐림, 밝기 조정, 채도 조정 등)이 포함됩니다. 데이터 증대의 목표는 더 많은 훈련 샘플을 생성하는 동시에 특정 훈련 샘플에 지나치게 의존하는 것을 방지하는 것입니다. 이를 통해 모델이 데이터 변경에 더 효과적으로 대응하고 과적합을 방지할 수 있습니다. 데이터 증대는 모델이 더 많은 데이터 변형을 학습하고 특정 훈련 샘플에 지나치게 의존하는 것을 방지하는 데 도움이 될 수 있습니다. 감시 데이터 향상 기술의 경우 다양한 변환(예: 뒤집기, 회전, 크기 조정, 자르기 등)과 픽셀 변환(예: 노이즈, 흐림, 밝기 조정, 채도 조정 등)을 적용할 수 있습니다. 이러한 기술은 모델이 데이터 변경에 더 잘 대응하고 과적합을 방지하는 데 도움이 될 수 있습니다. 데이터 증대 기술을 최대한 활용하기 위해 다양한 데이터 변환(예: 뒤집기, 회전, 크기 조정, 자르기 등)과 픽셀 변환(예: 노이즈, 흐림, 밝기 조정, 채도 조정

)을 사용할 수 있습니다. 새로운 디자인 프레임워크

백본 네트워크의 기능은 기능을 추출하는 것입니다. YOLOv7의 원래 백본은 정규화 및 SiLU 활성화 기능으로 구성된 여러 CBS, MP 및 ELAN 모듈로 구성됩니다. 개선된 백본 네트워크는 ELAN 모듈을 MobileOne 모듈로 대체하여 속도를 향상시키고, 각 MobileOne 모듈 뒤에 Coordinated Attention 모듈을 추가합니다. 개선된 방법은 입력 이미지의 두드러진 특징에 집중하고 외부 정보를 억제함으로써 효과적으로 개선할 수 있습니다. 감지 정확도 네트워크의 헤드는 하나의 SPPPCC, 여러 개의 ELAN2, CatConv 및 세 개의 RepVGG 구성으로 구성된 PaFPN 구조입니다. ELAN의 설계는 데이터 경로 설계 전략과 비교됩니다. 경사 경로 설계 전략은 경사의 소스와 구성을 분석하여 네트워크 매개변수를 효과적으로 활용하는 네트워크 아키텍처를 설계하는 데 중점을 둡니다. ELAN과 ELAN2의 차이점은 훈련 성능을 향상하기 위해 RepVGG 블록에 적용되는 구조적 재매개변수화 방법입니다. 추론 속도. 3개의 특징 맵을 출력한 후 헤드는 3개의 RepConv 모듈을 통해 서로 다른 크기의 3개의 예측 결과를 생성합니다.

04 모델을 훈련하고 플랫폼의 하드웨어 및 소프트웨어 구성을 수행합니다. 아래 표에 나와 있습니다.

Win 10

CPU

I7-11700

GPU

RTX 3090

RAM

32GB

언어

Python 3.7

Framework

Pytorch 1.11.0

훈련에서 SGD는 모델 훈련에 사용되며 운동량은 0.937, 무게 감쇠율은 0.0005입니다. Lr0과 lrf는 각각 00.1과 0.1로 설정되었습니다. 이는 초기 학습률이 0.01이고 최종 학습률이 초기 학습률의 0.1배라는 의미입니다. 또한 모델이 데이터에 더 잘 맞도록 하기 위해 5번의 준비 훈련을 실시했습니다. 워밍업 훈련 방법을 사용하면 모델이 처음 몇 에포크 동안 안정화된 다음 미리 설정된 학습 속도로 훈련하여 더 빠르게 수렴할 수 있습니다. 모든 학습은 150 Epoch로 수행되며 배치 크기는 16으로 설정됩니다.

위 내용은 스마트 빌딩: YOLOv7 기반 건물 외벽 결함 감지의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!