Bangunan Pintar: Pengesanan Kecacatan Dinding Luar Bangunan Berdasarkan YOLOv7

01 Ringkasan Outlook

Kaedah berasaskan pembelajaran mendalam semasa menghadapi beberapa cabaran dari segi kelajuan pengecaman dan kerumitan model. Untuk memastikan ketepatan dan kelajuan pengesanan kecacatan dinding luar bangunan, kami mengkaji kaedah YOLOv7 yang lebih baik bernama BFD-YOLO. Pertama, modul ELAN asal dalam YOLOv7 digantikan dengan modul MobileOne yang ringan untuk mengurangkan bilangan parameter dan meningkatkan kelajuan inferens. Kedua, modul perhatian koordinat ditambah pada model untuk meningkatkan keupayaan pengekstrakan ciri. Seterusnya, SCYLLA-IoU digunakan untuk mempercepatkan pengesanan dan meningkatkan penarikan semula model. Akhirnya, kami melanjutkan set data terbuka dan membina set data kerosakan fasad bangunan termasuk tiga kecacatan biasa. BFD-YOLO menunjukkan ketepatan dan kecekapan yang sangat baik berdasarkan set data ini. Berbanding dengan YOLOv7, ketepatan dan mAP@0.5 BFD-YOLO masing-masing meningkat sebanyak 2.2% dan 2.9%, sambil mengekalkan kecekapan yang tinggi. Eksperimen menunjukkan bahawa kaedah ini mencapai ketepatan pengesanan yang tinggi sambil memastikan prestasi masa nyata.

02 Situasi Semasa dan Motivasi Projek

Kehadiran kecacatan fasad adalah isu mendesak semasa fasa operasi pembinaan dan sering dikaitkan dengan faktor mekanikal dan persekitaran. Kecacatan biasa termasuk spalling konkrit, spalling hiasan, retak komponen, ubah bentuk berskala besar, kerosakan jubin, kerosakan lembapan, dsb. Kecacatan ini boleh menjejaskan penampilan dan mengurangkan hayat perkhidmatan bangunan. Sebagai bahagian penting dalam pengesanan kerosakan struktur, pengesanan kecacatan dinding luar bangunan boleh membolehkan kerajaan dan pengurusan memahami dengan tepat keadaan menyeluruh dinding luar bangunan, sekali gus membantu merangka pelan pembaikan yang munasabah. Ini penting untuk mengurangkan kos penyelenggaraan bangunan dan memanjangkan hayat perkhidmatan bangunan. Sebagai bahagian penting dalam pengesanan kerosakan struktur, pengesanan kecacatan dinding luar bangunan boleh membolehkan kerajaan dan pengurusan memahami dengan tepat keadaan menyeluruh dinding luar bangunan, sekali gus membantu merangka pelan pembaikan yang munasabah. Ini penting untuk mengurangkan kos penyelenggaraan bangunan dan memanjangkan hayat perkhidmatan bangunan. Banyak negara dan wilayah sedang membangunkan dasar untuk pemeriksaan visual piawai berkala. Pengesanan kecacatan pada dinding luar bangunan telah menjadi bahagian penting dalam penyelenggaraan bangunan, yang membantu memahami dengan tepat keadaan menyeluruh dinding luar bangunan, dengan itu membantu merumuskan pelan pembaikan yang munasabah. Ini adalah cara penting untuk mengurangkan kos penyelenggaraan bangunan dan memanjangkan hayat perkhidmatan bangunan. Banyak negara dan wilayah sedang membangunkan dasar untuk pemeriksaan visual piawai berkala. Pengesanan kecacatan pada dinding luar bangunan telah menjadi bahagian penting dalam penyelenggaraan bangunan, yang membantu memahami dengan tepat keadaan menyeluruh dinding luar bangunan, dengan itu membantu merumuskan pelan pembaikan yang munasabah. Ini adalah cara penting untuk mengurangkan kos penyelenggaraan bangunan dan memanjangkan hayat perkhidmatan bangunan. Pengesanan kecacatan pada dinding luar bangunan telah menjadi bahagian penting dalam penyelenggaraan bangunan, yang membantu memahami dengan tepat keadaan menyeluruh dinding luar bangunan, dengan itu membantu merumuskan pelan pembaikan yang munasabah. Ini adalah cara penting untuk mengurangkan kos penyelenggaraan bangunan dan memanjangkan hayat perkhidmatan bangunan.

Pemeriksaan visual ialah cara yang mudah dan boleh dipercayai untuk menilai keadaan bahagian luar bangunan. Pemeriksaan luaran bangunan tradisional biasanya memerlukan profesional untuk tiba di tapak pemeriksaan dengan peralatan khusus, di mana ia dinilai menggunakan pemeriksaan visual, pukulan dan teknik lain. Kaedah ini bergantung pada kepakaran dan pengalaman pemeriksa, yang subjektif, berbahaya dan tidak cekap. Disebabkan oleh peningkatan dalam bilangan dan skala bangunan, kaedah pemeriksaan visual manual tidak lagi mencukupi untuk memenuhi keperluan untuk pemeriksaan berskala besar. Seiring dengan kemajuan teknologi, banyak kaedah baharu (seperti pengimbasan laser, pengimejan terma 3D dan SLAM) digunakan untuk pengesanan kerosakan dinding luaran melalui dron dan platform robotik. Kaedah baharu ini lebih mudah dan selamat daripada teknik tradisional, tetapi memakan masa dan kos yang tinggi. Oleh itu, kaedah ini juga menghadapi cabaran dalam memenuhi keperluan pemeriksaan berskala besar. Oleh itu, adalah perlu untuk membangunkan kaedah pengesanan kecacatan permukaan yang lebih tepat dan berkesan untuk meningkatkan kecekapan pengesanan dan mengurangkan kos pengiraan.

03 Idea baharu dan butiran praktikal

Terdapat banyak jenis kecacatan dinding luar bangunan, dan kaedah pengesanan berbeza boleh digunakan. Jenis biasa termasuk kecacatan tarik keluar, spalling dan rongga dinding. Untuk retak, terdapat lebih banyak kajian menggunakan segmentasi semantik untuk pengesanan. Untuk rongga dinding, kaedah mengetuk dan kaedah pengimejan terma inframerah lebih banyak digunakan. Selepas penyelidikan dan penyelidikan, kami memilih jenis kecacatan yang sesuai untuk kaedah pengesanan sasaran dan mudah untuk membina set data. Imej dalam set data terutamanya datang daripada imej fasad bangunan yang diambil oleh telefon bimbit, kamera dan dron. Selain itu, beberapa imej daripada Internet dan set data awam juga digunakan untuk pengembangan. Semua imej berjulat lebar dari 1000 piksel hingga 3000 piksel. Julat ketinggian adalah antara 2000 piksel dan 5000 piksel. Set data terdiri daripada tiga kecacatan fasad bangunan: delaminasi, spalling dan kehilangan jubin. Sebanyak 1907 imej asal telah dikumpulkan, yang mengandungi imej latar belakang imej pengimejan terma inframerah. Imej latar belakang ialah imej bebas kecacatan yang ditambahkan pada set data untuk mengurangkan lokasi ralat. Set latihan, set pengesahan dan set ujian dibahagikan mengikut nisbah 7:2:1. Imej di bawah menunjukkan contoh kecacatan dalam set data.

Dari kiri ke kanan adalah penembusan, spalling dan kehilangan jubin.

Pembesaran Data

Sejumlah besar data selalunya diperlukan dalam latihan model rangkaian saraf. Walau bagaimanapun, agak sukar untuk mendapatkan imej kecacatan fasad bangunan, dan terdapat masalah ketidakseimbangan kelas dalam data yang dikumpul. Untuk mengurangkan kesan masalah ini, kami menggunakan teknik penambahan data pada data latihan. Pembesaran data ialah teknik biasa untuk melakukan pelbagai transformasi pada data mentah. Ia digunakan secara meluas dalam bidang pembelajaran mendalam untuk menjana lebih banyak data latihan. Pembesaran data boleh membantu model mempelajari lebih banyak variasi data dan mengelakkannya daripada terlalu bergantung pada sampel latihan tertentu. Teknik peningkatan data pengawasan termasuk transformasi geometri (cth., membalikkan, berputar, menskala, memotong, dll.) dan transformasi piksel (cth., hingar, kabur, pelarasan kecerahan, pelarasan tepu, dsb.). Matlamat penambahan data adalah untuk menjana lebih banyak sampel latihan sambil menghalangnya daripada terlalu bergantung pada sampel latihan tertentu. Ini boleh membantu model bertindak balas dengan lebih baik kepada perubahan dalam data dan mengelakkan pemasangan berlebihan. Pembesaran data boleh membantu model mempelajari lebih banyak variasi data dan mengelakkannya daripada terlalu bergantung pada sampel latihan tertentu. Untuk teknik peningkatan data pengawasan, pelbagai transformasi (cth., membalikkan, berputar, menskala, memotong, dll.) dan transformasi piksel (cth., hingar, kabur, pelarasan kecerahan, pelarasan tepu, dll.) boleh digunakan. Teknik ini boleh membantu model bertindak balas dengan lebih baik kepada perubahan dalam data dan mengelakkan pemasangan berlebihan. Untuk memanfaatkan sepenuhnya teknik penambahan data, kami boleh menggunakan transformasi data yang berbeza (seperti membalikkan, memutar, menskala, memotong, dll.) dan transformasi piksel (seperti hingar, kabur, pelarasan kecerahan, pelarasan tepu

Reka bentuk baharu Rangka kerja

Fungsi rangkaian tulang belakang adalah untuk mengekstrak ciri Tulang belakang asal YOLOv7 terdiri daripada beberapa modul CBS, MP dan ELAN yang terdiri daripada fungsi normalisasi dan SiLU. Rangkaian tulang belakang yang dipertingkatkan menggantikan modul ELAN dengan modul MobileOne untuk meningkatkan kelajuan, dan menambah modul perhatian yang diselaraskan di belakang setiap modul MobileOne Kaedah yang dipertingkatkan boleh memfokuskan pada ciri penting dalam imej input dan menyekat maklumat luaran, dengan itu meningkatkan pengesanan dengan berkesan. Ketepatan. Ketua rangkaian ialah struktur PaFPN, yang terdiri daripada satu SPPPCC, beberapa blok ELAN2, CatConv dan tiga RepVGG Reka bentuk ELAN menggunakan strategi reka bentuk laluan kecerunan strategi reka bentuk laluan memberi tumpuan kepada menganalisis sumber dan komposisi kecerunan untuk mereka bentuk seni bina rangkaian yang menggunakan parameter rangkaian dengan berkesan. . Kelajuan. Selepas mengeluarkan tiga peta ciri, kepala menjana tiga hasil ramalan dengan saiz yang berbeza melalui tiga modul RepConv

04 Platform percubaan diwujudkan untuk melatih model dan menjalankan eksperimen platform ditunjukkan dalam jadual berikut..

RAM

32GB

Bahasa

Python 3.7

Rangka Kerja

Dalam latihan, SGD digunakan untuk latihan model, momentum ialah 0.937, dan kadar pereputan berat ialah 0.0005. Lr0 dan lrf masing-masing ditetapkan kepada 00.1 dan 0.1, yang bermaksud kadar pembelajaran awal ialah 0.01 dan kadar pembelajaran akhir ialah 0.1 kali kadar pembelajaran awal. Di samping itu, untuk menjadikan model lebih sesuai dengan data, lima zaman latihan memanaskan badan telah dijalankan. Kaedah latihan memanaskan badan membolehkan model menjadi stabil semasa beberapa zaman pertama dan kemudian berlatih pada kadar pembelajaran pratetap untuk menumpu lebih cepat. Semua latihan dilakukan dengan 150 zaman dan saiz kumpulan ditetapkan kepada 16.

Atas ialah kandungan terperinci Bangunan Pintar: Pengesanan Kecacatan Dinding Luar Bangunan Berdasarkan YOLOv7. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!