智慧建築：基於YOLOv7的建築外牆缺陷檢測

01 前景摘要

目前的基於深度學習的方法在辨識速度和模型複雜性方面臨一些挑戰。為了確保建築外牆缺陷偵測的準確性和速度，我們研究了一種改良的YOLOv7方法，名為BFD-YOLO。首先，將YOLOv7中原有的ELAN模組替換為輕量級的MobileOne模組，以減少參數數量並提高推理速度。其次，在模型中加入了座標注意力模組，增強了特徵提取能力。接下來，使用SCYLLA-IoU來加快偵測速度並增加模型的召回率。最後，我們擴展了開放資料集，建立了一個包括三個典型缺陷的建築立面損傷資料集。 BFD-YOLO基於此資料集展示了卓越的準確性和效率。與YOLOv7相比，BFD-YOLO的精確度和mAP@0.5分別提高了2.2%和2.9%，同時維持了相當的效率。實驗證明，該方法在保證即時性能的前提下，獲得了較高的檢測精度。

02 現狀和專案動機

外牆缺陷的存在是建築營運階段的一個緊迫問題，通常歸因於機械和環境因素。典型的缺陷表現為混凝土剝落、裝飾剝落、構件裂縫、大規模變形、瓷磚損傷、潮濕損壞等。這些缺陷會影響外觀，降低建築物的使用壽命。作為結構損傷檢測的一個組成部分，建築外牆缺陷檢測可以使政府和管理層準確地了解建築外牆的綜合狀況，從而有助於制定合理的維修方案。這是降低建築維護成本、延長建築使用壽命使用壽命至關重要。作為結構損傷檢測的一個組成部分，建築外牆缺陷檢測可以使政府和管理層準確地了解建築外牆的綜合狀況，從而有助於制定合理的維修方案。這是降低建築維護成本、延長建築使用壽命使用壽命至關重要。許多國家和地區正在製定週期性標準化目視檢查的政策。建築外牆缺陷檢測已成為建築維護的重要組成部分，有助於準確了解建築外牆的綜合狀況，從而有助於制定合理的維修方案。這是降低建築維護成本、延長建築使用壽命的重要方法。許多國家和地區正在製定週期性標準化目視檢查的政策。建築外牆缺陷檢測已成為建築維護的重要組成部分，有助於準確了解建築外牆的綜合狀況，從而有助於制定合理的維修方案。這是降低建築維護成本、延長建築使用壽命的重要方法。建築外牆缺陷檢測已成為建築維護的重要組成部分，有助於準確了解建築外牆的綜合狀況，從而有助於制定合理的維修方案。這是降低建築維護成本、延長建築使用壽命的重要方法。

目視檢查是評估建築外觀狀態的簡單可靠的方法。傳統的建築外觀檢查通常需要專業人員帶著專用工具到達檢查地點，在那裡使用視覺觀察、錘擊和其他技術進行評估。這些方法依賴檢查員的專業知識和經驗，這是主觀的、危險的和低效的。由於建築數量的增加和規模的擴大，人工目視檢查方法已不足以滿足大規模檢查的要求。隨著技術的進步，許多新方法（如雷射掃描、3D熱成像和SLAM）正被用於透過無人機和機器人平台進行外牆損傷檢測。與傳統技術相比，這些新方法更方便、更安全，但耗時且成本高。因此，這些方法在滿足大規模檢查的需求面前也面臨挑戰。因此，有必要開發一種更精確、更有效的表面缺陷檢測方法，以提高檢測效率並降低計算成本。

03 新想法及實務細節

#建築外牆缺陷有多種類 型，不同的偵測方法都適用。常見的類 型 包括拔裂缺陷、剝落和牆體空鼓。對於裂紋，有更多的研究使用語義分割進行檢測。對於牆體空鼓，敲擊法和紅外線熱像法應用更為廣泛。我們經過研究和研究，選擇了適合目標檢測方法且易於建立資料集的缺陷類 型 。資料集中的圖片主要來自手機、攝影機和無人機拍攝的建築立面圖片。此外，一些來自網路和公共資料集的圖片也被用於擴展。所有圖片的寬度範圍從1000像素到3000像素之間。高度範圍為2000像素到5000像素之間。此資料集由三個建築外牆 缺陷 組成：分層、剝落和磁磚損失。總共收集了1907張原始圖片，其中包含紅外線熱像圖像的背景圖片。背景圖片是添加到資料集中以減少錯誤位置的沒有缺陷的圖片。訓練集、驗證集和測試集依照7:2:1的比例來劃分。下圖顯示了資料集中的缺陷範例。

從左到右分別是分層、剝落和磁磚損耗。

Data Augmentation

#在神經網路的模型訓練中經常需要大量的資料。然而，獲取建築外牆缺陷的圖像相對困難，並且在收集的數據中存在類別不平衡的問題。為了減輕這個問題的影響，我們將資料擴充技術應用於訓練資料。資料擴充是對原始資料執行各種轉換的常用技術。它被廣泛應用於深度學習領域，以產生更多的訓練資料。資料擴充可以幫助模型學習更多的資料變化，防止其過度依賴特定的訓練樣本。 監控資料增強技術包括幾何變換（例如，翻轉、旋轉、縮放、裁剪等）和像素變換（例如，雜訊、模糊、亮度調整、飽和度調整等）。資料擴充的目標是產生更多的訓練樣本，同時防止其過度依賴特定的訓練樣本。這可以幫助模型更好地應對資料的變化，防止過度擬合。 資料擴充可以幫助模型學習更多的資料變化，防止其過度依賴特定的訓練樣本。對於監控資料增強技術，可以應用各種變換（例如，翻轉、旋轉、縮放、裁剪等）和像素變換（例如，雜訊、模糊、亮度調整、飽和度調整等）。這些技術可以幫助模型更好地應對資料的變化，防止過度擬合。 為了充分利用資料擴充技術，我們可以使用不同的資料變換（例如翻轉、旋轉、縮放、裁剪等）和像素變換（例如雜訊、模糊、亮度調整、飽和度調整

##新設計框架

#它可以分成主幹和頭。網路的功能是提取特徵。的主幹網以MobileOne模組取代了ELAN模組以提高速度，並在每個MobileOne模件後面添加了一個協調注意力模組。地提高檢測精度。策略。間的差異在於它們的通道數量不同。頭透過三個RepConv模組產生三個不同大小的預測結果。模型並進行測試。環境

名稱

系統

Win 10

#CPU

I7- 11700

GPU

#RTX 3090

#RAM

#32GB

#語言

Python 3.7

################################# #Pytorch 1.11.0########################在訓練中，SGD用於模型訓練，動量為0.937，權重衰減率為0.0005。 Lr0和lrf分別設定為00.1和0.1，代表初始學習率為0.01，最終學習率為初始學習率的0.1倍。此外，為了使模型更好地擬合數據，還進行了五次epoch的熱身訓練。預熱訓練方法允許模型在最初的幾個時期內穩定下來，然後以預設的學習速率進行訓練，以更快地收斂。所有訓練都是用150個epoch進行的，批次大小設定為16。 ###############################

以上是智慧建築：基於YOLOv7的建築外牆缺陷檢測的詳細內容。更多資訊請關注PHP中文網其他相關文章！