【技术实现步骤摘要】
基于轻量化深度学习模型的结构缺陷快速识别与分类方法
[0001]本专利技术涉及缺陷识别
，特别涉及基于轻量化深度学习模型的结构缺陷快速识别与分类方法。
技术介绍
[0002]随着经济的快速发展，各种各样的建筑的建造速度也越来越快，如：楼房、桥梁，堤坝以及各种工业建筑，同时，这些建筑在长期的使用过程中，也会出现破损和老化，因此，需要定期对建筑进行检测和修复，以防发生安全事故，目前，最常见的做法是基于视觉的人工监测方法，采用肉眼检查、手工描绘等方式来识别建筑的裂缝等缺陷，并记录其分布及形状，然而，人工检查时效性低，性价比低，需要投入大量人力物力，不易及时发现建筑存在的安全隐患，且检查结果的有很大的主观性，不同工程人员对同个结构的判断也存在差异性，准确率较低。
[0003]因此，如何提供一种准确率高的图像缺陷识别方法，是本领域技术人员亟待解决的问题。
技术实现思路
[0004]本申请实施例提供了基于轻量化深度学习模型的结构缺陷快速识别与分类方法，旨在解决现有图像缺陷识别技术准确率低的问题。
[...
【技术保护点】
【技术特征摘要】
1.基于轻量化深度学习模型的结构缺陷快速识别与分类方法，其特征在于，包括：利用VGG16
‑
U
‑
Net模型对采集的缺陷图像进行语义分割处理，去除图像背景噪声干扰；构建EfficientNetB0模型，对EfficientNetB0模型进行训练，得到训练好的EfficientNetB0模型；将语义分割处理后的缺陷图像输入训练好的EfficientNetB0模型中进行识别，并输出识别结果。2.如权利要求1所述的基于轻量化深度学习模型的结构缺陷快速识别与分类方法，其特征在于，所述VGG16
‑
U
‑
Net模型包括编码层、解码层及最终卷积层。3.如权利要求1所述的基于轻量化深度学习模型的结构缺陷快速识别与分类方法，其特征在于，所述利用VGG16
‑
U
‑
Net模型对采集的缺陷图像进行语义分割处理之前，包括：通过迁移学习使已经训练好的VGG16
‑
U
‑
Net模型完成参数初始化。4.如权利要求2所述的基于轻量化深度学习模型的结构缺陷快速识别与分类方法，其特征在于，所述利用VGG16
‑
U
‑
Net模型对采集的缺陷图像进行语义分割处理，包括：将采集的缺陷图像通过输入层输入编码器，编码器提取图像特征，图像特征通过跳跃连接输入到解码器中，解码器的反卷积层对图像进行上采样，将特征逐步恢复到图像的原始大小，全卷积层对图像中每个像素进行预测分类，不同类别的像素由不同颜色标记，从而实现语义分割处理。5.如权利要求4所述的基于轻量化深度学习模型的结构缺陷快速识别与分类方法，其特征在于，所述对EfficientNetB0模型进行训练，包括：将采集的缺陷图像数据集分为训练集、验证集、测试集三个部分，比例分别为6：...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。