本发明专利技术公开了一种基于深度学习的玻璃幕墙裂痕检测方法、计算机装置及存储介质，包括使用无人机拍摄玻璃幕墙的红外图像，运行经过训练的YOLOv5模型，通过YOLOv5模型对红外图像进行处理获得裂痕识别结果，根据裂痕识别结果对玻璃幕墙上的裂痕进行定位等步骤。本发明专利技术使用无人机采集红外图像，并使用YOLOv5模型对红外图像进行处理获得裂痕识别结果，可以避免人工寻找玻璃幕墙的裂痕面临的危险以及低效率等缺点，通过根据裂痕识别结果对玻璃幕墙上的裂痕进行定位，可以实时地在玻璃幕墙上直观地显示出裂痕的位置，有利于指导对玻璃幕墙的维护工作，维持玻璃幕墙的使用安全和美观性。本发明专利技术广泛应用于图像处理技术领域。发明专利技术广泛应用于图像处理技术领域。发明专利技术广泛应用于图像处理技术领域。
【技术实现步骤摘要】
一种基于深度学习的玻璃幕墙裂痕检测方法、装置和介质
[0001]本专利技术涉及图像处理
，尤其是一种基于深度学习的玻璃幕墙裂痕检测方法、计算机装置及存储介质。
技术介绍
[0002]如今到处都是高楼耸立的写字楼，写字楼的外墙或者顶部大部分都是玻璃作为主要材料，而用于建造幕墙的玻璃在生产、存放、运输和安装过程中容易产生裂痕，存在裂痕的玻璃幕墙除了面临因破裂而威胁人身安全的风险外，还存在楼宇采光和美观方面的缺陷，因此需要检查玻璃幕墙是否存在裂痕。目前玻璃幕墙的裂痕检测技术，需要由专业的维护人员绑挂绳到达玻璃幕墙外表进行检查，这个过程非常消耗人力物力，检测效率低，而且维护人员面临着较大的安全风险。
[0003]术语解释：
[0004]深度学习：源于人工神经网络的研究。通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
[0005]conv：针对像素点的空间依赖性来对图像进行处理的一种技术，进行卷积计算。
[0006]BN：Batch Normalization，归一化处理。
[0007]Leaky_ReLU：在x大于0是输出x,在x非常小的线性分量给予负输入0.01x来调整负值的零梯度问题。
[0008]concat：张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。
[0009]slice：分割剪切操作。
技术实现思路
[0010]针对目前的玻璃幕墙裂痕检测技术面临的安全和效率问题，本专利技术的目的在于提供一种基于深度学习的玻璃幕墙裂痕检测方法、计算机装置及存储介质。
[0011]一方面，本专利技术实施例包括一种基于深度学习的玻璃幕墙裂痕检测方法，包括：
[0012]使用无人机拍摄玻璃幕墙的红外图像；
[0013]运行经过训练的YOLOv5模型；
[0014]通过所述YOLOv5模型对所述红外图像进行处理，获得裂痕识别结果；
[0015]根据所述裂痕识别结果，对所述玻璃幕墙上的裂痕进行定位。
[0016]进一步地，所述使用无人机拍摄玻璃幕墙的红外图像，包括：
[0017]控制所述无人机通过高自由度舵机驱动红外摄像头；
[0018]控制所述红外摄像头扫描所述玻璃幕墙，获得扫描图像；
[0019]建立坐标系；
[0020]将所述玻璃幕墙中的每块玻璃作为所述坐标系中的一个区域；
[0021]根据各所述区域对所述扫描图像进行分割，获得若干个所述红外图像。
[0022]进一步地，所述运行经过训练的YOLOv5模型，包括：
[0023]获取玻璃裂纹样本图像；
[0024]生成标签对所述玻璃裂纹样本图像进行标记；所述标签用于标记相应的所述玻璃裂纹样本图像中存在或者不存在裂纹，以及当所述玻璃裂纹样本图像中存在裂纹时，裂纹在所述玻璃裂纹样本图像中的位置信息；
[0025]搭建YOLOv5模型；所述YOLOv5模型包括输入端、基准网络端、Neck网络端和Head输出端；
[0026]将所述玻璃裂纹样本图像作为所述YOLOv5模型的输入，将所述标签作为所述YOLOv5模型的预期输出，对所述YOLOv5模型进行训练。
[0027]进一步地，所述获取玻璃裂纹样本图像，包括：
[0028]对所述玻璃裂纹样本图像进行预处理，从而扩大所述玻璃裂纹样本图像的数量规模。
[0029]进一步地，所述对所述玻璃裂纹样本图像进行预处理，包括：
[0030]对所述玻璃裂纹样本图像进行随机缩放、随机裁剪、随机排布和拼接操作。
[0031]进一步地，所述通过所述YOLOv5模型对所述红外图像进行处理，获得裂痕识别结果，包括：
[0032]执行多轮迭代过程，直至满足迭代结束条件，获取最后一轮所述迭代过程的裂痕识别结果；
[0033]在第一轮迭代过程中，将所述红外图像输入至所述YOLOv5模型进行处理，获取所述YOLOv5模型输出的本轮的锚定框，从所述红外图像中裁剪出所述锚定框对应的部分，作为本轮的裂痕识别结果；
[0034]在除了第一轮迭代过程的其他各轮迭代过程中，将上一轮迭代过程的裂痕识别结果输入至所述YOLOv5模型进行处理，获取所述YOLOv5模型输出的本轮的锚定框，从所述红外图像中裁剪出所述锚定框对应的部分，作为本轮的裂痕识别结果。
[0035]进一步地，所述迭代结束条件包括：
[0036]已执行的迭代过程的累计轮数达到轮数阈值，或者各轮的裂痕识别结果的大小收敛。
[0037]进一步地，所述根据所述裂痕识别结果，对所述玻璃幕墙上的裂痕进行定位，包括：
[0038]根据所述裂痕识别结果，生成裂痕标识图像；
[0039]控制所述无人机向所述玻璃幕墙投射光斑；所述光斑呈现出所述裂痕标识图像。
[0040]另一方面，本专利技术实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的基于深度学习的玻璃幕墙裂痕检测方法。
[0041]另一方面，本专利技术实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的基于深度学习的玻璃幕墙裂痕检测方法。
[0042]本专利技术的有益效果是：实施例中的基于深度学习的玻璃幕墙裂痕检测方法，使用无人机爬升到楼宇玻璃幕墙的高度采集红外图像，并使用YOLOv5模型对红外图像进行处理获得裂痕识别结果，可以避免人工寻找玻璃幕墙的裂痕面临的危险以及低效率等缺点，通
过根据裂痕识别结果对玻璃幕墙上的裂痕进行定位，可以实时地在玻璃幕墙上直观地显示出裂痕的位置，从而有利于指导对玻璃幕墙的维护工作，维持玻璃幕墙的使用安全和美观性。
附图说明
[0043]图1为实施例中基于深度学习的玻璃幕墙裂痕检测方法的流程图；
[0044]图2为实施例中基于深度学习的玻璃幕墙裂痕检测方法的原理图；
[0045]图3为实施例中YOLOv5模型的结构图。
具体实施方式
[0046]本实施例中，参照图1，基于深度学习的玻璃幕墙裂痕检测方法包括以下步骤：
[0047]S1.使用无人机拍摄玻璃幕墙的红外图像；
[0048]S2.运行经过训练的YOLOv5模型；
[0049]S3.通过YOLOv5模型对红外图像进行处理，获得裂痕识别结果；
[0050]S4.根据裂痕识别结果，对玻璃幕墙上的裂痕进行定位。
[0051]本实施例中，可以使用由无人机和地面端组成的系统来执行基于深度学习的玻璃幕墙裂痕检测方法。其中，可以使用个人电脑或者专用控制终端作为地面端，地面端与无人机之间通过无线通信协议连接。无人机上安装有高自由度(例如180
°
自由度)的舵机，舵机上安装云台，云台上安装红外摄像头。地面端可以向无人机发出飞控指令以及控制舵机、云本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的玻璃幕墙裂痕检测方法，其特征在于，所述基于深度学习的玻璃幕墙裂痕检测方法包括：使用无人机拍摄玻璃幕墙的红外图像；运行经过训练的YOLOv5模型；通过所述YOLOv5模型对所述红外图像进行处理，获得裂痕识别结果；根据所述裂痕识别结果，对所述玻璃幕墙上的裂痕进行定位。2.根据权利要求1所述的基于深度学习的玻璃幕墙裂痕检测方法，其特征在于，所述使用无人机拍摄玻璃幕墙的红外图像，包括：控制所述无人机通过高自由度舵机驱动红外摄像头；控制所述红外摄像头扫描所述玻璃幕墙，获得扫描图像；建立坐标系；将所述玻璃幕墙中的每块玻璃作为所述坐标系中的一个区域；根据各所述区域对所述扫描图像进行分割，获得若干个所述红外图像。3.根据权利要求1所述的基于深度学习的玻璃幕墙裂痕检测方法，其特征在于，所述运行经过训练的YOLOv5模型，包括：获取玻璃裂纹样本图像；生成标签对所述玻璃裂纹样本图像进行标记；所述标签用于标记相应的所述玻璃裂纹样本图像中存在或者不存在裂纹，以及当所述玻璃裂纹样本图像中存在裂纹时，裂纹在所述玻璃裂纹样本图像中的位置信息；搭建YOLOv5模型；所述YOLOv5模型包括输入端、基准网络端、Neck网络端和Head输出端；将所述玻璃裂纹样本图像作为所述YOLOv5模型的输入，将所述标签作为所述YOLOv5模型的预期输出，对所述YOLOv5模型进行训练。4.根据权利要求3所述的基于深度学习的玻璃幕墙裂痕检测方法，其特征在于，所述获取玻璃裂纹样本图像，包括：对所述玻璃裂纹样本图像进行预处理，从而扩大所述玻璃裂纹样本图像的数量规模。5.根据权利要求4所述的基于深度学习的玻璃幕墙裂痕检测方法，其特征在于，所述对所述玻璃裂纹样本图像进行预处理，包括：对所述玻璃裂纹样本图像进行随机缩放、随机裁剪、随机排布和拼接操作...
【专利技术属性】
技术研发人员：黄旭光，吴正，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：
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。