【技术实现步骤摘要】
缺陷检测方法、系统及机器人
[0001]本专利技术属于数据处理
，尤其涉及一种缺陷检测方法、系统及机器人。
技术介绍
[0002]在建筑工程项目中，由于生产工艺或人为因素，建筑物表面可能会产生划痕、裂纹、孔洞等缺陷，这些缺陷极大得降低了建筑物的质量，因此需要在质检环节将这些缺陷筛选出来，建筑工程项目质量缺陷检测主要依赖质检员的巡检和抽查。在某些建筑工程项目(例如，桥梁、大坝)中，质量缺陷信息采集的工作负荷大、危险程度高，易引发安全事故，并且质量缺陷识别依赖于质检员的知识储备，信息处理的效率低、可信度差。在数字化、信息化的浪潮下，某些项目开始使用建筑机器人(例如水下机器人、无人机等)来拍摄质量缺陷(例如，裂缝、锈蚀、孔洞等)的图片，利用机器学习或深度学习算法进行缺陷的检测，进而提高质检效率及可靠性。现有的技术方案虽然在一定程度上提高了质量缺陷检测的效率，但是其依托于机器人获取数据，将聚合数据进行模型训练，容易产生数据泄露风险。在工程建设实际中，各工程主体可能并不愿意共享质量缺陷信息，进而致使之前的技术方案无法真正的发挥大...
【技术保护点】
【技术特征摘要】
1.一种缺陷检测方法，其特征在于，所述方法包括：多个客户端设备、多个第一服务端设备以及第二服务端设备进行迁移学习初始化操作；其中，所述迁移学习初始化操作包括：任意一个所述客户端设备在不同视角下对目标建筑物进行图像采集，得到多张缺陷图像；所述客户端设备将所述缺陷图像输入预设的神经网络模型进行特征提取，得到所述缺陷图像的语义信息和显著信息；所述客户端设备根据所述语义信息以及所述显著信息对所述神经网络模型进行训练，得到第一模型；所述客户端设备将所述第一模型发送给通信连接的第一服务端设备；所述第一服务端设备将接收到的所述第一模型发送至所述第二服务端设备；所述第二服务端设备将接收到的所述第一模型下发至其余的所述客户端设备以及所述第一服务端设备；所述客户端设备以及所述第一服务端设备进行边缘联邦学习操作；其中，所述边缘联邦学习操作包括：所述第一服务端设备接收所有所述客户端设备发送的多个所述第一模型，并根据所有所述第一模型对本地模型进行更新操作，得到第二模型；所述第一服务端设备将所述第二模型下发至所述客户端设备；所述第一服务端设备以及所述第二服务端设备进行边云联邦学习操作；其中，所述边云联邦学习操作包括：所述第一服务端设备向所述第二服务端设备发送所述第二模型；所述第二服务端设备根据接收到的所有所述第二模型对本地模型进行更新操作，得到目标模型；所述第二服务端设备将所述目标模型发送至所述第一服务端设备，以使所述第一服务端设备发送所述目标模型至所述客户端设备；所述客户端设备接收所述目标模型，并将所述缺陷图像输入所述目标模型进行缺陷检测，确定目标缺陷信息。2.根据权利要求1所述的缺陷检测方法，其特征在于，所述任意一个所述客户端设备在不同视角下对目标建筑物进行图像采集，得到多张缺陷图像，包括：所述客户端设备在不同视角下对目标建筑物进行图像采集，得到多张初始图像；所述客户端设备对所述初始图像进行像素分析，确定裂缝像素以及背景像素；所述客户端设备根据所述裂缝像素生成正样本信息，并根据所述背景像素生成负样本信息；所述客户端设备根据所述正样本信息以及所述负样本信息生成所述缺陷图像。3.根据权利要求1所述的缺陷检测方法，其特征在于，所述神经网络包括语义分支和标志性分支；所述客户端设备将所述缺陷图像输入预设的神经网络模型进行特征提取，得到所述缺陷图像的语义信息和显著信息，包括：所述客户端设备将所述缺陷图像输入所述神经网络模型进行特征提取，得到所述缺陷
图像的高维特征；所述客户端设备将所述高维特征输入所述语义分支进行语义预测，得到所述缺陷图像的语义信息；所述客户端设备将所述高维特征输入所述标志性分支进行特征预测，得到所述缺陷图像的显著信息。4.根据权利要求1所述的缺陷检测方法，其特征在于，所述第一服务端设备接收所有所述客户端设备发送的多个所述第一模型，并根据所有所述第一模型对本地模型进行更新操作，得到第二模型，包括：每个所述第一服务端设备接收通信连接的所有所述客户端设备发送的多个所述第一模型；所述第一服务端设备对所有所述第一模型进行聚合操作和...
【专利技术属性】
技术研发人员：寇卫斌，朱光旭，吴海涛，王帅，史清江，
申请(专利权)人：深圳市大数据研究院，
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。