一种基于卷积神经网络的建筑表面裂纹识别方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的建筑表面裂纹识别方法及系统；本发明专利技术涉及建筑工程技术领域。通道注意力机制通过计算不同通道的权重来强调重要的特征通道。CBAM注意力机制模块使用全局平均池化来压缩空间维度，然后通过多层感知机来学习通道之间的依赖关系。本发明专利技术通过集成CBAM注意力机制，模型能够更精确地聚焦于图像中的裂纹区域，无论裂纹的尺寸、形状和方向如何。这显著提高了裂纹检测的精度，降低了误检和漏检的可能性。本发明专利技术的CBAM模块的引入使模型能够自适应地关注图像中的关键特征，从而在面对复杂背景、光照变化、噪声干扰等挑战时表现出更强的鲁棒性。这意味着模型能够在各种实际应用场景中稳定工作，提供可靠的裂纹检测结果。

【技术实现步骤摘要】

本专利技术涉及建筑工程，具体涉及建筑裂纹检测用神经网络模型，特别涉及一种基于卷积神经网络的建筑表面裂纹识别方法及系统。

技术介绍

1、建筑裂纹的出现可能是由于材料老化、施工质量问题、地基沉降、温度变化等多种原因造成的。若不及时发现并处理，这些裂纹可能会扩大，进而影响建筑的稳定性和耐久性，甚至危及人身安全。因此，定期对建筑表面进行裂纹检测是至关重要的。

2、随着建筑业的快速发展，建筑裂缝的检测与识别工作变得越来越重要。然而，传统的检测方法，如人工目视检查或使用简单的测量工具，存在诸多局限性。这些方法不仅检测难度大，而且误检率和漏检率都相对较高。此外，传统方法的检测效率也较低，无法满足大规模、高效率的检测需求。

3、yolov5(you only look once version 5)是一种基于深度学习的目标检测算法，属于神经网络的一种。它采用了卷积神经网络结构，能够同时预测多个目标物体的位置和类别。yolov5以其高效、准确的检测性能在目标检测领域占据了主导地位。该算法具有较快的检测速度和较高的准确率，特别适用于实时性要求较高的应用本文档来自技高网...

【技术保护点】

1.一种基于卷积神经网络的建筑表面裂纹识别方法，其特征在于，包括：

2.根据权利要求1所述的建筑表面裂纹识别方法，其特征在于：在所述S1中，包括：通道注意力机制：

3.根据权利要求2所述的建筑表面裂纹识别方法，其特征在于：在所述通道注意力机制中，引入通道注意力权重sc，通过一个两层的MLP来学习：

4.根据权利要求1所述的建筑表面裂纹识别方法，其特征在于：在所述S1中，包括：空间注意力机制：

5.根据权利要求1所述的建筑表面裂纹识别方法，其特征在于：在所述S2中，包括：

6.根据权利要求5所述的建筑表面裂纹识别方法，其特征在于：...

【技术特征摘要】

1.一种基于卷积神经网络的建筑表面裂纹识别方法，其特征在于，包括：

2.根据权利要求1所述的建筑表面裂纹识别方法，其特征在于：在所述s1中，包括：通道注意力机制：

3.根据权利要求2所述的建筑表面裂纹识别方法，其特征在于：在所述通道注意力机制中，引入通道注意力权重sc，通过一个两层的mlp来学习：

4.根据权利要求1所述的建筑表面裂纹识别方法，其特征在于：在所述s1中，包括：空间注意力机制：

5.根据权利要求1所述的建筑表面裂纹识别方法，其特征在于：在所述s2中，包括：

6.根据权利要求5所述的建筑表面裂纹识别方法，其特征在于：在所述s2中，定位损失采用均...

【专利技术属性】
技术研发人员：蒋武衡，
申请(专利权)人：广州科技职业技术大学，
类型：发明
国别省市：