【技术实现步骤摘要】
本专利技术涉及图像智能化识别，尤其涉及一种基于图像识别的防水卷材低温柔性检测方法。
技术介绍
1、随着现代建筑的发展，防水卷材越来越广泛地应用于屋顶和地下室等建筑防水领域。但是，在某些严寒的地区，低温环境对防水卷材的使用会带来一定的负面影响。在低温环境下，防水卷材的柔性会变差，易产生开裂和断裂的现象，从而影响其使用寿命和性能。为了保障防水卷材的使用寿命和性能，必须对其进行低温柔性试验。低温柔性试验主要是模拟低温环境下的实际情况，对防水卷材进行弯曲、拉伸等试验，以评估其低温下的柔性和韧性。
2、现有防水卷材低温柔性检测设备按照标准检测完毕后，检测人员取出防水卷材的样品，使用肉眼判别卷材是否开裂，从而判定检验批是否合格。由于防水卷材低温柔性为防水卷材重要性能指标，工程建设中实验室及工地现场检测需求量大，受实验室现场光线试验条件限制以及人为疲劳因素的影响，对于微小裂缝的判断往往有所偏差。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种基于图像识别的防水卷材低温柔性检测方法，用以解决现有防水卷材在低温柔性检测后无法精确快速地识别卷材裂缝的问题。
2、本专利技术的目的主要是通过以下技术方案实现的：
3、本专利技术提供了一种基于图像识别的防水卷材低温柔性检测方法，包括如下步骤：
4、获取经过低温柔性测试的多个防水卷材样品的图像；
5、将各图像分别输入训练好的防水卷材裂纹检测模型进行弯曲部位的裂纹检测，得到各样品弯曲部位
6、当存在裂纹的样品数量超过预设值时，判断所述低温柔性测试不合格。
7、进一步的，所述裂纹检测子模块包括高频特征提取模块、空域特征提取模块和频域空域特征混合模块；
8、所述弯曲部位的图像分别通过所述裂纹检测子模块的所述高频特征提取模块和所述空域特征提取模块，得到弯曲部位图像的不同尺度的高频特征和rgb特征；
9、将相同尺度的所述高频特征和所述rgb特征在所述裂纹检测子模块的频域空域特征混合模块进行特征融合后，通过裂纹检测头输出所述图像中弯曲处图像中的裂纹信息。
10、进一步的，所述高频特征和所述rgb特征在所述裂纹检测子模块的频域空域特征混合模块进行特征融合，包括：
11、所述高频特征和所述rgb特征进行矩阵相乘，得到混合频域特征；
12、所述混合频域特征分别与所述高频特征和所述rgb特征进行矩阵相乘，得到高频增强特征和rgb增强特征；
13、将所述高频增强特征和所述rgb特征进行矩阵相加后得到高频增强-rgb融合特征；
14、将所述rgb增强特征和所述高频特征进行矩阵相加后得到rgb增强-高频融合特征；
15、将所述高频增强-rgb融合特征和所述rgb增强-高频融合特征进行矩阵通道融合，得到融合特征。
16、进一步的，所述图像中弯曲处的图像依次通过所述空域特征提取模块的主干网络层和多尺度特征融合层得到不同尺度的rgb特征；其中，所述多尺度特征融合层包括三个不同尺度的目标检测层。
17、进一步的，所述图像中弯曲处的图像在所述高频特征提取模块中，通过离散余弦变化由空域转换至频域后，通过滤波器增加图片的高频区域权重得到高频强化图像；所述高频强化图像通过逆离散余弦变化恢复至空域后分别通过三个卷积层，得到三个不同尺度的高频特征。
18、进一步的，所述防水卷材裂纹检测模型通过下述方法训练得到：
19、分别构建弯曲检测训练数据集和裂纹检测训练数据集；其中，所述弯曲检测训练数据集包括样本图像和标注好的弯曲检测框；所述裂纹检测训练数据集包括标注好的所述弯曲检测框中的图像和对应的裂纹信息；
20、加载所述弯曲检测训练数据集对所述弯曲检测子模块进行训练得到训练好的弯曲检测子模块；
21、对所述裂纹检测子模块的空域特征提取模块的主干网络进行基于对比学习的预训练，得到预训练的主干网络；
22、加载所述裂纹检测训练数据集对包含经过预训练的主干网络的裂纹检测子模块进行训练得到训练好的裂纹检测子模块；
23、基于所述训练好的弯曲检测子模块和所述训练好的裂纹检测子模块，得到训练好的防水卷材裂纹检测模型。
24、进一步的，所述对所述裂纹检测子模块的空域特征提取模块的主干网络进行基于对比学习的预训练，得到裂纹检测基础主干网络，包括：
25、构建若干训练数据组，每个训练数据组包括若干训练样本对；其中，所述训练样本对包括一个正样本和一个负样本；每个训练数据组中的正样本为同一裂纹区域的图片，负样本为无裂纹区域的不同图片；
26、对每个训练数据组，加载所述训练样本对，使用对比损失函数训练所述裂纹检测子模块的空域特征提取模块的主干网络，利用梯度反向传播更新所述空域特征提取模块的主干网络参数，训练结束后保存所述空域特征提取模块的主干网络参数。
27、进一步的，每个训练数据组中的负样本包括若干与正样本相同尺寸的无裂纹区域图片以及在正样本长边的两侧提取的与正样本尺寸相同的两张图片。
28、进一步的，所述加载所述弯曲检测训练数据集对所述弯曲检测子模块进行训练得到训练好的弯曲检测子模块，包括：加载所述弯曲检测训练数据集，使用边界框交并比损失函数、分类损失函数和分布焦距损失函数的组合，训练所述弯曲检测子模块，利用随机梯度下降法进行反向传播更新所述弯曲检测子模块的参数，得到训练好的弯曲检测子模块；
29、所述加载所述裂纹检测训练数据集对包含预训练的主干网络的裂纹检测子模块进行训练得到训练好的裂纹检测子模块，包括：加载所述裂纹检测训练数据集，使用边界框小目标检测损失函数、分类损失函数和分布焦距损失函数的组合，训练所述裂纹检测子模块，利用随机梯度下降法进行反向传播更新所述裂纹检测子模块的参数，得到训练好的裂纹检测子模块。
30、进一步的，所述弯曲检测子模块的结构为yolov9模型结构。
31、与现有技术相比，本专利技术至少可实现如下有益效果之一：
32、1、对于防水卷材而言，裂纹通常出现在防水卷材的弯曲处，本专利技术的防水卷材裂纹检测模型先使用弯曲检测子模块检测出防水卷材的弯曲处，再使用裂纹检测子模块进一步判断是否存在裂纹，相比于直接对防水卷材图像进行裂纹检测更具有针对性，可以提高这些区域的检测精度。
33、2、本专利技术的防水卷材裂纹检测模型使用弯曲检测子模块检测防水卷材的弯曲处，能够减少在没有裂纹出现的区域进行检测，从而减少了由于随机纹理或材料不均匀性导致的误检，并且，减少了需要进行高分辨率检测的图像范围，从而节省计算资源和时间。
34、3、由于对于工业场景来说，防水卷材的样本通常是不平衡的，即正常防水卷材本文档来自技高网...
【技术保护点】
1.一种基于图像识别的防水卷材低温柔性检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述方法，其特征在于，所述裂纹检测子模块包括高频特征提取模块、空域特征提取模块和频域空域特征混合模块；
3.根据权利要求2所述方法，其特征在于，所述高频特征和所述RGB特征在所述裂纹检测子模块的频域空域特征混合模块进行特征融合，包括：
4.根据权利要求2所述方法，其特征在于，所述图像中弯曲处的图像依次通过所述空域特征提取模块的主干网络层和多尺度特征融合层得到不同尺度的RGB特征；其中，所述多尺度特征融合层包括三个不同尺度的目标检测层。
5.根据权利要求2所述方法，其特征在于，所述图像中弯曲处的图像在所述高频特征提取模块中，通过离散余弦变化由空域转换至频域后，通过滤波器增加图片的高频区域权重得到高频强化图像；所述高频强化图像通过逆离散余弦变化恢复至空域后分别通过三个卷积层，得到三个不同尺度的高频特征。
6.根据权利要求1所述方法，其特征在于，所述防水卷材裂纹检测模型通过下述方法训练得到：
7.根据权利要求6所述方法，其
8.根据权利要求7所述方法，其特征在于，每个训练数据组中的负样本包括若干与正样本相同尺寸的无裂纹区域图片以及在正样本长边的两侧提取的与正样本尺寸相同的两张图片。
9.根据权利要求6所述方法，其特征在于，所述加载所述弯曲检测训练数据集对所述弯曲检测子模块进行训练得到训练好的弯曲检测子模块，包括：加载所述弯曲检测训练数据集，使用边界框交并比损失函数、分类损失函数和分布焦距损失函数的组合，训练所述弯曲检测子模块，利用随机梯度下降法进行反向传播更新所述弯曲检测子模块的参数，得到训练好的弯曲检测子模块；
10.根据权利要求1-9任一项所述方法，其特征在于，所述弯曲检测子模块的结构为YOLOv9模型结构。
...【技术特征摘要】
1.一种基于图像识别的防水卷材低温柔性检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述方法，其特征在于，所述裂纹检测子模块包括高频特征提取模块、空域特征提取模块和频域空域特征混合模块；
3.根据权利要求2所述方法，其特征在于，所述高频特征和所述rgb特征在所述裂纹检测子模块的频域空域特征混合模块进行特征融合，包括：
4.根据权利要求2所述方法，其特征在于，所述图像中弯曲处的图像依次通过所述空域特征提取模块的主干网络层和多尺度特征融合层得到不同尺度的rgb特征；其中，所述多尺度特征融合层包括三个不同尺度的目标检测层。
5.根据权利要求2所述方法，其特征在于，所述图像中弯曲处的图像在所述高频特征提取模块中，通过离散余弦变化由空域转换至频域后，通过滤波器增加图片的高频区域权重得到高频强化图像；所述高频强化图像通过逆离散余弦变化恢复至空域后分别通过三个卷积层，得到三个不同尺度的高频特征。
6.根据权利...
【专利技术属性】
技术研发人员：谭军，张超，王娟娟，申颖洁，汪训流，李晨，李成龙，段艳芳，刘志鹏，王脆脆，
申请(专利权)人：中国电子工程设计院股份有限公司，
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。