CN114399665A - 外墙外保温层缺陷类型识别方法、装置、设备及存储介质 - Google Patents
外墙外保温层缺陷类型识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114399665A CN114399665A CN202210046257.5A CN202210046257A CN114399665A CN 114399665 A CN114399665 A CN 114399665A CN 202210046257 A CN202210046257 A CN 202210046257A CN 114399665 A CN114399665 A CN 114399665A
- Authority
- CN
- China
- Prior art keywords
- insulation layer
- external
- defect
- defect type
- identifying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了外墙外保温层缺陷类型识别方法、装置、设备及存储介质,包括:获取待识别外保温层缺陷图像;将所述待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,输出外墙外保温层缺陷类型;所述外墙外保温层缺陷类型包括裂缝或空鼓;其中,所述外保温层缺陷类型识别模型为利用训练样本对基于改进Inception‑ResNet‑V2网络搭建的待训练外保温层缺陷类型识别模型训练后得到的模型,其中,所述训练样本包括外保温层裂缝缺陷图像和外保温层空鼓缺陷图像。本发明能够自动、准确及高效地实现建筑外墙外保温层缺陷的自动识别检测,避免了人工检测的复杂性以及较大的误差。
Description
技术领域
本发明属于建筑外墙外保温层缺陷识别技术领域,具体涉及外墙外保温层缺陷类型识别方法、装置、设备及存储介质。
背景技术
如今随着城市化的不断推进,社会能耗总量也在逐年增加,其中建筑能耗占社会总能耗的很大一部分比例,而由于外墙传热所造成的能耗损失占建筑总能耗损失的近一半。为了更好的实现节能减排的目标,降低外墙传热损失,建筑外墙外保温层结构得以广泛应用。
但由于各种原因外保温层结构容易出现裂缝、空鼓等缺陷问题,这些缺陷严重影响了建筑的保温性能,且在修复过程中不同类型的缺陷修补方法不同,因此需要对缺陷进行识别分类。由于缺陷数量多且难以观察到,人工识别分类难度过高、效率低且准确率不高。
发明内容
针对现有技术中存在的问题,本发明提供了外墙外保温层缺陷类型识别方法、装置、设备及存储介质,能够自动、准确及高效地实现建筑外墙外保温层缺陷的自动识别检测,避免了人工检测的复杂性以及较大的误差。
为了解决上述技术问题,本发明通过以下技术方案予以实现:
一种外墙外保温层缺陷类型识别方法,包括:
获取待识别外保温层缺陷图像;
将所述待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,输出外墙外保温层缺陷类型;所述外墙外保温层缺陷类型包括裂缝或空鼓;
其中,所述外保温层缺陷类型识别模型为利用训练样本对基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型训练后得到的模型,其中,所述训练样本包括外保温层裂缝缺陷图像和外保温层空鼓缺陷图像。
进一步地,所述外保温层缺陷类型识别模型的构建方法包括:
获取所述训练样本,对所述训练样本进行预处理;
利用预处理后的所述训练样本训练基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型,得到所述外保温层缺陷类型识别模型。
进一步地,所述对所述训练样本进行预处理,具体包括:
对所述训练样本中的外保温层裂缝缺陷图像和外保温层空鼓缺陷图像进行图像增强、分割处理及旋转、镜像或平移。
进一步地,所述改进Inception-ResNet-V2网络具体包括:
在原始Inception-ResNet-V2网络中嵌入SE-Block模块,并将激活函数ReLU替换为光滑非单调的激活函数Mish。
进一步地,所述改进Inception-ResNet-V2网络具体还包括:7×1的卷积核、1×7的卷积核、5×1的卷积核以及1×5的卷积核。
进一步地,所述激活函数Mish的表达式为:
M=X·tanh(ln(1+ex))
公式中,M为激活函数Mish;X为图像输入特征;tanh为已知的双曲正切函数。
一种外墙外保温层缺陷类型识别装置,包括:
获取模块,用于获取待识别外保温层缺陷图像;
处理器,用于将所述待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,输出外墙外保温层缺陷类型;所述外墙外保温层缺陷类型包括裂缝或空鼓;其中,所述外保温层缺陷类型识别模型为利用训练样本对基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型训练后得到的模型,其中,所述训练样本包括外保温层裂缝缺陷图像和外保温层空鼓缺陷图像。
一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种外墙外保温层缺陷类型识别方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现一种外墙外保温层缺陷类型识别方法的步骤。
与现有技术相比,本发明至少具有以下有益效果:
本发明公开的一种外墙外保温层缺陷类型识别方法,首先获取待识别外保温层缺陷图像;然后将待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,外保温层缺陷类型识别模型为利用训练样本对基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型训练后得到的模型,外保温层缺陷类型识别模型输出外墙外保温层缺陷类型,外墙外保温层缺陷类型包括裂缝或空鼓。相比于传统的缺陷类型识别方法,本发明能够自动、准确及高效地实现建筑外墙外保温层缺陷的自动识别检测,并且识别准确率达到94%,避免了人工检测的复杂性以及较大的误差,改善了对现有建筑的外墙外保温层缺陷识别方法现状,具有一定的现实应用价值。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种外墙外保温层缺陷类型识别方法流程图;
图2为实施例中一种外墙外保温层缺陷类型识别装置示意图;
图3为实施例中一种外墙外保温层缺陷类型识别装置的类型识别流程图;
图4为本发明所搭建的改进Inception-ResNet-V2网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
作为本发明的某一具体实施方式,如图1所示,一种外墙外保温层缺陷类型识别方法,具体包括如下步骤:
S1、获取待识别外保温层缺陷图像。
如图2所示,本实施例中,获取待识别外保温层缺陷图像的具体方法为:利用红外热像仪1、加热管2和支架3,将红外热像仪1和加热管2安装在支架3上。具体地说,红外热像仪1用于从待检测外保温层板5上获取待识别外保温层缺陷图像;加热管2用于增强辐射,提升待检测外保温层板5的表面温度,有益于红外热像仪1对其进行红外图像采集;支架3用于搭建起红外热像仪1和加热管2,且其内部放置红外热像仪1和加热管2所需的线缆。
S2、将待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,输出外墙外保温层缺陷类型;外墙外保温层缺陷类型包括裂缝或空鼓;
其中,外保温层缺陷类型识别模型为利用训练样本对基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型训练后得到的模型,其中,训练样本包括外保温层裂缝缺陷图像和外保温层空鼓缺陷图像。
具体地说,外保温层缺陷类型识别模型的构建方法包括:
a、获取训练样本,对训练样本进行预处理。
具体地说,本实施例中,根据缺陷识别的任务,采集不同缺陷类型的外保温层缺陷图像,并按照识别要求制作包含两大类共400张外保温层缺陷图像图片的缺陷数据集作为训练样本,两大类分别为裂缝缺陷和空鼓缺陷。
其中,对训练样本进行预处理,具体包括:
对训练样本中的外保温层裂缝缺陷图像和外保温层空鼓缺陷图像进行图像增强、分割处理及旋转、镜像或平移等仿射变化以达到扩充数据集的目的,扩充数据集后原有的400张外保温层缺陷图像图片扩充至1200张,目的是减少模型的过拟合。
b、利用预处理后的训练样本训练基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型,得到外保温层缺陷类型识别模型。
具体地说,本实施方式中,关于改进Inception-ResNet-V2网络,具体包括:
在原始Inception-ResNet-V2网络中,将初始卷积核改进为7×1,1×7,5×1,1×5,嵌入SE-Block模块,并将激活函数ReLU替换为光滑非单调的激活函数Mish,得到改进Inception-ResNet-V2网络(Inception-ResNet with SE-Block网络),增加网络泛化能力。
在原始Inception-ResNet-V2网络中,将初始卷积核改进为7×1,1×7,5×1,1×5,得到尺寸为H×W×C的特征图,其中H、W、C分为输入特征图长、宽和特征通道数。
本模型在ResNet残差结构中嵌入SE-Block模块对网络提取到的特征进行校正。先将输入尺寸为H×W×C的特征图采用全局平均池化计算,压缩得到1×1×C的特征向量,使得每个通道的二维特征图转变为一个实数X,具有全局感受野,然后进入全连接层FC1后,输入1×1×C的特征图X得到1×1×(C/r),其中r为常数。
全连接层之后采用Mish激活函数进行非线性转换,并且输入与输出的特征通道维度相同,保持1×1×(C/r)的特征图X。Mish激活函数对1×1×(C/r)的输入特征图X的负值区域增加更好的非线性因素,M=X·tanh(ln(1+ex))。式中,M为激活函数Mish;X为图像输入特征;tanh为已知的双曲正切函数,tanh=-i*tan(i*x)。
通入一个全连接层FC2,将上一层特征图通道数量C/r还原为C。通过最后的Sigmoid激活函数计算生成每个特征通道的权重M为上一步经Mish激活函数增加非线性因素的特征向量,S为Sigmoid激活函数,以还原输入特征图尺寸。
最后将上述操作后的特征图S和通过Inception-ResNet模块的特征图X融合叠加,得到Inception-ResNet with SE-Block网络结构。为了减少参数量和计算量,该结构只应用到最后一个Inception-ResNet模块进行结合并得到输出结果,这样在计算量减少的同时不影响实验最终的准确率。
本发明一种外墙外保温层缺陷类型识别装置,具体包括:
获取模块,用于获取待识别外保温层缺陷图像。
处理器,用于将所述待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,输出外墙外保温层缺陷类型;所述外墙外保温层缺陷类型包括裂缝或空鼓;其中,所述外保温层缺陷类型识别模型为利用训练样本对基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型训练后得到的模型,其中,所述训练样本包括外保温层裂缝缺陷图像和外保温层空鼓缺陷图像。
具体地说,本实施例中,如图2所示,一种外墙外保温层缺陷类型识别装置包括红外热像仪1、加热管2、支架3、数据传输线路4和处理器6,将红外热像仪1和加热管2安装在支架3上,红外热像仪1和处理器6通过数据传输线路4连接,红外热像仪1用于从待检测外保温层板5上获取待识别外保温层缺陷图像;加热管2用于增强辐射,提升待检测外保温层板5的表面温度,有益于红外热像仪1对其进行红外图像采集;支架3用于搭建起红外热像仪1和加热管2,且其内部放置红外热像仪1和加热管2所需的线缆;数据传输线路4用于连接红外热像仪1与处理器6,将红外热像仪1采集到的待识别外保温层缺陷图像传输到处理器6中;处理器6内部存储设置有预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型,并能够显示出最终的分类结果。
如图3所示,在使用时,用加热管2对待检测外保温层板5进行加热,使用红外热像仪1对待检测外保温层板5进行图像采集,完成待识别外保温层缺陷图像采集;将待识别外保温层缺陷图像传输给处理器6,将待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,输出外墙外保温层缺陷类型,并将识别出的缺陷类型信息进行显示,完成建筑外墙外保温层缺陷类型识别。
本发明在一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于一种外墙外保温层缺陷类型识别方法的操作。
本发明在一个实施例中,一种外墙外保温层缺陷类型识别方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种外墙外保温层缺陷类型识别方法,其特征在于,包括:
获取待识别外保温层缺陷图像;
将所述待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,输出外墙外保温层缺陷类型;所述外墙外保温层缺陷类型包括裂缝或空鼓;
其中,所述外保温层缺陷类型识别模型为利用训练样本对基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型训练后得到的模型,其中,所述训练样本包括外保温层裂缝缺陷图像和外保温层空鼓缺陷图像。
2.根据权利要求1所述的一种外墙外保温层缺陷类型识别方法,其特征在于,所述外保温层缺陷类型识别模型的构建方法包括:
获取所述训练样本,对所述训练样本进行预处理;
利用预处理后的所述训练样本训练基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型,得到所述外保温层缺陷类型识别模型。
3.根据权利要求2所述的一种外墙外保温层缺陷类型识别方法,其特征在于,所述对所述训练样本进行预处理,具体包括:
对所述训练样本中的外保温层裂缝缺陷图像和外保温层空鼓缺陷图像进行图像增强、分割处理及旋转、镜像或平移。
4.根据权利要求1所述的一种外墙外保温层缺陷类型识别方法,其特征在于,所述改进Inception-ResNet-V2网络具体包括:
在原始Inception-ResNet-V2网络中嵌入SE-Block模块,并将激活函数ReLU替换为光滑非单调的激活函数Mish。
5.根据权利要求4所述的一种外墙外保温层缺陷类型识别方法,其特征在于,所述改进Inception-ResNet-V2网络具体还包括:7×1的卷积核、1×7的卷积核、5×1的卷积核以及1×5的卷积核。
6.根据权利要求4所述的一种外墙外保温层缺陷类型识别方法,其特征在于,所述激活函数Mish的表达式为:
M=X·tanh(ln(1+ex))
公式中,M为激活函数Mish;X为图像输入特征;tanh为已知的双曲正切函数。
7.一种外墙外保温层缺陷类型识别装置,其特征在于,包括:
获取模块,用于获取待识别外保温层缺陷图像;
处理器,用于将所述待识别外保温层缺陷图像输入预先构建的用于识别外墙外保温层缺陷类型的外保温层缺陷类型识别模型中,输出外墙外保温层缺陷类型;所述外墙外保温层缺陷类型包括裂缝或空鼓;其中,所述外保温层缺陷类型识别模型为利用训练样本对基于改进Inception-ResNet-V2网络搭建的待训练外保温层缺陷类型识别模型训练后得到的模型,其中,所述训练样本包括外保温层裂缝缺陷图像和外保温层空鼓缺陷图像。
8.一种设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种外墙外保温层缺陷类型识别方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项的一种外墙外保温层缺陷类型识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210046257.5A CN114399665A (zh) | 2022-01-12 | 2022-01-12 | 外墙外保温层缺陷类型识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210046257.5A CN114399665A (zh) | 2022-01-12 | 2022-01-12 | 外墙外保温层缺陷类型识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399665A true CN114399665A (zh) | 2022-04-26 |
Family
ID=81231043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210046257.5A Pending CN114399665A (zh) | 2022-01-12 | 2022-01-12 | 外墙外保温层缺陷类型识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399665A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778348A (zh) * | 2023-08-28 | 2023-09-19 | 广东中科慧据科技有限公司 | 基于机器视觉的外墙脱落监测方法、装置、设备及介质 |
CN117237338A (zh) * | 2023-11-10 | 2023-12-15 | 山东天意高科技有限公司 | 用于建筑外保温层空鼓的缺陷识别方法 |
CN117952972A (zh) * | 2024-03-26 | 2024-04-30 | 中建国际工程有限公司 | 一种基于目标检测算法的墙体缺陷检测方法及系统 |
CN117952972B (zh) * | 2024-03-26 | 2024-05-31 | 中建国际工程有限公司 | 一种基于目标检测算法的墙体缺陷检测方法及系统 |
-
2022
- 2022-01-12 CN CN202210046257.5A patent/CN114399665A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778348A (zh) * | 2023-08-28 | 2023-09-19 | 广东中科慧据科技有限公司 | 基于机器视觉的外墙脱落监测方法、装置、设备及介质 |
CN116778348B (zh) * | 2023-08-28 | 2023-12-01 | 广东中科慧据科技有限公司 | 基于机器视觉的外墙脱落监测方法、装置、设备及介质 |
CN117237338A (zh) * | 2023-11-10 | 2023-12-15 | 山东天意高科技有限公司 | 用于建筑外保温层空鼓的缺陷识别方法 |
CN117237338B (zh) * | 2023-11-10 | 2024-01-30 | 山东天意高科技有限公司 | 用于建筑外保温层空鼓的缺陷识别方法 |
CN117952972A (zh) * | 2024-03-26 | 2024-04-30 | 中建国际工程有限公司 | 一种基于目标检测算法的墙体缺陷检测方法及系统 |
CN117952972B (zh) * | 2024-03-26 | 2024-05-31 | 中建国际工程有限公司 | 一种基于目标检测算法的墙体缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Intelligent structural design of shear wall residence using physics‐enhanced generative adversarial networks | |
CN114399665A (zh) | 外墙外保温层缺陷类型识别方法、装置、设备及存储介质 | |
CN110533086B (zh) | 图像数据半自动标注方法 | |
CN114897779A (zh) | 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置 | |
CN112001399B (zh) | 基于局部特征显著化的图像场景分类方法和装置 | |
CN113688665A (zh) | 一种基于半监督迭代学习的遥感影像目标检测方法及系统 | |
CN116152254B (zh) | 工业泄露目标气体检测模型训练方法、检测方法、电子设备 | |
CN114972312A (zh) | 基于YOLOv4-Tiny改进的绝缘子缺陷检测方法 | |
CN112150497A (zh) | 基于二值神经网络的局部激活方法与系统 | |
CN116258715B (zh) | 一种粉尘回收方法、装置及电子设备 | |
CN116091719B (zh) | 一种基于物联网的河道数据管理方法及系统 | |
CN114820755B (zh) | 一种深度图估计方法及系统 | |
CN117150959A (zh) | 基于超分辨率重构的流场数据压缩与复原方法 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN112561050B (zh) | 一种神经网络模型训练方法及装置 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
CN114529455A (zh) | 一种基于任务解耦的有参图像超分辨率方法和系统 | |
CN113779871A (zh) | 一种电热耦合系统调度方法、装置、电子设备及其存储介质 | |
CN113033578A (zh) | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 | |
Zhou et al. | Comparative Effectiveness of Data Augmentation Using Traditional Approaches versus StyleGANs in Automated Sewer Defect Detection | |
CN117184105B (zh) | 一种基于多模态数据融合的转向角速度预测方法及装置 | |
CN116309245B (zh) | 基于深度学习的地下排水管道缺陷智能检测方法与系统 | |
Xia et al. | Structure‐aware dehazing of sewer inspection images based on monocular depth cues | |
CN113436199B (zh) | 半监督视频目标分割方法及装置 | |
TWI840637B (zh) | 執行影像多模態轉換之生成式對抗網路的訓練方法與訓練系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |