CN115439436A - 一种建筑结构多类型质量缺陷移动感知系统 - Google Patents
一种建筑结构多类型质量缺陷移动感知系统 Download PDFInfo
- Publication number
- CN115439436A CN115439436A CN202211060975.4A CN202211060975A CN115439436A CN 115439436 A CN115439436 A CN 115439436A CN 202211060975 A CN202211060975 A CN 202211060975A CN 115439436 A CN115439436 A CN 115439436A
- Authority
- CN
- China
- Prior art keywords
- defect
- building structure
- defects
- real
- layer
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种建筑结构多类型质量缺陷移动感知系统,所述建筑结构多类型质量缺陷移动感知系统包括:数据采集系统和数据分析系统;其中,所述数据采集系统基于便携式移动感知设备获取建筑结构各类型质量缺陷图像,所述数据分析系统包括结构缺陷实时检测模块和结构缺陷三维空间定位模块;所述缺陷实时检测模块基于特征金字塔自注意力机制和YOLOv5网络实现建筑结构蜂窝、麻面、漏筋、裂缝及孔洞施工质量缺陷实时检测;所述结构缺陷三维空间定位模块采用BIM方法建立检测结构的三维模型,并利用移动感知设备的定位传感器和图像传感器将可视域内的各类型质量缺陷投影于建筑结构三维模型中,实现各类型缺陷的三维空间定位。
Description
技术领域
本发明属于智能建造与运维技术领域,尤其涉及一种建筑结构多类型质量缺陷移动感知系统,可以为大规模建筑结构的施工安全控制与运维管理决策提供数据支撑。
背景技术
钢筋混凝土结构成为房屋建筑的主要结构形式之一,在工程中广泛应用。混凝土是指由胶凝材料将集料胶结成整体的工程复合材料的统称,具有原料丰富、价格低廉、生产工艺简单、抗压强度高、耐久性好、强度等级范围宽等特点,广泛应用于我国建筑工程中。钢筋混凝土主体结构作为房屋建筑的主要部分,对于建筑整体的质量安全至关重要。因此,需要不断强化主体结构的质量检测工作,杜绝质量事故的发生,保障建筑工程质量满足标准要求。
混凝土施工质量的优劣,直接影响建筑物的安全性与使用功能。混凝土结构在施工期间容易产生露筋、蜂窝、孔洞、夹渣、疏松、裂缝、连接部位缺陷、外形缺陷、外表缺陷等外观质量缺陷,传统方法依靠专业检测人员与目视检测,费时费力、检测成本高且受人为主观性影响大。近年来,随着大数据、云计算、物联网、人工智能等新兴技术的快速发展,为建筑工程施工过程与运营期间结构质量缺陷智能感知以及自动化检测系统的研发提供了契机。
为此,亟需一种能够高效、高精度识别建筑结构隐蔽部位的裂缝、露筋、麻面、蜂窝及孔洞质量缺陷的感知系统。
发明内容
本发明的目的在于:为了克服现有技术问题,公开了一种建筑结构多类型质量缺陷移动感知系统,通过本发明系统能够实现建筑结构建造与运营期间隐蔽部位各类型质量缺陷的高效、高精度、自动化识别,对于保障建筑结构的施工质量与运营安全具有重大意义。
本发明目的通过下述技术方案来实现:
一种建筑结构多类型质量缺陷移动感知系统,所述建筑结构多类型质量缺陷移动感知系统包括:数据采集系统和数据分析系统;
其中,所述数据采集系统基于便携式移动感知设备获取建筑结构各类型质量缺陷图像,所述数据分析系统包括结构缺陷实时检测模块和结构缺陷三维空间定位模块;
所述缺陷实时检测模块基于特征金字塔自注意力机制和YOLOv5网络实现建筑结构蜂窝、麻面、漏筋、裂缝及孔洞施工质量缺陷实时检测;
所述结构缺陷三维空间定位模块采用BIM方法建立检测结构的三维模型,并利用移动感知设备的定位传感器和图像传感器将可视域内的各类型质量缺陷投影于建筑结构三维模型中,实现各类型缺陷的三维空间定位。
根据一个优选的实施方式,所述缺陷实时检测模块基于如下方法完成施工质量缺陷实时检测,包括步骤:
步骤1:建立包含混凝土裂缝、露筋、麻面、蜂窝及孔洞缺陷的图像数据库,所述图像数据库包括缺陷真实图像和与之对应的标签图片构成的数据集;
步骤2:构建带特征金字塔自注意力机制的深度学习缺陷检测模型,所述深度学习缺陷检测模型包括特征提取模块和缺陷预测模块;
步骤3:将图像数据库内数据集分为训练集和测试集,利用训练集对步骤2中构建的带特征金字塔自注意力机制的深度学习缺陷检测模型进行训练,得到训练好的模型;
步骤4:将训练好的模型搭载于移动感知设备上,将移动感知设备实时采集的图像作为训练模型的输入,得到采集视频图像中缺陷的实时监测结果。
根据一个优选的实施方式,所述步骤1中还包括利用旋转、平移、投影变换、缩放和马赛克数据增强方法对缺陷数据集进行扩充。
根据一个优选的实施方式,深度学习缺陷检测模型中的特征提取模块为4阶PVT特征金字塔自注意力机制特征提取模块,并按照如下方式实施:
当输入特征高、宽和通道数分为Hi-1、Wi-1和Ci-1,首先将输入特征切分为个,Pi为缩小倍率,并将输入特征变成再经过线性变换和层正则化将特征转化为(Hi-1/Pi)×(Wi-1/Pi)×(Ci)大小,并变成大小的特征;
随后利用三角函数位置编码对特征编码,并采用逐像素相加的方式进行特征融合,并将融合的特征作为后续Li个Transformer编码器的输入,
每个Transformer编码器由层正则化结构、Multi-Head Attention层、前馈神经网络及残差结构组成,
特征首先通过一层层正则化结构和一层Multi-Head Attention层,并通过残差结构和Multi-Head Attention层的输出逐像素相加,其中Multi-Head Attention层的头数量设置为Ni;
随后通过一层层正则化结构和一个前馈神经网络,前馈神经网络包含Relu非线性激活函数和两层隐藏层,前馈神经网络输入通道数为Ci,输出通道数为Ci,中间隐藏层参数数量为2048;
经过Transformer编码器将特征变成(Hi-1/P)×(Wi-1/P)×(Ci)大小作为模块最终输出特征经过多层Transformer编码器将特征变成(Hi-1/P)×(Wi-1/P)×(Ci)大小作为模块最终输出特征。
根据一个优选的实施方式,所述缺陷预测模块为YOLOv5的目标预测模块,并按照如下方式实施:第2阶特征提取模块后提取特征输入一层卷积层,输出为76×76×30,第3阶特征提取模块后提取特征输入一层卷积层,输出为38×38×30,第4阶特征提取模块后提取特征输入一层卷积层,输出为19×19×30,其中卷积核大小均为3×3,步长均为1。
根据一个优选的实施方式,所述便携式移动感知设备由视觉传感器、陀螺仪、微型计算机与保护外壳组成,视觉传感器用于拍摄建筑结构各类型质量缺陷图像,陀螺仪用于设备空间定位,微型计算机用于处理拍摄图像实现各类型缺陷的实时检测,保护外壳用于集成并保护各类型传感设备与微型处理器。
根据一个优选的实施方式,所述缺陷三维空间定位模块利用移动感知设备的定位传感器数据定位三维模型场域的视觉传感器位置,并基于陀螺仪定位视角与方向,利用三维可视域分析方法将图像传感器可视域内的各类型质量缺陷投影于建筑结构三维模型中,实现各类型缺陷的三维空间定位。
前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案,均为本发明可采用并要求保护的方案。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合,均为本发明所要保护的技术方案,在此不做穷举。
本发明的有益效果:本发明利用移动感知设备获取建筑结构施工与运营期间的各类型缺陷图像数据,通过深度学习算法与BIM技术实现混凝土裂缝、露筋、麻面、蜂窝及孔洞五种类型缺陷的实时检测以及三维空间定位,特别是能够对建筑结构复杂隐蔽部位的质量缺陷进行高效检测,克服了传统人工检测方法效率低、自动化程度低的问题,对于保障建筑结构的施工质量与运营安全具有重大意义。
附图说明
图1是本发明建筑结构多类型质量缺陷移动感知系统的原理结构示意图;
图2是本发明基于特征金字塔自注意力机制和YOLOv5网络的多类型缺陷检测方法的整体网络结构图;
图3是本发明中第i阶特征金字塔自注意力机制特征提取模块图;
图4是本发明缺陷三维空间定位示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
参考图1至图4所示,图中示出了一种建筑结构多类型质量缺陷移动感知系统,如图1所示,包括数据采集系统与数据分析系统。数据采集系统通过便携式移动感知设备获取建筑结构多类型质量缺陷图像;所述数据分析系统包含基于深度学习的结构缺陷实时检测模块与基于BIM技术的结构缺陷三维空间定位模块。
缺陷实时检测模块采用特征金字塔自注意力机制和YOLOv5网络实现建筑结构蜂窝、麻面、漏筋、裂缝及孔洞五种类型施工质量缺陷实时检测,结构缺陷三维空间定位模块采用BIM技术建立检测结构的三维模型,利用移动感知设备的定位传感器和图像传感器可视域内的各类型质量缺陷投影于建筑结构三维模型中,实现缺陷的三维空间定位。
所述的数据分析系统通过以下的实施例进行详细阐述,具体如下:
(1)结构多类型缺陷实时检测
本发明采用特征金字塔自注意力机制特征提取模块取代YOLOv5中的特征提取模块,其优势在于特征金字塔自注意力机制可以利用注意力的方式来捕获全局的上下文信息从而对目标建立起远距离的依赖,从而提取出更强有力的特征,可以有效提升蜂窝、麻面等离散的混凝土缺陷的检测精度。
如图2所示,本发明基于特征金字塔自注意力机制和YOLOv5网络的多类型缺陷检测方法,包括以下步骤:
S1、收集各类型缺陷数据,包括混凝土裂缝、露筋、麻面、蜂窝及孔洞的真是图片和与之对应的标签图片,利用旋转、平移、投影变换、缩放和马赛克数据增强技术对缺陷数据集进行扩充,提高网络的泛化能力和准确率。旋转、平移、投影变换、缩放是数据增强常用的方式,马赛克就是将四张图片进行随机裁剪,再拼接到一张图上作为训练数据,可以增加丰富的图片背景,有利于提升网络再复杂环境中的泛化能力。
S2、构建基于特征金字塔自注意力机制和YOLOv5网络的多类型缺陷检测网络,主要包含特征提取模块和缺陷预测模块,具体构建步骤如下:
1)构建特征提取模块
特征提取模块主要由4阶特征金字塔自注意力机制特征提取模块构成,输入图像大小为608×608×3,经过第1阶特征提取模块后提取特征大小为152×152×64,经过第2阶特征提取模块后提取特征大小为76×76×128,经过第3阶特征提取模块后提取特征大小为38×38×320,经过第4阶特征提取模块后提取特征大小为19×19×512。
以第1阶特征提取模块为例,输入为608×608×3的图像,P1为4,因此图像首先被切分并reshape为152×152×48大小;C1为64,因此特征经过线性变换和层正则化后变为152×152×64大小,并reshape为23104×64大小的特征;利用三角函数位置编码对特征编码,并采用逐像素相加的方式进行特正融合,并将融合的特征作为后续Transformer编码器的输入,第1阶特征提取模块中Multi-Head Attention层的头数量设置为1;而L1为3,因此特征将经过3个连续的Transformer编码层,输出23104×64大小的特征,并最终reshape为152×152×64大小的特征输出。第1阶到第4阶特征提取模块中,P1到P4依次为4、2、2、2,C1到C4依次为64、128、320、512,L1到L4依次为3、3、6、3,N1到N4依次为1、2、5、8。随着网络层数的增加,各阶特征提取模块能够提取的特征也由表层信息转化为深层信息,特征每个像素能到代表的原图范围也就越大。
2)构建缺陷预测模块
采用YOLOv5的目标预测模块,如图3所示,具体为:第2阶特征提取模块后提取特征输入一层卷积层,输出为76×76×30,第3阶特征提取模块后提取特征输入一层卷积层,输出为38×38×30,第4阶特征提取模块后提取特征输入一层卷积层,输出为19×19×30,其中卷积核大小均为3×3,步长均为1。不同尺度特征均为30通道,因为本发明专利中包含混凝土裂缝、露筋、麻面、蜂窝及孔洞5种缺陷的检测,每10个通道的前4个通道代表预测框的位置信息,每10个通道的第5个通道代表预测框的置信度信息,每10个通道的后五个通道代表类别概率,每个网格单元预测3个box,所以每个box需要有(x,y,w,h,confidence)五个基本参数以及5个类别的概率,所以有3×(5+5)=30。采用YOLOv5的损失函数训练网络,包含分类损失cls_loss,定位损失box_loss和置信度损失obj_loss。在预测阶段,每个网格预测的类别信息和目标框预测的置信度相乘,就得到每个目标框的类别置信度分数,设置阈值,滤掉得分低的目标框,对保留的目标框进行NMS处理,就得到最终的混凝土裂缝、露筋、麻面、蜂窝及孔洞检测结果。
(2)结构多类型缺陷三维空间定位
所述数据分析系统中的缺陷三维空间定位模块采用BIM技术建立检测结构的三维模型,利用移动感知设备的定位传感器数据定位三维模型场域的相机位置,利用陀螺仪定位视角与方向,利用三维可视域分析技术将图像传感器可视域内的各类型质量缺陷投影于建筑结构三维模型中,实现各类型缺陷的三维空间定位(如图4所示)。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种建筑结构多类型质量缺陷移动感知系统,其特征在于,所述建筑结构多类型质量缺陷移动感知系统包括:数据采集系统和数据分析系统;
其中,所述数据采集系统基于便携式移动感知设备获取建筑结构各类型质量缺陷图像,所述数据分析系统包括结构缺陷实时检测模块和结构缺陷三维空间定位模块;
所述缺陷实时检测模块基于特征金字塔自注意力机制和YOLOv5网络实现建筑结构蜂窝、麻面、漏筋、裂缝及孔洞施工质量缺陷实时检测;
所述结构缺陷三维空间定位模块采用BIM方法建立检测结构的三维模型,并利用移动感知设备的定位传感器和图像传感器将可视域内的各类型质量缺陷投影于建筑结构三维模型中,实现各类型缺陷的三维空间定位。
2.如权利要求1所述的建筑结构多类型质量缺陷移动感知系统,其特征在于,所述便携式移动感知设备由视觉传感器、陀螺仪、微型计算机与保护外壳组成,视觉传感器用于拍摄建筑结构各类型质量缺陷图像,陀螺仪用于设备空间定位,微型计算机用于处理拍摄图像实现各类型缺陷的实时检测,保护外壳用于集成并保护各类型传感设备与微型处理器。
3.如权利要求1所述的建筑结构多类型质量缺陷移动感知系统,其特征在于,所述缺陷实时检测模块基于如下方法完成施工质量缺陷实时检测,包括步骤:
步骤1:建立包含混凝土裂缝、露筋、麻面、蜂窝及孔洞缺陷的图像数据库,所述图像数据库包括缺陷真实图像和与之对应的标签图片构成的数据集;
步骤2:构建带特征金字塔自注意力机制的深度学习缺陷检测模型,所述深度学习缺陷检测模型包括特征提取模块和缺陷预测模块;
步骤3:将图像数据库内数据集分为训练集和测试集,利用训练集对步骤2中构建的带特征金字塔自注意力机制的深度学习缺陷检测模型进行训练,得到训练好的模型;
步骤4:将训练好的模型搭载于移动感知设备上,将移动感知设备实时采集的图像作为训练模型的输入,得到采集视频图像中缺陷的实时监测结果。
4.如权利要求3所述的建筑结构多类型质量缺陷移动感知系统,其特征在于,深度学习缺陷检测模型中的特征提取模块为4阶PVT特征金字塔自注意力机制特征提取模块,并按照如下方式实施:
当输入特征高、宽和通道数分为Hi-1、Wi-1和Ci-1,首先将输入特征切分为个,Pi为缩小倍率,并将输入特征变成再经过线性变换和层正则化将特征转化为(Hi-1/Pi)×(Wi-1/Pi)×(Ci)大小,并变成大小的特征;
随后利用三角函数位置编码对特征编码,并采用逐像素相加的方式进行特征融合,并将融合的特征作为后续Li个Transformer编码器的输入,
每个Transformer编码器由层正则化结构、Multi-Head Attention层、前馈神经网络及残差结构组成,
特征首先通过一层层正则化结构和一层Multi-Head Attention层,并通过残差结构和Multi-Head Attention层的输出逐像素相加,其中Multi-Head Attention层的头数量设置为Ni;
随后通过一层层正则化结构和一个前馈神经网络,前馈神经网络包含Relu非线性激活函数和两层隐藏层,前馈神经网络输入通道数为Ci,输出通道数为Ci,中间隐藏层参数数量为2048;
经过Transformer编码器将特征变成(Hi-1/P)×(Wi-1/P)×(Ci)大小作为模块最终输出特征经过多层Transformer编码器将特征变成(Hi-1/P)×(Wi-1/P)×(Ci)大小作为模块最终输出特征。
5.如权利要求4所述的建筑结构多类型质量缺陷移动感知系统,其特征在于,所述缺陷三维空间定位模块利用移动感知设备的定位传感器数据定位三维模型场域的视觉传感器位置,并基于陀螺仪定位视角与方向,利用三维可视域分析方法将图像传感器可视域内的各类型质量缺陷投影于建筑结构三维模型中,实现各类型缺陷的三维空间定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060975.4A CN115439436B (zh) | 2022-08-31 | 2022-08-31 | 一种建筑结构多类型质量缺陷移动感知系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060975.4A CN115439436B (zh) | 2022-08-31 | 2022-08-31 | 一种建筑结构多类型质量缺陷移动感知系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115439436A true CN115439436A (zh) | 2022-12-06 |
CN115439436B CN115439436B (zh) | 2023-07-28 |
Family
ID=84244720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211060975.4A Active CN115439436B (zh) | 2022-08-31 | 2022-08-31 | 一种建筑结构多类型质量缺陷移动感知系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439436B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541922A (zh) * | 2023-11-09 | 2024-02-09 | 国网宁夏电力有限公司建设分公司 | 基于SF-YOLOv5的电站屋面工程缺陷检测方法 |
CN117685881A (zh) * | 2024-01-31 | 2024-03-12 | 成都建工第七建筑工程有限公司 | 一种混凝土结构实体位置与尺寸偏差的感知与检测系统 |
CN117685881B (zh) * | 2024-01-31 | 2024-06-04 | 成都建工第七建筑工程有限公司 | 一种混凝土结构实体位置与尺寸偏差的感知与检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN111178206A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 一种基于改进yolo的建筑预埋件检测方法及系统 |
CN112700435A (zh) * | 2021-01-12 | 2021-04-23 | 华南理工大学 | 一种基于深度学习的墙体缺陷检测方法 |
CN112884709A (zh) * | 2021-01-18 | 2021-06-01 | 燕山大学 | 引入注意力机制的yolov3带钢表面缺陷检测与分类方法 |
CN113160209A (zh) * | 2021-05-10 | 2021-07-23 | 上海市建筑科学研究院有限公司 | 用于建筑外立面损伤检测的目标标注方法及目标识别方法 |
US20210232800A1 (en) * | 2020-01-28 | 2021-07-29 | Faro Technologies, Inc. | Construction site defect and hazard detection using artificial intelligence |
US20210264557A1 (en) * | 2020-02-26 | 2021-08-26 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for real-time, simultaneous object detection and semantic segmentation |
CN113780149A (zh) * | 2021-09-07 | 2021-12-10 | 北京航空航天大学 | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 |
CN114972213A (zh) * | 2022-05-09 | 2022-08-30 | 浙江科技学院 | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 |
-
2022
- 2022-08-31 CN CN202211060975.4A patent/CN115439436B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN111178206A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 一种基于改进yolo的建筑预埋件检测方法及系统 |
US20210232800A1 (en) * | 2020-01-28 | 2021-07-29 | Faro Technologies, Inc. | Construction site defect and hazard detection using artificial intelligence |
US20210264557A1 (en) * | 2020-02-26 | 2021-08-26 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for real-time, simultaneous object detection and semantic segmentation |
CN112700435A (zh) * | 2021-01-12 | 2021-04-23 | 华南理工大学 | 一种基于深度学习的墙体缺陷检测方法 |
CN112884709A (zh) * | 2021-01-18 | 2021-06-01 | 燕山大学 | 引入注意力机制的yolov3带钢表面缺陷检测与分类方法 |
CN113160209A (zh) * | 2021-05-10 | 2021-07-23 | 上海市建筑科学研究院有限公司 | 用于建筑外立面损伤检测的目标标注方法及目标识别方法 |
CN113780149A (zh) * | 2021-09-07 | 2021-12-10 | 北京航空航天大学 | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 |
CN114972213A (zh) * | 2022-05-09 | 2022-08-30 | 浙江科技学院 | 一种基于机器视觉的两阶段主板图像缺陷检测及定位方法 |
Non-Patent Citations (3)
Title |
---|
HUI WANG 等: ""YOLO Object Detection Algorithm with Hybrid Atrous Convolutional Pyramid"", 《IEEE》, pages 940 - 945 * |
崔晓宁 等: ""基于YOLO-v5的双块式轨枕裂缝智能识别"", 《铁道学报》, vol. 44, no. 4, pages 103 - 111 * |
杨光迪: ""基于孪生神经网络的建筑物变化检测研究"", 《中国优秀硕士学位论文全文数据库(基础科学辑)》, no. 2022, pages 008 - 379 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541922A (zh) * | 2023-11-09 | 2024-02-09 | 国网宁夏电力有限公司建设分公司 | 基于SF-YOLOv5的电站屋面工程缺陷检测方法 |
CN117685881A (zh) * | 2024-01-31 | 2024-03-12 | 成都建工第七建筑工程有限公司 | 一种混凝土结构实体位置与尺寸偏差的感知与检测系统 |
CN117685881B (zh) * | 2024-01-31 | 2024-06-04 | 成都建工第七建筑工程有限公司 | 一种混凝土结构实体位置与尺寸偏差的感知与检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115439436B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700444B (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
CN112700499A (zh) | 一种辐照环境下基于深度学习的视觉定位仿真方法及系统 | |
CN110298330B (zh) | 一种输电线路巡检机器人单目检测与定位方法 | |
CN115439436B (zh) | 一种建筑结构多类型质量缺陷移动感知系统 | |
CN115330734A (zh) | 一种基于三维目标检测和点云缺陷补全的自动化机器人补焊系统 | |
CN116630394A (zh) | 一种三维建模约束的多模态目标物体姿态估计方法及系统 | |
CN109145796A (zh) | 一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法 | |
CN111144209A (zh) | 一种基于异构多分支深度卷积神经网络的监控视频人头检测方法 | |
CN114970790A (zh) | 交通标识及其制作方法、车辆位姿估计方法 | |
CN112045680B (zh) | 一种基于行为克隆的布料码垛机器人控制系统及控制方法 | |
CN112560763A (zh) | 一种融合红外和可见光图像的目标检测方法 | |
CN113222961A (zh) | 智能船体检测系统及方法 | |
CN113469938A (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
Moolan-Feroze et al. | Improving drone localisation around wind turbines using monocular model-based tracking | |
Wang et al. | Improving facade parsing with vision transformers and line integration | |
CN116486231A (zh) | 一种基于改进YOLOv5的混凝土裂缝检测方法 | |
CN116189054A (zh) | 基于神经网络的人机协作方法及人机协作系统 | |
CN115979250A (zh) | 基于uwb模块、语义地图与视觉信息的定位方法 | |
CN115906004A (zh) | 一种基于深度学习的室内污染来源检测方法 | |
CN115493596A (zh) | 一种移动机器人语义地图构建与导航方法 | |
CN114973246A (zh) | 一种基于光流对齐的交叉模式神经网络的裂缝检测方法 | |
CN115019202A (zh) | 一种应用于服务型移动机械臂的分步式抓取检测方法 | |
Wu et al. | Towards underwater sustainability using ROV equipped with deep learning system | |
CN113869122A (zh) | 一种配网工程强化管控方法 | |
Sun et al. | Research on the application of YOLOv4 in power inspection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |