[发明专利]一种基于深度学习的墙体缺陷检测方法

权利要求书

1.一种基于深度学习的墙体缺陷检测方法，其特征在于，包括以下步骤：

S1、采集墙体缺陷图像，对图像进行标注，包括以下步骤：

S1.1、通过终端设备收集室内墙体存在缺陷的图像；

S1.2、利用标注工具labelimg或labelme，对每张图像中的墙体缺陷部分进行标注，并将标注的信息记录在xml文件中；

S2、对标注数据整理构成数据集，并对数据集进行数据增强，完成数据集的构建，包括以下步骤：

S2.1、对步骤S1中得到的数据集进行平移变换，保持图像原有的分类类别，以及生成相应的标注信息，增加样本数量；

S2.2、对步骤S2.1中得到的数据集进行随机旋转变换，并对标注信息进行相应的改变，增加样本数量；

S2.3、对步骤S2.2中得到的数据集进行随机裁剪变换，并对标注信息进行相应的改变，增加样本数量；

S2.4、对步骤S2.3中得到的数据集进行随机翻转变换，并对标注信息进行相应的改变，增加样本数量；

S2.5、对步骤S2.4中得到的数据集进行随机图像色彩变换，并对标注信息进行相应的改变，增加样本数量；

S3、使用步骤S2中构建好的数据集，训练一个基于ResNeXt的图像分类器，包括以下步骤：

S3.1、搭建ResNeXt深度学习模型；

S3.2、使用公开的图像数据集，对ResNeXt深度学习模型进行预训练并保存ResNeXt深度学习模型的参数；

S3.3、采用迁移学习的方法，加载步骤S3.2中得到的ResNeXt深度学习模型的参数，使用步骤S2中构建的数据集对ResNeXt深度学习模型进行再次训练，得到训练好的ResNeXt深度学习模型；

S4、利用训练好的ResNeXt作为特征提取器，搭建基于Faster-RCNN架构的目标检测器，包括以下步骤：

S4.1、将训练好的ResNeXt深度学习模型的结构进行改造，去除ResNeXt深度学习模型的分类器部分，保留特征提取部分；

S4.2、采用特征金字塔网络的网络层，对步骤S4.1中从ResNeXt深度学习模型提取的不同层的特征进行多尺度的特征融合；

S4.3、搭建Faster-RCNN的RPN层，ROI层以及图像分类器和回归器，图像分类器用于区分图像种类，回归器用于预测坐标，确定缺陷在图像中的位置；通过步骤S4.1、步骤S4.2以及步骤S4.3完成基于Faster-RCNN架构的目标检测器的搭建；

S5、将步骤S2中构建好的数据集作为步骤S4搭建好的Faster-RCNN架构的目标检测器网络的输入，进行训练，得到缺陷检测模型；

S6、使用多进程和多线程技术部署缺陷检测模型，提升缺陷检测模型的检测速度，采用缺陷检测模型进行墙体缺陷检测。

2.根据权利要求1所述的一种基于深度学习的墙体缺陷检测方法，其特征在于，步骤S1.1中，所述终端设备为拍摄装置，包括手机、摄像机。

3.根据权利要求1所述的一种基于深度学习的墙体缺陷检测方法，其特征在于，在步骤S32中，设置学习率为0.1，并设置衰减系数为0.0001，动量围为0.9；在步骤S3.3中设置学习率为0.01，设置衰减系数为1×10^-5，动量为0.9；

在步骤S3.2和步骤S3.3中的模型训练中使用以下公式计算损失：

其中y为图像标注类别，p为预测值；步骤S3.2和步骤S3.3中的模型中使用的分类器为sigmod。

4.根据权利要求1所述的一种基于深度学习的墙体缺陷检测方法，其特征在于，步骤S5包括以下步骤：

S5.1、先对ResNeXt模型加载步骤S3中训练好的模型参数，并固定参数不参与后续的模型训练；

S5.2、使用公开的COCO图像数据集先对步骤S4中搭建的基于Faster-RCNN架构的目标检测器模型进行预训练，并保存预训练得到的模型参数；

S5.3、使用步骤S4中搭建的基于Faster-RCNN架构的目标检测器模型进行预训练模型先加载步骤S5.2中得到的模型参数，在将步骤S2中得到的数据集数据导入加载步骤S5.2中得到的模型参数后的基于Faster-RCNN架构的目标检测器模型进行训练，最终得到缺陷检测模型。