[发明专利]一种基于深度学习的墙体缺陷检测方法

说明书

本发明公开了一种基于深度学习的墙体缺陷检测方法。所述方法包括以下步骤：采集墙体缺陷图像，对图像进行标注；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；使用构建好的数据集，训练一个基于ResNeXt的图像分类器；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；将构建好的数据集作为搭建好的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；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。本发明将深度学习方法应用于墙体缺陷检测的领域，基于Faster‑RCNN架构进行修改和改进，利用多进程技术，成功实现在实时检测的基础上保证模型检测的准确率。

技术领域

本发明涉及墙体缺陷检测领域，尤其涉及一种基于深度学习的墙体缺陷检测方法。

背景技术

随着计算机技术的快速发展，计算机硬件和计算机计算能力的提升，促进了机器学习和深度学习迅速发展。有人提出了神经网络模型，但是碍于计算能力有限，无法进行，而如今随着计算机能力的增强，解决了深度学习需要的前提条件，从而使深度学习能都快速发展。目前，又许许多多的科研人员从事深度学习理论方面的研究，特别是计算机视觉领域，涌现出了非常多的科技成果。

缺陷检测生产过程中的重要环节，是产品质量把控的关键步骤，在各个领域都有它的身影。像在布匹的污点、破损，金产品的划痕、裂纹等各种各样的缺陷。在建筑行业中同样也需要缺陷检测，来检测墙壁的各种可能的缺陷。缺陷检测技术由来已久，最开始通过有经验的工人来仔细检查来完成这样的墙壁缺陷检测，并通知工人来进行修复，这种人工检查非常耗费人力和资源。这时，就有人提出了使用传统的机器学习的方法来进行缺陷检测。传统算法来研究分析缺陷检测，主要是通过图像预处理得到便于检测的图像，而后借助统计机器学习的方法来提取图像的特征，进而分析特征来实现缺陷检测的目标。

基于深度学习方法的缺陷检测技术的研究将是以后研究的重要方向，目前，深度学习的缺陷检测方法已经应用于布匹，钢铁等领域，本发明将深度学习应用于墙体缺陷检测领域，将弥补应用上的缺失，对研究建筑行业中的墙壁缺陷检测具有重要意义。

专利《基于深度学习的工业自动化缺陷检测方法》(专利号：2019112765204)中，采用YOLO-V3模型加Inception-V3模型作为基础模型搭建缺陷检测模型；模型的准确率、运行效率和速度均不高，且缺陷检测的速度较低。

专利《墙体缺陷检测设备》(专利号：CN201821486018.7)设计了一种墙体缺陷检测设备，通过采用超声波检测设备加灵活可移动支架的方法进行检测活动。这种检测方式需要一个工人在下方控制支架的活动，另一个工人在支架上操作超声波设备，需要多个工人配合使用，增加了操作难度，并且检测效率不高。而且使用设备的工人必须要有经验才能很好的判断缺陷类型。

发明内容

本发明的目的是为了现有的墙体缺陷检测方面的存在的检测速度慢，准确率不高等不足，提供一种基于深度学习方法的墙体缺陷检测方法，以满足现阶段的工程需要，弥补现有得墙体缺陷检测方式得不足，进一步提升墙体缺陷检测得检测效率和检测速率。

本发明的目的至少通过如下技术方案之一实现。

一种基于深度学习的墙体缺陷检测方法，包括以下步骤：

S1、采集墙体缺陷图像，对图像进行标注；

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；

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；

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；