一种用于幕墙金属挂件检测的图像识别方法技术

本发明专利技术提供一种用于幕墙金属挂件检测的图像识别方法，包括：幕墙挂件数据采集与预处理；基于幕墙挂件数据采集和预处理后的数据，构建降震动超分辨率对抗神经网络；基于降震动超分辨率对抗神经网络建立分类神经网络模型；对分类神经网络模型进行训练与优化；对分类神经网络模型进行评估与测试，并用通过测试的分类神经网络模型来识别幕墙挂件检测图像。本发明专利技术提供一种基于深度学习方法的幕墙金属挂件检测的图像识别方法，通过采用毫米波图像传感器获取幕墙挂件的高分辨率图像，然后通过深度卷积神经网络进行特征提取和分类，最终实现了对五种不同类型的幕墙金属挂件的准确识别。对五种不同类型的幕墙金属挂件的准确识别。对五种不同类型的幕墙金属挂件的准确识别。

【技术实现步骤摘要】
一种用于幕墙金属挂件检测的图像识别方法


[0001]本专利技术涉及幕墙检测
，具体涉及一种用于幕墙金属挂件检测的图像识别方法。

技术介绍

[0002]现有的图像识别方法包括：基于传统机器学习算法的方法、基于物理方法的方法、基于小波变换的方法；
[0003]基于传统机器学习算法的方法：如支持向量机(SVM)、随机森林(RandomForest)等；这些算法依靠手动设计特征及分类器，需要人工参与数据处理和特征选择，且模型精度难以进一步提高。
[0004]基于物理方法的方法：这类方法基于物理原理，如电磁波与物体之间的相互作用关系，利用数值计算方法进行仿真或逆推，预测目标物体的电磁特性，实现目标识别与检测；物理方法具有较好的理论解释和数学分析，但在实际应用中受到场景复杂性、计算量大等问题的制约。
[0005]基于小波变换的方法：这种方法将图像分解成不同频带的小波系数，通过选择合适的特征并使用分类器进行分类，可以有效地提高图像的分类准确率和鲁棒性；常用的小波变换方法包括离散小波变换(DWT)、连续小波变换(CWT)等。
[0006]基于传统机器学习算法的方法存在以下问题：
[0007]1)需要手动设计特征及分类器，需要人工参与数据处理和特征选择；这会消耗大量时间和精力，并且在某些情况下可能无法找到有效的特征。
[0008]由于传统机器学习算法对复杂场景和噪声敏感，因此模型精度难以进一步提高。
[0009]基于物理方法的方法存在以下问题：
[0010]1)物理方法需要基本的物理原理和数值计算方法，而复杂的场景可能会使问题变得更加复杂和困难，同时需要消耗大量的计算资源；
[0011]2)物理方法需要预测目标物体的电磁特性，但是对于某些不规则的金属挂件，其电磁特性会受到材料、形态等因素的影响，因此难以实现目标识别和检测。
[0012]基于小波变换的方法存在以下问题：
[0013]1)小波变换容易受到图像锐利度的影响，在图像信息缺失或噪声过多的情况下，会导致特征提取失败；
[0014]2)在实际应用中，较为复杂的小波变换算法通常需要消耗大量的计算资源和存储空间。
[0015]因此，现有技术存在不足，需要进一步改进。

技术实现思路

[0016]针对现有技术存在的问题，本专利技术提供一种用于幕墙金属挂件检测的图像识别方法。
[0017]为实现上述目的，本专利技术的具体方案如下：
[0018]本专利技术提供一种用于幕墙金属挂件检测的图像识别方法，该方法包括如下步骤：
[0019]S1，幕墙挂件数据采集与预处理；
[0020]S2，基于幕墙挂件数据采集和预处理后的数据，构建降震动超分辨率对抗神经网络；
[0021]S3，基于降震动超分辨率对抗神经网络建立分类神经网络模型；
[0022]S4，对分类神经网络模型进行训练与优化；
[0023]S5，对分类神经网络模型进行评估与测试，并用通过测试的分类神经网络模型来识别幕墙挂件检测图像。
[0024]进一步地，步骤S1具体包括：使用已经标注好的幕墙挂件五分类数据集，包括5类挂件：SE、蝴蝶码、T挂、角码和背栓；数据集中每一类挂件都包含2000张大小为256x256的彩色图像，按照8:1:1划分训练集、验证集、测试集；其中1600张用于训练，200张用于验证，200张用于测试。
[0025]进一步地，步骤S2构建降震动超分辨率对抗神经网络具体流程如下：
[0026]S201，利用检测传感器在模拟震动条件下采集低质量的幕墙原图像A，在震动消失的非震动静态条件下采集高质量的幕墙图像B作为要学习的网络输出；
[0027]S202，将图像A进行下采样处理，分辨率缩小为原本的一半，并且作为网络输入；通过训练降震动超分辨率对抗神经网络，实现将低质量幕墙图像A转换成高质量幕墙图像B的过程；
[0028]进一步地，步骤S202中，降震动超分辨率对抗神经网络如下：
[0029][0030]G：生成器(Generator)，它接受一个随机向量(通常称为噪声)作为输入，并尝试生成逼真的样本数据；生成器的目标是使其生成的样本在判别器中被误认为是真实数据；
[0031]D：判别器(Discriminator)，它接受真实样本数据和生成器生成的样本作为输入，并尝试区分真实数据和生成的数据；判别器的目标是准确地区分真实数据和生成的数据；
[0032]E(x)：表示期望值，其中x是变量；
[0033]p_data(x)：表示真实数据分布的概率密度函数，它描述了真实数据的统计特征；p_z(z)：表示生成器输入随机噪声的概率密度函数，通常选择为已知的简单分布，如高斯分布或均匀分布；
[0034]D(x)：判别器对真实数据的输出，表示给定输入x是真实数据的概率；当输入x是从真实数据分布中抽取的样本时，D(x)应该接近1；
[0035]D(G(z))：判别器对生成器生成样本的输出，表示给定生成器生成的数据G(z)是真实数据的概率；当生成器产生的数据和真实数据无法区分时，D(G(z))应该接近0；
[0036]其中，生成器G负责生成高质量分辨率图像，用于降低V(D,G)的值；
[0037]生成器D负责判别生成的图像和真实高质量图像，用于增大V(D,G)的值；因此双方会陷入纳什平衡中；
[0038]给定G时，对D做微分得：
[0039][0040]对于这个积分，要取其最大值可得：
[0041][0042]取argminGmaxDV(G,D))，取到G使得这两种分布的差异性最小，就能够生成一个和原分布尽可能接近的分布，从而实现降震动。
[0043]进一步地，步骤S3分类神经网络模型建立，具体包括：
[0044]S301，在分类卷积神经网络模型中引入降震动超分辨率对抗神经网络的生成器部分；
[0045]S302，将原始震动小图像输入到生成器中，得到非震动静态条件下的高质量幕墙图像特征；
[0046]S303，利用利用像素重组技术，将高质量幕墙图像特征的分辨率分别缩小一倍，通道数为原来的四倍，并将这部分特征和原始震动小图像的特征进行融合；
[0047]S304，将融合后的特征输入到网络的分类层中，输出分类结果。
[0048]进一步地，步骤S301还包括：
[0049]S3011，对分类卷积神经网络模型的标准ResNet进行改进；
[0050]S3012，针对幕墙设计了CWNetBlock，整体称为CWNet，使用深度可分离卷积和invertedbottleneck结构；
[0051]S3013，单独设计了下采样层，采用stride＝2的2x2卷积，代替传统的3x3卷积和1x1卷积组合；
[0052]S3014，在每个下采样层前增加层归一化，以稳定训练过程。
[0053]进一步地，步骤S3014中，层归一化是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于幕墙金属挂件检测的图像识别方法，其特征在于，S1，幕墙挂件数据采集与预处理；S2，基于幕墙挂件数据采集和预处理后的数据，构建降震动超分辨率对抗神经网络；S3，基于降震动超分辨率对抗神经网络建立分类神经网络模型；S4，对分类神经网络模型进行训练与优化；S5，对分类神经网络模型进行评估与测试，并用通过测试的分类神经网络模型来识别幕墙挂件检测图像。2.根据权利要求1所述的用于幕墙金属挂件检测的图像识别方法，其特征在于，步骤S1具体包括：使用已经标注好的幕墙挂件五分类数据集，包括5类挂件：SE、蝴蝶码、T挂、角码和背栓；数据集中每一类挂件都包含2000张大小为256x256的彩色图像，按照8:1:1划分训练集、验证集、测试集。3.根据权利要求1所述的用于幕墙金属挂件检测的图像识别方法，其特征在于，步骤S2构建降震动超分辨率对抗神经网络具体流程如下：S201，利用检测传感器在模拟震动条件下采集低质量的幕墙原图像A，在震动消失的非震动静态条件下采集高质量的幕墙图像B作为要学习的网络输出；S202，将图像A进行下采样处理，分辨率缩小为原本的一半，并且作为网络输入；通过训练降震动超分辨率对抗神经网络，实现将低质量幕墙图像A转换成高质量幕墙图像B的过程。4.根据权利要求3所述的用于幕墙金属挂件检测的图像识别方法，其特征在于，步骤S202中，降震动超分辨率对抗神经网络如下：S202中，降震动超分辨率对抗神经网络如下：G：生成器，接受一个随机向量作为输入，并尝试生成逼真的样本数据；生成器的目标是使其生成的样本在判别器中被误认为是真实数据；D：判别器，接受真实样本数据和生成器生成的样本作为输入，并区分真实数据和生成的数据；判别器的目标是准确地区分真实数据和生成的数据；E(x)：表示期望值，其中x是变量；p_data(x)：表示真实数据分布的概率密度函数，它描述了真实数据的统计特征；p_z(z)：表示生成器输入随机噪声的概率密度函数，选择为已知的简单分布；D(x)：判别器对真实数据的输出，表示给定输入x是真实数据的概率；当输入x是从真实数据分布中抽取的样本时，D(x)接近1；D(G(z))：判别器对生成器生成样本的输出，表示给定生成器生成的数据G(z)是真实数据的概率；当生成器产生的数据和真实数据无法区分时，D(G(z))接近0；其中，生成器G负责生成高质量分辨率图像，用于降低V(D,G)的值；生成器D负责判别生成的图像和真实高质量图像，用于增大V(D,G)的值；因此双方会陷入纳什平衡中；给定G时，对D做微分得：
对于这个积分，要取其最大值可得：取argminGmaxDV(G,D))，取到G使得这两种分布的差异性最小，就能够生成一个和原分布尽可能接近的分...

【专利技术属性】
技术研发人员：高崇亮，高杰，曹亚军，
申请(专利权)人：中建深圳装饰有限公司，
类型：发明
国别省市：