申请/专利权人：兰州理工大学

申请日：2023-11-10

公开（公告）日：2024-04-12

公开（公告）号：CN117876861A

主分类号：G06V20/10

分类号：G06V20/10;G06V10/764;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明提供基于改进MobileNetV3和迁移学习的对砌体表面裂缝自动分类的方法，涉及建筑检测技术领域。该基于改进MobileNetV3和迁移学习的对砌体表面裂缝自动分类的方法，包括以下步骤：S1、获取模型构建数据集；S2、构建初始砌体表面裂缝分类深度学习模型；S3、基于模型构建数据集对初始砌体表面裂缝自动分类模型进行训练；S4、使用训练后的模型进行分类与评估。通过基于改进的MobileNetV3和迁移学习的对砌体表面裂缝自动分类的方法，上述自动分类检测技术，能有效的对建筑体的质量进行检测，并且该技术是非破坏性检测，不会对结构造成额外伤害，同时，自动化的砌体表面裂缝检测设备可以减少人工操作，降低人力成本，提高了检测的一致性和准确性。

主权项：1.基于改进MobileNetV3和迁移学习的对砌体表面裂缝自动分类的方法，其特征在于，包括以下步骤：S1、获取模型构建数据集：首先需要收集包含不同类型、不同拍摄角度和不同光照条件下的砖砌墙体表面图像的数据集，这个数据集将用于训练和评估深度学习模型，这些图像应该覆盖各种砌体表面裂缝的情况；S2、构建初始砌体表面裂缝分类深度学习模型：在这一步骤中，首先选择一个预训练于ImageNet的卷积神经网络CNN作为基础网络，然后，将MobileNetV3作为主模型，MobileNetV3是一个轻量级的卷积神经网络，通常用于计算机视觉任务，此外，引入协调注意力机制以增强MobileNetV3模型的性能，协调注意力通常用于改善模型对不同特征的关注程度，以提高分类准确性，最后，将迁移学习应用于改进的MobileNetV3模型，以加速模型的训练过程并提升砌体表面裂缝分类效果，MobileNetV3网络的典型结构包括输入层、卷积层、残差连接、全局平均池化、全连接层和输出端；S3、基于模型构建数据集对初始砌体表面裂缝自动分类模型进行训练：使用模型构建数据集对初始的改进MobileNetV3模型进行训练，训练过程包括向模型提供数据集中的图像和相应的标签，以便模型学习如何准确地分类砌体表面裂缝，训练后，得到一个经过训练的砌体表面裂缝分类模型；S4、使用训练后的模型进行分类与评估：模型经过训练后，将待检测的图像或视频流输入该模型中，模型将根据输入的数据进行分类，并输出相应的分类结果和评估分数，这些评估结果可以用于判断输入图像或视频流中是否存在砌体表面裂缝，以及它们的类型和程度；S5、设备还具备对设计模型的分类输出进行后处理，包含将检测结果在原图像中进行结果可视化过程。

全文数据：

权利要求：

百度查询： 兰州理工大学 基于改进MobileNetV3和迁移学习的对砌体表面裂缝自动分类的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD