-
公开(公告)号：CN118172356B
公开(公告)日：2024-08-16
申请号：CN202410449517.2
申请日：2024-04-15
Applicant: 宁波大学
IPC: G06T7/00 , G06N3/082 , G06V10/774 , G06V10/82
Abstract: 本发明涉及基于无人机的高层玻璃幕墙破损部位的自动检测方法，包括：使用训练集对检测网络进行M轮训练，得到第一检测网络；从第M+1轮的训练集开始，将每个批次的训练样本分批次输入到第一检测网络中，对第一检测网络进行边训练边剪枝，并在剪枝后的第一检测网络的稀疏度等于预设稀疏度时停止剪枝，得到第二检测网络；将验证集中的样本输入到训练完成后的第二检测网络中，直至得到在验证集上性能最优的第二检测网络；在测试集中任意选择一幅玻璃幕墙图像，并输入到得到的最优第二检测网络中，即得到该幅玻璃幕墙图像的检测结果。优点在于：在提高网络精准度的同时，也减少了误剪目的，改变行业人工巡检和目视检查的现状。
-
公开(公告)号：CN115565068B
公开(公告)日：2023-04-18
申请号：CN202211210404.4
申请日：2022-09-30
Applicant: 宁波大学
Abstract: 本发明涉及一种基于轻量型深度卷积神经网络的高层建筑玻璃幕墙破损的全自动检测方法，包括构建YOLO网络，将YOLO网络中的卷积层用依次相连接的扩展卷积、逐通道卷积、逐点卷积和剪枝层进行替换，得到新卷积层，最后将替换完成的YOLO网络作为构建的第一检测网络；之后对剪枝层中的待学习参数wi进行稀疏约束以及对第一检测网络中的新卷积层进行剪枝，得到第二检测网络；最后再对第二检测网络中每个BN层的缩放因子向量进行稀疏约束和剪枝，得到第三检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量，实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。
-
公开(公告)号：CN115565068A
公开(公告)日：2023-01-03
申请号：CN202211210404.4
申请日：2022-09-30
Applicant: 宁波大学
Abstract: 本发明涉及一种基于轻量型深度卷积神经网络的高层建筑玻璃幕墙破损的全自动检测方法，包括构建YOLO网络，将YOLO网络中的卷积层用依次相连接的扩展卷积、逐通道卷积、逐点卷积和剪枝层进行替换，得到新卷积层，最后将替换完成的YOLO网络作为构建的第一检测网络；之后对剪枝层中的待学习参数wi进行稀疏约束以及对第一检测网络中的新卷积层进行剪枝，得到第二检测网络；最后再对第二检测网络中每个BN层的缩放因子向量进行稀疏约束和剪枝，得到第三检测网络。因此该方法在保证高准确率的前提下进一步降低模型的参数量，实现基于无人机的城市高层建筑玻璃幕墙的全自动化检测。
-
公开(公告)号：CN118172356A
公开(公告)日：2024-06-11
申请号：CN202410449517.2
申请日：2024-04-15
Applicant: 宁波大学
IPC: G06T7/00 , G06N3/082 , G06V10/774 , G06V10/82
Abstract: 本发明涉及基于无人机的高层玻璃幕墙破损部位的自动检测方法，包括：使用训练集对检测网络进行M轮训练，得到第一检测网络；从第M+1轮的训练集开始，将每个批次的训练样本分批次输入到第一检测网络中，对第一检测网络进行边训练边剪枝，并在剪枝后的第一检测网络的稀疏度等于预设稀疏度时停止剪枝，得到第二检测网络；将验证集中的样本输入到训练完成后的第二检测网络中，直至得到在验证集上性能最优的第二检测网络；在测试集中任意选择一幅玻璃幕墙图像，并输入到得到的最优第二检测网络中，即得到该幅玻璃幕墙图像的检测结果。优点在于：在提高网络精准度的同时，也减少了误剪目的，改变行业人工巡检和目视检查的现状。
-
-
-
Search Results
4
records
(took 0.014 seconds)
