Page 93 - 无损检测2023年第十期

吴玉龙, 等:

基于 YOLOV5算法的建筑外立面渗漏红外图像识别方法

测需求的热门检测方法 [ 9-11 ] 。红外热成像检测技术 深度学习模型的训练与识别。

可通过非接触方式, 获取建筑物对热激励的异常响 选用 YOLO V5模型进行训练与后续的识别,

应, 实现建筑外立面渗漏的检测识别, 近年来被广泛 Focus 、 C3Net 是 YOLOV5在骨干网络上采用的主
应用于建筑物裂缝检测、 输电线路故障检测、 野外搜 要网络结构。在渗漏识别过程中, 目标的尺度可能
救等领域 [ 12-16 ] 。随着红外热成像技术的不断发展, 会存在变化较大的情况, 会对识别精度产生一定的
红外热成像仪因具有成像距离远、 不受昼夜限制等 影响。特征金字塔可解决此问题, 但可能会破坏不
特点而得到了广泛应用, 但是渗漏的红外图像具有 同尺度渗漏的特征一致性。而且, 在实际应用中, 常
信噪比低、 目标尺寸小、 特征不明显等特点, 加之场 用的方法很难在保证识别实时性的同时提高多尺度
景复杂度不断提升, 杂波干扰严重, 导致现有的红外 渗漏的识别精度。
渗漏区域识别方法应用于复杂场景时性能衰减。再 为了解决模型大小与识别精度不相容的问题,

加上建筑外立面会受材料不同、 存在裂缝、 存在剥落 在 YOLO V5 模型的基础上引入了 AAM-FEM-
等因素影响, 故如何有效地识别出建筑外立面红外 FPN 以及自动学习数据增强模块, 进一步提高模型

图像中的渗漏区域仍是一大难点。 的识别性能。将原有的 FPN ( 特征金字塔) 结构替
由于红外目标数据集具有保密性强、 公开数据 换为 AAM-FEM-FPN , 增加了自适应注意力模块
集少等特点, 没有可供深度学习训练使用的建筑外 ( AAM ) 和特征增强模块( FEM ), 以提高识别多尺
立面渗漏红外图像数据集, 为了减少对真实建筑外 度目标的能力, 并在识别速度和准确率之间做出有
立面渗漏红外图像数量的需求, 笔者结合仿真渗漏 效的权衡, 在实时识别的前提下, 改进了 YOLO V5

红外图像与真实渗漏红外图像来制作数据集, 作为 网络的目标识别性能。此外, 笔者通过去除原始网
深度学习的样本进行训练。采用特征自适应迁移学 络中的 mosaicau g mentation ( 马赛克增强) 并根据

习的方法, 完成仿真及目标识别。 自动学习数据增强策略使用最佳数据增强方法来丰
随着近些年深度学习在目标识别领域的不断发 富数据集并提高训练效果。
展, 越来越多算法被不断提出, 其中 YOLOV5算法 基于传统特征金字塔网络的架构, AAM-FEM-

具有速度快、 准确率高等特点而得到了广泛应用。 FPN 增添自适应注意力、 特征增强两个模块。前者

YOLOV5算法在小目标识别时具有很好的性能, 通过减少特征金字塔的特征通道, 来规避高级特征
识别目标像素分辨率较小, 因此计算量相对较小。 映射的上下文信息丢失; 后者通过增强特征金字塔
笔者以 YOLOV5算法为基础进行改进, 通过更换 的表示, 以达到更佳的性能, 红外图像渗漏识别技术

特征金字塔网络, 降低计算成本, 有效完成了建筑外 路线如图1所示。
立面红外图像渗漏区域的识别。
2 基于仿真的渗漏红外图像生成方法
1 基本原理与技术路线
使用 ANSYS 软件制作仿真渗漏区域红外图
为了能够识别建筑外立面红外图像的渗漏区 像, 将 ANSYS仿真与室内试验和室外试验关联的
域, 通过 ANSYS软件仿真生成建筑外立面渗漏红 关键方法包括热特性校准、 环境条件模拟、 材料特性
外图像, 使用红外热成像仪对建筑外立面渗漏模拟 匹配、 外部辐射源模拟和数据对比与验证等。通过
试验进行红外图像采集, 将仿真图像和真实图像结 校准参数、 模拟环境、 匹配材料特性和验证数据, 可
合制作建筑外立面渗漏红外图像数据集, 用于后续 以提高仿真模型的准确性和逼真度。渗漏模型建立

图1 红外图像渗漏识别技术路线

5
5
2023年 第45卷 第10期
无损检测