本發(fā)明涉及探地雷達(dá)信號(hào)目標(biāo)識(shí)別，尤其涉及一種基于mced-yolov7網(wǎng)絡(luò)的粘接劑缺陷識(shí)別方法。

背景技術(shù)：

1、探地雷達(dá)(ground?penetrating?radar,gpr)作為一種先進(jìn)的無(wú)損檢測(cè)工具，具備高效率、高抗干擾水平和強(qiáng)穿透能力等顯著的技術(shù)優(yōu)勢(shì)，能夠高效、準(zhǔn)確地獲取地下圖像。gpr技術(shù)通過(guò)發(fā)射電磁波并接收地下反射信號(hào)，實(shí)現(xiàn)對(duì)地下結(jié)構(gòu)或物體的探測(cè)與成像，為地質(zhì)勘探、土木工程、環(huán)境監(jiān)測(cè)等領(lǐng)域提供了重要的技術(shù)支持。它已被廣泛用于探測(cè)地下異常物體。探地雷達(dá)發(fā)射的電磁波在撞擊不同電磁性質(zhì)的介質(zhì)后被反射形成b掃描剖面。因此，地下異常物體的檢測(cè)可以被認(rèn)為是異常gpr信號(hào)的檢測(cè)。

2、在建筑外墻保溫板和粘接劑的目標(biāo)檢測(cè)中，探地雷達(dá)技術(shù)發(fā)揮著重要作用。其工作原理是通過(guò)發(fā)射天線向目標(biāo)區(qū)域發(fā)射高頻電磁波，這些電磁波在地下或建筑內(nèi)部傳播時(shí)，會(huì)與不同介質(zhì)(如保溫板、混凝土、墻體等)產(chǎn)生反射和折射。當(dāng)電磁波遇到保溫板與墻體之間的粘接劑層時(shí)，由于兩者之間的介電常數(shù)差異，會(huì)產(chǎn)生明顯的反射信號(hào)。這些反射信號(hào)被接收天線接收后，經(jīng)過(guò)信號(hào)處理和解釋，可以獲取關(guān)于粘接劑層的厚度、連續(xù)性、均勻性、內(nèi)部結(jié)構(gòu)等信息，判斷其是否存在病害。然而，目前對(duì)于建筑外墻保溫層的粘接狀態(tài)檢測(cè)主要依賴于人工解釋雷達(dá)圖像，這不僅效率低下，而且容易引入人為誤差；同時(shí)探地雷達(dá)圖像的背景比較復(fù)雜，準(zhǔn)確判斷正常粘接劑、保溫板與粘接劑之間的頂部脫空、墻體與粘接劑之間的基層脫空狀態(tài)成為一個(gè)挑戰(zhàn)。因此，如何利用探地雷達(dá)技術(shù)準(zhǔn)確地自動(dòng)檢測(cè)建筑外墻保溫層的粘接狀態(tài)，仍是一個(gè)值得研究的問(wèn)題。

3、現(xiàn)有技術(shù)中，有用于管線目標(biāo)智能識(shí)別的faster?r-cnn算法、在道路異常檢測(cè)方面的yolov4算法、在隧道襯砌檢測(cè)中應(yīng)用的基于掩模區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(mask?r-cnn)等。但是，在建筑外墻保溫板領(lǐng)域中，尚未實(shí)施專門的針對(duì)正常粘接劑、頂部脫空和基層脫空目標(biāo)檢測(cè)方面的算法。尤其是面對(duì)保溫板粘接劑b-scan圖像中所呈現(xiàn)的多個(gè)、分散且不規(guī)則的目標(biāo)特征時(shí)，識(shí)別任務(wù)的難度顯著增加。這種復(fù)雜性不僅源于目標(biāo)形態(tài)的多樣性，還由于它們?cè)谇衅械牟灰?guī)則分布和可能的重疊現(xiàn)象，給自動(dòng)化識(shí)別帶來(lái)了極大的挑戰(zhàn)。

4、因此，亟需開發(fā)一種能夠高效、準(zhǔn)確地處理保溫板粘接劑這種多個(gè)、且分散目標(biāo)的目標(biāo)識(shí)別方法，以精準(zhǔn)檢測(cè)保溫板內(nèi)部的正常粘接劑、頂部脫空以及基層脫空，實(shí)現(xiàn)對(duì)建筑外墻保溫層粘接質(zhì)量的實(shí)時(shí)監(jiān)測(cè)與評(píng)估，確保建筑外墻的保溫效果和安全性，提升建筑施工的質(zhì)量控制水平。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)問(wèn)題，提供一種基于mced-yolov7網(wǎng)絡(luò)的粘接劑缺陷識(shí)別方法。

2、一種基于mced-yolov7網(wǎng)絡(luò)的粘接劑缺陷識(shí)別方法，包括以下步驟：獲取待識(shí)別圖像，采用linear線性插值進(jìn)行數(shù)據(jù)圖像處理；采用指數(shù)限幅增益算法，進(jìn)行圖像特征處理；基于yolov7架構(gòu)，在elan模塊后引入mlca注意力機(jī)制，在sppcspc模塊的卷積中加入cbam注意力機(jī)制；將原始ciou改進(jìn)為eiou，并加入dyhead目標(biāo)檢測(cè)頭，構(gòu)建得到mced-yolov7檢測(cè)網(wǎng)絡(luò)，用于對(duì)待識(shí)別圖像進(jìn)行缺陷識(shí)別。

3、在其中一個(gè)實(shí)施例中，所述指數(shù)限幅增益算法包括：

4、

5、ymax＝8

6、y0(y0>ymax)＝y(tǒng)max

7、data＝data×y′0

8、式中，data為所需處理的原始數(shù)據(jù)，x0＝1:length(data)創(chuàng)建一個(gè)向量x0，其元素從1到data的長(zhǎng)度，表示數(shù)據(jù)點(diǎn)的索引，x0是時(shí)間或數(shù)據(jù)點(diǎn)索引，ymax為增益函數(shù)的最大值，y0為增益函數(shù)，y′0轉(zhuǎn)置后的增益函數(shù)。

9、在其中一個(gè)實(shí)施例中，所述基于yolov7架構(gòu)，在elan模塊后引入mlca注意力機(jī)制，在sppcspc模塊的卷積中加入cbam注意力機(jī)制，包括：基于yolov7架構(gòu)，在elan模塊中引入跨層連接和混合卷積，并在elan模塊后引入mlca注意力機(jī)制，結(jié)合局部特征和全局特征以及通道和空間特征的信息，在不同尺度上識(shí)別目標(biāo)的特征區(qū)域；在sppcspc模塊的卷積中加入并行的多次最大池化操作，用于提取多尺度特征，并在sppcspc模塊中加入cbam注意力機(jī)制，整合通道注意力和空間注意力，根據(jù)輸入圖像的特征信息動(dòng)態(tài)調(diào)整不同區(qū)域的權(quán)重分配。

10、在其中一個(gè)實(shí)施例中，所述將原始ciou改進(jìn)為eiou，并加入dyhead目標(biāo)檢測(cè)頭，構(gòu)建得到mced-yolov7檢測(cè)網(wǎng)絡(luò)，包括：將yolov7算法中的ciou改進(jìn)為eiou損失函數(shù)；在尺度感知的特征層、空間感知的空間位置以及任務(wù)感知的輸出通道內(nèi)，通過(guò)dyhead目標(biāo)檢測(cè)頭連貫地結(jié)合多頭self-attention注意機(jī)制；結(jié)合eiou損失函數(shù)和帶有注意力的dyhead目標(biāo)檢測(cè)頭，構(gòu)建得到mced-yolov7檢測(cè)網(wǎng)絡(luò)；通過(guò)mced-yolov7檢測(cè)網(wǎng)絡(luò)對(duì)所述待識(shí)別圖像進(jìn)行檢測(cè)，識(shí)別得到粘結(jié)劑缺陷。

11、相比于現(xiàn)有技術(shù)，本發(fā)明的優(yōu)點(diǎn)及有益效果在于：通過(guò)linear線性插值對(duì)獲取的待識(shí)別圖像進(jìn)行數(shù)據(jù)圖像處理，能夠顯著提高圖像的細(xì)節(jié)表現(xiàn)力，有效抑制由柵格化引起的圖像失真；采用指數(shù)限幅增益算法進(jìn)行圖像特征處理，使得b-scan圖像中正常粘接劑、頂部脫空和基層脫空這三種情況的特征更加清晰，有利于后續(xù)的目標(biāo)識(shí)別；基于yolov7算法框架，在elan模塊后引入mlca注意力機(jī)制，能夠更好的捕捉和利用不同層級(jí)特征圖中的上下文信息，從而提升對(duì)目標(biāo)物體的識(shí)別能力，并在sppcspc模塊的卷積中加入cbam注意力機(jī)制，以進(jìn)一步增強(qiáng)特征表示的選擇性和魯棒性；將原始的ciou損失函數(shù)改進(jìn)為eiou，以更加精確地描述預(yù)測(cè)框與目標(biāo)框之間的重疊程度，進(jìn)而優(yōu)化模型的定位準(zhǔn)確性；加入dyhead目標(biāo)檢測(cè)頭，能夠自適應(yīng)地調(diào)整其結(jié)構(gòu)和參數(shù)，以適應(yīng)不同尺度和形狀的目標(biāo)物體，從而提高檢測(cè)性能，最終構(gòu)建得到mced-yolov7檢測(cè)網(wǎng)絡(luò)，以實(shí)現(xiàn)對(duì)待識(shí)別圖像缺陷的精確識(shí)別，提高了檢測(cè)網(wǎng)絡(luò)的準(zhǔn)確性和魯棒性，顯著改善了誤檢和多檢現(xiàn)象。

技術(shù)特征：

1.一種基于mced-yolov7網(wǎng)絡(luò)的粘接劑缺陷識(shí)別方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于mced-yolov7網(wǎng)絡(luò)的粘接劑缺陷識(shí)別方法，其特征在于，所述指數(shù)限幅增益算法包括：

3.根據(jù)權(quán)利要求1所述的基于mced-yolov7網(wǎng)絡(luò)的粘接劑缺陷識(shí)別方法，其特征在于，所述基于yolov7架構(gòu)，在elan模塊后引入mlca注意力機(jī)制，在sppcspc模塊的卷積中加入cbam注意力機(jī)制，包括：

4.根據(jù)權(quán)利要求1所述的基于mced-yolov7網(wǎng)絡(luò)的粘接劑缺陷識(shí)別方法，其特征在于，所述將原始ciou改進(jìn)為eiou，并加入dyhead目標(biāo)檢測(cè)頭，構(gòu)建得到mced-yolov7檢測(cè)網(wǎng)絡(luò)，包括：

技術(shù)總結(jié)
本發(fā)明提供一種基于MCED?YOLOv7網(wǎng)絡(luò)的粘接劑缺陷識(shí)別方法，包括：獲取待識(shí)別圖像，采用linear線性插值進(jìn)行數(shù)據(jù)圖像處理；采用指數(shù)限幅增益算法，進(jìn)行圖像特征處理；基于YOLOv7架構(gòu)，在ELAN模塊后引入MLCA注意力機(jī)制，在SPPCSPC模塊的卷積中加入CBAM注意力機(jī)制；將原始CIOU改進(jìn)為EIOU，并加入DYHEAD目標(biāo)檢測(cè)頭，構(gòu)建得到MCED?YOLOv7檢測(cè)網(wǎng)絡(luò)，用于對(duì)待識(shí)別圖像進(jìn)行缺陷識(shí)別。本發(fā)明能夠?qū)崿F(xiàn)對(duì)保溫板內(nèi)部的正常粘接劑、頂部脫空以及基層脫空的精準(zhǔn)檢測(cè)，提高了檢測(cè)網(wǎng)絡(luò)的準(zhǔn)確性和魯棒性，顯著改善了誤檢和多檢現(xiàn)象。

技術(shù)研發(fā)人員：蘭天,李雨菡,龔俊波,姜子航,季圣杰,胡志剛,李肖肖
受保護(hù)的技術(shù)使用者：北京理工大學(xué)重慶創(chuàng)新中心
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9