智慧建筑：基于YOLOv7的建筑外墙缺陷检测

主要观点总结

文章介绍了计算机视觉研究院关于建筑外墙缺陷检测的研究项目。文章提到了现有方法的挑战和现状，以及新方法的应用和挑战。重点介绍了一种改进的YOLOv7方法BFD-YOLO，它在保证实时性的前提下，获得了较高的检测精度。文章还涉及数据集的构建、数据扩充技术的使用、新设计框架的细节、实验平台的建立以及项目落地效果等内容。

关键观点总结

关键观点1: 前景概要

现有的基于深度学习的方法在识别速度和模型复杂性方面面临挑战。研究的BFD-YOLO方法旨在提高建筑外墙缺陷检测的准确性和速度。

关键观点2: 现状和项目动机

外墙缺陷的存在是建筑运营阶段的一个紧迫问题，通常归因于机械和环境因素。目视检查是评估建筑外观状况的一种简单可靠的方法，但随着建筑数量的增加和规模的扩大，人工目视检查方法已不足以满足大规模检查的要求。

关键观点3: 新想法及实践细节

选择了适合目标检测方法且易于构建数据集的缺陷类型。数据集由三个建筑外墙缺陷组成：分层、剥落和瓷砖损失。改进后的主干网络用MobileOne模块取代了ELAN模块以提高速度，并在网络中添加了协调注意力模块。

关键观点4: 项目落地效果

建立了实验平台来训练模型并进行测试。介绍了实验平台的硬件配置，以及在训练中使用的参数设置。

文章预览

点击蓝字 关注我们 关注并星标 从此不迷路 计算机视觉研究院 公众号ID ｜ 计算机视觉研究院 学习群 ｜ 扫码在主页获取加入方式 计算机视觉研究院专栏 Column of Computer Vision Institute 外观缺陷不仅影响了建筑的美观，也影响了其功能。此外，它们还可能危及行人、居住者和财产。我们基础到目前很多老破小社区建筑都有该现象，现在迫切需要AI实时监测，提高居民安全环境。 01 前景概要 现有的基于深度学习的方法在识别速度和模型复杂性方面面临一些挑战。为了保证建筑外墙缺陷检测的准确性和速度，我们研究了了一种改进的YOLOv7方法BFD-YOLO。首先，将YOLOv7中原有的ELAN模块替换为轻量级的MobileOne模块，以减少参数数量并提高推理速度。其次，在模型中加入了坐标注意力模块，增强了特征提取能力。接下来，使用SCYLLA-IoU来加快收敛速度并增加模型的 ………………………………