基于YOLOv8的建筑表面裂缝检测模型、方法和系统

本发明涉及建筑监测和智能检测，尤其是一种基于yolov8的建筑表面裂缝检测模型、方法和系统。

背景技术：

1、道路裂纹、建筑表面裂缝都是建筑安全隐患，及时发现非常重要。

2、yolo系列是基于深度学习的回归方法，在目标检测和分类上表现良好，但是现有的yolo系列都难以兼顾实时性和准确度，在裂缝检测上的应用并不理想。比如，yolov8模型相对于yolov5模型实现了轻量化，实时性更好，但是精度较差。

3、如图1(a)和图1(b)所示，现有的yolov8模型，包括躯干网络、颈部网络和头部网络。

4、躯干网络包括顺序连接的：第一卷积网络、第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块和sppf模块；

5、颈部网络包括顺序连接的：第一upsampl网络、第一拼接模块、第二upsampl网络、第二拼接模块、第二卷积网络、第三拼接模块、第三卷积网络和第四拼接模块；

6、头部网络包括三个输出模块，三个输出模块分别连接第二拼接模块的输出、第三拼接模块的输出和第四拼接模块的输出。输出模块基于对应的拼接模块的输出预测标注框。

7、sppf模块的输出即为躯干网络的输出，并连接颈部网络的输入。第一upsampl网络的输入和第四拼接模块的输入均连接颈部网络的输入。

8、第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块结构相同，统称为卷积模块。卷积模块由相连接的卷积网络和c2f模块构成，卷积网络的输入即为卷积模块的输入，卷积网络的输出连接c2f模块的输入，c2f模块的输出即为卷积模块的输出。

9、第一卷积网络、第二卷积网络、第三卷积网络以及第四卷积模块中的卷积网络均采用conv卷积网络。

10、第一拼接模块、第二拼接模块、第三拼接模块和第四拼接模块结构相同，统称为拼接模块。拼接模块由相连接的concat拼接网络和c2f模块构成，concat拼接网络的输入即为拼接模块的输入，concat拼接网络的输出连接c2f模块的输入，c2f模块的输出即为拼接模块的输出。

11、第一拼接模块的输入还连接第三卷积模块的输出，第二拼接模块的输入还连接第二卷积模块的输出，第三拼接模块的输入还连接第一拼接模块的输出；第四拼接模块的输入还连接sppf模块的输出。

12、输出模块包括并行的两条卷积处理支路，两条卷积处理支路均由相连接的conv卷积网络和conv2d卷积网络构成；输出模块中，一条卷积处理支路根据输入预测混凝土裂缝标注框，另一条卷积处理支路预测混凝土裂缝类别。

技术实现思路

1、为了克服上述现有技术中裂缝检测技术难以兼顾检测精度和效率的缺陷，本发明提出了一种基于yolov8的建筑表面裂缝检测模型构建方法，可构建高精度、推算速度快的裂缝检测模型。

2、本发明提出的一种基于yolov8的建筑表面裂缝检测模型构建方法，包括以下步骤：

3、s1、对yolov8模型进行改进，以获取基础模型；构建标注有裂缝的类别和标注框的裂缝图像作为学习样本；将学习样本分割为训练样本和测试样本；

4、s2、令基础模型对训练样本进行学习；

5、s3、在测试样本上计算基础模型的模型损失；

6、s4、重复步骤s2-s3，直至获取收敛后的基础模型作为裂缝检测模型；

7、令yolov8模型中，沿着数据传输方向，各相同模型顺序命名；

8、对yolov8模型进行改进的方式为：在yolov8模型的基础上，将所有的c2f模块均替换为ec2f模块；ec2f模块包括：第八卷积网络、第九卷积网络和第三拼接网络；ec2f模块的输入数据经过第八卷积网络处理后输出；第八卷积网络的输出数据在通道维度上一分为二，形成两个维度数量相等的第一路特征数据和第二路特征数据；第三拼接网络的输入包括：第八卷积网络的输出数据、第一路特征数据上抽取的单位特征图与第一路特征数据的点乘结果、第二路特征数据上抽取的单位特征图与第二路特征数据的点乘结果；第三拼接网络对输入的三路输入进行维度拼接后输送到第九卷积网络进行卷积处理，第九卷积网络的输出数据作为ec2f模块的输出。

9、优选的，对yolov8模型进行改进的方式还包括：第二拼接模块的输入还连接第一卷积模块的输出，第三拼接模块的输入还连接第二卷积模块的输出，第四拼接模块的输入还连接第三卷积模块的输出。

10、优选的，模型损失包括分类损失和标注框损失，标注框损失的计算方式为：

11、lossmiou＝iou-(c-b∪bgt)/c-l(b,bgt)/lc

12、l(b,bgt)＝[(x1-x2)2+(y1-y2)2]1/2

13、lc＝[max(w,h)2+max(wgt,hgt)2]1/2

14、其中，lossmiou表示标注框损失，b表示模型预测的混凝土裂缝标注框，bgt表示真实的混凝土裂缝标注框；b∪bgt表示b和bgt的拼接面积；c为b和bgt的最小外接矩形面积，lc为过渡项，l(b,bgt)为b的中心点和bgt的中心点之间的距离，(x1,y1)表示b的中心点坐标，(x2,y2)表示bgt的中心点坐标；max表示取最大值；w为b的宽度，h为b的高度；wgt为bgt的宽度，hgt为bgt的高度；iou为标注框评估指标。

15、优选的，模型损失为分类损失与标注框损失的加权求和或者加权乘积。

16、本发明提出的一种建筑表面裂缝检测方法，可实现裂缝的高精度快速检测，其包括：

17、获取待检测建筑物表面图像，采用所述的基于yolov8的建筑表面裂缝检测模型构建方法获取裂缝检测模型；

18、将待检测建筑物表面图像输入裂缝检测模型，裂缝检测模型识别裂缝位置以及裂缝类型并输出。

19、本发明提出的一种建筑表面裂缝检测系统，包括存储器和处理器，存储器中存储有计算机程序和裂缝检测模型，处理器连接存储器，处理器用于执行所述计算机程序，以实现所述的建筑表面裂缝检测方法。

20、本发明提出的一种存储介质，存储有计算机程序，所述计算机程序被执行时用于实现所述的建筑表面裂缝检测方法。

21、本发明的优点在于：

22、(1)本发明提出的基于yolov8的建筑表面裂缝检测模型构建方法，采用yolov8模型框架，持续了模型的轻量化实时性优点，同时设置了ec2f模块，提高了模型的准确度。

23、(2)ec2f模块中，输入的数据卷积后进行维度分割，再进行单位特征图提取和点乘后，得到了丰富的特征表示集合。再经过拼接操作，实现了特征表示的整合，以获得更多样化和丰富的特征表示。

24、(3)本发明中，作为检测头输入的第二拼接模块、第三拼接模块和第四拼接模块，均引入了头部网络不同位置处的特征数据，以丰富特征表示，有利于保留语义信息和增强语境理解，从而提高准确性。

25、(4)本发明提出的miou损失函数，不仅考虑了真实标注框、预测标注框以及两者外接框之间的距离，还考虑了面积；降低了模型损失对边界框形状和大小的变化敏感性，使得边界框回归更加健壮。实验证明，引入miou可以提高边界框回归的准确性，从而提高模型的整体性能。

26、(5)本发明提出的裂缝检测模型，在保持yolov8轻量化架构的同时，还达到了yolov5的精度，在混凝土裂缝检测上表现优异。