结合深度学习与注意力机制的墙体安全检测模型

为解决传统建筑墙体检测采用人工目视方式效率低、成本高、危险性大的问题,提出利用无人机拍摄建筑外墙缺陷图像,采用卷积神经网络(Convolutional Neural Network, CNN)结合注意力机制实现对威胁建筑外墙安全缺陷的识别分类。从获取建筑外墙缺陷图像数据开始,制作缺陷图像数据集,以威胁墙体安全的缺陷为学习样本,构造浅层卷积神经网络,融入BAM(Bottleneck Attention Module)注意力机制,从卷积神经网络提取的浅层特征中提炼缺陷特征进行学习,实现建筑外墙的安全检测。经试验,多类安全问题检测正确率达到96.18%,所提出的模型相较传统的CNN、VGG 16、ResNet 18算法,检测正确率分别提高了3.36个百分点、3.92个百分点、14.6个百分点。研究表明,卷积神经网络结合注意力机制的方法可以避免局部缺陷丢失,提高检测正确率。