一种屋面板缺陷检测方法和系统

1.本发明涉及缺陷检测技术领域，特别是涉及一种屋面板缺陷检测方法和系统。


背景技术：

2.大型建筑（机场、工厂、火车站等）屋面通常采用钢板搭建，屋面板在辐射、温差、大雪、风、雨等恶劣环境下容易发生腐蚀、断裂、漏水、撕裂以及屋面掀翻的风险，传统的人工检测方法需要工人登高进行肉眼观测，这种方法不仅准确率低、效率低，还存在一定的危险系数。因此，本领域亟需提供一种自动化屋面板检测方法以提高检测准确度和效率。


技术实现要素：

3.为解决现有技术存在的上述问题，本发明提供了一种屋面板缺陷检测方法和系统。
4.为实现上述目的，本发明提供了如下方案：一种屋面板缺陷检测方法，包括：构建屋面板缺陷检测分类模型；所述屋面板缺陷检测分类模型为训练好的yolov5-mca网络模型；所述yolov5-mca网络模型为改进后的yolov5网络模型；所述yolov5-mca网络模型包括：融合有多光谱通道注意力机制模块的骨干网络、加入有门限通道变换模块的neck层和检测头；获取待检测屋面板的图像数据；将所述图像数据输入屋面板缺陷检测分类模型得到检测结果。
5.优选地，所述构建屋面板缺陷检测分类模型，具体包括：获取yolov5网络模型；所述yolov5网络模型的骨干网络包括：csp1_1结构、第一cbl结构、csp1_3结构和spp网络；对所述csp1_1结构的输出进行正则化处理后输入特征融合模块；所述特征融合模块的操作采用公式fi=ci l(conv(f
i-1
))描述，其中，l代表l2正则化，conv代表卷积操作，当i=2时，fi=ci；在所述csp1_3结构和所述第一cbl结构之间以及spp网络之后均设置多光谱通道注意力机制模块；所述多光谱通道注意力机制模块的输入为所述csp1_3结构的输出或所述spp网络的输出；所述多光谱通道注意力机制模块的输出为ms
att
：ms
att
=sigmoid(fc(freq))；其中，fc()为全连接层映射函数，freq为多光谱向量，sigmoid为sigmoid函数；将门限通道变换模块融合至所述yolov5网络模型的neck层中；将所述yolov5网络模型采用的非极大值抑制方法替换为softnms方法。
6.优选地，将所述门限通道变换模块添加至所述yolov5网络模型的neck层的第一个csp1_2结构之后。
7.优选地，对所述yolov5-mca网络模型进行训练的过程，包括：构建训练集；
采用所述训练集训练所述yolov5-mca网络模型得到训练好的yolov5-mca网络模型。
8.优选地，所述构建训练集，具体包括：获取屋面板的原始图像；所述原始图像包括：屋面板发生腐蚀的图像、屋面板发生漏水的图像、屋面板发生断裂的图像、屋面板发生掀翻的图像和屋面板无异常的图像；使用labelme工具标注所述原始图像得到标注后的图像；标注的标签包括：“完好”、“腐蚀”、“断裂”、“漏水”和“屋面掀翻”；对所述标注后的图像进行预处理得到训练集。
9.优选地，所述对所述标注后的图像进行预处理得到训练集，具体包括：采用非局部均值去噪方法对所述标注后的图像进行去噪处理，得到去噪图像；采用小波变换法对所述去噪图像进行增强处理，得到增强图像；将所述增强图像进行小波逆变换，得到重构后的增强图像；基于所述重构后的增强图像得到训练集。
10.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的屋面板缺陷检测方法，通过采用基于yolov5-mca网络模型的屋面板缺陷检测分类模型对屋面板是否存在缺陷进行自动化检测，能够显著提高屋面板缺陷检测的精确性和效率。
11.对应于上述提供的屋面板缺陷检测方法，本发明还提供了一种屋面板缺陷检测系统，该系统包括：模型构建模块，用于构建屋面板缺陷检测分类模型；所述屋面板缺陷检测分类模型为训练好的yolov5-mca网络模型；所述yolov5-mca网络模型为改进后的yolov5网络模型；所述yolov5-mca网络模型包括：融合有多光谱通道注意力机制模块的骨干网络、加入有门限通道变换模块的neck层和检测头；图像获取模块，用于获取待检测屋面板的图像数据；缺陷检测模块，用于将所述图像数据输入屋面板缺陷检测分类模型得到检测结果。
12.优选地，所述模型构建模块包括：模型获取单元，用于获取yolov5网络模型；所述yolov5网络模型的骨干网络包括：csp1_1结构、第一cbl结构、csp1_3结构和spp网络；第一设置单元，用于在所述csp1_1结构后设置特征融合模块；所述特征融合模块的操作采用公式fi=ci l(conv(f
i-1
))描述，其中，l代表l2正则化，conv代表卷积操作，当i=2时，fi=ci；第二设置单元，用于在所述csp1_3结构和所述第一cbl结构之间以及spp网络之后均设置多光谱通道注意力机制模块；所述多光谱通道注意力机制模块的输入为所述csp1_3结构的输出或所述spp网络的输出；所述多光谱通道注意力机制模块的输出为ms
att
：ms
att
=sigmoid(fc(freq))；其中，fc()为全连接层映射函数，freq为多光谱向量，sigmoid为sigmoid函数；融合单元，用于将门限通道变换模块融合至所述yolov5网络模型的neck层中；方法替换单元，用于将所述yolov5网络模型采用的非极大值抑制方法替换为
softnms方法。
13.因本发明提供的屋面板缺陷检测系统实现的技术效果与上述提供的屋面板缺陷检测方法实现的技术效果相同，故在此不再进行赘述。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
15.图1为本发明提供的屋面板缺陷检测方法的流程图；图2为本发明实施例提供的骨干网络改进示意图；图3为本发明实施例提供的neck层改进示意图；图4为本发明提供的屋面板缺陷检测系统的结构示意图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
17.本发明的目的是提供一种屋面板缺陷检测方法和系统，以在提高屋面板缺陷检测精确性和效率的同时，提高检测安全性。
18.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
19.如图1所示，本发明提供的一种屋面板缺陷检测方法，包括：步骤100：构建屋面板缺陷检测分类模型。屋面板缺陷检测分类模型为训练好的yolov5-mca网络模型。yolov5-mca网络模型为改进后的yolov5网络模型。yolov5-mca网络模型包括：融合有多光谱通道注意力机制模块的骨干网络、加入有门限通道变换模块的neck层和检测头。
20.步骤101：获取待检测屋面板的图像数据。
21.步骤102：将图像数据输入屋面板缺陷检测分类模型得到检测结果。
22.原始yolov5网络模型结构按顺序分为骨干网络、neck层和检测头（head）三个部分。待检测屋面板图像从骨干网络部分输入进来，经过骨干网络可以将待检测图像中重要的语义特征识别出来输入至neck层，在neck层会对上一步的语义特征进行进一步的筛选和整理，筛选出二阶特征，再输入至head部分进行最终的分类。为了提高模型精度，上述步骤100构建屋面板缺陷检测分类模型的过程具体为：步骤1001、将多光谱通道注意力（multi-spectral channel attention，mca）模块融合至yolov5网络模型的骨干网络中，具体的：如图2所示，将mca模块融合至yolov5网络模型的骨干网络中第一个csp1_3后面，第二个csp1_3后面，以及spp网络后面。
23.下面以第一个csp1_3后面的mca模块为例进行步骤描述，后两个mca模块为同样的原理，因此不再赘述。
24.定义yolov5网络模型的骨干网络中第一个csp1_3的输出为x，即为mca模块的输入。
25.具体地，将输入x按照通道维度分成n份，其中n必须能被通道数整除。对于每一部分，分配相应的二维dct频率分量，其结果可作为信道注意力的预处理结果，如下式：其中：freq∈rc是预处理后的多光谱向量，2ddct表示为二维dct频率分量，[u,v]是对于xi的频率分量2d指数，h为输入x的高度，w为输入x的宽度，[x1,x2,...,x
n-1
]表示划分后的各部分，xi∈rc×h×w，c’=c/n’，c能被n整除，b为2d离散余弦变换的基函数，h为空间通道的高度，w为空间通道的宽度。
[0026]
具体地，组合每个部分的频率分量，freq=cat([freq0,freq1,...,freq
n-1
])。其中cat为构造多维数组的函数。
[0027]
具体地，mca模块的输出为ms
att
=sigmoid(fc(freq))；其中，fc()为全连接层映射函数，freq为多光谱向量，sigmoid为sigmoid函数。
[0028]
至此，将ms
att
输入至第一cbl结构中，以进行下一步的特征筛选。
[0029]
步骤1002、在yolov5网络模型的骨干网络中的csp1_1处加入特征融合模块。
[0030]
具体地，定义输入图像为input image，定义input image经csp1_1中的每个残差组后输出的最后一个特征图为ci，i∈[2,5]，fi是融合ci与f
i-1
得到的特征。（开始迭代时，直接取c2作为融合特征f2）来自不同层的特征图在通道数、尺度和特征图像素的范数方面具有不同属性，浅层特征的范数一般较大，而深层的范数较小，如果对两个特征只进行简单的元素加法运算，那么浅层特征将支配深层特征，因此引入l2正则化，在特征融合之前对特征像素进行正则化。
[0031]
首先，input image经csp1_1中的残差组得到特征图c2，c2与f2经过l2正则化和3
×
3卷积核得到e1。同样地，c3与e1融合得到融合特征f3，f3特征经过l2正则化和3
×
3卷积核得到e2。c4与e2融合得到融合特征f4，f4特征经过l2正则化和3
×
3卷积核得到e3。c5与e3融合得到融合特征f5，即为最终特征图。
[0032]
其中，特征融合操作可以用公式fi=ci l(conv(f
i-1
))描述。其中，l代表l2正则化，conv代表卷积操作，当i=2时，fi=ci。
[0033]
其中l2正则化的公式如下：，。
[0034]
其中，x=(x1,x2,...,xd)是归一化前的特征，d是通道数。为归一化特征，|xi|为xi的绝对值。
[0035]
归一化后，特征值会发生变化，训练难度会增加，因此，使用下式沿着通道缩放归一化的特征：。
[0036]
yi是缩放后的特征值，γi为尺度因子。
[0037]
步骤1003、在neck层加入门限通道变换模块（gtc模块），如图3所示。其中，门限通道变换模块可以对网络通道之间的竞争关系进行建模，提高模型的特征提取能力。具体的：将门限通道变换模块置于yolov5网络模型的neck网络中第一个csp2_1后面，定义γ、β、x∈rc×h×w为来自csp2_1的激活特征，门限通道变换模块对其进行如下操作：其中，α、γ、β表示可训练参数，α用来构建全局上下文嵌入模块的自适应性，γ、β用于控制是否激活门。h、w分别表示空间维度的高和宽，c表示通道维度。表示全局上下文信息。
[0038]
优先地，对上述得到的全局上下文信息进行汇总，定义嵌入参数，汇总输出为，其中，ε为用于避免倒数为0的极小参数。
[0039]
优先地，对通道进行归一化，定义归一化结果为。为尺度因子，用于规范化的尺度。
[0040]
优先地，使用门控适应机制控制网络中神经元间是竞争还是协作关系，定义门控结果。将门控结果输入至cbl网络中，使本发明的模型更加侧重于通道于上下文信息建模，更高效地挖掘深层语义特征。
[0041]
步骤1004、将原yolov5网络模型使用的非极大值抑制方法替换为softnms方法，来过滤候选框。
[0042]
原yolov5网络模型使用的非极大值抑制方法来过滤候选框，但是阈值的设置会影响检测精度，阈值过低会导致真正的阳性样本被抑制，无法检测到真正缺陷的屋面板。阈值过高会导致假阳性样本增加，增大检修压力。因此本发明使用softnms来过滤候选框以提高无人机场景下屋面板缺陷检测的性能。
[0043]
softnms的公式如下：，其中，si为第i个候选框的得分，m是得分最高的候选框的坐标，ti为第i个候选框的坐标。iou(.)表示候选框i与m的交点与候选框i与m的并集的比值。n
t
是一个预设阈值。
[0044]
至此，得到完整的yolov5-mca网络模型。
[0045]
进一步为了提高缺陷检测的准确性，本发明还需要对上述构建得到的yolov5-mca网络模型进行训练，训练的过程为：步骤1、构建训练集和测试集步骤2、使用处理后的图像对yolov5-mca网络模型进行训练，获得初始模型。具体地，采用随机梯度下降更新权重，定义模型训练的迭代次数为epoch，设置epoch=1000。定义学习率为learning_rate=0.0001，每过5个epochs，learning_rate=learning_rate
×
0.9998。定义训练轮次为batch，设置batch=128。设置权重衰减为1e-6。
[0046]
步骤3、将测试集输入到初始模型中，输出对房屋面板腐蚀、断裂、漏水、屋面掀翻和完好屋面板进行分类的结果，并输出模型的评价指标。
[0047]
其中，上述训练集和测试集的构建过程为：步骤1-1、由无人机对需要检测的大型建筑屋面板进行拍摄获取原始图像数据，分别捕获房屋面板腐蚀、断裂、漏水、屋面掀翻图像和完好屋面板图像，共五种类型的原始图像的具体为：采用无人机对大型建筑屋面板进行拍摄，获取局部画面。为了能够更加全面的对屋面板进行检测，将每个屋面板分为n个区域进行拍摄。为了减少各区域之间分界处的遗漏检测概率，各区域之间包含重合面积为a cm2。
[0048]
定义屋面板局部使用t
ij
表示屋面板的各区域，其中，i表示第i个屋面板，j表示第j个区域的屋面板局部，则一个面积为n的屋面板每张图像包含的面积为(n/n) a cm2。其中n和a为常数，具体数值需要根据特定情境下屋面板的尺寸以及无人机图像参数而定，通常设置a为屋面板总面积的0.1%。
[0049]
当检测到屋面板存在异常时，将异常图像t’ij
与屋面板整体图像进行比对，确认异常图像的准确位置。
[0050]
步骤1-2、获取建筑屋面板整体画面，为对缺陷部位进行定位提供背景。
[0051]
步骤1-3、将捕获到的屋面板破损图像分为以下四个类别：腐蚀、断裂、漏水和屋面掀翻。
[0052]
步骤1-4、将得到的图像数据上传，使用labelme工具标注屋面板缺陷位置，将标注后的图像制作为数据集，并对图像进行预处理，获得可以被神经网络模型识别和分类的输入图像。具体的：步骤1-41、使用labelme工具采用人工标注的方法对捕获的所有图像进行标注，得到“完好、腐蚀、断裂、漏水、屋面掀翻”五个标签种类。
[0053]
步骤1-42、使用非局部均值去噪方法对标注后的图像进行去噪处理。例如，定义原始屋面板图像（含噪声）为v，定义去噪后的图像为u，u在x点处的灰度值表示为：，i为搜索窗口的宽度值。
[0054]
其中，w(x,y)表示像素点x和y间的相似度，，其中，表示以x、
y为中心的矩形邻域v(x)、v(y)间的距离。。z(x)为归一化系数，h为平滑参数，控制高斯函数的衰减程度。
[0055]
步骤1-43、将u输入至小波函数中进行图像增强。具体地，对去噪后的图像u进行小波分解，得到该图像的高频、低频部分。其中，对小波系数进行非线性增强，函数关系式满足：。
[0056]
式中，g为小波系数增强倍数，t为小波系数阈值，为图像分解后的小波系数，w0为增强后的小波系数。
[0057]
步骤1-44、将增强后的小波系数进行小波逆变换，得到重构后的增强图像。
[0058]
步骤1-5、将预处理后的图像集构成最终的数据集，并按照8:2的比例划分训练集和测试集。
[0059]
基于上述描述，本发明在yolov5网络模型的骨干网络处融合多光谱通道注意力机制（mca模块），使模型更加关注对缺陷检测贡献度较大的特征以提升模型精准度，降低模型训练规模；除此之外，由于本发明使用无人机拍摄屋面板缺陷时，容易因无人机高度过高而导致缺陷目标尺度较小从而无法准确识别的问题，本发明在yolov5网络模型的骨干网络中的csp1_1出加入特征融合模块，利用上下文信息来提高小尺度的屋面板缺陷检测的鲁棒性。在yolov5网络模型的neck层部分加入门限通道变换模块，在多通道中更好地构建通道之间的协同竞争关系，提高模型的特征提取能力。原yolov5网络模型使用非极大值抑制过滤候选框，但是这种方法设置的阈值会影响检测精度，本发明使用softnms来提高模糊条件下对屋面板缺陷检测的性能。将来自图像传感器的屋面板图像输入至本发明的模型中，可以高效准确地输出屋面板是否存在缺陷，当发现缺陷时立即回传至工作人员。本发明为智慧城市提供了新的思路。
[0060]
在实际使用过程中，将测试后评价指标优秀的屋面板缺陷检测分类模型部署到屋面板缺陷检测系统中，实现自动对待检测的城市屋面板图像进行破损检测，并将数据传回至工作人员。
[0061]
基于此，对应于上述提供的屋面板缺陷检测方法，本发明还提供了一种屋面板缺陷检测系统，如图4所示，该系统包括：模型构建模块400、图像获取模块401和缺陷检测模块402。
[0062]
模型构建模块400，用于构建屋面板缺陷检测分类模型。屋面板缺陷检测分类模型为训练好的yolov5-mca网络模型。yolov5-mca网络模型为改进后的yolov5网络模型。yolov5-mca网络模型包括：融合有多光谱通道注意力机制模块的骨干网络、加入有门限通道变换模块的neck层和检测头。
[0063]
图像获取模块401，用于获取待检测屋面板的图像数据。
[0064]
缺陷检测模块402，用于将图像数据输入屋面板缺陷检测分类模型得到检测结果。
[0065]
其中，模型构建模块400包括：模型获取单元、第一设置单元、第二设置单元、融合单元和方法替换单元。
[0066]
模型获取单元，用于获取yolov5网络模型。yolov5网络模型的骨干网络包括：csp1_1结构、第一cbl结构、csp1_3结构和spp网络。
[0067]
第一设置单元，用于在csp1_1结构后设置特征融合模块。
[0068]
第二设置单元，用于在csp1_3结构和第一cbl结构之间以及spp网络之后均设置多光谱通道注意力机制模块。多光谱通道注意力机制模块的输入为csp1_3结构的输出或spp网络的输出。多光谱通道注意力机制模块的输出为ms
att
：ms
att
=sigmoid(fc(freq))。其中，fc()为全连接层映射函数，freq为多光谱向量，sigmoid为sigmoid函数。
[0069]
融合单元，用于将门限通道变换模块融合至yolov5网络模型的neck层中。
[0070]
方法替换单元，用于将yolov5网络模型采用的非极大值抑制方法替换为softnms方法。
[0071]
下面基于不同神经网络模型与本发明提供的屋面板缺陷检测分类模型间对比试验结果对本明上述提供的技术方案的突出检测效果进行说明。
[0072]
试验对比文件如表1所示，能够得到本发明进行缺陷检测时的精度更高、速度更快，效率更高，能够达到节约人力、物力的目的，为智慧城市提供了新的思路。
[0073]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0074]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种屋面板缺陷检测方法，其特征在于，包括：构建屋面板缺陷检测分类模型；所述屋面板缺陷检测分类模型为训练好的yolov5-mca网络模型；所述yolov5-mca网络模型为改进后的yolov5网络模型；所述yolov5-mca网络模型包括：融合有多光谱通道注意力机制模块的骨干网络、加入有门限通道变换模块的neck层和检测头；获取待检测屋面板的图像数据；将所述图像数据输入屋面板缺陷检测分类模型得到检测结果。2.根据权利要求1所述的屋面板缺陷检测方法，其特征在于，所述构建屋面板缺陷检测分类模型，具体包括：获取yolov5网络模型；所述yolov5网络模型的骨干网络包括：csp1_1结构、第一cbl结构、csp1_3结构和spp网络；对所述csp1_1结构的输出进行正则化处理后输入特征融合模块；所述特征融合模块的操作采用公式f
i
=c
i
l(conv(f
i-1
))描述，其中，l代表l2正则化，conv代表卷积操作，当i=2时，f
i
=c
i
；在所述csp1_3结构和所述第一cbl结构之间以及spp网络之后均设置多光谱通道注意力机制模块；所述多光谱通道注意力机制模块的输入为所述csp1_3结构的输出或所述spp网络的输出；所述多光谱通道注意力机制模块的输出为ms
att
：ms
att
=sigmoid(fc(freq))；其中，fc()为全连接层映射函数，freq为多光谱向量，sigmoid为sigmoid函数；将门限通道变换模块融合至所述yolov5网络模型的neck层中；将所述yolov5网络模型采用的非极大值抑制方法替换为softnms方法。3.根据权利要求2所述的屋面板缺陷检测方法，其特征在于，将所述门限通道变换模块添加至所述yolov5网络模型的neck层的第一个csp1_2结构之后。4.根据权利要求3所述的屋面板缺陷检测方法，其特征在于，对所述yolov5-mca网络模型进行训练的过程，包括：构建训练集；采用所述训练集训练所述yolov5-mca网络模型得到训练好的yolov5-mca网络模型。5.根据权利要求4所述的屋面板缺陷检测方法，其特征在于，所述构建训练集，具体包括：获取屋面板的原始图像；所述原始图像包括：屋面板发生腐蚀的图像、屋面板发生漏水的图像、屋面板发生断裂的图像、屋面板发生掀翻的图像和屋面板无异常的图像；使用labelme工具标注所述原始图像得到标注后的图像；标注的标签包括：“完好”、“腐蚀”、“断裂”、“漏水”和“屋面掀翻”；对所述标注后的图像进行预处理得到训练集。6.根据权利要求5所述的屋面板缺陷检测方法，其特征在于，所述对所述标注后的图像进行预处理得到训练集，具体包括：采用非局部均值去噪方法对所述标注后的图像进行去噪处理，得到去噪图像；采用小波变换法对所述去噪图像进行增强处理，得到增强图像；将所述增强图像进行小波逆变换，得到重构后的增强图像；基于所述重构后的增强图像得到训练集。
7.一种屋面板缺陷检测系统，其特征在于，包括：模型构建模块，用于构建屋面板缺陷检测分类模型；所述屋面板缺陷检测分类模型为训练好的yolov5-mca网络模型；所述yolov5-mca网络模型为改进后的yolov5网络模型；所述yolov5-mca网络模型包括：融合有多光谱通道注意力机制模块的骨干网络、加入有门限通道变换模块的neck层和检测头；图像获取模块，用于获取待检测屋面板的图像数据；缺陷检测模块，用于将所述图像数据输入屋面板缺陷检测分类模型得到检测结果。8.根据权利要求7所述的屋面板缺陷检测系统，其特征在于，所述模型构建模块包括：模型获取单元，用于获取yolov5网络模型；所述yolov5网络模型的骨干网络包括：csp1_1结构、第一cbl结构、csp1_3结构和spp网络；第一设置单元，用于在所述csp1_1结构后设置特征融合模块；所述特征融合模块的操作采用公式f
i
=c
i
l(conv(f
i-1
))描述，其中，l代表l2正则化，conv代表卷积操作，当i=2时，f
i
=c
i
；第二设置单元，用于在所述csp1_3结构和所述第一cbl结构之间以及spp网络之后均设置多光谱通道注意力机制模块；所述多光谱通道注意力机制模块的输入为所述csp1_3结构的输出或所述spp网络的输出；所述多光谱通道注意力机制模块的输出为ms
att
：ms
att
=sigmoid(fc(freq))；其中，fc()为全连接层映射函数，freq为多光谱向量，sigmoid为sigmoid函数；融合单元，用于将门限通道变换模块融合至所述yolov5网络模型的neck层中；方法替换单元，用于将所述yolov5网络模型采用的非极大值抑制方法替换为softnms方法。

技术总结
本发明涉及一种屋面板缺陷检测方法和系统，属于图像处理技术领域。本发明提供的屋面板缺陷检测方法，通过采用基于YOLOv5-MCA网络模型的屋面板缺陷检测分类模型对屋面板是否存在缺陷进行自动化检测，能够显著提高屋面板缺陷检测的精确性和效率。缺陷检测的精确性和效率。缺陷检测的精确性和效率。


技术研发人员：张超 张波
受保护的技术使用者：北京科技大学
技术研发日：2022.04.24
技术公布日：2022/5/25