1.一种高层建筑玻璃幕墙破损的自动检测方法,其特征在于:包括以下步骤:步骤1、获取一定数量的城市高层建筑的玻璃幕墙图像,并对这些玻璃幕墙图像进行标注获取其标签,形成样本集;
步骤2、将样本集分成训练集、验证集和测试集;
步骤3、构建检测网络并对构建的检测网络进行训练和验证,得到具有最优参数的检测网络;
检测网络的构建方法具体为:先构建YOLO v4网络,将YOLO v4网络中的卷积层用依次相连接的扩展卷积、逐通道卷积和逐点卷积进行替换,得到新的卷积层,最后将替换完成的YOLO v4网络作为构建的检测网络;
W×H×c的特征图输入到依次相连接的扩展卷积、逐通道卷积和逐点卷积的具体步骤为:步骤3‑1、对W×H×c的特征图进行扩展卷积,即:使用1×1×ec的卷积对W×H×c的输入特征图进行卷积操作,得到W×H×ec的第一特征图,其中e>1为扩展卷积的膨胀系数;
步骤3‑2、对步骤3‑1中得到的W×H×ec的第一特征图进行逐通道卷积,即:将步骤3‑1输出的W×H×ec的第一特征图分为ec组,并使用ec个k×k×1卷积对ec个组分别进行卷积操作,步长为1,得到W×H×ec的第二特征图;
步骤3‑3、对步骤3‑2中得到的W×H×ec的第二特征图进行逐点卷积,即:1×1×oc的卷积核对步骤3‑2输出的W×H×ec的第二特征图进行卷积操作,得到W×H×oc的第三特征图;
其中,W、H、c和o均为正整数;
训练过程为:将训练集中的图像分批次输入到检测网络中,并在每次训练时对检测网络中每个BN层的缩放因子向量γ进行稀疏约束,计算检测网络稀疏化训练的损失函数Loss,并通过损失函数Loss反向更新检测网络的参数;
步骤4、根据所有BN层的缩放因子向量γ对步骤3中具有最优参数的检测网络进行剪枝;
所述步骤4中剪枝的具体步骤为:
步骤4‑1、将所有BN层的缩放因子向量γ组成集合Q,并对集合Q中的所有数值进行升序排序;
步骤4‑2、设定剪枝阈值T;具体设定方法为:
将升序集合Q中的第i个值作为剪枝阈值T,i的计算公式为:
i=round(|Q|×P%);
其中,round()为四舍五入函数,|Q|为集合Q的模,P%为设定的剪枝百分比;
步骤4‑3、根据设定的剪枝阈值T和每个BN层的缩放因子向量γ对具有最优参数的检测网络中所有特征图和卷积层的通道进行标记;
对于每个BN层对应的特征图和卷积层,BN层的缩放因子向量γ中每个元素的值与此BN层对应的特征图和卷积层的通道分别一一对应,若BN层的缩放因子向量γ中的某个元素值小于T,则将此BN层中该元素值对应的位置及该元素值对应的特征图和卷积层的通道标记为1,否则标记为0;
步骤4‑4、对最优参数的检测网络中BN层标记为1的元素及特征图和卷积层中标记为1的通道进行剪枝;
并将残差连接的两个特征图的通道标记先进行按位与操作,再根据按位与操作后的值修改两个特征图所对应的通道标记及该特征图通道对应在BN层中的元素值和卷积层的通道标记,最后对修改后的标记为1的特征图通道、BN层中的元素值和卷积层通道进行剪枝;
步骤5、利用训练集和验证集中的样本对剪枝后的具有最优参数的检测网络进行微调,若微调后的剪枝检测网络性能满足要求,则得到最终的检测网络,否则重复步骤4和步骤5;
步骤6、在测试集中任意选择一幅玻璃幕墙图像,并输入到步骤5最终的检测网络中,即得到该幅玻璃幕墙图像的检测结果。
2.根据权利要求1所述的高层建筑玻璃幕墙破损的自动检测方法,其特征在于:所述步骤6后还包括:步骤7、将步骤5最终的检测网络部署在无人机中,利用无人机自动环绕建筑物并拍摄城市高层建筑玻璃幕墙,以实现对城市高层建筑玻璃幕墙的自动检测。