买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广州天越电子科技有限公司

摘要：本发明提供一种基于目标检测的AAU施工工艺检测系统。所述基于目标检测的AAU施工工艺检测系统，包括以下步骤：S1：收集AAU数据集；S2：人工打标，获得标注文件；S3：分割数据集；S4：训练检测模型：S5：Flask部署模型，提供微服务接口；S6：预测结果进行困难样本筛选；S7：目标检测模型的迭代训练。本发明提供的基于目标检测的AAU施工工艺检测系统，只需手机拍照上传完成检测，操作简单方便；利用深度学习形成类专家系统，提高工艺检测结果一致性和准确性；并形成困难样本收集和模型迭代训练的闭环体系，有效提高深度学习模型的检测泛化能力。

主权项：1.一种基于目标检测的AAU施工工艺检测系统，其特征在于，包括以下步骤：S1：收集AAU数据集；S2：人工打标，获得标注文件；S3：分割数据集；S4：训练检测模型：S5：Flask部署模型，提供微服务接口；S6：预测结果进行困难样本筛选；S7：目标检测模型的迭代训练；S8：工艺检测系统稳定后，即可结束困难样本收集与模型的迭代训练；通过手机拍照上传的方式，实现AAU施工工艺的在线检测；所述S1收集AAU数据集为深度学习训练前的数据集Fimage收集，主要为收集N张AAU设备施工中与施工完成的工艺照片，照片中应包含需要进行工艺评判的施工工艺检测项，且数据集中各工艺包含合格项与不合格项，针对每个检测项的照片数量N≥2000；所述S2人工打标，获得标注文件为收集足够的数据集Fimage后，进行第二步人工标注施工检测项；此部分利用现有打标软件LabelImg来进行标注，主要操作为用矩形框框选待检测项，并赋予待检测物适当的标签；人工打标后对于标注的每张图片会生成一个XML文件，其中包含每个检测项在图片中相对图片原点的位置坐标以及赋予的真实标签；由图片数据集Fimage与对应的标注文件XML组成检测数据集F0；所述S3分割数据集为将检测数据集F0按照7:2:1的比例分割成为训练数据集Ftrain，测试数据集Ftest和验证数据集Fval；Ftrain用来训练模型，Fval用来评估模型预测的好坏及调整对应的参数，Ftest测试已经训练好的模型的泛化能力；所述S4训练检测模型为建目标检测模型，主要使用YOLOV4模型进行训练检测；将现有训练数据集Ftrain处理后输入网络进行训练，在规定的训练轮次内当模型loss趋于平稳时停止训练，保存得到本次训练精度最高的模型，YOLOV4是one-stage的目标检测模型，可以实现端到端的预测目标物的位置与类别；相比于YOLOV3，YOLOV4修改了主干网络为CSPDarknet53，同时采用了空间金字塔池化的思想来扩大感受，采用PANet中的路径聚合模块作为neck部分，改变了图像增强方式等，通过这一系列tricks提高了目标检测的精度与速度；本系统初次训练后部署在2080Ti的GPU上，对于手机拍摄的AAU高清图片，检测精度为90％，检测速度为10fps；所述S6预测结果进行困难样本筛选为预测结果中包含四种情况A：实际正确预测正确的；B：实际正确预测错误的；C：实际错误预测错误的；D：实际错误预测正确的；施工人员拿到预测结果后，若预测结果为A和C的情况，则根据实际情况进行施工现场工艺整改；若预测结果为B和D的情况，则说明模型预测错误，需要人工收集预测错误的图片与对应返回的预测结果XML文件，形成易错数据集Fwrong；收集一定数量的Fwrong后，输入标注软件LabelImg中进行错误标签修正；此部分作为困难样本数据集，进行适当的数据增强，与上一次的数据集F0合并，同样划分为训练数据集Ftrain，测试数据集Ftest和验证数据集Fval；所述S7目标检测模型的迭代训练为得到合并困难样本后的训练数据集Ftrain，再次开始模型训练，在规定的训练轮次内当模型loss趋于平稳时停止训练，保存得到本次训练精度最高的模型，使用初次训练保存的模型在更新的数据集上验证，对比两次模型的验证精度，保留预测效果更好的模型；更新服务器上部署的模型，进行下一次困难样本收集和模型的迭代训练，形成闭环的数据集收集与模型训练体系。

全文数据：

权利要求：

百度查询： 广州天越电子科技有限公司 一种基于目标检测的AAU施工工艺检测系统