一种基于深度学习的中轴线文物损伤检测方法

本发明涉及智能识别领域，特别涉及一种基于深度学习的中轴线文物损伤检测方法。

背景技术：

1、目前，对中轴线文物的保护涉及许多技术方面，而文物损伤检测是文物保护中非常重要的一部分。由于文物年代久远，承受了自然环境和人为活动的影响，可能出现腐蚀、开裂、脱落等损伤问题。因此，采用先进的检测技术来及时准确地发现和评估文物损伤的程度，是保护文物、指导修复工作的必要步骤。目前在中轴线文物保护中常用的损伤检测技术有非损伤性测试技术，通过一系列不侵入性手段，如地面雷达、红外线、激光扫描等对文物进行非接触式的测试和测量；数字成像技术：通过高分辨率的数字成像设备，如摄像机、三维扫描仪等，通过所得图片人工判断文物损伤情况。红外热成像：红外热成像技术通过测量文物表面的热辐射来检测损伤。当文物表面存在缺陷或结构变形时，热辐射的分布会发生变化，通过红外热成像技术可以快速准确地找出问题所在。超声波检测：超声波技术可以检测文物内部的隐蔽缺陷，如裂缝和空洞。通过向文物内部发送超声波脉冲并监测反射信号，可以得知文物的内部结构状态。电阻率测试：文物内部的结构和材料在电阻率上可能存在差异，通过测量文物表面的电阻率分布，可以推测出文物内部的变化和损伤情况。

2、这些技术的使用，可以帮助文物保护人员及时了解文物的状态，评估损伤程度，制定合理的修复方案。但是，这些技术也很难进行长期的稳定的文物损伤检测，会耗费相当大的人力物力成本，同时也没有更智能化的手段进行损伤检测。

3、现有文物损伤检测技术中，最直接和最常用的就是可视化方法，由专业的文物保护人员进行目测检查，通过观察文物表面的腐蚀、开裂、脱落等问题来判断文物的损伤情况，或者是通过摄像机等拍摄的画面进行人工判断文物表面的损伤问题。这种方法局限性在于：在检测上非常耗时，同时需要大量的人力资源；不同的人对同一文物的损伤情况有不同的理解和评估，导致结果不一致或者不准确；保护人员为了更准确的检查文物，可能会触摸文物表面，这可能会造成二次伤害，尤其是对于较为脆弱的文物，如陶瓷、玻璃等；因此，可视化检测方法在文物损伤检测上具有一定的作用，但其主观性、局限性使得其无法满足对中轴线大面积的文物的损伤进行准确、全面的评估的需求。

技术实现思路

1、发明的目的在于提供一种基于深度学习的中轴线文物损伤检测方法，解决了背景技术中的问题。

2、本发明是这样实现的，一种基于深度学习的中轴线文物损伤检测方法，该基于深度学习的中轴线文物损伤检测方法包括以下步骤：

3、步骤a：设定文物损伤评估标准；

4、步骤b：数据采集；

5、步骤c：数据标注；

6、步骤d：数据清洗与增强；

7、步骤e：模型搭建；

8、步骤f：模型预训练；

9、步骤g：模型训练；

10、步骤h：模型推理测试。

11、本发明的进一步技术方案是：所述步骤a中的设定文物损伤评估标准为；前期根据中轴线文物保护人员的资料，确定几种文物损伤的类型，具体包括墙体起皮脱落与开裂、木檩开裂、木基层糟朽、门钉缺失四大类文物损伤。

12、本发明的进一步技术方案是：所述步骤b中的数据采集为：对中轴线的文物建筑数据进行采集，采集设备的分辨率为1920x1080，采集要求视频或图片中必须包含至少一个完整的文物损伤类型。

13、本发明的进一步技术方案是：所述步骤c中的数据标注为：根据步骤b中所采集的文物损伤类型进行标注，标注使用检测画框的方法，标注严格贴着文物损伤目标边界进行，确保目标物体完整被标且标签正确，同时进行数据集的划分，按照7：2：1的比例划分为训练集、验证集、测试集。

14、本发明的进一步技术方案是：所述步骤d中的数据清洗与增强为：对标注好的数据进行清晰，剔除掉有问题的数据；通过mosaic数据增强、random affine放射变换、hsv随机增强图像等方法进行数据增强。

15、本发明的进一步技术方案是：所述步骤e中的模型搭建为：通过对硬件设备、摄像头数量、ai分析延时性要求等信息的综合评估，确定训练对应的设备及算法的版本号；优选的是yolov5 x目标检测算法。

16、本发明的进一步技术方案是：所述步骤f中的模型预训练为：从数据样本抽取1000张图片，进行模型预训练，通过对网络层数、学习率、步长、置信度阈值等参数的配置，对模型进行快速调整，保障其人工智能基础的支撑能力。

17、本发明的进一步技术方案是：所述步骤g中的模型训练为：根据预训练所得超参数，使用所有的训练集进行模型训练，记录每一轮训练后损失函数的值以及每一轮模型后交叉验证的验证集的值，根据验证效果进行多次微调。

18、本发明的进一步技术方案是：所述步骤h中的模型推理测试为：将步骤g中训练所得模型在测试集上进行推理测试，验证其拥有良好的泛化能力和鲁棒性。

19、本发明的有益效果：本发明的基于深度学习的中轴线文物损伤检测方法；通过深度学习方法构建了适用该领域的目标检测模型，并在该领域的数据集上进行训练和优化，使得模型具有良好的鲁棒性和泛化能力；通过深度学习目标检测技术，实现了在中轴线建筑的复杂场景下文物损伤的高效准确识别，为该领域带来了一种先进的解决方案。

技术特征：

1.一种基于深度学习的中轴线文物损伤检测方法，其特征在于，该基于深度学习的中轴线文物损伤检测方法包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的中轴线文物损伤检测方法，其特征在于，所述步骤a中的设定文物损伤评估标准为；前期根据中轴线文物保护人员的资料，确定几种文物损伤的类型，具体包括墙体起皮脱落与开裂、木檩开裂、木基层糟朽、门钉缺失四大类文物损伤。

3.根据权利要求1所述的一种基于深度学习的中轴线文物损伤检测方法，其特征在于，所述步骤b中的数据采集为：对中轴线的文物建筑数据进行采集，采集设备的分辨率为1920x1080，采集要求视频或图片中必须包含至少一个完整的文物损伤类型。

4.根据权利要求3所述的一种基于深度学习的中轴线文物损伤检测方法，其特征在于，所述步骤c中的数据标注为：根据步骤b中所采集的文物损伤类型进行标注，标注使用检测画框的方法，标注严格贴着文物损伤目标边界进行，确保目标物体完整被标且标签正确，同时进行数据集的划分，按照7：2：1的比例划分为训练集、验证集、测试集。

5.根据权利要求1所述的一种基于深度学习的中轴线文物损伤检测方法，其特征在于，所述步骤d中的数据清洗与增强为：对标注好的数据进行清晰，剔除掉有问题的数据；通过mosaic数据增强、random affine放射变换、hsv随机增强图像等方法进行数据增强。

6.根据权利要求1所述的一种基于深度学习的中轴线文物损伤检测方法，其特征在于，所述步骤e中的模型搭建为：通过对硬件设备、摄像头数量、ai分析延时性要求等信息的综合评估，确定训练对应的设备及算法的版本号；优选的是yolov5 x目标检测算法。

7.根据权利要求1所述的一种基于深度学习的中轴线文物损伤检测方法，其特征在于，所述步骤f中的模型预训练为：从数据样本抽取1000张图片，进行模型预训练，通过对网络层数、学习率、步长、置信度阈值等参数的配置，对模型进行快速调整，保障其人工智能基础的支撑能力。

8.根据权利要求1所述的一种基于深度学习的中轴线文物损伤检测方法，其特征在于，所述步骤g中的模型训练为：根据预训练所得超参数，使用所有的训练集进行模型训练，记录每一轮训练后损失函数的值以及每一轮模型后交叉验证的验证集的值，根据验证效果进行多次微调。

9.根据权利要求1所述的一种基于深度学习的中轴线文物损伤检测方法，其特征在于，所述步骤h中的模型推理测试为：将步骤g中训练所得模型在测试集上进行推理测试，验证其拥有良好的泛化能力和鲁棒性。

技术总结
本发明公开了一种基于深度学习的中轴线文物损伤检测方法，该该基于深度学习的中轴线文物损伤检测方法包括以下步骤：步骤A：设定文物损伤评估标准；步骤B：数据采集；步骤C：数据标注；步骤D：数据清洗与增强；步骤E：模型搭建；步骤F：模型预训练；步骤G：模型训练；步骤H：模型推理测试；本发明的基于深度学习的中轴线文物损伤检测方法；通过深度学习方法构建了适用该领域的目标检测模型，并在该领域的数据集上进行训练和优化，使得模型具有良好的鲁棒性和泛化能力；通过深度学习目标检测技术，实现了在中轴线建筑的复杂场景下文物损伤的高效准确识别，为该领域带来了一种先进的解决方案。

技术研发人员：林志伟,钱琳瑞,易年余
受保护的技术使用者：湘潭大学
技术研发日：
技术公布日：2024/5/19