Oberflächendefektidentifikation von Mosaik-Keramik-Wänden basierend auf Deep Learning

Die Oberflächendefekte von Mosaikkeramiken an Gebäudewänden beeinträchtigen nicht nur die Ästhetik, sondern stellen auch ein Risiko für die strukturelle Sicherheit und Gefahren durch Herabfallen aus großer Höhe dar. Daher ist eine genaue Defektionserkennung unerlässlich. Dieses Papier schlägt eine Methode zur Erkennung von Oberflächendefekten an Mosaikkeramik-Wänden vor, die auf verbesserten YOLO11-Techniken basiert und die Drohnenbilddaten nutzt. Insbesondere wird das Standardkonvolutionsmodul von YOLO11 durch die in dieser Studie vorgeschlagene morphologische-dilated-attention gekoppelte Konvolution ersetzt. Darüber hinaus wird das große separierbare Kern-Augenmerk-Modul mit dem Kanal- und Positionsselbst-Augenmerk-Modul fusioniert, und die Technik der räumlichen Gruppierungsverbesserung wird ins Rückgratnetzwerk eingeführt. Diese Modifikationen führen zum YOLO11-MLS-Modell, das sowohl höhere Genauigkeit als auch ein leichtes Modell erzielt. Die experimentellen Ergebnisse zeigen eine Erkennungsgenauigkeit von 92,9%, was eine Verbesserung von 2,3% gegenüber dem ursprünglichen YOLO11 darstellt. Darüber hinaus erreicht das Modell eine Detektionszeit für Einzelbilder von 22,8 ms und reduziert die Parameter und Berechnungen um 23,3% bzw. 20,6%, wodurch eine effiziente, genaue und leichte Erkennung von Oberflächendefekten an Mosaik-Keramik-Wänden realisiert wird.