典型文献
结合深度学习与注意力机制的墙体安全检测模型
文献摘要：
为解决传统建筑墙体检测采用人工目视方式效率低、成本高、危险性大的问题,提出利用无人机拍摄建筑外墙缺陷图像,采用卷积神经网络(Convolutional Neural Network,CNN)结合注意力机制实现对威胁建筑外墙安全缺陷的识别分类.从获取建筑外墙缺陷图像数据开始,制作缺陷图像数据集,以威胁墙体安全的缺陷为学习样本,构造浅层卷积神经网络,融入 BAM(Bottleneck Attention Module)注意力机制,从卷积神经网络提取的浅层特征中提炼缺陷特征进行学习,实现建筑外墙的安全检测.经试验,多类安全问题检测正确率达到96.18％,所提出的模型相较传统的CNN、VGG 16、ResNet 18算法,检测正确率分别提高了 3.36个百分点、3.92个百分点、14.6个百分点.研究表明,卷积神经网络结合注意力机制的方法可以避免局部缺陷丢失,提高检测正确率.
文献关键词：
安全工程;墙体缺陷;BAM注意力机制;卷积神经网络;深度学习
中图分类号：
作者姓名：
唐东林;吴续龙;周立;宋一言;秦北轩
作者机构：
西南石油大学机电工程学院,成都610500
文献出处：
引用格式：
[1]唐东林;吴续龙;周立;宋一言;秦北轩-.结合深度学习与注意力机制的墙体安全检测模型)[J].安全与环境学报,2022(01):8-15
A类：
墙体检测,墙体缺陷
B类：
注意力机制,安全检测,检测模型,传统建筑,建筑墙体,目视,建筑外墙,Convolutional,Neural,Network,安全缺陷,识别分类,图像数据集,BAM,Bottleneck,Attention,Module,缺陷特征,VGG,ResNet,百分点,局部缺陷,高检,安全工程
AB值：
0.283058
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
