桩检测算法-自监督学习

2024-07-17

桩检测算法

总体流程

基于规则的桩检测
- 采用基于规则的方法检测桩，检测时不区分桩类别。这一步保证绝对的准确率（100%），较高的召回率（>60%）。
生成桩检测数据集
- 使用规则检测的结果作为标注生成桩检测数据集【pile_v0.1】。
模型训练
- 使用YOLO算法在桩检测数据集上训练一个初步的桩检测模型【model_v0.1】。
自监督训练
- 使用训练好的模型对基于规则无法检测的图纸进行检测，将置信度较高的结果加入到训练集继续训练。

基于规则的桩检测

过滤干扰线
- 长度 < 1500
- 直径 < 1500
- 面积 < 1500×1500
- 只保留直线，多段线，圆，椭圆，圆弧，实体，填充
桩检测
- 将去除干扰线后的实体导出图像求连通域
- 在每个连通域内进行桩检测，提高效率
- 圆检测：圆实体，多段线实体（只包含曲线，且构成360度），圆弧实体（构成360度），椭圆实体（长轴=短轴）
- 矩形检测：基于最近邻算法，遍历直线和它最近邻的直线是否组成矩形
- 交叉线检测：基于扫描线算法检测线是否交叉，判断交点是否在上述圆或矩形中心附近
- 填充检测：检测填充是否在上述圆或矩形内
- 将检测结果导出图像，再求一次连通域，重复上述桩检测算法，保证准确率

生成桩检测数据集

生成桩边界框
- 根据基于规则的检测结果生成桩边界框
处理图像
- 将原始图纸和过滤干扰线后的图纸都导出图片，增加数据规模和多样性
- 以640×640为滑动窗口，窗口重合度20%，将导出图像切分为小图
- 将边界框转为图像坐标下的结果，并转为小图坐标下的标注
- 筛除没有边界框的小图，剩余图像作为训练集

模型训练

使用YOLOv8n
- 将数据集转为YOLOv8模型需要的格式，并修改数据集配置文件
- 加载预训练权重，使用batch=32，epoch=120进行训练，其他参数默认
- 训练出桩检测模型【model_v0.1】

自监督训练

测试集使用规则检测遗漏的桩
- 将基于规则无法检测的桩作为测试集，使用桩检测模型【model_v0.1】对测试集的数据进行检测
- 将测试集中置信度较高的生成标签，合并原有数据集【pile_v0.1】中，生成新数据集【pile_v0.2】
- 在新数据集【pile_v0.2】上继续训练桩检测模型，训练结束后生成新的桩检测模型【model_v0.2】
- 使用新的模型重复上述步骤，循环5轮。

缺失模块。
1、请确保node版本大于6.2
2、在博客根目录（注意不是yilia根目录）执行以下命令：
npm i hexo-generator-json-content --save

3、在根目录_config.yml里添加配置：

  jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

想了解咱，请换个途径