目标检测YOLO实战应用案例100讲-基于改进YOLO v5的排水管网缺陷智能识别(续)

目录

3.3构建方法

3.3.1样本库框架

3.3.2总体流程

3.3.3图像获取

3.3.4质量控制

3.3.5数据扩增

3.3.6样本标注

3.4构建成果

基于改进的YOLO v5的排水管道缺陷检测方法

4.1引言

4.2参数优化

4.3模型改进

4.3.1改进损失函数

4.3.2添加注意力机制

4.3.3 Neck网络优化

4.4模型评价指标选择

工程实例应用

5.1工程概况

5.2试验环境与参数设置

5.3数据集设置

5.4参数优化分析

5.4.1模型对比

5.4.2学习率与迭代次数

5.5试验结果分析

5.5.1改进损失函数对比

5.5.2引入BiFPN的性能评估实验

5.5.3不同注意力机制对比

5.5.4消融试验

 5.5.5不同算法检测能力对比

---

本文篇幅较长，分为上下两篇，上篇详见基于改进YOLO v5的排水管网缺陷智能识别

3.3构建方法

3.3.1样本库框架

样本库的建设通常需要顾及到两方面内容:其一是分层次的高效存储海量的各类数据;
其二是既满足用户对数据进行处理的基本需求，也尽可能地方便用户对样本数据各方面 信息的理解[76]。首先从各种数据源中收集数据，包括结构化数据、非结构化数据、图像、 视频等；其次总结视频处理方法，形成视频缺陷图像抽帧技术流程指南；再次规范样本 库构建标准化流程，形成缺陷样本制作流程及标准指南；最后依照成果要求进行入库。
其中，所要入库的成果分别有排水管道CCTV检测视频、筛选的样本照片、排水管道缺
陷属性信息的数据表以及标注软件导出的标注文件，最终构建得到的缺陷样本数据库如
图3-2所示。