41、深度学习自动检测MEP组件

深度学习自动检测MEP组件

1. 深度学习在MEP检测中的应用背景

在计算机视觉领域，深度学习模型在诸如Pascal VOC挑战和MS COCO挑战等行业标准的目标分类和检测基准测试中，表现优于传统的计算机视觉系统。这些挑战要求模型在大量图像中检测各种常见物体，如汽车、人类、椅子和时钟等。鉴于深度学习在计算机视觉解决方案中的广泛成功，将其应用于机械、电气和管道（MEP）组件检测应该会比以往的尝试产生更好的结果。已有许多将目标检测深度学习模型应用于建筑和资产管理问题的成功案例，这为研究深度学习在MEP资产检测中的应用提供了进一步的动力。

2. 研究方法

2.1 数据集构建

构建一个大型、多样化的数据集是任何成功的深度学习项目中最关键的步骤。由于目前没有专注于室内MEP资产的开源图像数据库，因此本项目的主要目标之一是构建一个小型的MEP数据集，用于使用迁移学习训练模型。
- 数据收集 ：构建的数据集由两个子数据集组成。使用Ricoh Theta V 360°相机捕获RGB图像，组成360°子数据集；使用多种手机（包括Pixel 2、Galaxy S8和iPhone 5s）收集样本，组成标准图像子数据集。数据涵盖了不同的照明条件、相机角度和遮挡程度，图像来自英国不同的住宅和教育（大学）建筑。数据集中包含不同型号、形状和大小的散热器，不同类型（单插座和双插座）和样式的G型插座，以及不同样式的开关。
- 数据处理 ：收集的图像尺寸较大，直接用于训练深度学习模型会消耗大量计算资源，因此需要将图像缩小到合理的输入尺寸。为了解决缩小图像导致MEP组件难以检测的问题，将数据集