TileNet 架构实现无人机平屋顶自主检测
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载双高度飞行采集影像
这套框架面向平屋顶巡检，把无人机在飞行途中拍到的实时画面直接送入检测流程，而不是等落地后再做离线处理。采集环节采用两种高度各飞一趟的做法，形成多分辨率的影像组合：较高的那一趟便于覆盖较大范围的结构性问题，较低的那一趟则用来捕捉尺度很小的细部缺陷。论文认为，把两种尺度的画面放在一起看，评估会更完整，单一高度飞行容易漏掉其中一类问题。作者在实地走访中使用 DJI Matrice 350 RTK 无人机采集了真实影像，并用这些影像做了实验评估，说明系统支持快速、可重复且安全的屋顶检查，同时降低人员承担的风险和作业开销，让建筑维护更可持续。论文把平屋顶视为建筑围护结构中影响很大的部分，它同时关系到结构表现和热工效率，进而影响家庭能耗、碳排放与长期的环境可持续性；及时找出屋顶缺陷，有助于减少冷暖损失，避免潮湿引发的霉变等劣化。
切片化与轻量分类器
为适应嵌入式无人机硬件的算力与功耗限制，作者没有把整张照片直接交给一个大模型，而是采用切片式结构，配合一个轻量的卷积神经网络与支持向量机组合分类器，目标是让推理在机载端以较低延迟完成。最终模型由五个卷积层和四个全连接层构成，其中最后一层是线性支持向量机头，也就是把特征映射之后交给线性 SVM 做判别。训练与测试使用的是经过切片和增强处理的图像，数据按照片级别划分，训练、验证、测试三个部分各自独立，避免同一张照片的切片同时出现在训练和测试两侧而造成偏乐观的结果。论文报告的平均测试准确率是在三个随机种子上给出的，并附有置信区间，说明作者对结果做了多次重复以观察波动。对比实验中，该模型的表现高于 GoogLeNet 与 AlexNet 两个参照方案。
对比结果与适用边界
从论文给出的对比看，切片加 CNN-SVM 的组合在照片级划分下取得了高于 GoogLeNet 和 AlexNet 的测试准确率，差距不是靠更大的网络规模换来的，而是在满足机载算力与功耗约束的前提下实现的，这也是该架构的主要立足点。适用范围上，材料明确指向平屋顶的缺陷自主检测，依赖无人机在双高度飞行中拍到的实时影像，因此其效果与飞行采集方式、影像分辨率和切片策略绑定；换到其他屋面类型或其他巡检对象，材料没有给出验证。限制方面，论文强调的是嵌入式硬件的计算与功耗天花板，模型规模被刻意压小，五个卷积层加四个全连接层的结构本身就是这种取舍的产物。对关注无人机自主巡检的读者而言，这份工作的意义在于把多分辨率采集、切片推理和轻量分类器串成一条可在机上跑通的链路，并给出了与两个经典网络的横向比较，可作为同类屋顶巡检方案的参照基线。
为什么值得看
针对边缘设备优化的轻量化模型，在特定工业场景下实现了高精度实时检测。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。