智慧建筑：基于YOLOv7的建筑外墙缺陷检测

主要观点总结

本文主要介绍了针对计算机视觉领域中的建筑外墙缺陷检测问题，提出了一种改进的YOLOv7方法BFD-YOLO。该方法在保证实时性的前提下，获得了较高的检测精度。

关键观点总结

关键观点1: BFD-YOLO方法的主要改进和创新点

将YOLOv7中原有的ELAN模块替换为轻量级的MobileOne模块，以减少参数数量并提高推理速度；加入坐标注意力模块，增强了特征提取能力；使用SCYLLA-IoU来加快收敛速度并增加模型的召回率；扩展了开放数据集，构建了一个包括三个典型缺陷的建筑立面损伤数据集。

关键观点2: 建筑外墙缺陷检测的重要性和现状

外墙缺陷会影响外观，降低建筑物的使用寿命，更严重的是可能会造成安全事故。传统的人工目视检查方法已不足以满足大规模检查的要求，因此有必要开发一种更精确、更有效的表面缺陷检测方法。

关键观点3: BFD-YOLO的实践细节和效果

主干网络用MobileOne模块取代了ELAN模块以提高速度，并在每个MobileOne模块后面添加了一个协调注意力模块。头是一个PaFPN结构。实验平台为Win 10系统，使用RTX 3090 GPU和Python 3.7框架进行模型训练和测试。