深度学习模型在房屋质量缺陷识别中的优化研究
打开文本图片集
随着我国保障性住房建设规模持续扩大，房屋质量缺陷的精准识别成为运维监管的核心挑战[1]。传统人工巡检依赖目测与卷尺测量，存在单套住房耗时较长、漏检率随工作日递增、缺陷标注离散度高三大痛点，导致维修成本高企与监管透明度不足[2-3]。现有基于深度学习的检测方法在复杂建筑场景下面临两大瓶颈：一是裂缝、空鼓等缺陷尺度差异大，YOLOv5s等模型对 0.3mm 以下微裂缝召回率不足 60% ；二是边缘设备算力受限（如JetsonXavier仅32TOPS），难以支撑高精度模型实时运行[4-5]。（剩余5747字）