《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 測試測量 > 設(shè)計(jì)應(yīng)用 > 基于改進(jìn)的Faster R-CNN的古建筑地磚缺陷檢測
基于改進(jìn)的Faster R-CNN的古建筑地磚缺陷檢測
2021年電子技術(shù)應(yīng)用第1期
陳 利1,,2,,劉艷艷1,2
1.南開大學(xué) 光電子薄膜器件與技術(shù)天津市重點(diǎn)實(shí)驗(yàn)室,天津300350,; 2.南開大學(xué) 薄膜光電子技術(shù)教育部工程研究中心,天津300350
摘要: 缺陷檢測對于古建筑的保護(hù)和修繕具有重要的意義,,傳統(tǒng)的地磚缺陷檢測通過目視檢查,,存在受人力影響大、耗時(shí)長等限制,?;谏疃葘W(xué)習(xí)的良好應(yīng)用前景,建立故宮地磚缺陷的數(shù)據(jù)集,,提出改進(jìn)型Faster R-CNN的網(wǎng)絡(luò),。首先,構(gòu)建可變形卷積,通過網(wǎng)絡(luò)學(xué)習(xí)并提取地磚中的缺陷特征,;然后,,將特征圖輸入?yún)^(qū)域生成網(wǎng)絡(luò)中生成候選區(qū)域框,將生成的特征圖和候選區(qū)域框進(jìn)行池化操作,;最后,,輸出缺陷檢測結(jié)果。在故宮地磚圖片數(shù)據(jù)集的測試下,,改進(jìn)后的模型平均準(zhǔn)確率均值到達(dá)92.49%,,與Faster R-CNN模型相比提高了2.99%,更適用于地磚缺陷檢測,。
中圖分類號: TN03,;TP181
文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.200555
中文引用格式: 陳利,劉艷艷. 基于改進(jìn)的Faster R-CNN的古建筑地磚缺陷檢測[J].電子技術(shù)應(yīng)用,,2021,,47(1):31-35.
英文引用格式: Chen Li,Liu Yanyan. Defects detection of floor tiles of ancient buildings based on Faster R-CNN[J]. Application of Electronic Technique,,2021,,47(1):31-35.
Defects detection of floor tiles of ancient buildings based on Faster R-CNN
Chen Li1,2,,Liu Yanyan1,,2
1.Key Laboratory for Photoelectronic Thin Film Devices and Technology of Tianjin,Nankai University,,Tianjin 300350,,China; 2.Engineering Research Center of Thin Film Optoelectronics Technology,,Ministry of Education,,Nankai University, Tianjin 300350,,China
Abstract: Defect detection is of great significance for the protection and repair of ancient buildings. The traditional floor tile defect detection has been subject to visual inspection, which has limitations due to human influence and time-consuming. Based on the good application prospects of deep learning, this paper builds a data set of imperfections in the Forbidden City, and proposes an improved Faster R-CNN. Firstly, the deformable convolution was constructed, and the defect features in the floor tile were learned and extracted through the network. Then,,the feature graph was input into region proposal network to generate the candidate region box, and the generated feature graph and candidate region box was pooled. Finally, the defect detection results were output. Under the test of the image data set of floor tiles of the Forbidden City, the mean accuracy of the improved model reached 92.49%, which was 2.99% higher than the Faster R-CNN model and more suitable for the floor tile defect detection.
Key words : defect detection;Faster R-CNN,;deformable convolution

0 引言

    隨著科技高速發(fā)展,,對文物的保護(hù)和修繕越來越得到重視。傳統(tǒng)對文物的缺陷檢測主要依靠人力進(jìn)行目視檢查,,但容易受到天氣,、時(shí)間等原因影響。地磚缺陷具有形狀不規(guī)則,、背景噪聲系數(shù)大等特征,,目前大多數(shù)缺陷檢測算法都是根據(jù)應(yīng)用場景不同進(jìn)行手工提取缺陷特征,,直接或者通過機(jī)器學(xué)習(xí)算法進(jìn)行分類[1]。這種有監(jiān)督機(jī)器學(xué)習(xí)存在一定局限性,,受圖片中缺陷類別數(shù)目,、特征形狀等因素影響,人為提取特征需要具有很強(qiáng)的專業(yè)性,,檢測結(jié)果不好,,魯棒性差,所以不能很好地適用于對地磚缺陷檢測,。

    隨著計(jì)算機(jī)視覺不斷發(fā)展,,深度學(xué)習(xí)作為計(jì)算機(jī)視覺的分支,越來越受到人們重視,,目標(biāo)檢測是深度學(xué)習(xí)的廣泛應(yīng)用之一。近些年來,,目標(biāo)檢測取得了很大突破,。目標(biāo)檢測主要分為兩類:一類是基于候選框的R-CNN(Region Convolutional Neural Network)系列算法,如R-CNN,、Fast R-CNN(Fast Region Convolutional Neural Network),、Faster R-CNN(Faster Region Convolutional Neural Network)[2],它們是生成候選框后進(jìn)行分類和位置回歸,;另一類是YOLO(You Only Look Once)[3],、SSD(Single Shot MultiBox Detector),從回歸角度出發(fā),,直接在圖像中回歸出目標(biāo)邊框和位置,,這類算法僅使用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。第一類方法準(zhǔn)確度高,,速度慢,;第二類算法速度快,可以到達(dá)實(shí)時(shí)檢測,,但是準(zhǔn)確性低,。

    目前基于深度學(xué)習(xí)的目標(biāo)檢測算法很多,應(yīng)用在目標(biāo)檢測的效果也很突出[4-6],,但是現(xiàn)有算法在缺陷檢測中并不能很好地體現(xiàn)出來[7-9],,尤其是在地磚缺陷檢測中,現(xiàn)有目標(biāo)檢測算法受限于地磚特征的多樣性以及紋理特性,。為此,,本文提出了一種基于改進(jìn)型Faster R-CNN網(wǎng)絡(luò)用于檢測地磚缺陷。對卷積核中每個(gè)采樣點(diǎn)位置都增加了一個(gè)偏移變量,,通過這些變量,,卷積核就可以在當(dāng)前位置附近隨意采樣,而不再局限于之前的規(guī)則格點(diǎn),形狀多變的感受野豐富了語義信息,,從而提高檢測精度[3],。




本文詳細(xì)內(nèi)容請下載:http://forexkbc.com/resource/share/2000003301




作者信息:

陳  利1,2,,劉艷艷1,,2

(1.南開大學(xué) 光電子薄膜器件與技術(shù)天津市重點(diǎn)實(shí)驗(yàn)室,天津300350,;

2.南開大學(xué) 薄膜光電子技術(shù)教育部工程研究中心,,天津300350)

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。