文献标识码: A
DOI:10.16157/j.issn.0258-7998.200555
中文引用格式: 陈利,刘艳艳. 基于改进的Faster R-CNN的古建筑地砖缺陷检测[J].电子技术应用,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.
0 引言
随着科技高速发展,对文物的保护和修缮越来越得到重视。传统对文物的缺陷检测主要依靠人力进行目视检查,但容易受到天气、时间等原因影响。地砖缺陷具有形状不规则、背景噪声系数大等特征,目前大多数缺陷检测算法都是根据应用场景不同进行手工提取缺陷特征,直接或者通过机器学习算法进行分类[1]。这种有监督机器学习存在一定局限性,受图片中缺陷类别数目、特征形状等因素影响,人为提取特征需要具有很强的专业性,检测结果不好,鲁棒性差,所以不能很好地适用于对地砖缺陷检测。
随着计算机视觉不断发展,深度学习作为计算机视觉的分支,越来越受到人们重视,目标检测是深度学习的广泛应用之一。近些年来,目标检测取得了很大突破。目标检测主要分为两类:一类是基于候选框的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],它们是生成候选框后进行分类和位置回归;另一类是YOLO(You Only Look Once)[3]、SSD(Single Shot MultiBox Detector),从回归角度出发,直接在图像中回归出目标边框和位置,这类算法仅使用一个卷积神经网络。第一类方法准确度高,速度慢;第二类算法速度快,可以到达实时检测,但是准确性低。
目前基于深度学习的目标检测算法很多,应用在目标检测的效果也很突出[4-6],但是现有算法在缺陷检测中并不能很好地体现出来[7-9],尤其是在地砖缺陷检测中,现有目标检测算法受限于地砖特征的多样性以及纹理特性。为此,本文提出了一种基于改进型Faster R-CNN网络用于检测地砖缺陷。对卷积核中每个采样点位置都增加了一个偏移变量,通过这些变量,卷积核就可以在当前位置附近随意采样,而不再局限于之前的规则格点,形状多变的感受野丰富了语义信息,从而提高检测精度[3]。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003301
作者信息:
陈 利1,2,刘艳艳1,2
(1.南开大学 光电子薄膜器件与技术天津市重点实验室,天津300350;
2.南开大学 薄膜光电子技术教育部工程研究中心,天津300350)