《電子技術應用》
您所在的位置：首頁 > 测试测量 > 设计应用 > 基于改进的Faster R-CNN的古建筑地砖缺陷检测
基于改进的Faster R-CNN的古建筑地砖缺陷检测
2021年电子技术应用第1期
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
摘要： 缺陷检测对于古建筑的保护和修缮具有重要的意义，传统的地砖缺陷检测通过目视检查，存在受人力影响大、耗时长等限制。基于深度学习的良好应用前景，建立故宫地砖缺陷的数据集，提出改进型Faster R-CNN的网络。首先，构建可变形卷积，通过网络学习并提取地砖中的缺陷特征；然后，将特征图输入区域生成网络中生成候选区域框，将生成的特征图和候选区域框进行池化操作；最后，输出缺陷检测结果。在故宫地砖图片数据集的测试下，改进后的模型平均准确率均值到达92.49%，与Faster R-CNN模型相比提高了2.99%，更适用于地砖缺陷检测。
中圖分類號： TN03；TP181
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200555
中文引用格式： 陳利，劉艷艷. 基于改進的Faster R-CNN的古建筑地磚缺陷檢測[J].電子技術應用，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行目視檢查，但容易受到天氣、時間等原因影響。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)應用場景不同進行手工提取缺陷特征，直接或者通過機器學習算法進行分類[1]。這種有監(jiān)督機器學習存在一定局限性，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的專業(yè)性，檢測結果不好，魯棒性差，所以不能很好地適用于對地磚缺陷檢測。

    隨著計算機視覺不斷發(fā)展，深度學習作為計算機視覺的分支，越來越受到人們重視，目標檢測是深度學習的廣泛應用之一。近些年來，目標檢測取得了很大突破。目標檢測主要分為兩類：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邊框和位置，這類算法僅使用一個卷積神經(jīng)網(wǎng)絡。第一類方法準確度高，速度慢；第二類算法速度快，可以到達實時檢測，但是準確性低。

    目前基于深度學習的目標檢測算法很多，應用在目標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型Faster R-CNN網(wǎng)絡用于檢測地磚缺陷。對卷積核中每個采樣點位置都增加了一個偏移變量，通過這些變量，卷積核就可以在當前位置附近隨意采樣，而不再局限于之前的規(guī)則格點，形狀多變的感受野豐富了語義信息，從而提高檢測精度[3]。




本文詳細內(nèi)容請下載:http://ihrv.cn/resource/share/2000003301




作者信息:

陳  利1，2，劉艷艷1，2

(1.南開大學 光電子薄膜器件與技術天津市重點實驗室，天津300350；

2.南開大學 薄膜光電子技術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)授權禁止轉載。