基于Faster R-CNN的多任务增强裂缝图像检测方法

• 作者: 毛莺池 唐江红 王静 平萍 王龙宝
• 来源期刊: 智能系统学报
• 关键词: 裂缝图像检测 Faster R-CNN 多任务检测 小目标检测 迁移学习 大坝安全 区域建议网络 小样本
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 机器感知与模式识别|Machine Perception and Pattern Recognition
• 页码范围: 286-293
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11992/tis.201910004

摘要

针对Faster R-CNN算法对多目标、小目标检测精度不高的问题,本文提出一种基于Faster R-CNN的多任务增强裂缝图像检测(Multitask Enhanced Dam Crack Image Detection Based on Faster R-CNN,ME-Faster R-CNN)方法.同时提出一种基于K-means的多源自适应平衡TrAdaBoost的迁移学习方法(multi-source adaptive balance TrAdaBoost based on K-means,K-MABtrA)辅助网络训练,解决样本不足问题.ME-Faster R-CNN 将图片输入ResNet-50网络提取特征;然后将所得特征图输入多任务增强RPN模型,同时改善RPN模型的锚盒尺寸和大小以提高检测识别精度,生成候选区域;最后将特征图和候选区域发送到检测处理网络.K-MABtrA方法利用K-means聚类删除与目标源差别较大的图像,再在多元自适应平衡TrAdaBoost迁移学习方法下训练模型.实验结果表明:将ME-Faster R-CNN在K-MABtrA迁移学习的条件下应用于小数据集大坝裂缝图像集的平均IoU为82.52％,平均精度mAP值为80.02％,与相同参数设置下的Faster R-CNN检测算法相比,平均IoU和mAP值分别提高了1.06％和1.56％.