论文部分内容阅读
自计算机技术出现以来,目标检测一直是计算机视觉领域研究热点之一。目标检测的任务是找出图像中所感兴趣的目标,确定他们的位置和类别。依赖于手工特征的传统目标检测算法对于自然环境中目标姿态和角度多变性等问题往往没有合适的解决方案,而随着深度学习理论的不断发展,新模型新结构的不断出现,深度学习在各类目标检测公开数据集中取得优异的成绩,为解决实际工程问题提供了现实有效的方案。本文以深度学习理论为基础,着重研究了基于区域的全卷积网络(R-FCN)并将其应用于圆织机织物纹理检测和螺栓松动渗水检测两个场景中,搭建了完整的软硬件系统。本文主要工作如下:1.对R-FCN网络结构和原理进行深入研究,提出了一种全局信息融合的R-FCN网络结构。在原始Faster R-CNN网络结构的基础上,R-FCN通过引入位置敏感得分图,合并了大量独立运算,实现了全卷积的网络结构,在保证精度的同时提升了运算速度。本文通过将Soft-NMS算法引入到R-FCN网络的样本后处理过程中,实现了检测精度的提升。针对R-FCN只使用局部信息分块投票,未能有效使用全局信息的结构缺陷,本文提出了全局信息融合的R-FCN网络结构。实验结果表明,本文提出的全局信息融合R-FCN网络能在损失极小检测效率的情况下实现更高的目标检测精度。2.针对条带状织物纹理瑕疵检测问题,提出了快速R-FCN网络并搭建了圆织机织物纹理检测系统。对于软管纺织中存在的四类瑕疵和检测时的实时性要求,本文在检测精度极高的R-FCN网络基础上进行改进,将R-FCN网络使用的ResNet-101替换为浮点数运算量减少一半,特征提取能力相当的ResNeXt-50网络。针对条带状织物特征图尺寸较小的问题,去除网络中最后一次降采样,并引入空洞卷积替代普通卷积,加大感受野,使每个卷积的输出都含有较大范围的信息。使用多尺度交替训练和在线难示例挖掘保证网络得到更加充分的训练。实验测试结果表明,本文搭建的系统稳定可靠,满足实时性要求,可以实现对条带状织物上纹理瑕疵的有效检测。3.针对螺栓松动和渗水检测问题,提出了深度学习和霍夫变换相结合的检测算法并搭建了完整的软硬件检测系统。对于水库库门上的螺栓存在松动损坏,导致安全隐患的问题,本文将整体检测算法分为两步,首先通过调整锚框尺寸后的R-FCN实现螺栓位置检测和螺栓渗水检测,然后采用以霍夫变换为主的传统计算机视觉算法,计算螺栓六条边的直线参数,并通过层次聚类判断是否满足六边形的构成条件。实验测试结果表明,本文搭建的系统稳定可靠,对水库库门上的螺栓松动和渗水情况有很高的检测精度。