基于区域卷积神经网络的无人机图像缺陷检测
计算机视觉与模式识别
2018-11-26 v1
摘要
随着无人机（UAV）在工程中的广泛应用，例如远距离电气设备巡检，近年来对利用无人机获取的大量图像的高效目标检测算法的需求也显著增加。在本工作中，我们研究了基于区域的 CNN 在利用无人机图像进行电气设备缺陷检测方面的性能。为训练检测模型，我们收集了一个由四类电气设备缺陷组成、带有数千个标注标签的无人机图像数据集。然后，基于 faster R-CNN 区域模型，我们提出了一种用于电气设备的多类缺陷检测模型，其比传统单类检测方法更高效、更准确。在技术层面，我们将 RoI 池化层替换为 Tensorflow 中的类似操作，并在训练过程中将每图像小批量提升至 128。这些改进在无明显精度损失的情况下略微提升了检测速度。因此，改进后的基于区域的 CNN 能够近乎实时地同时检测电气设备的多类缺陷。在真实世界电气设备图像上的实验结果表明，所提方法在缺陷检测中优于传统目标检测算法。
引用
@article{arxiv.1811.09473,
title = {Defect Detection from UAV Images based on Region-Based CNNs},
author = {Meng Lan and Yipeng Zhang and Lefei Zhang and Bo Du},
journal= {arXiv preprint arXiv:1811.09473},
year = {2018}
}
备注
received as best paper of The first International Workshop on Developmental Learning Workshop in ICDM 2018