用于热电金属管道图像分类的纹理CNN
计算机视觉与模式识别
2019-05-30 v1
摘要
本文将基于深度神经网络的特征表示学习概念作为一种替代手工特征的方法，应用于热电金属管道腐蚀的自动视觉检测。纹理卷积神经网络（TCNN）取代了基于局部相位量化（LPQ）和Haralick描述符（HD）的手工特征，其优势在于可以在单一的优化过程中学习合适的纹理表示和决策边界。实验结果表明，在使用一个紧凑网络的情况下，在识别热电管道内壁不同腐蚀程度的任务中可以达到99.20%的准确率，且由于TCNN架构在层数和连接数上较为紧凑，与手工特征方法相比，其参数调优所需的工作量要少得多。所得结果为在实时应用中使用深度神经网络开辟了可能性，例如热电金属管道的自动检测。
引用
@article{arxiv.1905.12003,
title = {Texture CNN for Thermoelectric Metal Pipe Image Classification},
author = {Daniel Vriesman and Alessandro Zimmer and Alceu S. Britto and Alessandro L. Koerich},
journal= {arXiv preprint arXiv:1905.12003},
year = {2019}
}