利用深度可变形轮廓模型进行结构体裂纹视觉检测

摘要

目前针对裂纹检测的深度学习实例分割方法主要通过目标检测生成一个边界框进行逐个像素掩码分割,不仅影响结构体裂纹轮廓的检测效果,且伴随着复杂的后处理代价。针对这一问题,文中提出利用深度可变形轮廓算法模型Deep Snake对结构体裂纹进行识别检测。通过对结构体裂纹数据集进行数据增强以提高模型鲁棒性,同时运用迁移学习将大型图片数据集COCO上的预训练网络参数迁移学习到结构体裂纹分割模型中作为初始化。在自制的裂纹图像数据集上进行实验,结果表明训练后的模型能够正确识别的裂纹对象并同时完成多个裂纹目标的分割,在检测平均时间为0.12 s的前提下AP50达到75.4%,与其他深度学习模型及边缘检测算法进行的比较结果也体现出Deep Snake算法的优越性。