SR-Det:面向工业场景下细长和旋转目标的鲁棒检测

目标检测广泛应用于工业领域,譬如缺陷检测。然而,在检测过程中依然存在任意旋转和大宽高比问题。一是水平锚框方法难以准确地定位物体;二是卷积神经网络(Convolutional Neural Networks,CNNs)在提取特征时表现不佳;三是普通的损失函数对细长的目标不敏感。针对上述问题,本文研究了SR-Det (Slender and Rotated Detecto)模型,包含以下3个部分。首先是旋转区域校准(Rotated Region Calibration,RRC)模块。该算法以不同大小和宽高比的水平提议作为输入,以相应的旋转提议作为输出。然后是旋转角度提议对齐模块(Rotated Angle Proposal Align,RAP-Align)来保证特征信息的质量。最后是基于交并比(Intersection Over Union,IoU)策略的R-IoU函数(Rotated Intersection Over Union)以指导模型最大化预测框和GT (Ground Truth)框之间的重叠面积。实验证明,本文提出的方法在金属罐数据集和幕墙数据集上取得了最优的效果,证明了该方法的有效性。