基于Faster R-CNN的缝隙检测与提取算法

为了使快速区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)适用于小尺寸结构缝隙目标检测的应用,提出了一种基于Faster R-CNN的缝隙检测与提取算法,保留了小尺寸结构目标的细节信息,并提升了检测准确率.该算法分为缝隙检测和缝隙提取2个阶段.首先,在faster R-CNN的目标检测框架下,选取ImageNet数据集上的视觉几何组(visual geometry group,VGG)网络预训练模型作为特征提取网络,调整网络模型使其适应具有小尺寸结构的缝隙目标,并通过缝隙检测网络的训练确定最优的网络超参数,获得缝隙目标边框.然后,根据对目标区域的分析,提出基于数学形态学算法的缝隙提取算法,将缝隙目标从背景中分割出来.最终通过去噪、断裂连接和细化操作提取单像素宽缝隙目标,通过统计单像素宽缝隙目标的像素点个数得到缝隙目标长度值.实验结果表明,该算法可准确且完整地提取缝隙目标,在铁轨裂缝数据集上平均准确率达到63.87%,在道路裂缝数据集上的F1-score指标达到65.6%.