文献类型：期刊文章

作　　者：王森[1] 伍星[1] 张印辉[1] 陈庆[1]

Wang Sen;Wu Xing;Zhang Yinhui;Chen Qing(Faculty of Mechanical and Electrical Engineering,Kunming University of Science and Technology,Kunming 650500)

机构地区：[1]昆明理工大学机电工程学院,昆明650500

出　　处：《计算机辅助设计与图形学学报》

基　　金：国家自然科学基金(61461022;61761024)

年　　份：2018

卷　　号：30

期　　号：5

起止页码：859-867

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为实现复杂背景下裂纹目标的有效检测及降低错误标记,将全卷积网络(FCN)引入图像裂纹检测中,并针对裂纹检测实验中FCN模型存在丢失局部信息和丧失部分精细化区分能力的问题,构建一种Crack FCN模型.首先在增大分辨率的同时,取消全连接层中的Dropout技术,以增大裂纹信息的选择;其次通过加深FCN的网络深度,使整个网络实现递进式特征传递;最后在网络之后添加更高尺度的反卷积层来扩充局部精细细节.在2 156幅自制的裂纹图像数据集上对文中模型、FCN-8s模型以及其他检测方法进行实验的结果表明,Crack FCN网络模型在提高检测精度的同时可以有效地降低错误标记.

关 键 词：深度学习  裂纹检测  全卷积网络  网络模型

分 类 号：TP391.41]