典型文献
基于深度学习的小样本墙壁缺陷目标检测及分类
文献摘要：
近年来,无须人工干预的深度学习已成为缺陷图像检测与分类的一种主流方法.文章针对室内墙壁缺陷缺检测中数据集大多是小样本的问题,提出了相关的深度学习研究方法.首先,自制墙壁表面缺陷数据集(Wall surface defect dataset,WSDD)并对其进行数据标注,进而使用Faster RCNN和YOLOv5进行目标检测,两个模型的评价指标(Mean Average Precision,MAP)均高于0.517,表明本文采集的WSDD有效.然后,采用几种传统的数据增强方法(尺度调整、旋转和翻转)及图像拼接和图像融合的方法来扩充原始数据集的数量.最后,将增强前后的数据集分别用四种经典的深度卷积神经网络(ResNet34、ResNet50、DenseNet121、VGG16)模型进行测试,结果显示经过数据增强后,四种模型的识别精度明显高于增强前,分别为98.86％、99.47％、99.06％和90.25％,证明本文所采用的数据增强和深度学习方法缓解了数据集小样本的问题.
文献关键词：
墙壁表面缺陷;深度学习;数据增强;目标检测;缺陷分类
中图分类号：
作者姓名：
杨波;梁宇倩;孙小明
作者机构：
山西大学数学科学学院,山西太原030006
文献出处：
引用格式：
[1]杨波;梁宇倩;孙小明-.基于深度学习的小样本墙壁缺陷目标检测及分类)[J].山西大学学报（自然科学版）,2022(05):1157-1166
A类：
墙壁表面缺陷,WSDD
B类：
小样本,目标检测,无须,人工干预,图像检测,主流方法,内墙,学习研究,缺陷数据,Wall,surface,defect,dataset,数据标注,Faster,RCNN,YOLOv5,Mean,Average,Precision,MAP,数据增强,增强方法,尺度调整,图像拼接,和图像,图像融合,原始数据,深度卷积神经网络,ResNet34,ResNet50,DenseNet121,VGG16,识别精度,深度学习方法,缺陷分类
AB值：
0.452921
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
