基于贝叶斯CNN和注意力网络的钢轨表面缺陷检测系统
面向复杂多样的钢轨场景,本文扩展了最先进的深度学习语义分割框架DeepLab v3+到一个新的轻量级、可伸缩性的贝叶斯版本DeeperLab,实现表面缺陷的概率分割.具体地,Dropout被融入改进的Xception网络,使得从后验分布中生成蒙特卡罗样本;其次,提出多尺度多速率的空洞空间金字塔池化(Atrous spatial pyramid pooling,ASPP)模块,提取任意分辨率下的密集特征图谱;更简单有效的解码器细化目标的边界,计算Softmax概率的均值和方差作为分割预测和不确定性.为解决类别不平衡问题,基于在线前景-背景挖掘思想,提出损失注意力网络(Loss attention network,LAN)定位缺陷以计算惩罚系数,从而补偿和抑制DeeperLab的前景与背景损失,实现辅助监督训练.实验结果表明本文算法具有91.46%分割精度和0.18 s/帧的运行速度,相比其他方法更加快速鲁棒.
钢轨表面缺陷、视觉检测、贝叶斯卷积神经网络、注意力机制、类别不平衡
45
国家自然科学基金;湖南省科技计划项目
2020-03-20(万方平台首次上网日期,不代表论文的发表时间)
共16页
2312-2327