基于Faster R-CNN的多任务增强裂缝图像检测方法

毛莺池，唐江红，王静，平萍，王龙宝

（河海大学 计算机与信息学院，江苏 南京 211100）

我国是世界上拥有水库大坝最多的国家[1]，但随着时间的推移和坝龄的增长，大坝表面和内部发生形变，出险几率增加，威胁人民生命财产安全。裂缝是大坝的主要危害之一。

近年来，图像处理、模式识别和深度学习等技术的发展，为大坝裂缝图像检测提供技术支持。但由于大坝环境复杂等一系列因素的限制，导致裂缝图像收集和标记成本过高，因此难以获得大坝裂缝图像检测的分类模型。迁移学习主要是针对规模不大，样本数量有限的特定领域数据集使用机器学习容易产生过拟合而导致无法训练与学习的问题，通过利用具有一定相似性的领域中已训练好的较好优秀模型和样本构建满足任务需求的模型，从而实现小数据集下构建良好模型的效果。

Faster R-CNN[2]是目前基于区域卷积神经网络系列的目标检测算法中综合性能最好的方法之一，但其对多目标、小目标情况检测精度不高。本文提出了一种基于Faster R-CNN的多任务增强裂缝图像检测方法，以适应大坝在不同光照环境，不同长度裂缝情况下的检测。同时提出了一种基于K-means多源自适应平衡TrAdaBoost迁移学习方法辅助网络训练，解决样本不足问题。

1 相关工作

根据卷积神经网络的使用方式，将基于CNN目标检测算法[3-4]分为两大类：基于区域建议的深度学习目标检测算法和基于回归思想的深度学习目标检测算法。前者的主流算法有：RCNN算法[5]、Fast R-CNN算法[6]和Faster RCNN算法。……