基于深度学习的小样本墙壁缺陷目标检测及分类

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。