·292· 智能系统学报 第16卷 各目标检测算法在不同尺寸裂缝图像的准确度如 表3不同迁移学习方法对比分析 图5所示。 Table 3 Comparison of different transfer learning methods % omAP(small) Overall mAP mAP(medium)mAP(large) 100 迁移学习方法 召回率 准确率 mAP 0 2 54.73 55.19 54.96 TrAdaBoost 5 64.94 66.35 65.65 20 10 66.18 71.29 68.74 SSD YOLO V2 Faster R-CNN ME-FasterR-CNN 2 60.31 62.37 61.34 DTrA 5 65.93 70.13 68.12 10 71.26 75.41 73.34 图5不同尺寸裂缝图像的准确度 2 64.95 71.64 68.12 Fig.5 Accuracy of crack images with different sizes ATrA 5 71.13 76.81 从图5可以看出，Faster R-CNN系列模型检 73.97 测的准确度要整体优于SSD算法和YOLO V2算 10 74.28 81.17 77.73 法，所有的检测算法在较大裂缝图像上都能表现 2 70.09 78.01 74.05 得最好，而在小裂缝图像的检测上，准确度却不 K-MABtrA 72.81 79.73 76.27 是很高。Faster R-CNN算法和ME-Faster R- o 76.53 83.51 80.02 CNN算法在较大裂缝图像检测性能上实力相当， 而在小裂缝图像的检测上，ME-Faster R-CNN算 4 结束语 法要更优于Faster R-CNN算法。综上所述，ME Faster R-CNN算法在保持一定准确度的基础上， 经实验验证，本文提出的ME-Faster R- 在面对小目标检测难度较大的情况，也能获得很 CNN方法在多目标、小目标检测准确性方面更优 好的效果。 异；且本文提出的迁移学习方法更有效地解决了 4)迁移学习对比实验 样本不足的问题。本文所提出方法的局限性在 该部分以ResNet-50作为基准网络，ME- 于ME-Faster R-CNN相比于Faster R-CNN只在特 Faster R-CNN作为目标检测模型，目标数据集样 定检测任务中准确度较高，比如本文的应用场 本占源训练集样本的比例为r,r取2%、5%和 景：大坝裂缝检测，或类似的检测任务。而对于 10%,分别用K-MABtrA方法、ATrA方法、 目标大小相似、亮度相同的目标检测其结果与 DTrA方法、TrAdaBoost迁移学习方法进行分类 FasterR-CNN所差无几o 器训练。 参考文献： 由表3可得出，同一方法，不同比例r下训练 得到的分类器，在一定的范围内随着比例，不断 [1]苏南.我国200米级高坝密集，安全风险不可轻视 增加，分类器的各评价指标都有所提升，说明在 [EB/OL].(2017-11-09).https://www.thepaper.cn/newsDe- 一定范围内目标源数据占总数据比例越大，分类 tail forward 1858088. 器的各评价指标越高，检测效果越好。在目标源 [2]REN Shaoqing,HE Kaiming,GIRSHICK R,et al.Faster 数据所占比例r相同情况下：ATrA和DTrA方法 R-CNN:towards real-time object detection with region 各评价指标均高于TrAdaBoost.,证明了引入校正 proposal networks[C]//Proceedings of the 28th Internation- al Conference on Neural Information Processing Systems. 系数和自适应回补参数的有效性。本文提出的 Cambridge,USA,2015:91-99. K-MABtrA方法各指标均高于ATrA方法。说明 [3]HABER E,RUTHOTTO L,HOLTHAM E,et al.Learn- K-MABtrA方法引入最终平衡权重法，使最终得 ing across scales-a multiscale method for convolution neur- 到的目标源数据集与各领域裂缝数据集重要度一 al networks[C]//Proceedings of the 23nd AAAI Confer- 致，提高算法的检测准确率。综上所述，K-MAB ence on Artificial Intelligence.2017. trA方法能够更多地利用其他领域的共享信息， [4]GERBER D,MEIER S,KELLERMANN W.Efficient tar- 得到更好的迁移学习效果，训练出强分类器，高 get activity detection based on recurrent neural 效地完成大坝裂缝图片的检测任务。 networks[C]//Proceedings of 2017 Hands-free Speech各目标检测算法在不同尺寸裂缝图像的准确度如 图 5 所示。 100 80 60 40 20 mAP/% SSD YOLO V2 Faster R-CNN ME-FasterR-CNN mAP(small) Overall mAP mAP(medium) mAP(large) 图 5 不同尺寸裂缝图像的准确度 Fig. 5 Accuracy of crack images with different sizes 从图 5 可以看出，Faster R-CNN 系列模型检 测的准确度要整体优于 SSD 算法和 YOLO V2 算 法，所有的检测算法在较大裂缝图像上都能表现 得最好，而在小裂缝图像的检测上，准确度却不 是很高。Faster R-CNN 算法和 ME-Faster R￾CNN 算法在较大裂缝图像检测性能上实力相当， 而在小裂缝图像的检测上，ME-Faster R-CNN 算 法要更优于 Faster R-CNN 算法。综上所述，ME￾Faster R-CNN 算法在保持一定准确度的基础上， 在面对小目标检测难度较大的情况，也能获得很 好的效果。 4) 迁移学习对比实验 r r 该部分以 ResNet-50 作为基准网络， ME￾Faster R-CNN 作为目标检测模型，目标数据集样 本占源训练集样本的比例为 ， 取 2%、5% 和 10% ，分别 用 K-MABtrA 方法、 ATrA 方法、 DTrA 方法、TrAdaBoost 迁移学习方法进行分类 器训练。 r r r 由表 3 可得出，同一方法，不同比例 下训练 得到的分类器，在一定的范围内随着比例 不断 增加，分类器的各评价指标都有所提升，说明在 一定范围内目标源数据占总数据比例越大，分类 器的各评价指标越高，检测效果越好。在目标源 数据所占比例 相同情况下：ATrA 和 DTrA 方法 各评价指标均高于 TrAdaBoost，证明了引入校正 系数和自适应回补参数的有效性。本文提出的 K-MABtrA 方法各指标均高于 ATrA 方法。说明 K-MABtrA 方法引入最终平衡权重法，使最终得 到的目标源数据集与各领域裂缝数据集重要度一 致，提高算法的检测准确率。综上所述，K-MAB￾trA 方法能够更多地利用其他领域的共享信息， 得到更好的迁移学习效果，训练出强分类器，高 效地完成大坝裂缝图片的检测任务。 表 3 不同迁移学习方法对比分析 Table 3 Comparison of different transfer learning methods % 迁移学习方法 r 召回率 准确率 mAP TrAdaBoost 2 54.73 55.19 54.96 5 64.94 66.35 65.65 10 66.18 71.29 68.74 DTrA 2 60.31 62.37 61.34 5 65.93 70.13 68.12 10 71.26 75.41 73.34 ATrA 2 64.95 71.64 68.12 5 71.13 76.81 73.97 10 74.28 81.17 77.73 K-MABtrA 2 70.09 78.01 74.05 5 72.81 79.73 76.27 10 76.53 83.51 80.02 4 结束语 经实验验证，本文提出 的 ME-Faster R￾CNN 方法在多目标、小目标检测准确性方面更优 异；且本文提出的迁移学习方法更有效地解决了 样本不足的问题。本文所提出方法的局限性在 于 ME-Faster R-CNN 相比于 Faster R-CNN 只在特 定检测任务中准确度较高，比如本文的应用场 景：大坝裂缝检测，或类似的检测任务。而对于 目标大小相似、亮度相同的目标检测其结果与 FasterR-CNN 所差无几。 参考文献： 苏南. 我国 200 米级高坝密集, 安全风险不可轻视 [EB/OL]. (2017-11-09).https://www.thepaper.cn/newsDe￾tail_forward_1858088. [1] REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]//Proceedings of the 28th Internation￾al Conference on Neural Information Processing Systems. Cambridge, USA, 2015: 91−99. [2] HABER E, RUTHOTTO L, HOLTHAM E, et al. Learn￾ing across scales-a multiscale method for convolution neur￾al networks[C]//Proceedings of the 23nd AAAI Confer￾ence on Artificial Intelligence. 2017. [3] GERBER D, MEIER S, KELLERMANN W. Efficient tar￾get activity detection based on recurrent neural networks[C]//Proceedings of 2017 Hands-free Speech [4] ·292· 智 能 系 统 学 报 第 16 卷