论文阅读DefectNet: Toward Fast and Effective Defect Detection缺陷网:走向快速有效的缺陷检测

DefectNet: Toward Fast and Effective Defect Detection缺陷网:走向快速有效的缺陷检测
期刊:IEEE Transactions on Instrumentation and Measurement
年份:2021 CMY

主要内容列举:
1:说明现有的目标检测方法在缺陷检测方面的不足
2:提出直接有效的缺陷检测方法DefectNet
3简单介绍现有的目标检测方法和缺陷检测方法
4:详细介绍DefectNet结构

(一）数据方面
1．数据集
作者使用MSCOCO数据集进行普通图像的检测，使用Fabric Defect 数据集进行有缺陷图像的检测。
(二）方法方面
1.创新工作
大多数基于CNN的缺陷检测方法难以利用无缺陷图像，作者提出的方法充分有效地利用了无缺陷图像，避免了数据资源的浪费，并且针对三种不同的学习任务，即二分类网络和目标定位和分类网络，作者提出了一种策略，可以平衡这两种复杂度不同的网络。实验结果表明，
该策略能较好地解决复杂度不同的两个网络的同步收敛问题，其效果优于单一的二分类网络，且不影响目标检测网络的收敛效果。
2.模型结构
DefectNet 只使用一个网络，通过共享卷积参数和卷积运算，可以在同一网络中同时完成缺陷图像分类和缺陷检测，也可以同时完成两个不同复杂度网络的训练，节省时间，提高检测效率。此外，它充分利用了输入图像大尺寸的优点，有效地提高了缺陷图像的分类能力。

1）网络设计
缺陷检测是一个二进制分类问题，因此作者在主干网后面添加一个全连接层，以便确定图像是否包含缺陷。作者称这种结构为缺陷发现网络（DFN)，如下图所示:

它由平均池层、全连接层和 softmax层组成。它的结构非常简单，可以很容易地插入到其他现有的目标检测框架中。此外，通过共享卷积运算减少了参数数量，提高了检测效率。
2）平衡网络策略
由于DFN只在整个网络中添加了少量的参数和计算，因此其复杂性与检测子网(D子网）不同，并且它们对整个网络造成的损失的重要性也不同。DFN和D子网的参数数量极不平衡，DFN的参数数量比D子网少万分之一。因此，作者提出了一种权重损失策略来平衡两个不同复杂度的网络。在 DefectNet训练过程中，网络需要同时完成三个不同的任务，即边界框回归和边界框分类以及缺陷检测。最终的损失函数为Loss = loss1 +loss2 +f(w)loss3.
loss1为边界框损失函数，loss2为边界框分类损失函数，loss3为缺陷检测损失函数，作者在 loss3前增加了一个权重函数，以平衡两个不同网络的损耗贡献。
由于复杂性不同，作者设计两种方法来设置f (w）的值，一个是直接将f (w)设置为常数值，另一个是将f(w）设置为根据迭代次数n而变化。因此，作者将f (w）设置为

W是一个固定不变的值，W0是一个初始权重。对于g(n, wo)，作者设计了三种不同的策略，分别为线型、倒数型、指数型，如下:

3.其他主要工作
作者在MMDetection基础上进行改进，所有实验都是使用单个GTX 2080Ti GPU进行训练的。每个图像按照1333×800的大小进行缩放,其纵横比不变, batchsize为2,学习率为0.0025,迭代次数为12。
4.对比方法
用来对比的检测方法:Cascade R-CNN、DefectNet、Faster R-CNN检测指标:mAP(平均精度)、ATT(平均检测时间)
(三）结果方面
从图中可以看到,以CascadeR-CNN为主干网,并将损失权重函数8(no)设置为常数时，平均精度更大。