Region Based CNN for Foreign Object Debris Detection on Airfield Pavement

Abstract

In this paper, a novel algorithm based on convolutional neural network (CNN) is proposed to detect foreign object debris (FOD) based on optical imaging sensors. It contains two modules, the improved region proposal network (RPN) and spatial transformer network (STN) based CNN classifier. In the improved RPN, some extra select rules are designed and deployed to generate high quality candidates with fewer numbers. Moreover, the efficiency of CNN detector is significantly improved by introducing STN layer. Compared to faster R-CNN and single shot multiBox detector (SSD), the proposed algorithm achieves better result for FOD detection on airfield pavement in the experiment.

Crack Detection of Concrete Pavement With Cross-Entropy Loss Function and Improved VGG16 Network Model

“…Finally, a Softmax classifier is used at the output layer. This network has a good effect on image classification [34]- [36] etc.…”

An effective identification of crop diseases using faster region based convolutional neural network and expert systems

“…Acquisition: This stage is considered for obtaining the crop images from various sources, which can be either captured or maintained as a dataset by the administrator or the farmer who captures the image of effected area of the crop using capturing devices. The images captured from various sources are identified with the infected areas and annotated with the information of infection and maintained as a dataset using object recognition [12] techniques. If the image is a test image, then the annotations are generated and verified across the set of training images.…”

Una Revisión Sistemática de Métodos para Localizar Automáticamente Objetos en Imágenes

“…Actualmente, se han desarrollado sistemas de visión computacional que permiten examinar automáticamente la apariencia visual de los productos en las líneas de producción. Muchos de estos sistemas usan estrategias de aprendizaje profundo (Cao et al, 2018(Cao et al, , 2016Park et al, 2016;Chen et al, 2018;Shi et al, 2017;Ferguson et al, 2017). Por otra parte, se han desarrollado sistemas que se enfocan en la monitorización de las condiciones de las herramientas utilizadas durante la producción, con el fin de identificar de forma temprana los fallos en el sistema (García-Ordás et al, 2017;Fernández-Robles et al, 2017a,b).…”

“…Además, la localización previa es fundamen-tal en el análisis automático de imágenes, cuyo objetivo puede ser la segmentación, que consiste en separar los objetos de interés del fondo, en el reconocimiento o recuperación de objetos (Saikia et al, 2017;García-Olalla et al, 2018), o en el análisis de la relación espacial entre los objetos contenidos en una imagen (Lampert et al, 2008). Actualmente, hay una gran cantidad de aplicaciones que requieren una localización precisa de los objetos, como es el caso de la necesidad que tienen los vehículos autónomos de localizar peatones (Dollár et al, 2009;Li et al, 2018;Du et al, 2017;Brazil et al, 2017;Wang et al, 2018) u obstáculos (Shah et al, 2018;Yi et al, 2018;Garnett et al, 2017;Sepúlveda et al, 2017), la localización de vehículos en sistemas de control de tráfico, se encuentren o no en imágenesáereas (Zhong et al, 2017;Ammour et al, 2017;Tang et al, 2017;Xu et al, 2017a;Lee et al, 2017), la localización de lesiones o anormalidades en tejidos que usan los sistemas de diagnóstico clínico asistido por computador (He et al, 2018;Ma et al, 2017;Jiamin et al, 2017;Sa et al, 2017;Heo et al, 2017), la detección de objetos para el control de calidad que requieren los sistemas de inspección visual (Cao et al, 2018;Chen et al, 2018;Shi et al, 2017;Ferguson et al, 2017), o la localización de obstáculos que tienen que realizar los sistemas de navegación de robots (Lee et al, 2015;Luo et al, 2017), entre otras. Sin embargo, la correcta localización de objetos es difícil debido a múltiples factores, entre los que destacan la falta de calidad de la imagen, condiciones de iluminación cambiantes, objetos con forma no rígida o los cambios en la apariencia de los objetos a localizar (Felzenszwalb et al, 2010;…”