基于深度学习的多模型融合图像智能检测方法研究

来源：电子测量技术杂志2021年第20期北京时间：

作者：刘韵婷，于清淞，李绅科，刘晓玉

单位：1.沈阳理工大学 沈阳 110000 2.沈阳工业大学体育装备产业技术研究院 沈阳 110870

摘要：传统的Faster r-cnn定位算法中应用的是通过最近邻插值算法进行插值的RoiPooling，对于小缺陷的识别效果不佳，本文将其改进为使用双线性插值算法的RoiAlign，提高了轮胎异常检测的精确度。针对传统的轮胎缺陷样本检测面临特征提取困难的问题，本文通过将ResNet和DenseNet两个网络模型进行融合搭建起的RSDC-Net(resnet and densenet converged network)网络模型，提高了网络的泛化、感知能力，增强了特征提取能力，而且将该网络应用于深度学习的可解释性研究中，实现了深度学习的可视化。目前神经元分类的研究领域还有很大空缺，所以为了针对敏感区域图像结果进行潜层的神经元分类研究，本文设计出双卷积门限循环神经网络来作为网络模型来完成神经元的分类研究，该网络模型在四种模型对比实验中表现最佳。

关键词：深度学习;可解释性;智能检测;神经元

基金资助：国家重点研发计划（2017YFC0821001-2）、国家重点研发计划课题（2020YFC2006701）资助、教育部人文社会科学研究青年基金项目（19YJC890012）、辽宁省教育厅项目（LJGD2020019）资助