金属表面缺陷检测论文笔记

区块链是一种分布式账本，具有不可变性，匿名性和可审计性，无需信任第三方。 为了提供数据交换以形成这样的账本，区块链网络使交易和区块的传播达到共识，主要由附着策略和沟通策略组成。 当前，它是使用对等覆盖网络来实现的，但是，它受到流量与底层网络拓扑之间不匹配的内在问题的困扰。 为了解决这个问题，我们采用了以信息为中心的网络（ICN）方法来设计去中心化的以信息为中心的区块链网络（DIBN），其中命名类别以使流量能够被去中心化，并且 在每个类别的所有区块链节点（BN）之间建立任意的一对多类别传播结构（CDS）。 对于CDS，一个BN可以有效地将数据发送到所有其他BN，以使流量与基础网络保持一致，从而解决了不匹配问题。 性能分析表明，提出的DIBN可以大大减少区块链数据分发的平均路径长度。 大量移动设备生成大量的大数据，区块链网络的现有工作主要针对数据和面向数据传播的攻击，但是，对于区块链网络本身仍缺乏研究关注。 P2P上层网络中，流量和底层网络拓扑之间存在不匹配问题：现在的BC网络主要基于P2P上层网络技术的应用层多播（ALM）实现，其性能受到上层流量和基础物理网络拓扑之间不匹配问题的影响，从而导致大量冗余流量。 提出DIBN，命名类别使流量分散；建立any-to-all类别传播结构。在DIBN中，类别、交易和数据块被命名用于数据转发，并通过交易记录高性能区块链节点（HPBN），以选择根设备，即指定的区块链节点（dBN）。 DIBN包含三个过程：类别通信结构（CDS）形成，双向附件策略和任何对所有通信策略。 为每个类别构建一个包含所有BN的双向数据分发树，其中考虑负载平衡，选择一个HPBN作为该树的根dBN。 通过CDS，可以实现任何所有人的通信策略，其中任何BN都可以有效地将数据分发到所有其他BN，从而使流量与基础网络保持一致。 我们分析了DIBN的性能，这表明与区块链网络中现有的典型ALM相比，DIBN可以大大缩短平均路径长度。 为了缓解流量集中程度，将对交易和块进行分别命名。交易，语义上有意义的命名。块，无意义的名称标记类别，在负载均衡时分散流量。交易和块通过类别标识符进行分发，并通过数据标识符进行检索。 即，类别，交易和区块具有类别标识符（CID），交易标识符（TID）和区块标识符（BID）的标识符。CID是二进制的 < Category Name (CN) | DIBN Domain > ，TID的格式为 < CN | Transaction Name | DIBN Domain > ，BID的格式为 < CN | Block Name | DIBN Domain > 。 DIBN域：由BN和具有ICN功能的路由器构成的用于数据转发的管理区域。 所有的交易和块都包含在不同类别中。每种流量类别对应一个CDS，它是指一组链路，用于在一个特定类别的BN之间传播交易和块。根据类别和CDS，可以将流量分布在不同交易和块的不同链路上。 为了避免过度依赖中心化的RN（组播中的交汇节点），HPBN通过区块链交易记录自己（HPBN作为dBN的次数）（HPBN可以主动宣布自己愿意作为dBN）。在选择dBN时，当一个BN想形成一个CDS树时，会在区块链中找到HPBN的记录，选择作为dBN次数最少的HPBN作为本CDS树的dBN，并且更新该HPBN作为dBN的次数。 确定dBN后，BN将向所有其他BN广播选出的HPBN的id。然后，那些收到公告的BN向该dBN发送CDS形成请求，并以所请求的类别CID构造一个以该dBN为根的双向到所有通信树。在所有BN向dBN发送请求的过程中，数据包会被路由器记录到FIB表中，生成关于端口组和类别名称的关联映射。当从端口组中的某一个收到该类别的数据后路由器将自动转发给其余端口。如下图建立了蓝色线的CDS树。同时这些映射关系具有一定的TTL生存时间，过期后需要重新构建新的CDS树。 当一个新节点需要加入CDS时，需要向邻近节点查询负责该类流量的HPBN的id，然后向该dBN发送请求，请求会在路由表中建立相应项形成新的CDS树。路由器定期检查与BN的连接。 如果相邻的BN不可访问，则可以将该BN视为击败“离开”状态。 当检测到相邻BN的“ LEAVE”状态时，如果剩余两个或更多个接口，则删除检测到的具有未连接的BN的接口。 一个DBIN域中形成一个类别的CDS时，该CDS树的dBN会和其他域相同类别的dBN组件CDS树形成多级域间数据分发。 在CDS形成之后，事务和块可以将类别的已建立通信结构传递到所有BN。 在基于DIBN的场景中，每个BN都可以与区块链网络之间收发事务和区块。 中间路由器的基本转发策略是路由器在数据包头中的CID和FIB中的CID之间执行完全匹配，然后将数据转发到相应FIB条目中的其余接口（传入接口除外）。如下图所示分别由BN2向所有节点分发了交易1，由BN6向所有节点分发了区块1。 ICN本质上允许隐藏底层设备和网络协议中的异质性，并支持基于名称的转发和网络内缓存[16]。 因此，由于ICN的这些有前途的功能，因此所提出的DIBN具有ALM的优点，例如即时可部署性和易于维护。 此外，它还具有使流量与基础网络基础结构保持一致的优点。 此外，通过采用区块链的基本账本功能，也可以避免使用集中式集合点。 文中并未对所述方法进行实验，只是进行了简单分析和推导。使用平均路径长度作为指标，对比了所提出的DIBN与典型的ALM协议Narada[11]和NICE[12]。与典型值相比，因为DIBN中的CDS将流量与基础网络拓扑对齐，相比于ALM协议，即Narada的O（M log（K））和NICE的O（log（M）log（K）），拟议的DIBN【O（log（K））】可以大大减小将数据从一个BN传播到另一个BN的平均路径长度。 显然，如果BN的数量变得更大，则DIBN可以大大减小平均路径长度。 此外，由于缩短了平均路径长度，因此可以极大地减少通信开销。

论文地址： 官方源码（pytorch）：

主要说了目前表现好的目标检测主要基于较深的网络（例如Resnet，Inception），其缺点就是大量的计算成本，速度慢。而一些轻量级的网络速度较快，但检测的精度相对不高。作者提出了RFB模块，并将它添加到SSD的顶部，构建了RFBnet。

为了构建快速而强大的探测器，合理的替代方案是通过引入某些手工制作的机制来增强轻量级网络的特征表示，而不是一味地加深模型。

RFBnet 结构说明

过

RFB其实就是多分枝卷积块，其内部结构由两部分组成： 1.前一部分与inception一致，负责模拟多尺寸的pRF 2.后一部分再现了人类视觉中pRF与离心率的关系 下图给出了RFB及其对应的空间池区域图

具体来说，首先，我们在每个分支中采用瓶颈结构，由1×1转换层组成，以减少特征映射中的通道数量加上n×n转换层。其次，我们用两个堆叠的3×3转换层替换5×5转换层，以减少参数和更深的非线性层。出于同样的原因，我们使用1×n加n×1转换层来代替原始的n×n转换层。最后，我们应用ResNet 和Inception-ResNet V2 的快捷方式设计。

也叫做astrous卷积层， 该结构的基本意图是生成更高分辨率的特征图，在具有更多上下文的更大区域捕获信息，同时保持相同数量的参数 。

下图示出了多分支卷积层和扩张合并或卷积层的两种组合

所提出的RFB网络探测器重用了SSD的多尺度和单级框架，其中RFB模块被嵌入以改善从轻量级主干提取的特征，使得探测器更准确且仍然足够快。 由于RFB的特性可以轻松集成到CNN中，我们可以尽可能地保留SSD架构。 主要的修改在于用RFB代替顶部卷积层

使用与SSD中完全相同的骨干网络。 简而言之，它是在ILSVRC CLS-LOC数据集上预先训练的VGG16 ，其中fc6和fc7层被转换为具有子采样参数的卷积层，并且其pool5层从2×2-s2变至3×3-s1。 空洞卷积层用来填充空缺和所有dropout层，并移除fc8层。

保持相同的SSD级联结构，但具有相对较大分辨率的特征映射的卷积层被RFB模块取代。 在RFB的主要版本中，我们使用单一结构设置来模仿离心率的影响。 随着视觉图之间pRF大小和离心率的差异，我们相应地调整RFB的参数以形成RFB-s模块，其模拟浅人类视网膜图中较小的pRF，并将其置于conv4 3特征之后，如 由于其特征映射的分辨率太小而无法应用具有大型内核（如5×5）的滤波器，因此保留了最后几个卷积层。

train主要遵循SSD，包括数据增强，硬负挖掘，默认框的比例和宽高比，以及损失函数（例如，用于定位的平滑L1损失和用于分类的softmax损失），同时我们稍微改变了我们的学习速率调度 更好地适应RFB。 更多细节在以下实验部分中给出。 使用MSRA方法初始化所有新的conv层。

后面主要是描述研究的成果，与其他网络的对比，就不多描述了，以后补充更多关于RFBnet的细节

Automatic Pixel-Level Crack Detection on Dam Surface Using Deep Convolutional Network 论文笔记 论文：Automatic Pixel-Level Crack Detection on Dam Surface Using Deep Convolutional Network Received: 大多数坝面裂缝检测只能实现裂缝分类及粗略的定位。像素级语义分割检测可以提供更加精确直观的检测结果。作者提出一种基于深度卷积网络的坝面裂缝检测算法。首先使用无人机进行数据采集，然后对采集到的图像进行预处理（包括裁剪、手动标注），最后对设计好的CDDS 网络结构进行训练、验证和测试。 与ResNet152-based SegNet U-Net FCN 进行了比较。  大坝是水电站的重要水利建筑物。大坝的安全运行对于水电站有着重要的意义。由于结构变形、地震、水流引起的裂缝对大坝坝体产生严重的影响并威胁到水电站的安全运行。因此，对大坝结构的定期健康评估，特别是对大坝裂缝的检测任务变得尤为重要。 根据大坝裂缝的结构特征以及裂缝强度，人们可以对大坝的结构健康进行评估和监测。传统的大坝裂缝的巡检任务通常基于人工进行检测，但是效率低下、耗时费力，浪费了大量的人工成本，因此对裂缝的自动高效检测是非常必要的。 基于计算机视觉的裂缝检测算法得到了广泛的研究。这些方法大多采用传统的图像处理技术和机器学习方法，以识别出一些简单的结构损伤。这些方法利用手工提取的特征从图像中提取特征，然后评估提取的特征是否表示缺陷。然而，上述方法的结果不可避免地受到主观因素的影响 卷积神经网络（CNN）在图像分类和识别领域取得很大的进步，基于CNN的裂缝检测算法也展示出更优异的表现。大坝裂缝的特点： 修补痕迹、噪声大、背景纹理复杂、非结构化的、分布不均匀、裂缝位置随机、背景模糊等缺点 提出了一种像素级的大坝表面裂缝检测方法，利用深卷积网络进行特征提取。利用浅卷积层的定位特征和深卷积层的抽象特征，进行 多尺度卷积级联融合和多维损失值计算 ，实现裂纹缺陷像素级分割，并以高精度、高效率等优点解决了坝面明显裂缝检测问题，消除了可能存在的安全隐患，确保了坝面安全。实验结果表明，该方法对大坝表面像素级裂缝的检测是最优的。 语义分割 PSPNet [42],ICNet [43], Deeplabv3[44],UNet [45] and SegNet [46] 语义分割网络通常分为编码网络和解码网络。 编码网络： 卷积层：用于提取输入图像的特征 池化层：减小feature map的规模，减轻计算负担。 解码网络： 反卷积层（反褶积层）：上采样还原feature map大小与输入图像相同，并输出预测结果。 编解码网络结构高度对称：同时利用稀疏feature map和稠密feature map。 为了融合sparse 和 dense feature ，采用跳跃模块以连接编解码网络。编码网络：     15 卷积层：3*3  步长1     4 池化层： 2*2 步长2 解码网络：     15 反卷积层 1*1     4池化层     采用dropout和BN防止过拟合。     Skip branch     4个，1*1卷积和反卷积     每个branch计算 branch loss，4个branch loss级联为总损失的一部分。     Skip branch 的输入输出图像大小不变。卷积核的通道数必须等于输入张量的通道数。降采样 取矩阵最大值 卷积核大小 2*2 步长为2。反褶积也叫做转置卷积 通过上采样还原feature map与输入图像大小相同。 上采样方法：反褶积法、 插值法 反褶积法：对张量进行zero-padding填充最外层，再用反褶积核进行反褶积，修剪第一行和最后一行。1000副5472*3648图像使用LEAR软件手动标记。 得到504张数据集，404用于训练，50用于验证，50用于测试。 在Linux系统上使用TensorFlow构建的 在配置了8 GB GPU的HP工作站上执行培训、验证和测试 利用Anaconda建立了CDDS网络的虚拟python环境评价指标： Precision精度表示在所有预测破裂的样本中，样本的基本真实性也被破解的概率。 Recall召回表明在所有标记为开裂的样本中，样本被预测为开裂的概率。当正负样本数量存在较大差距时，仅使用精确性或召回率来评估性能是不合理的。TPR表示所有标记为裂纹的样本中被正确预测为裂纹的概率。TNR代表以标签为背景的所有样本中被正确预测为背景的概率.F-measure考虑到查全率和查准率的综合影响，F-测度是一个综合指标。IoU是目标检测领域中常用的评价定位精度的方法。IoU表示预测结果与地面真实值的交集与联合的交集的比率。大坝表面裂缝图像分为背景和裂缝两类。背景像素的数目远大于裂纹像素的数目。通常情况下，我们会同时计算背景arrears和裂缝arrears，然后以两张arrears的平均数作为最终arrears。IoU值是由背景像素决定的，不能准确表达裂纹的定位精度。使用三种学习速率10^4,10^5,10^6 使用softmax函数计算概率 使用Dice loss计算网络损失。 裂缝骨架提取：快速细化算法 调用OpenCV库，进行计算。 计算裂缝面积及长度宽度。使用其他裂缝数据集进行补充验证 ，在测试数据集上，提出的CDDS网络的裂纹IOU和F测度分别达到和 略。