基于显著性学习的非规则幕墙板材检测方法

摘要

针对现有幕墙安装机器人缺乏非规则板材检测能力的问题，提出了一种基于显著性学习的板材检测方法，通过分析板材与背景的显著性关系来定位目标，避免板材纹理、形状、大小等因素对检测精度的影响。该方法基于可见光-深度（red-green-blue depth, RGB-D）双模态特征信息，使用多尺度残差互补模块来抑制跨模态特征的发散问题，并结合多尺度注意力引导模块和融合感知模块以实现精细的显著推理，同时构建了包含180幅RGB-D图像的幕墙板材数据集（curtain wall panel, CWP）来做模型测试。将提出的方法在4个公开数据集进行训练与测试，结果表明，所提算法性能优于8种显著性检测方法。在自建CWP实验测试中，提出的方法在S_α、F_β、E_ξ、MAE指标分别达到0.843、0.802、0.864、0.053,证明了所提算法针对未知的非规则幕墙板材检测具有很好的鲁棒性。

关键词

显著性学习 / 目标检测 / 幕墙 / 非规则板材 / 跨模态融合