編者按：發展至今，計算機視覺已經產生了不少令人驚嘆的應用，但一提到它，人們首先想到的總是人臉檢測、物品識別……除去已經發展得很成熟的人臉識別技術，我們難道只能用檢測室內物品來練習技巧嗎？作為一個極具工程價值的領域，也許大家應當擴張技術應用的廣度，把它和現實場景結合起來，真正做一些更接地氣的嘗試。

本文旨在構建一個自定義Mask R-CNN模型，它可以檢測汽車車身的損壞區域（如下圖所示）。這背后的應用理念是，購買二手車時，消費者首先會關注車身刮擦情況，有了這個模型，他們足不出戶就能大致了解車子情況，避免被坑。而對于日常生活中的小事故，如果用戶只需上傳圖片就能完成車輛破損鑒定，保險公司的索賠效率也會大幅提高。

什么是Mask R-CNN？

Mask R-CNN是一個實例分割模型，它能確定圖片中各個目標的位置和類別，給出像素級預測。所謂“實例分割”，指的是對場景內的每種興趣對象進行分割，無論它們是否屬于同一類別——比如模型可以從街景視頻中識別車輛、人員等單個目標。下圖是在COCO數據集上訓練好的Mask R-CNN，如圖所示，大到每一輛車，小到單根香蕉，它都能用窗口標出目標物品在畫面中的像素位置。

不同于Faster R-CNN這樣的經典對象檢測模型，Mask R-CNN的一個特點是可以給窗口內表示對象輪廓的像素著色。可能有人會覺得這是個雞肋功能，但它對自動駕駛汽車和機器人控制意義非凡：

著色可以幫助汽車明確道路上各目標的具體像素位置，從而避免發生碰撞；

如果機器人想抓取某個目標物品，它就需要知道位置信息（如亞馬遜的無人機）。

如果只是單純想在COCO上訓練Mask R-CNN模型，最簡單的方法是調用Tensorflow Object Detection API，具體內容Github都有，此處不再詳談。

Mask R-CNN的工作原理

在構建Mask R-CNN模型之前，我們首先來了解一下它的工作機制。

事實上，Mask R-CNN是Faster R-CNN和FCN的結合，前者負責物體檢測（分類標簽+窗口），后者負責確定目標輪廓。如下圖所示：

它的概念很簡單：對于每個目標對象，Faster R-CNN都有兩個輸出，一是分類標簽，二是候選窗口；為了分割目標像素，我們可以在前兩個輸出的基礎上增加第三個輸出——指示對象在窗口中像素位置的二進制掩模（mask）。和前兩個輸出不同，這個新輸出需要提取更精細的空間布局，為此，Mask R-CNN在Faster-RCNN上添加一個分支網絡：Fully Convolution Networ（FCN）。

FCN是一種流行的語義分割算法，所謂語義分割，就是機器自動從圖像中分割出對象區域，并識別其中的內容。該模型首先通過卷積和最大池化層把輸入圖像壓縮到原始大小的1/32，然后在這個細粒度級別進行分類預測。最后，它再用上采樣和deconvolution層把圖還原成原始大小。

因此簡而言之，我們可以說Mask R-CNN結合了兩個網絡——把Faster R-CNN和FCN納入同一巨型架構。模型的損失函數計算的是分類、生成窗口、生成掩模的總損失。

此外，Mask R-CNN還做了一些基礎改進，使其比FCN更精確，具體可以閱讀論文。

構建用于檢測汽車漆面情況的Mask R-CNN模型

GitHub：github.com/matterport/Mask_RCNN

這是一個在Python 3、Keras和TensorFlow上實現Mask R-CNN的現成資源。雖然最近TensorFlow目標檢測庫也更新了和Mask R-CNN相關的資源，但如果想一帆風順地搭建模型，我們還是推薦這個，用TensorFlow太容易出bug了。

當然，這不是不鼓勵大家去勇敢試錯，畢竟熟悉了這些錯誤，我們才能更好地理解整個過程。但這個實現絕對值得收藏。

收集數據

考慮到本文只是演示，這里我們只Google了66張受損車輛圖像（50張訓練集，16張驗證集）。如果想做個大點的數據集，建議把搜索關鍵詞設為“damaged car painting”，用中文容易出現一大堆補漆廣告，搜車禍則是大量引擎蓋變形圖。下面是一些圖像樣本

注釋數據

為了構建Mask R-CNN模型，首先我們要對圖像進行注釋，標出其中的損壞區域。我們使用的注釋工具是VGG Image Annotator?—?v 1.0.6，它有一個在線版本。除了常規圖形，它也允許我們繪制多邊形蒙版：

注釋完后，記得把它們下載下來，保存為.json格式。這里是注釋好的66幅圖。

訓練模型

完成上述步驟，現在我們就可以訓練模型了。首先，把GitHub里的東西復制下來，然后加載我們的圖像和注釋。

classCustomDataset(utils.Dataset):

def load_custom(self, dataset_dir, subset):

"""Load a subset of the Balloon dataset.

dataset_dir: Root directory of the dataset.

subset: Subset to load: train or val

"""

# 添加類別標簽，我們只有一個

self.add_class("damage", 1, "damage")

# 訓練集和驗證集

assert subset in ["train", "val"]

dataset_dir = os.path.join(dataset_dir, subset)

# 我們主要關心每個區域的x和y坐標

annotations1 = json.load(open(os.path.join(dataset_dir, "via_region_data.json")))

annotations = list(annotations1.values()) # don't need the dict keys

# 即使沒有任何注釋工具也會把圖像保存在JSON中

# 跳過未注釋圖像。

annotations = [a for a in annotations if a['regions']]

# 添加圖像

for a in annotations:

# 獲取構成每個對象實例輪廓多邊形點的x，y坐標

# 它們在shape_attributes里（（參見上面的json格式））

polygons = [r['shape_attributes'] for r in a['regions'].values()]

# 輸入圖像大小后，load_mask()才能把多邊形轉成蒙版

image_path = os.path.join(dataset_dir, a['filename'])

image = skimage.io.imread(image_path)

height, width = image.shape[:2]

self.add_image(

"damage", ## 如果只有一類，只需在此處添加名稱即可

image_id=a['filename'], # use file name as a unique image id

path=image_path,

width=width, height=height,

polygons=polygons)

整段代碼在這里。我們復制了資源里的balloon.py文件，并對它做了修改。需要注意的是，這些代碼只適合包含一個類的問題。

此外，你也可以用這個筆記本內容可視化給定圖像上的蒙版。

如果要訓練，運行以下代碼：

## 如果用的是在COCO上預訓練的模型

python3 custom.py train --dataset=/path/to/datasetfolder --weights=coco

## 如果是繼續訓練您之前訓練過的模型

python3 custom.py train --dataset=/path/to/datasetfolder --weights=last

注：用一個GPU訓練10個epoch需要20-30分鐘。

驗證模型

至于模型的權重和偏差是不是正確的，大家可以參考這個筆記本

。里面列出了許多設置，可以作為輔助檢查工具。

實驗結果

如圖所示，模型準確標出了漆面損壞位置。當然，這并不是全部，我們在這個示例里只用了66幅圖，劃痕也比較明顯，所以這個模型的應用性非常有限。如果數據集夠大，我們完全可以期待一個能檢測微小傷痕的模型，當消費者在家里觀察汽車3D圖時，系統能自動標出一些不顯眼的痕跡，避免乘興而去，敗興而歸。

除了檢測車輛劃痕，你認為Mask R-CNN模型還有什么潛在應用呢？