Page 101 - 城镇燃气管道检测与评估技术规程

第二章 管道智能检测研究

除了上述列举的分类算法，决策树、随机森林、生成对抗网络等也是被广泛
使用的分类算法。传统的机器视觉分类算法，大体可以分为有监督学习和无监督
学习两个方面，其评判标准是训练样本是否有标签。聚类算法属于无监督学习的

一种，KNN、SVM 则归属于有监督学习。
（三）基于深度学习的物体表面缺陷检测方法
基于深度学习的物体表面缺陷检测方法是一种端对端的检测方案，由卷积神
经网络自主学习提取缺陷特征，其较人为设计规则提取特征更能准确地表述和理

解缺陷信息，检测更为精准。本节主要总结在缺陷检测任务中常用的经典神经网
络结构以及缺陷检测算法，并介绍了两种常用的缺陷检测算法优化方式。
1. 经典神经网络结构
由于 CNN 强大的特征提取能力，使其成为构成神经网络的基本单元。一个

简易的分类神经网络一般包括：用于特征提取的级联卷积层和池化层、用于分类
的全连接层和 softmax 层。真实缺陷检测项目中，通常根据实际问题搭建简易的
网络结构或是使用现有的一些网络架构作为骨干特征提取网络。现总结一些缺陷
检测任务中常用的神经网络结构。

（1）VGGNet 网络
VGGNet 是牛津大学的视觉几何组于 2014 年提出的模型，其主要的创新点
在于不断使用 3×3 的卷积核和 2×2 的池化核来加深神经网络模型的深度，并巧
妙地设计，让参数量主要集中在全连接层上，避免了网络深度的增长导致的参
数量上的爆炸，使得模型具有更好地模型泛化能力和更小的分类错误。VGGNet

设计了一系列模型，其网络深度从 11 层到 19 层不等，比较常用的是 VGG16
和 VGG19。Zhu 等人对 VGG16 网络稍加改进，减去一层全连接层，并采用
ReLU 函数作为激活函数，验证了其在水泥混凝土桥梁表面缺陷的检测性能。

Apostolopoulos 等人在基线 VGG19 的基础上提出了改进的多路径特征提取方法，
引入了多尺度特征融合的概念，并在五个公开可用的工业数据集上证明了多路径
提取策略以及改进算法的有效性。
（2）GoogLeNet 网络

GoogLeNet 是谷歌公司于 2014 年提出的深度神经网络结构，并在当年的
ImageNet 比赛上取得了冠军。一般来说，提升神经网络模型性能最直接的方法是
增加网络的深度和宽度，但这意味着巨量的参数量，而巨量的参数则容易产生过

93