Page 102 - 城镇燃气管道检测与评估技术规程
P. 102
Technical Regulations for Urban Gas Pipeline Detection and Evaluation
城镇燃气管道检测与评估技术规程
拟合且大大增加了计算量。所以 GoogLeNet 的作者们认为必须使得网络架构走
向“稀疏化”，才能达到更深的层次。该算法的核心思想在于用“局部”的密集
结构来近似最优的稀疏化结构，即 Inception 模块，故 GoogLeNet 又称 Inception
网络。目前存在四个版本的 Inception 网络，分别为 InceptionV1、InceptionV2、
InceptionV3 和 InceptionV4。王理顺等人综合其他分类模型的经典思想优化改进
GoogLeNet 网络架构，设计了满足实际工业需求的织物缺陷分类模型。Gong 等
人利用 Inception-v3 网络强大的特征提取能力从小金属圆柱壳缺陷图像提取特征，
并在逻辑回归分类器进行训练，建立检测模型。
（3）ResNet 网络
在继 VGG 和 GoogLeNet 的创新之后，研究人员在实际训练中发现单纯地加
深网络层次其实并不能带来模型性能上的提升，这是因为随着网络的不断加深，
可能存在梯度“爆炸”（Exploding）或者“消失”（Vanishing）的现象。何凯明
等为解决这一问题提出了残差网络结构（ResidualNetwork，ResNet），能够大幅
度提升网络层次。Yang 等人使用 ResNet101 网络替代原 SSD 算法的 VGG16 网
络部分作为特征提取网络，用于实木面板表面缺陷检测，实验结果表明，ResNet
和 SSD 算法的结合检测的缺陷更小，准确率更高。Wu 等人在 ResNet 的基础上
提出了一种用于小目标检测的多尺度检测方法——Multi-ScaleResNets，该模型引
入了特征金字塔网络（FPN）实现了多尺度目标提取，并将其应用于金相缺陷分析。
Singh 等人采用 ResNet-101 网络用于特征提取，并结合多类支持向量机（SVM）
作为分类器，在圆锥滚子表面缺陷上验证了该方法的有效性。
研究者们对分类网络的研究经历了由浅层到深层，再由巨量级到轻量级的发
展。增加深度和宽度都是通过增加可学习参数的个数，来达到增加神经网络的拟
合能力的目的。网络深度的加深可以获得更大的感受野以捕获更多像素点的类似
特征，网络宽度的增加则可以得到更丰富、更细粒度的特征。
2. 缺陷检测算法
在缺陷检测任务中，通常需要对输入图像采样大量区域，然后通过神经网络
提取特征来判断采样区域是否包含感兴趣的目标，并不断调整区域范围以更准确
地预测目标的真实边界框。故按区域采样的方式不同，缺陷检测算法可以分为：
基于锚框机制的模型、基于关键点采样的模型、基于分割思想的模型以及基于
Transformer 框架的端到端缺陷检测模型。
94
