Page 103 - 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

（1）基于锚框机制的缺陷检测算法
视觉检测算法的发展过程中，锚框机制起着重要的作用。锚框的主要思想是
在模型训练前预先设置多个不同尺寸的矩形框，以尽可能地涵盖目标所在的所有

区域，训练时不断地对锚框的位置和大小进行调整，最后通过 NMS 等方法输出
最符合要求的预测边界框。基于锚框机制的缺陷检测算法可分为：单阶段检测网
络和两阶段检测网络。
① FasterR-CNN。FasterR-CNN 是在 FastR-CNN 的基础上提出的改进算法，

其最大的优点在于引入了区域生成网络（Region Proposal Network，RPN）的概
念，来代替 SelectiveSearch（选择性搜索方法）产生候选区域。RPN 的核心思想
是通过构建一个小的全卷积网络，对于任意大小的图片，输出 ROI 的具体位置
以及该 ROI 是否为目标物体。使用 RPN 产生 ROI 的好处是可以与检测网络共享

卷积层。
Chen等人采用可变形卷积优化FasterR-CNN算法特征提取网络的卷积方式，
并在 RPN 网络结构中引入特征金字塔网络（Feature Pyramid Networks，FPN），
以捕获铝合金表面不同尺度和形状的缺陷。Jin 等人在 FasterR-CNN 的输入层

之前增加一层拉普拉斯卷积层，锐化玻璃缺陷图像以其突出纹理特征，并采用
VGG16 作为骨干特征提取网络，调整了 anchor 尺寸，提高了训练和检测速度，
通过迁移学习增强了模型的可泛化性。Ni 等采用 Inception-ResNet-V2 网络作为
FasterR-CNN 的特征提取网络，Inception-ResNet-V2 网络融合了 Inception 网络结

构和 ResNet 网络结构，是对 InceptionV4 的优化和改进，改进后的模型能够有效
识别输电线路关键部件的缺陷。
② YOLO。从 R-CNN 到 FasterR-CNN 都是采用“位置 + 分类”的思想，检
测精度逐渐提高，但速度比较慢。YOLO 系列则提供了另一种思路：把物体检测

问题看做回归问题，直接在输出层回归 BoundingBox（包含某个目标的矩形框）
的位置和所属类别，大大地提升了检测速度，但其检测精度上对比 FasterR-CNN
第二阶段算法稍弱。YOLO 系列算法先后经过 YOLO、YOLOv2、YOLOv3、
YOLOv4 算法，已经发展到 YOLOv5 算 法。Xu 等人采用 DenseNet 来替代

YOLOv3 网络 DarkNet53 的部分残差单元，并将检测尺度增加到四个，以提升特
征信息的提取能力。Fan 等人提出了一种基于 YOLOv4 的苹果缺陷实时检测方法，
采用通道剪枝和层剪枝的方法优化 YOLOv4 网络，使其满足实时检测的要求。

95