Page 104 - 城镇燃气管道检测与评估技术规程

Technical Regulations for Urban Gas Pipeline Detection and Evaluation
城镇燃气管道检测与评估技术规程

Yao 等人在 YOLOv5 的基础上增加了小目标检测层，提升了小缺陷检测能力，并
在骨干特征提取网络中嵌入了 SE 注意力模块，实现了猕猴桃缺陷的实时检测。
③ SSD。SSD 算法同时借鉴了 YOLO 网格的思想和 FasterR-CNN 的 anchor

机制，使 SSD 可以在进行快速预测的同时又可以相对准确地获取目标的位置。
SSD 算法中增加了基于特征金字塔的检测方式，其目的是提取多尺度特征来准确
地检测到不同尺度的物体。Yang 等人为解决小目标检测精度低的问题，提出了
基于 SSD 的多尺度检测网络，集成空洞卷积和残差模块，并通过特征融合的方式，

有效地提取多层语义信息。Ding 等人在 SSD 算法上引入 DenseNet 网络用于提取
木材缺陷特征，并融合 DenseNet 网络得到的多层特征图，完成缺陷分类。Zhang
等人在 SSD 算法的骨干网络嵌入了多尺度接收场模块，并采用双向特征金字塔
的思想完成特征融合，结合通道注意力 ECA 模块增强高层语义信息。

单阶段检测网络是基于回归问题的算法，其在检测速度上更具优势；两阶段
检测网络是基于候选区域的算法，则更关注于检测精度。无论是单阶段网络还是
两阶段网络，其对小目标、多目标的检测仍然存在瓶颈，未来的发展趋势都将是
在权衡好检测精度和检测速度同时，提升对小目标、多目标的检测能力。真实工

程项目中理应根据检测对象的特点，选择合适的缺陷检测方案。
（2）基于无锚机制的缺陷检测算法
基于锚框的缺陷检测方法存在着依赖过多人为设计、正负样本不均衡以及对
小目标不友好等问题。故研究人员一直致力于研究去除锚框的检测方法，提出了

基于特定关键点采样和内部点采样的检测思想。
① CenterNet。CenterNet-KeypointTriplets 是 Duan 等人在 CornerNet 基础上
改进的算法，解决了 CornerNet 存在的全局信息缺乏的问题。该算法新增一个中
心关键点，用于探索候选框内中间区域内的信息，即使用两个角点和一个中心关

键点来预测目标边界框。还提出了 centerpooling 和 cascadecornerpooling 方法，
分别用于中心关键点预测和增加角点信息，以获取更加丰富的目标特征信息。
CenterNet-ObjectsasPoints 是 Zhou 等人提出的关键点估计算法，仅建模一个中
心点预测回归目标的其他属性，输出热力图峰值点即为中心关键点。CenterNet-

ObjectsasPoints 的优势之处在于推理过程只有一个前向传播网络，结构简单，无
须对关键点分组和后处理，大大降低了网络的参数量和计算量，缺陷是如果同一
类别不同物体存在中心点高度重叠的情况，则检测结果不理想。

96