Page 105 - 城镇燃气管道检测与评估技术规程
P. 105
第二章 管道智能检测研究
Tian 等人提出了改进的无锚检测器 DCC-CenterNet，用于钢表面缺陷检测。
其在 CenterNet 的基础上引入扩张卷积增大感受野，以达到检测多尺度的目的，
并提出了一种新的中心度函数，使关键点估计更加精确。Liu 等人结合知识蒸馏
提出了 D-CenterNet 无锚检测器，使用一种自适应标签编码策略来优化极端纵横
比缺陷的中心信息回归，并引入条带池化（StripPooling）以更有效地提取缺陷
特征，在阿里云天池织物缺陷数据集上取得了优越的性能。Liu 等人在 CenterNet
的框架上嵌入 CBAM 注意力模块，并采用特征金字塔网络增强缺陷特征信息，
其还引入了可变形卷积来代替部分普通卷积以提高对不同形状缺陷的检测能力，
应用于卷烟外观缺陷检测。
② FCOS。2019 年，Zhi 等人采用逐像素预测的方式设计了 FCOS 无锚检测
算法。FCOS 算法使用物体的所有内部点来预测边界框，并且采用 FPN 多级预
测结构来解决低召回率以及由真实边界框重叠造成的模糊样本问题。研究者还
增加了“center-ness”分支策略来抑制由远离目标中心的位置预测而得的低质量
检测边界框。与之前的主流检测器相比，FCOS 性能更优，且设计复杂性要低
得多。
Shi 等人验证了无锚检测算法 FCOS 在极端尺寸缺陷上的检测性能，提出了
一种自适应中心采样方法改进原始 FCOS 算法的“center-ness”策略，优化了模
型对细长缺陷的检测，并根据缺陷特征优化正则化方法和损失函数，显著提高
了网络对细长缺陷和微缺陷的检测性能。Yu 等人在 FCOS 无锚检测框架上添加
通道注意机制（CAM）模块来减少特征信息的损失，并采用双向特征融合网络
（BFFN）有效融合图像特征，在 NEU-DET 带钢缺陷数据集上获得更好的检测
精度。无锚检测算法是近些年发展起来的目标检测算法，在缺陷检测领域也得到
了很好的验证。除了上述提到的两种算法，CornerNet、CentripetalNet 以及最新
的 ObjectBox 亦适用于缺陷检测，使用时需针对缺陷对象特征进行优化。
（3）基于分割思想的缺陷检测算法
分割网络则是将缺陷检测任务转换为语义分割任务和实例分割任务，旨在划
分出缺陷区域和非缺陷区域，给出缺陷的位置、类别以及几何属性。分割网络充
分利用图像的全局语义特征信息，完成图像的分割任务，常见的语义分割网络有
DeepLab、U-Net 等，实例分割网络则是以 MaskR-CNN 为代表。
① DeepLab 系列。DeepLab 系列模型是专门用于处理语义分割的网络模型，
97
