Page 106 - 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

该系列网络充分利用空洞卷积的方式，获得更大的感受野和更多的语义特征信息。
Zhou 等人提出了基于 DeepLabv3+ 的算法模型用于下水道缺陷检测和严重程度量
化评估，并在此基础进一步研究了不同骨干提取网络对模型检测精度和速度的影

响，研究结果表明，带有 Resnet-50 骨干网的 DeepLabv3+ 模型在多类下水道缺
陷分割上性能较好。
② U-Net。U-Net 网络由编码器和解码器组成的 U 型架构，其编码器用于捕
获上下文信息，解码器则用于目标位置的精确定位。U-Net 通过编码器和解码器

之间的拼接操作，实现了浅层特征和高级特征的特征融合。Wang 等人基于 U-Net
体系架构设计了多尺度分割网络用于地铁隧道图像缺陷检测，其将 U-Net 架构中
的所有卷积块替换为 Inception 块，扩大了网络的感受野，增加了多尺度检测能力，
并结合了 Deeplab-v2 中的无向空间金字塔池化模块（ASPP），减轻过拟合问题，
得到更精确的结果。Miao 等人提出了一种组合的 SE-ResNet 方法用于改进 U-Net

模型，替换了将原有 U-net 模型中所有的卷积块用 SE-ResNet 块来替代，该模型
可以适应隧道表面的纹理图案噪声和不均匀光源干扰。
③ MaskR-CNN。MaskR-CNN 是 FasterRCNN 的扩展，对于 FasterRCNN 生

成的每个 ProposalBox 都要使用 FCN 进行语义分割。该算法的 Backbone 部分
增加了 FPN 结构，增强了模型的多尺度特征提取能力，可实现像素级的图像实
例分割。但其在检测速度上和 FasterRCNN 一样，不能很好地满足实时检测的
要求。Xu 等人在 MASKR-CNN 的基础上增加了一个路径增强特征金字塔网络

（PAFPN），并在网络的末端增加一个边缘检测分支，验证了其在隧道缺陷检测
和分割中的鲁棒性和准确性。
（4）基于 Transformer 框架的端到端缺陷检测算法
Transformer 是一种最新发展的神经网络结构，其在自然语言处理和计算机

视觉领域均取得重大进展，真正做到完全端到端检测。Transformer 结构由多个
编码器和解码器构成，编码器和解码器基于多头注意力设计来取代各种卷积运算
捕获全局的上下文信息，从而有效提取特征。Transformer 模型在各种视觉任务
上表现出竞争性的性能，能满足工业缺陷检测的实时性和精度要求。

DETR 算法是 Carion 等人于 2020 年提出的第一个基于 Transformer 框架的
目标检测算法，消除了锚点生成和非极大值抑制组件。DETR 通过卷积神经网络
提取特征，结合二分匹配和 Transformer 的编码器 - 解码器体系结构实现图像到

98