Page 107 - 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

集合预测，即模型预测结果为一个包含了所有目标对象的无序集合。其中，编码
器 - 解码器结构使用多头自注意力模块充分考虑全局图像上下文信息，以提取更
有效的目标特征。Xu 等人验证了 DETR 算法在复杂航空图像中的绝缘子缺陷检

测的有效性，DETR 算法在和 CascadeR-CNN、YOLOv5 的对比实验中获得最佳
平均精度且检测速度较优。张乃雪等人结合 Smooth-L1 和 GIoU 损失函数设计了
Smooth-DETR 缺陷检测算法，用于小尺寸缺陷检测。
SwinTransformer 算法是一种基于 Transformer 框架的检测算法，其核心是

采用层级式结构移动窗口进行特征提取，使得特征具有多尺度的概念。Gao 等
人在 SwinTransformer 的基础上提出了改进结构 Cas-VSwinTransformer 用于轧
辊表面缺陷检测。该改进算法提出了一种新的窗口移动方案，加强了窗口之
间的特征转移，能有效地聚合特征。Xie 等人采用基于交叉窗口的 MSA 来代

替 SwinTransformer 算法的 SW-MSA 以增强窗口的全局建模能力，并设计了
一种多尺度聚集块强化语义特征信息，在太阳能电池缺陷检测上获得比基线
SwinTransformer 更优的检测性能。
针对图像背景干扰大、缺陷规模变化大、缺陷类别容易混淆、小缺陷检测

结果差的工业场景，Guo 等人结合 Transformer 和 YOLOv5 设计了 MSFT-YOLO
单级检测模型。该模型基于 Transformer 设计了 TRANS 模块，将其添加到
YOLOv5 的原始主干和颈部，并集成了加权的双向特征金字塔网络用于不同尺度
的特征信息融合，在 NEU-DET 带钢缺陷数据集上得到验证。

综上，可以总结出缺陷检测算法的种类繁多，作为目标检测的一大分支，
目标检测领域的相关算法均使用于缺陷检测领域，但因缺陷的极端尺寸，应用时
需根据检测对象缺陷特点进行优化，比如提升对小缺陷目标的检测能力。不同缺
陷对象对不同检测算法适配能力不同，故可以比较在通用数据集上的算法性能

来初步评估。适用于缺陷检测的算法性能比较可以看出，基于无锚机制的检测
算法在检测精度上明显比锚框机制要高。最新的 ObjectBox 中心检测算法在 MS-
COCO2017 测试集上仅需 30M 参数量就实现了 46.1% 的检测精度。Transformer
结构在视觉检测任务上亦是取得了巨大的成功，从第一个 Transformer 目标检测
算法 DETR 需要训练 500 个 epochs 才能达到 42% 的检测精度，到最新的仅需 50

个 epochs 就能实现更优的检测性能。
Anchor-free 检测算法较 Anchor-based 算法检测精度更高，速度更快。基于

99