Page 108 - 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

Transformer 的算法作为后起之秀，摈弃了各种卷积运算提取特征，在全局上下
文建模方面具有更强的表达能力，但训练成本较大，SwinTransformer 算法的出
现使得 Transformer 未来替代 CNN 成为可能。

3. 缺陷检测算法的优化
缺陷检测任务中缺陷对象往往存在缺陷对象与背景差异小，图像对比度低、
缺陷尺寸变化大且存在极小极长等极端尺寸等属性，在应用缺陷检测算法时需根
据检测对象特征优化网络，提升对缺陷对象的检测能力。常用的两种优化方式是：

优化卷积方式和嵌入注意力机制。
（1）优化卷积方式
卷积是深度神经网络最重要的组成部分，深度神经网络模型之所以具有强大
的特征学习能力是因为大量卷积运算的使用。目前已经发展出不同类型的卷积方

式，缺陷检测中常用的卷积方式包括深度可分离卷积、可变形卷积等。
①深度可分离卷积（Depthwise Separable Convolution）。深度可分离卷积是
MobileNet 系列网络的精髓，其将普通卷积拆分成级联的两步运算：逐通道卷积
（Depthwise Convolution）和逐点卷积（Pointwise Convolution），大大降低了参

数量和运算成本。
Wang 等人采用深度可分离卷积来减少 YOLOv5 模型的卷积参数量，提高计
算效率，并加入 CBAM 模块和增加一个小尺寸检测层，增强小缺陷特征提取能力，
用于瓷砖缺陷检测。Ma 等人结合深度可分离卷积核双通道注意机制设计了一种

轻量化卷积块，在保证检测精度的同时，大大降低模型计算复杂度和规模。
②可变形卷积（Deformable Convolution）。可变形卷积是针对卷积核形状
的改进，其通过对卷积核的每个采样点设置偏移量，使得卷积核形状不再局限
于矩形，相当于在不改变卷积采样数量的情况下对卷积核进行不规则伸缩变化，

从而改变感受野的范围。可变形卷积可以看作偏移层和输入特征图先做插值操
作，然后再进行普通卷积运算。Liu 等人提出的缺陷检测模型引入可变形卷积
对 FasterCNN 进行改进，并通过一个平衡的特征金字塔融合不同分辨尺度的特
征映射以增强特征。Zhu 等人以 FasterR-CNN 为基础，设计了基于可变形卷积的

ResNeSt 网络作为骨干网络。不同的卷积结构功能不同，但其本质上都是用于提
取目标图像特征。总体而言，网络设计过程中对卷积方式的改进基于两个方向的
考量：一是从 kernelsize 角度改进，大卷积核用多个小卷积核或两个不对称卷积

100