Page 109 - 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

核替代；单一尺寸卷积核用多尺寸卷积核来替代；固定形状卷积核引入可变形卷
积来替代；添加 1×1 卷积；二是从 channels 角度，引入分组卷积替代普通卷积；
引入深度可分离卷积；对每个 featuremap 基于通道加权。

（2）嵌入注意力机制
注意力机制（Attention Mechanism）起源于人类的视觉注意力机制，已经成
为神经网络的一个重要概念。注意力机制，其本质是一组权重系数，由神经网络
自主学习产生，以“动态加权”的方式强调需要重点关注的目标区域同时抑制不

相关的背景区域。根据注意力机制的作用域不同，也就是注意力权重施加的位置
和方式的不同，注意力机制可分为通道注意力机制、空间注意力机制和混合注意
力机制。缺陷检测项目中，注意力机制常被用来改进神经网络模型，以达到提升
检测精度的目的。

① SENet。SENet 模块属于通道注意力机制的一种。其目的是通过显示地建
模来表征不同特征通道之间的依赖关系，具体来说，就是通过网络自主学习以获
得每个特征通道的相对重要程度，然后通过分配不同的权重提升有用的重要特征
并抑制与当前任务相关性不大的特征信息。

He 等人设计了一种结合 SE 模块和空间注意力 SAM 模块的联合注意层，
并将其嵌入生成对抗网络（GAN）用于高速磁浮轨道缺陷检测。Zheng 等人在
YOLOv5 的骨干网络上嵌入了 SE 模块，并将 YOLOv5 的 CSP 部分 LeakyReLU
激活函数替换为 ACON 激活函数，提升了模型的鲁棒性和泛化能力，检测精度

更高，能够满足织物疵点检测的需求。
② ECANet。ECANet 是在 SENet 的基础上改进的通道注意力机制，利用一
维的稀疏卷积操作优化 SE 模块中涉及的全连接层操作，采取不降维的局部跨信
道交互策略，一维卷积的 kernelsize 选择采用自适应方法，实现了性能上的提优。

Li 等人提出的两阶段工业缺陷检测框架，第一阶段采用改进的 YOLOv5 算法，
对骨干特征提取网络优化删减并插入 ECANet 模块，提取可疑的缺陷区域，完成
钢材表面缺陷的精确定位。Xikun 等人结合 ECA 模块和 MobileNetV2 的轻量级
特性设计了一种轻量级的局部跨通道交互特征提取网络，并将其作为 YOLOv4

的骨干网络，显著提高了模型的检测精度。Ying 等人将 ECANet 模块分别嵌入
进 YOLOv5 模型的骨干网络和 PAN 结构特征融合部分，验证了其对检测性能的
提升效果。

101