Page 110 - 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

③ CBAM。CBAM 是一种属于混合注意力机制的典型应用，它同时包含
了通道注意力和空间注意力的优点。CBAM 的实现先后经过两个独立阶段：通
道注意力模块（Channel Attention Module）和空间注意力模块（Spatial Attentio
nModule）。Guo 等人设计了一种新的非对称卷积块，在 YOLOv4 骨干网络 CSP

化的基础上，对每个阶段残差块的 3*3 卷积加入非对称卷积，增强了竹条表面水
平方向的特征提取。该算法还对颈部网络 CSP 化，并加入 CBAM 模块，去掉了
功能重复的 SPP 层，充分使用了更丰富的高级特征语义信息。Li 等人提出的两

阶段工业缺陷检测框架，第二阶段采用优化的 Inception-ResnetV2 模型，该架构
是 Inception 和 Resnet 网络主干架构的结合体，并嵌入 CBAM 模块，实现钢材缺
陷特征的精确分类。
注意力机制模块均属于即插即用的模块，可以嵌入网络的任意位置，以达到

增强模型检测能力的目的。注意力模块不大，可以多个嵌入。实际研究中，可以
测试注意力模块嵌入进网络不同位置对网络性能的影响，以及测试不同注意力模
块对网络性能的提升效果，选择合适的方案。
（四）主要问题与发展趋势

基于深度学习的缺陷检测方法是未来缺陷检测领域的主要发展方向。尽管目
前目标检测算法已经取得了很大的进展，但在实际生产工程中，缺陷检测算法的
部署仍然面临着诸多挑战，存在着许多问题亟待解决。
1. 实时性问题

实时性是工业生产工程中反映检测效率的关键因素，在许多诸如在线检测等
场景，实时性始终处在一个极其重要的位置。故如何高效权衡检测速度与精度是
一个亟待解决的关键问题。模型加速技术是解决实时性问题的重要改进方向。算
法层面上，模型设计之初可以采用一些轻量化的思想，如采用分组卷积、深度可

分离卷积等轻量卷积方式，减少卷积过程的计算量，或者直接采用轻量级网络模
型用于特征提取，如 MobileNet、SqueezeNet、ShuffleNet 和 EfficientNet 等。硬
件层面上，使用 GPU、FPGA、DSP 等加速芯片进行模型加速。
2. 小样本问题

小样本问题始终是限制深度学习方法在缺陷检测领域得到广泛应用的最关键
性问题。深度学习方法有着非常强的性能优势，其强大的学习能力需要大量的数
据样本来保证。但在真实的工业项目中，所能提供的缺陷样本太少，这导致深度

102