Page 111 - 城镇燃气管道检测与评估技术规程
P. 111
第二章 管道智能检测研究
学习方法在模型学习训练过程中出现过拟合问题，难以上线。解决小样本问题的
基本思路有两种：一是增加样本；二是减少算法对样本的依赖。
（1）数据增强技术
数据增强的核心思想就是增加样本数量，扩充数据集，也就是对原始缺陷样
本采用翻转、旋转、平移、缩放、裁剪等几何变换方法和加高斯噪声、加椒盐噪
声、调整对比度等像素变换方法来获得更多的样本。YOLOv5 模型在其输入端采
用了 Mosaic 数据增强技术，即采用随机缩放、随机裁剪、随机排布的方式对 4
张原始图像进行拼接，极大地丰富了检测数据集。
（2）网络预训练或迁移学习
迁移学习（transferlearning）指的是借用已经训练好的模型，包括其本身架
构以及每层上的权重信息来构建新架构，也叫做预训练。迁移学习是解决小样本
问题的关键技术之一，其目的是降低数据需求，减少算法对样本的依赖。
（3）小目标问题
物体表面缺陷检测面临的另一个挑战是小目标问题。解决这一问题最常用的
手段是引入特征金字塔结构，将不同阶段的特征图融合，充分利用浅层特征适合
小目标检测的特点，提高多尺度检测能力。增加数据集中小目标样本的类型和数
量也是解决小目标问题的重要途径之一。
物体表面缺陷检测是工业自动化生产不可或缺的一个环节，研究物体表面缺
陷检测技术具有很强的现实意义。本部分内容总结了近几年国内外基于机器视觉
的物体表面缺陷检测技术的研究进展以及最新的目标检测算法的发展，从特征提
取和分类算法的角度简要地评析了传统的机器视觉方法，之后对深度学习方法做
了重点概述，总结了近几年发展的深度学习缺陷检测算法，阐述了几种卷积方式
原理，详细介绍了用以提升网络性能的视觉注意力机制，最后阐述了缺陷检测领
域面临的一些关键性问题。
103
