彭大芹，刘 恒,2，许国良

(1.重庆邮电大学 电子信息与网络工程研究院，重庆 400065;2.重庆邮电大学 通信与信息工程学院，重庆 400065)

0 前 言

目标分割是计算机视觉领域中一项重要的技术，在实际生活中和工业生产中广泛应用，诸如自动驾驶系统中对路面上行人和马路的分割，在缺陷检测系统中对工业生产中出现的各类表面缺陷的检测。然而，由于现有技术在速度和精度上达不到工业生产的需求，目标分割技术在工业生产线上应用水平目前还处于比较不充分的层次。以液晶面板的缺陷检测为例，目前针对液晶面板的检测仍部分依赖于有专业经验的工人靠肉眼观察，受人工检测中主观和客观方面条件的限制，很难实现高效、精准和稳定的液晶面板缺陷检测。传统机器视觉的方法受限于其手工提取特征的方式，往往仅能在特定的几种缺陷场景下发挥良好性能，对于新型缺陷缺乏良好的自适应性和泛化性能，此外，也有研究者[1]使用数据场和水平集的方法进行图像分割，但仍然局限于这些特征的低效性。近年来随着深度学习在机器视觉领域的应用，催生了一大批在目标检测领域的成功案例，文献[2]中使用YOLO算法对车牌进行自动识别。YOLO系列[3-4]算法是J. Redmon等于2016年提出的单阶段目标检测网络，该网络将对各个目标的分类和对位置坐标的回归同时输出，极大地提高了目标检测的速度，但是由于输入的锚框误差被直接传导至输出层，其检测精度比相较于R-CNN系列[5-7]的两阶段网络有一定的差距。……