林少丹，冯 晨，陈志德，朱可欣

（1.福建船政交通职业学院信息与智慧交通学院，福州350007；2.福建师范大学数学与信息学院，福州350007；3.台湾中山大学资讯工程系，高雄80424）

引 言

车体表面损伤检测可以用于车辆损害评估。传统车辆修复主要依赖于人工识别，在面对车辆轻微的划痕、裂缝或部分形变等车体表面的损伤时，完整检测的难度较大、效率较低。本文研究一种更为高效的车体表面损伤检测分割算法，能够大量应用到汽车车体表面美容、维修、车辆保养和车辆鉴定等涉及车体表面检测与识别方面的应用。

在物体目标图像识别领域，基于卷积神经网络的目标检测已经超越传统目标检测方法，成为当前目标检测的主流方法。单阶段目标检测将提取和检测合二为一，直接得到物体检测的结果，提高算法的效率，如YOLO、SSD等算法。而现有的实例分割算法，如：Fast-RCNN、Mask-RCNN等采用多阶段语义分割网络提高分割精度，但在实际车体表面损伤检测过程中，由于视角、遮挡和姿态等因素导致算法可用性受限。因此设计高准确率、高效率的车体表面损伤检测分割算法具有重大意义。

近年来，随着实例分割算法的不断推出，已有诸多研究将深度学习算法迁移至车辆检测领域中。Chen等［1］使用YOLO的7个卷积层来检测单个类，解决了车牌检测问题，该算法车辆检测的准确率达到约98.22%，车牌识别的准确率达到78%；Hu等［2］通过多任务学习在两个CNN中利用多种判别线索，提出了一种细粒度车辆类型识别的方法，将多个线索进行组合输入到卷积神经网络；……