高钦泉，黄炳城，刘文哲，童 同*

（1.福州大学物理与信息工程学院，福州 350116；2.福建省医疗器械与医药技术重点实验室（福州大学），福州 350116；3.福建帝视信息科技有限公司，福州 350001）

0 引言

目标检测一直是计算机视觉中的经典问题，包含图像分类和目标定位两个任务，在人脸识别、自动驾驶、工业检测等领域有着广泛的应用。随着深度学习的发展，许多基于卷积神经网络（Convolutional Neural Network，CNN）的目标检测性能得到进一步的提升。目前基于CNN 的目标检测主要分为两种：1）二阶段目标检测，利用候选区域生成阶段生成一组候选目标检测框，然后利用CNN 对候选区域的特征进行分类和位置回归，典型代表为区域卷积神经网络（Region-Convolutional Neural Network，R-CNN）系列［1-3］；2）单阶段目标检测，它们取消了生成候选区域阶段，直接利用CNN 来预测边界框，典型代表为SSD（Single Shot multibox Detector）系列［4-5］、YOLO（You Only Look Once）系列［6-8］。

本文所依托的骨干网络CenterNet［9］将需要成对关键点的问题简化成中心关键点的估计问题，由于CenterNet 只通过提取目标的中心点且不需要对中心点进行后处理，极大地加快了算法的整体速度。基于关键点的目标检测中，大大减少了计算量，降低了基于anchor-based所导致的大量正负样本不均衡，减少了大量超参数设计。基于关键点的目标检测以其简洁、高效率的优点将一阶段目标检测推向另一高度。一般来说，二阶段检测器具有比单阶段检测器精度更高的优势，而单阶段检测器比二阶段检测器在时间和效率更具优势。

目前，国内已有一些针对竹条表面缺陷检测的研究。贺峰等［10］提出了一种基于小波多尺度分解的方法实现竹条六种缺陷的检测。……