陈 静，毛莺池*，陈 豪，王龙宝，王子成

（1.河海大学计算机与信息学院，南京 211100；2.华能澜沧江水电股份有限公司，昆明 650214；3.中国电建集团昆明勘测设计研究院有限公司，昆明 650051）

0 引言

我国是世界上建成大坝最多的国家，其中95%的大坝建龄在30年以上（http：//www.thepaper.cn/newsDetailforward_1858088）。大坝的日益老化与环境、灾害等因素的影响导致了缺陷的形成，大坝的安全性逐渐降低［1］。定期巡检是维护大坝工程安全的重要措施，现有的巡检方法主要为人工目视检查［2］，随着大坝建龄的增加和不断叠加的环境影响，人工巡检的工作量与难度逐渐增大，研发自动化巡检设备［3］是提高大坝安全运维效率的重要举措。本文以某水电站各类表观缺陷图像为实验数据集，提出可变形卷积单步多框检测器进行大坝缺陷检测，辅助巡检人员完成大坝缺陷识别。

目标检测［4］的基本框架基于检测流程的区别可以分为两个分支：one stage系列算法和two stage系列算法。two stage算法如基于区域卷积神经网络（Region-based Fully Convolutional Network，R-FCN）［5］、快速区域卷积神经网络（Fast Regionbased Convolutional Neural Network，Fast R-CNN）［6］、基于区域的更快卷积神经网络（Faster Region-based Convolutional Neural Network，Faster R-CNN）［7］，由于two stage算法细致的候选框提取和分类回归流程，在目标检测的精度上有很大的优势。one stage的开篇算法YOLO（You Only Look Once）［8］于2016年紧接Faster R-CNN提出，将原先two stage框架生成预选框和预测阶段合二为一，直接在特征图上利用卷积层进行候选框的提取和目标的检测，极大提升了目标检测的速度。YOLOv2［9］和YOLOv3［10］算法更是在速度方面作出了极大的改进。单点多盒检测器（Single Shot MultiBox Detector，SSD）［11］作为one stage的另一经典算法，承接了YOLO的单阶段检测框架，弥补了YOLO算法检测小物体时精度的不足，提出了采用多尺度特征图进行检测，同时借鉴了Faster R-CNN中采用锚点机制提取候选框，这种方式对于低分辨率的图像和尺寸较小的目标同样能达到较高的检测精度。……