高 杨 杨鲁江 高 平

（浙江中控技术股份有限公司）

目前，目标检测算法有两个研究方向：一是基于手工特征的传统目标检测算法［1］，另一个是基于深度学习的目标检测算法［2］。2012年之前，大多是通过先验知识设计的人工特征进行目标检测研究，随后深度学习技术被应用到目标检测算法中，算法性能较之前有了很大提升。

基于深度学习的目标检测算法利用卷积神经网络提取图像特征，能够学习图像更深层次的特征和语义信息，对图像像素分布进行很好的描述。 因其对于图像特征强大的学习能力，基于深度学习的目标检测算法渐渐取代了传统目标检测算法成为目标检测领域的主流方法。 基于深度学习的目标检测算法主要分为两个研究方向：一是先生成可能包含待检测物体的候选框，然后进行细粒度物体检测的两步式目标检测算法；另一个是直接在网络中提取特征来预测物体分类和位置的一步式目标检测算法。 实际场景的目标检测对检测速度有较高的要求，两步式目标检测算法可以保证不错的检测精度，但不能满足实时需求，因此一般采用一步式目标检测算法进行目标检测。 一步式目标检测算法就是运用回归思想直接在网络中提取特征来预测物体分类和位置，主要包括YOLO系列和SSD系列［3］。 YOLO的提出使得目标检测在工业应用上有了很大的进步，包括巡检机器人、工业零件计数、工业缺陷检测及人脸识别等。

笔者基于YOLOv3［4］设计合适的网络结构，比较Darknet-19和Darknet-53，提取各自的优点组合成更好的特征提取网络，加强目标提取能力。……