一种高效的车体表面损伤检测分割算法

车体表面损伤检测是计算机视觉中的经典问题。车体表面损伤检测的主要瓶颈在于图像中损伤实例的不同尺度影响了分割的精度与效率。本文采用单阶段语义分割网络（YOLACT⁺⁺）进行车体表面的损伤检测,通过结合EfficientNet设计主干网络提高分割效率,并通过改进损失函数优化YOLACT⁺⁺中目标实例Mask的生成,实验中用深度学习标注实验数据集进行训练测试。实验表明,改进后的YOLACT⁺⁺降低了Mask生成误差,检测的实时帧率提高到35帧/s,同时也提高了YOLACT⁺⁺进行实例分割的精度。