基于飞桨复现语义分割网络HRNet，实现瓷砖缺陷检测

点击左上方蓝字关注我们

【飞桨开发者说】路星奎，沈阳化工大学信息工程学院研究生在读，PPDE飞桨开发者技术专家，研究方向为图像分类、目标检测、图像分割等

内容简介

本项目讲述了HRNet网络结构，并尝试使用PaddleSeg中HRNet网络实现瓷砖缺陷检测

PaddleSeg GitHub：

https://github.com/PaddlePaddle/PaddleSeg

本文包含以下4部分内容：

• PaddleSeg介绍

• HRNet网络分析

• 基于PaddleSeg使用HRNet网络进行瓷砖缺陷检测

 

PaddleSeg介绍

 

PaddleSeg是基于PaddlePaddle开发的图像分割开发套件，覆盖了DeepLabv3+、U-Net、ICNet、PSPNet、HRNet、Fast-SCNN等主流分割网络。通过模块化的设计，以配置化方式驱动模型组合，帮助开发者更便捷地完成从训练到部署的全流程图像分割应用。

PaddleSeg产品特点：

1. 丰富的数据增强：基于百度视觉技术部的实际业务经验，内置10+种数据增强策略，可结合实际业务场景进行定制组合，提升模型泛化能力和鲁棒性。

2. 模块化设计：支持DeepLabv3+、U-Net、ICNet、PSPNet、HRNet、Fast-SCNN六种主流分割网络，结合预训练模型和可调节的骨干网络，满足不同性能和精度的要求；选择不同的损失函数如Dice Loss, Lovasz Loss等方式可以强化小目标和不均衡样本场景下的分割精度。

3. 高性能：PaddleSeg支持多进程I/O、多卡并行等训练加速策略，结合飞桨核心框架的显存优化功能，可大幅度减少分割模型的显存开销，让开发者更低成本、更高效地完成图像分割训练。

4. 工业级部署：全面提供服务端和移动端的工业级部署能力，依托飞桨高性能推理引擎和高性能图像处理实现，开发者可以轻松完成高性能的分割模型部署和集成。通过Paddle-Lite，可以在移动设备或者嵌入式设备上完成轻量级、高性能的人像分割模型部署。

5. 产业实践案例：PaddleSeg提供丰富地产业实践案例，如人像分割、工业表计检测、遥感分割、人体解析，工业质检等产业实践案例，助力开发者更便捷地落地图像分割技术。

HRNet网络分析

论文名称：

High-Resolution Representations for Labeling Pixels and Regions

下载地址：

https://arxiv.org/pdf/1904.04514.pdf

网络整体结构：

如上图所示HRNet有四个并行的分支，包含三次下采样过程。值得注意的是，上图中的输入是以原始输入的1/4开始的，即先经历了2次步长为2的3×3卷积。

HRNet网络结构特点：

• 始终保持高分辨率表征

从网络整体结构可以看出，每次产生低分辨率特征图之后，原有的高分辨特征还会参与到后续的卷积过程，因此产生了并行的不同分辨率的特征图。

• 残差单元

图中的直箭头代表残差单元，残差单元由4个残差卷积（1×1、3×3、1×1）构成。