基于語(yǔ)義信息距離解耦的變電運(yùn)維多類(lèi)別缺陷圖像檢測(cè)

摘要變電站設(shè)備種類(lèi)繁多、缺陷類(lèi)型復(fù)雜、特征差異大，傳統(tǒng)的基于深度學(xué)習(xí)的缺陷圖像檢測(cè)模型難以同時(shí)有效處理不同設(shè)備的多種缺陷。為此，提出了一種基于語(yǔ)義信息距離解耦的缺陷圖像檢測(cè)模型（sematic-distancebaseddecouplingdetectionmodel，SDB-DDM）。首先對(duì)缺陷類(lèi)別進(jìn)行語(yǔ)義信息聚簇，構(gòu)建解耦式網(wǎng)絡(luò)結(jié)構(gòu)，然后對(duì)網(wǎng)絡(luò)輸出進(jìn)行加權(quán)錨框融合，并在損失函數(shù)中加入局部預(yù)測(cè)損失以提升預(yù)測(cè)能力，同時(shí)提出解耦式非極大值抑制策略以加快模型推理速度。該模型可根據(jù)缺陷類(lèi)別進(jìn)行自適應(yīng)調(diào)整，以適用變電運(yùn)維多類(lèi)別缺陷圖像檢測(cè)的應(yīng)用場(chǎng)景。實(shí)驗(yàn)結(jié)果顯示，該模型的平均精度均值達(dá)到了69.68%。同平臺(tái)下相較于目前性能最佳的目標(biāo)檢測(cè)模型（YOLOX），精度提升了1.36個(gè)百分點(diǎn)，參數(shù)量下降了5%，推理速度提升了34%。01SDB-DDM網(wǎng)絡(luò)模型在充分考慮變電運(yùn)維缺陷檢測(cè)場(chǎng)景特征的基礎(chǔ)上，將缺陷類(lèi)別按照語(yǔ)義信息距離聚集為若干簇，提出基于語(yǔ)義信息距離解耦的缺陷圖像檢測(cè)模型SDB-DDM，使用多個(gè)子網(wǎng)絡(luò)分別檢測(cè)不同簇內(nèi)的缺陷類(lèi)別。SDB-DDM整體架構(gòu)如圖1所示，具體的實(shí)現(xiàn)過(guò)程主要包括以下5個(gè)步驟。圖1

SDB-DDM整體架構(gòu)Fig.1

ArchitectureofSDB-DDM1）構(gòu)建變電運(yùn)維場(chǎng)景下多類(lèi)別缺陷圖像數(shù)據(jù)集，訓(xùn)練跨階段局部連接網(wǎng)絡(luò)（crossstagepartialdarkNet，CSPDarkNet）分類(lèi)網(wǎng)絡(luò)。2）從不同缺陷類(lèi)別中抽取同數(shù)量的缺陷圖像，構(gòu)成評(píng)估集并輸入到訓(xùn)練好的CSPDarkNet中，獲得具有不同網(wǎng)絡(luò)深度的特征圖，并生成對(duì)應(yīng)的空間金字塔池化（spatialpyramidpooling，SPP）向量，在此基礎(chǔ)上構(gòu)建評(píng)估函數(shù)以確定解耦位置，并對(duì)SPP向量聚簇以確定各簇內(nèi)的缺陷類(lèi)別組成。3）根據(jù)解耦位置和聚簇策略，搭建SDB-DDM網(wǎng)絡(luò)，其前端網(wǎng)絡(luò)通過(guò)公共特征提取網(wǎng)絡(luò)對(duì)圖像的淺層信息進(jìn)行篩選，后端網(wǎng)絡(luò)根據(jù)聚簇結(jié)果搭建若干解耦子網(wǎng)絡(luò)負(fù)責(zé)各簇缺陷的特征融合。4）為解決解耦式子網(wǎng)絡(luò)中正負(fù)樣本不均衡的問(wèn)題，對(duì)子網(wǎng)絡(luò)的輸出應(yīng)用加權(quán)錨框融合（weightedanchorfusion，WAF）策略形成全類(lèi)別預(yù)測(cè)向量，并搭配簡(jiǎn)化型最優(yōu)傳輸分配（simplifiedoptimaltransportassignment，SimOTA）策略選取正負(fù)樣本以計(jì)算全局損失。同時(shí)，在損失函數(shù)中加入局部預(yù)測(cè)損失（localpredictionloss，LPL），進(jìn)一步提升子網(wǎng)絡(luò)的預(yù)測(cè)能力。5）在推理過(guò)程中，為了節(jié)約推理時(shí)間，采用解耦式非極大值抑制策略（decouplednonmaximumsuppression，D-NMS）加快邊框抑制以減少計(jì)算量。SDB-DDM的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，網(wǎng)絡(luò)參數(shù)如表1所示。圖2

SDB-DDM網(wǎng)絡(luò)結(jié)構(gòu)Fig.2

StructureofSDB-DDM

表1

SDB-DDM網(wǎng)絡(luò)參數(shù)Table1

ParametersofSDB-DDM公共特征提取網(wǎng)絡(luò)：考慮到變電運(yùn)維場(chǎng)景中不同類(lèi)別缺陷圖像的淺層特征較為相近，基于CSPDarkNet搭建了公共特征提取網(wǎng)絡(luò)，參見(jiàn)圖2。解耦式檢測(cè)網(wǎng)絡(luò)：根據(jù)步驟2）的聚簇結(jié)果，結(jié)合各簇內(nèi)缺陷類(lèi)別數(shù)在總類(lèi)別數(shù)中的占比，將公共特征提取網(wǎng)絡(luò)輸出的特征圖按照通道數(shù)切分為若干子特征圖。將其輸入到解耦式子網(wǎng)絡(luò)中對(duì)特征信息進(jìn)行篩選和融合，并最終輸出尺寸為(80|40|20)×(80|40|20)×1、(80|40|20)×(80|40|20)×4、(80|40|20)×(80|40|20)×C（C為類(lèi)別數(shù)）的簇內(nèi)目標(biāo)置信度、邊框回歸、簇內(nèi)缺陷類(lèi)別預(yù)測(cè)向量，非簇內(nèi)缺陷在該網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中被視為背景。以80×80×?的預(yù)測(cè)向量為例，由于卷積操作的空間不變性，每個(gè)預(yù)測(cè)向量即對(duì)應(yīng)了原圖中尺寸為8×8×3的局部區(qū)域，將其稱為錨框，解耦式子網(wǎng)絡(luò)輸出的目標(biāo)置信度、邊框回歸、簇內(nèi)缺陷類(lèi)別預(yù)測(cè)向量分別表示該錨框包含目標(biāo)的可能性、包含目標(biāo)時(shí)邊框回歸參數(shù)以及目標(biāo)屬于簇內(nèi)各類(lèi)缺陷的概率。

02基于SDB-DDM的變電運(yùn)維場(chǎng)景多類(lèi)別缺陷圖像檢測(cè)2.1

基于語(yǔ)義信息距離的缺陷類(lèi)別聚簇考慮到變電運(yùn)維場(chǎng)景下缺陷種類(lèi)眾多，且不同缺陷類(lèi)別間語(yǔ)義信息距離差異性較大，同類(lèi)設(shè)備上不同缺陷間的語(yǔ)義信息距離顯著小于不同設(shè)備不同缺陷間語(yǔ)義信息距離。本文基于圖像語(yǔ)義信息距離對(duì)變電運(yùn)維場(chǎng)景下缺陷圖像類(lèi)別進(jìn)行聚簇，即將語(yǔ)義信息相近的缺陷類(lèi)別歸為同一組，稱為簇。具體算法步驟如圖3所示。圖3

基于語(yǔ)義信息距離的缺陷類(lèi)別聚簇Fig.3

Clusteringofdefectclassesbaseonsemanticinformationdistance1）按照缺陷類(lèi)別隨機(jī)抽取同數(shù)量的缺陷圖像構(gòu)成評(píng)估集，若單張圖像中有多類(lèi)缺陷可重復(fù)抽取，否則僅可抽取1次，每類(lèi)缺陷的圖像數(shù)量在150~200張為宜。2）將評(píng)估集輸入到前期訓(xùn)練好的CSPDarkNet中，提取具有不同網(wǎng)絡(luò)深度的特征圖，并生成對(duì)應(yīng)的空間金字塔池化SPP向量。SPP向量起初是用于將不同尺寸的特征圖轉(zhuǎn)為固定尺寸的特征向量，而后多用于提取特征圖中的語(yǔ)義信息，弱化或?yàn)V除特征圖中的目標(biāo)尺寸、目標(biāo)位置信息。SPP向量的生成步驟如圖4所示，在輸入尺寸為w×h×c的特征圖后，將其分別輸入到全局最大值池化層和區(qū)域最大值池化層，然后將輸出張量按照通道數(shù)拼接，得到特征圖的SPP向量。圖4

SPP向量生成過(guò)程Fig.4

ProcessofgeneratingSPPvectors3）構(gòu)建評(píng)估指標(biāo)feval以量化不同深度的局部網(wǎng)絡(luò)對(duì)多類(lèi)別缺陷圖像的語(yǔ)義區(qū)分能力，從而選出具有最優(yōu)語(yǔ)義信息區(qū)分能力的公共特征提取網(wǎng)絡(luò)結(jié)構(gòu)。feval的計(jì)算式為式中：為同類(lèi)缺陷所對(duì)應(yīng)SPP向量間的歐幾里得范數(shù)；為異類(lèi)缺陷所對(duì)應(yīng)SPP向量間的歐幾里得范數(shù)；c為缺陷類(lèi)別數(shù)；n為每類(lèi)缺陷對(duì)應(yīng)的圖像數(shù)；i、k為類(lèi)別序號(hào)；j為單類(lèi)缺陷中圖像序號(hào)；Xij為第i類(lèi)缺陷中第j張圖像對(duì)應(yīng)的SPP向量；為第i類(lèi)缺陷對(duì)應(yīng)SPP向量組的中心向量?？紤]到同類(lèi)缺陷的圖像語(yǔ)義信息距離應(yīng)較小，對(duì)于多類(lèi)別缺陷圖像語(yǔ)義區(qū)分能力越強(qiáng)的網(wǎng)絡(luò)，其對(duì)應(yīng)feval的越小。4）確定解耦層后，將層中的SPP向量按缺陷類(lèi)別求均值，得到各類(lèi)缺陷的SPP中心向量。計(jì)算典型SPP向量距離均值作為聚簇閾值。創(chuàng)建空列表，放入第1個(gè)SPP向量，將其作為此列表的初始中心向量。5）依次遍歷剩余SPP中心向量并執(zhí)行后續(xù)操作直到遍歷完成。計(jì)算當(dāng)前SPP中心向量與各個(gè)列表中心向量的距離；若距離低于聚簇閾值，則將其放入符合要求的列表中，并重新計(jì)算列表中SPP中心向量的均值作為新的列表中心向量；若與所有列表中心向量距離均高于閾值，則創(chuàng)建空列表，將此SPP中心向量放入新創(chuàng)建的列表中。6）若出現(xiàn)同時(shí)存在于多個(gè)列表中的SPP中心向量，則計(jì)算此SPP中心向量與其所在各個(gè)列表中心向量的距離，保留計(jì)算結(jié)果最小的列表內(nèi)的SPP中心向量，其余列表中的重復(fù)向量均舍去。若不存在上述情況，此步跳過(guò)。執(zhí)行完上述步驟后，同一個(gè)列表中的SPP向量對(duì)應(yīng)的缺陷類(lèi)別歸為一簇，列表數(shù)即聚簇?cái)?shù)。2.2

閉合式訓(xùn)練策略根據(jù)聚簇結(jié)果，按照?qǐng)D2所示的方式完成解耦式檢測(cè)網(wǎng)絡(luò)的搭建。其中，各個(gè)解耦式子網(wǎng)絡(luò)將輸出每個(gè)預(yù)測(cè)向量所對(duì)應(yīng)的錨框中包含目標(biāo)的置信度、邊框回歸以及目標(biāo)歸屬于簇內(nèi)各個(gè)缺陷的概率。實(shí)測(cè)中發(fā)現(xiàn)，由于后端網(wǎng)絡(luò)的解耦，分配給各個(gè)子網(wǎng)絡(luò)檢測(cè)的目標(biāo)非常稀少，造成了正負(fù)樣本的嚴(yán)重失衡，影響了模型的檢測(cè)精度。因此，提出閉合式訓(xùn)練策略如圖5所示。將各簇的預(yù)測(cè)結(jié)果按照其對(duì)應(yīng)的錨框，整合為對(duì)所有缺陷位置和類(lèi)別進(jìn)行預(yù)測(cè)的向量。圖5

閉合式訓(xùn)練策略Fig.5

Closedtrainingstrategy對(duì)整合后的預(yù)測(cè)向量使用SimOTA進(jìn)行正負(fù)錨框匹配，而后對(duì)置信度和類(lèi)別預(yù)測(cè)向量計(jì)算交叉熵?fù)p失，對(duì)位置預(yù)測(cè)向量計(jì)算CIoU損失，得到模型訓(xùn)練的全局損失。在進(jìn)行閉合式訓(xùn)練時(shí)，為了提升模型整體預(yù)測(cè)精度并保證子網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率，本文提出加權(quán)錨框融合策略和局部預(yù)測(cè)損失約束。1）加權(quán)錨框融合。每個(gè)子網(wǎng)絡(luò)的輸出向量可分為3個(gè)部分，分別表示其對(duì)應(yīng)錨框中包含目標(biāo)的置信度、錨框與真實(shí)框的修正向量以及目標(biāo)歸屬于簇內(nèi)各缺陷的概率。在執(zhí)行閉合式訓(xùn)練時(shí)，將各個(gè)子網(wǎng)絡(luò)的檢測(cè)結(jié)果整合為對(duì)所有缺陷的預(yù)測(cè)向量。在整合過(guò)程中，對(duì)于每個(gè)子網(wǎng)絡(luò)的類(lèi)別預(yù)測(cè)向量，將子網(wǎng)絡(luò)的特征圖按照對(duì)應(yīng)錨框進(jìn)行拼接，對(duì)拼接后的向量進(jìn)行多類(lèi)別邏輯回歸函數(shù)Softmax操作，得到錨框內(nèi)包含各類(lèi)缺陷的概率分布。對(duì)子網(wǎng)絡(luò)的置信度和位置預(yù)測(cè)向量進(jìn)行加權(quán)融合，其計(jì)算公式為式中：Ci為第i個(gè)子網(wǎng)絡(luò)預(yù)測(cè)的置信度向量；Bi為第i個(gè)子網(wǎng)絡(luò)預(yù)測(cè)的邊框向量；ni為第i個(gè)子網(wǎng)絡(luò)負(fù)責(zé)的缺陷類(lèi)別數(shù)；N為總類(lèi)別數(shù)；C、B分別為整合后的置信度、位置預(yù)測(cè)向量；wi為加權(quán)錨框融合策略中的加權(quán)系數(shù)。2）局部精度損失約束。在執(zhí)行閉合式訓(xùn)練時(shí)，僅對(duì)整合后的網(wǎng)絡(luò)計(jì)算損失無(wú)法保證子網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的準(zhǔn)確性。考慮到子網(wǎng)絡(luò)輸出向量中，簇內(nèi)缺陷類(lèi)別預(yù)測(cè)向量已經(jīng)整合到全局預(yù)測(cè)向量中，位置向量的采納與否取決于置信度的高低。因此，提升子網(wǎng)絡(luò)預(yù)測(cè)能力的核心在于保證子網(wǎng)絡(luò)置信度預(yù)測(cè)向量的準(zhǔn)確性。故本文提出局部預(yù)測(cè)損失LPL，其工作過(guò)程如圖6所示。圖6

局部精度損失Fig.6

Localprecisionloss將真實(shí)標(biāo)簽按照聚簇結(jié)果轉(zhuǎn)為各個(gè)子網(wǎng)絡(luò)的置信度標(biāo)簽，即每個(gè)預(yù)測(cè)向量對(duì)應(yīng)的錨框中是否包含目標(biāo)。根據(jù)子網(wǎng)絡(luò)輸出結(jié)果，計(jì)算交叉熵?fù)p失作為局部損失以約束子網(wǎng)絡(luò)的置信度預(yù)測(cè)結(jié)果，從而提升子網(wǎng)絡(luò)的缺陷檢測(cè)能力。將局部損失與全局損失加權(quán)融合后，作為模型訓(xùn)練過(guò)程中的綜合損失函數(shù)。2.3

解耦式模型推理策略完成模型訓(xùn)練后，在推理階段需要將子網(wǎng)絡(luò)的輸出結(jié)果轉(zhuǎn)換為帶有類(lèi)別和置信度信息的預(yù)測(cè)框，再對(duì)模型進(jìn)行非極大值抑制NMS后濾除冗余的預(yù)測(cè)框?？紤]到所提模型結(jié)構(gòu)的特殊性以及在現(xiàn)實(shí)應(yīng)用場(chǎng)景下模型輸入圖像中目標(biāo)數(shù)量較為稀少的特點(diǎn)，在推理階段提出解耦式非極大值抑制D-NMS，其主要流程如圖7所示。圖7

D-NMS算法流程Fig.7

ProcessofD-NMS在完成模型推理后，遍歷子網(wǎng)絡(luò)的輸出向量，計(jì)算其置信度的最大值是否高于0.5。若當(dāng)前子網(wǎng)絡(luò)所有預(yù)測(cè)向量的置信度均低于0.5，則繼續(xù)讀取下個(gè)子網(wǎng)絡(luò)的輸出結(jié)果；否則，將子網(wǎng)絡(luò)中置信度高于0.5的預(yù)測(cè)向量還原為帶有缺陷類(lèi)別信息的預(yù)測(cè)框，并對(duì)這些預(yù)測(cè)框執(zhí)行傳統(tǒng)的NMS。由于不同子網(wǎng)絡(luò)負(fù)責(zé)的缺陷類(lèi)型不同，不同子網(wǎng)絡(luò)的預(yù)測(cè)框不可能存在同類(lèi)缺陷交并比高于閾值的情況。故對(duì)每個(gè)子網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行NMS后，可直接輸出預(yù)測(cè)結(jié)果，無(wú)須進(jìn)行其他操作。

03實(shí)驗(yàn)結(jié)果與分析3.1

基于語(yǔ)義信息距離的缺陷類(lèi)別聚簇采用南瑞集團(tuán)公司收集標(biāo)注的變電運(yùn)維場(chǎng)景下缺陷圖像數(shù)據(jù)集，包含17類(lèi)缺陷，共計(jì)約25000張圖片，其中標(biāo)簽名稱和含義如表2所示?？梢钥闯?，該數(shù)據(jù)集中的17類(lèi)缺陷發(fā)生場(chǎng)景跨度很大，關(guān)聯(lián)設(shè)備不盡相同，但也存在數(shù)個(gè)缺陷來(lái)源于同一類(lèi)設(shè)備的情況。本數(shù)據(jù)集缺陷類(lèi)別間的語(yǔ)義信息距離有較大差異，忽略這種差異而直接對(duì)缺陷采用獨(dú)熱編碼是不合適的。因此，需考慮類(lèi)別間語(yǔ)義信息距離帶來(lái)的影響，搭建更加適配于變電運(yùn)維場(chǎng)景的深度學(xué)習(xí)模型。表2

數(shù)據(jù)集缺陷類(lèi)別Table2

Defectclassesofdataset3.2

聚類(lèi)解耦策略應(yīng)用及效果分析選取3個(gè)位置的特征圖，計(jì)算2.1節(jié)中提到的空間金字塔池化向量以表征各個(gè)類(lèi)別的語(yǔ)義信息，而后根據(jù)式（1）對(duì)由相同位置特征圖生成的SPP向量計(jì)算feval，以量化特征圖中各個(gè)缺陷間的語(yǔ)義信息差異，在此基礎(chǔ)上評(píng)估生成特征圖的子網(wǎng)絡(luò)對(duì)于不同種類(lèi)缺陷的語(yǔ)義區(qū)分能力，結(jié)果如表3所示。feval越小，表明網(wǎng)絡(luò)對(duì)于多類(lèi)別缺陷的語(yǔ)義區(qū)分能力越強(qiáng)。對(duì)比表3中的計(jì)算結(jié)果可知，CSP3輸出特征圖對(duì)應(yīng)的評(píng)估結(jié)果feval最小，故選取CSP3的輸出作為解耦的起始位置。表3

特征圖評(píng)估結(jié)果Table3

Resultsoffeaturemapevaluation根據(jù)2.1節(jié)聚簇策略，對(duì)變電運(yùn)維缺陷的聚簇結(jié)果如表4所示。選取各類(lèi)缺陷典型圖像按照聚簇結(jié)果分組，如圖8所示。表4

類(lèi)別聚簇結(jié)果Table4

Resultsofclassesclustering圖8

聚簇效果展示Fig.8

Exhibitionofclusterresults根據(jù)表4的聚簇結(jié)果和圖8的呈現(xiàn)效果，不難看出該聚簇策略能夠較好地反應(yīng)缺陷類(lèi)別之間的語(yǔ)義信息差距。例如，第1簇中的類(lèi)別全都與表計(jì)缺陷相關(guān)；第2簇主要為設(shè)備的破損缺陷；第3簇主要為設(shè)備工作狀態(tài)的異常缺陷；第4簇中的缺陷均與工作人員違規(guī)有關(guān)。聚簇結(jié)果也進(jìn)一步佐證了雖然變電運(yùn)維場(chǎng)景中缺陷類(lèi)別種類(lèi)繁多，但是類(lèi)別間的語(yǔ)義信息距離存在很大差異，忽略這些差距直接對(duì)缺陷進(jìn)行獨(dú)熱編碼是不合理的。根據(jù)聚簇結(jié)果搭建SDB-DDM，在通過(guò)前端網(wǎng)絡(luò)提取公共特征后，將后端的特征融合網(wǎng)絡(luò)解耦為若干個(gè)子網(wǎng)絡(luò)，以適應(yīng)各個(gè)簇內(nèi)不同缺陷的檢測(cè)需求。3.3

模型檢測(cè)性能分析根據(jù)3.2節(jié)聚類(lèi)方案，搭建檢測(cè)模型并對(duì)其進(jìn)行消融實(shí)驗(yàn)，以驗(yàn)證所提改進(jìn)思路的可行性，消融實(shí)驗(yàn)結(jié)果如表5所示。表5

消融實(shí)驗(yàn)結(jié)果Table5

Ablationexperimentresults通過(guò)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析可知，在根據(jù)聚類(lèi)解耦策略搭建解耦式模型并進(jìn)行訓(xùn)練時(shí)，初始模型的表現(xiàn)并不好，推測(cè)是因?yàn)橹苯訉?duì)各個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，分配給各個(gè)子網(wǎng)絡(luò)的目標(biāo)過(guò)少，導(dǎo)致子網(wǎng)絡(luò)的正負(fù)樣本失衡引起過(guò)擬合。引入CSP后，模型的精度提升了1.5個(gè)百分點(diǎn)，參數(shù)量減少了8.7MB，推理速度也隨之提升。實(shí)驗(yàn)結(jié)果與CSP的設(shè)計(jì)初衷相符，表明CSP結(jié)構(gòu)更加適配算力有限的計(jì)算平臺(tái)。為解決子網(wǎng)絡(luò)的正負(fù)樣本失衡問(wèn)題，提出閉合式訓(xùn)練策略，并進(jìn)一步提出加權(quán)錨框融合策略WAF對(duì)各個(gè)子網(wǎng)絡(luò)輸出結(jié)果加權(quán)以平衡子網(wǎng)絡(luò)的輸出貢獻(xiàn)，在不增加網(wǎng)絡(luò)參數(shù)和推理時(shí)間的前提下，將網(wǎng)絡(luò)的平均精度均值mAP提升了7.06%。在采用閉合式訓(xùn)練后，為提升子網(wǎng)絡(luò)的缺陷檢測(cè)能力，提出局部預(yù)測(cè)損失LPL，通過(guò)對(duì)子網(wǎng)絡(luò)的置信度預(yù)測(cè)結(jié)果構(gòu)建損失函數(shù)，以保證子網(wǎng)絡(luò)預(yù)測(cè)的可靠性。對(duì)解耦式網(wǎng)絡(luò)模型加入LPL后，模型在保證原有檢測(cè)速度的同時(shí)，mAP提升了8.19個(gè)百分點(diǎn)。而在同時(shí)加入WAF和LPL時(shí)，由于WAF和LPL沒(méi)有給模型推理帶來(lái)額外的計(jì)算成本，模型的檢測(cè)速度依然沒(méi)有受到影響，但是模型的mAP相較于原始模型提升了12.58個(gè)百分點(diǎn)。上述實(shí)驗(yàn)結(jié)果一方面說(shuō)明WAF與LPL的有效性，另一方面也從側(cè)面反映了聚簇結(jié)果的合理性。加入D-NMS后，模型在維持原有檢測(cè)精度的同時(shí)，推理速度提升了約24%，推測(cè)是由于單張圖像中的目標(biāo)有限，在進(jìn)行推理時(shí)可以根據(jù)置信度直接忽略模型中部分子網(wǎng)絡(luò)的檢測(cè)結(jié)果，從而加快了推理速度。將SDB-DDM與目前2種主流的目標(biāo)檢測(cè)算法（YOLO-v4、CenterNet）進(jìn)行性能對(duì)比，如表6所示。相對(duì)于上述2種目標(biāo)檢測(cè)算法，SDB-DDM模型在保證了較高的檢測(cè)精度的同時(shí)，模型的參數(shù)量降低了90%，推理速度提升了三四倍。表6

模型性