陳同宇，陳 洋，范劍偉

（安徽工業(yè)大學(xué) 機(jī)械工程學(xué)院，安徽 馬鞍山 243000）

0 引 言

傳統(tǒng)的香煙盒表面檢測方法速度較慢、效率低下[1]。卷積神經(jīng)網(wǎng)絡(luò)[2]是一種重要的深度學(xué)習(xí)模型或多層感知機(jī)[3]，能夠從圖像數(shù)據(jù)中抽取特征[4]，在圖像識別領(lǐng)域應(yīng)用廣泛[5]。可利用卷積神經(jīng)網(wǎng)絡(luò)識別表面缺陷，主要包括基于區(qū)域的目標(biāo)識別方法（Faster R-CNN等）以及基于回歸的目標(biāo)識別方法（YOLO系列等）[6]。YOLO算法具有處理速度快、準(zhǔn)確率高等優(yōu)點。

1 改進(jìn)的YOLO算法

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

DarkNet-53網(wǎng)絡(luò)擁有52個卷積層與1個全連接層，共53層。YOLOv3的工作原理是在DarkNet-53的基礎(chǔ)上進(jìn)行3次檢測[7-8]，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv3原網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3在檢測煙盒缺陷時容易出現(xiàn)漏檢現(xiàn)象，這是由于YOLOv3初始算法中降采樣的倍數(shù)過大，導(dǎo)致特征圖的感受野[9]較大，無法檢測小目標(biāo)。煙盒表面缺陷屬于小型目標(biāo)，因此將YOLOv3原網(wǎng)絡(luò)尺寸為52×52的特征圖進(jìn)行2倍上采樣，得到104×104特征圖，將尺寸為104×104的特征圖與DarkNet-53網(wǎng)絡(luò)尺寸為104×104的特征圖進(jìn)行融合，在該層特征圖上進(jìn)行獨立預(yù)測。改進(jìn)后的網(wǎng)絡(luò)共有118層，擁有4個不同尺度的獨立預(yù)測，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)后的YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)

實驗結(jié)果表明，改進(jìn)后的網(wǎng)絡(luò)相對于原網(wǎng)絡(luò)平均檢測精度提升了6.8%、查準(zhǔn)率提高了7%、查全率提高了7%，但檢測速度從最初的24 FPS降到了21 FPS。這表明，添加一層特征檢測有利于檢測煙盒表面缺陷，但檢測速度稍有下降。

1.2 損失函數(shù)

YOLOv3算法損失函數(shù)包括均方誤差（Mean Square Error, MSE）損失函數(shù)和交叉熵?fù)p失函數(shù)，以MSE[10]誤差為目標(biāo)框坐標(biāo)的損失函數(shù)存在3個缺點：Loss越低并不等價于IoU值越高，三對目標(biāo)框具有相同的Loss，但是IoU值卻不一致，如圖3所示；候選框與真實框間無重合時，IoU為0，在優(yōu)化損失函數(shù)時，梯度為0，即無法優(yōu)化；候選框與真實框間IoU相同時，檢測效果具有較大差異，如圖4所示。

圖3 具有相同Loss

圖4 具有相同的IoU

IoU是判斷相似程度的常用評測標(biāo)準(zhǔn)，計算見式（1）：

式中，S1、S2分別為兩目標(biāo)框的面積。

由于MSE損失函數(shù)不均衡，提出利用GIoU Loss作為YOLOv3的左右坐標(biāo)損失依據(jù)，其值計算見式（2）：

式中：Ac為檢測框與真實框的最小閉包面積；U為檢測框與真實標(biāo)注框的相交面積。

GIoU Loss 的計算見式（3）：

GIoU作為距離度量標(biāo)準(zhǔn)，其滿足非負(fù)性、不可分的同一性、對稱性和三角不等性等條件，由于GIoU是比值，因此具有尺度適應(yīng)性；由式（2）可知，求GIoU的最大值可選用IoU計算公式。當(dāng)兩目標(biāo)框非常接近時，GIoU和IoU相差較小，GIoU越大，IoU也越大。文中處理了原網(wǎng)絡(luò)MSE誤差損失存在的損失優(yōu)化與最大IoU值計算方向不一致和尺度敏感等問題。

2 實驗結(jié)果分析

2.1 數(shù)據(jù)集準(zhǔn)備

通過相機(jī)拍照的方式采集圖片。文中的數(shù)據(jù)集全部來源于利群香煙盒。為了增加模型的泛發(fā)性和訓(xùn)練精度，在獲取圖像時，數(shù)據(jù)集增加了許多不同形態(tài)特征、角度、位置的煙盒圖片。煙盒表面既有明顯缺陷也有微小瑕疵。煙盒的缺陷可出現(xiàn)在煙盒的任何位置，同一個煙盒上可能出現(xiàn)不同形狀、不同數(shù)量的缺陷。數(shù)據(jù)集共包含500張圖片，其中400張圖片作為訓(xùn)練集，100張圖片作為測試集。煙盒缺陷標(biāo)簽借助labelImg軟件實現(xiàn)。圖片上的缺陷，劃痕以水筆所畫代替，劃痕和污點均為flaw標(biāo)注，數(shù)據(jù)集標(biāo)注時只標(biāo)注flaw類缺陷。

2.2 煙盒缺陷檢測工作流程

文中提出的改進(jìn)YOLOv3算法的煙盒表面缺陷檢測方法具體檢測過程如圖5所示，主要包括以下步驟：

圖5 煙盒檢測流程

（1）通過相機(jī)采集需要檢測的煙盒圖片；

（2）將采集到的圖片帶入深度學(xué)習(xí)模型檢測并判斷有無缺陷；

（3）如果有缺陷，則剔除，如果無缺陷，則繼續(xù)檢測；

（4）收集無缺陷的煙盒，增大數(shù)據(jù)集。

2.3 結(jié)果與分析

本文采用精度均值（mean Average Precision, mAP）、查全率（召喚率）、查準(zhǔn)率（準(zhǔn)確率）等對原網(wǎng)絡(luò)模型和改進(jìn)后的網(wǎng)絡(luò)模型進(jìn)行評估。

用改進(jìn)后的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為3 000次時檢測模型的平均精度最高，其結(jié)果如圖6所示。從圖6可以看出，改進(jìn)后的網(wǎng)絡(luò)模型對比原網(wǎng)絡(luò)平均精度有較大提升，約為6.48%，充分說明4倍下采樣特征層更有利于小目標(biāo)檢測，改進(jìn)后的網(wǎng)絡(luò)檢測效果更佳。

圖6 改進(jìn)前后平均檢測精度

模型檢測結(jié)果見表1所列。改進(jìn)后的網(wǎng)絡(luò)在不影響實時檢測的情況下大大提升了檢測精度，大幅降低了漏檢、錯檢出現(xiàn)的概率。

表1 模型檢測結(jié)果

2.4 測試結(jié)果對比分析

分別對原網(wǎng)絡(luò)的檢測模型與改進(jìn)后的最優(yōu)檢測模型進(jìn)行檢測，在原網(wǎng)絡(luò)中，單處缺陷檢測精度為0.46。改進(jìn)后，檢測精度為0.97，提升約51%。同時，原網(wǎng)絡(luò)還出現(xiàn)了漏檢的情況，試驗圖中有2處缺陷，但原網(wǎng)絡(luò)未檢測出來，而改進(jìn)后的網(wǎng)絡(luò)則準(zhǔn)確檢測出了原模型的2個缺陷，雖然此處置信度不高（可能因光照分布不均勻引起），但相對原網(wǎng)絡(luò)有較大提升。

2.5 與其他目標(biāo)檢測網(wǎng)絡(luò)的對比

采用具有較快檢測速度與精度的SSD目標(biāo)檢測網(wǎng)絡(luò)對煙盒缺陷進(jìn)行訓(xùn)練4 000次得到模型，與文中提出的方法進(jìn)行對比，結(jié)果見表2所列。通過對比，改進(jìn)后的YOLOv3模型具有更高的準(zhǔn)確率，彌補(bǔ)了原網(wǎng)絡(luò)和SSD的不足，檢測效果大幅提升。

表2 不同方法的檢測結(jié)果

3 結(jié) 語

研究提出的基于改進(jìn)YOLOv3算法的煙盒表面缺陷檢測方法更適合小目標(biāo)檢測，檢測模型的平均精度、查準(zhǔn)率、查全率等均得到不同程度的提升，雖然速度略有下降，但完全滿足工業(yè)實時檢測的要求。