張沖偉，張?jiān)苽?2*

（1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南昆明 650500）

（2.昆明理工大學(xué)云南省人工智能重點(diǎn)實(shí)驗(yàn)室，云南昆明 650500）

瓶裝礦泉水在出廠前需要檢測(cè)是否含有雜質(zhì)異物（工業(yè)上一般規(guī)定半徑大于50 μm的不溶性物質(zhì)即為雜質(zhì)異物[1]），因此檢測(cè)環(huán)節(jié)成為生產(chǎn)流水線上的重要環(huán)節(jié)。目前該環(huán)節(jié)檢測(cè)的手段主要是通過人工用人眼去尋找雜質(zhì)異物，如圖1所示。然而，人工燈檢需要消耗大量的人力物力，對(duì)人眼健康傷害較大，且檢測(cè)效率低，可靠性差。盡管傳統(tǒng)的圖像處理方式能夠一定程度上緩解該問題，但是其性能依賴于圖像的質(zhì)量，且檢測(cè)速度慢。因此研究一種高檢測(cè)率、快速的檢測(cè)方法具有重要意義。

目前，瓶裝液體（白酒、安瓿、大輸液）的異物檢測(cè)方法主要分為基于傳統(tǒng)檢測(cè)、基于視覺、基于神經(jīng)網(wǎng)絡(luò)三類?；趥鹘y(tǒng)的檢測(cè)方法：在早期工作中，由于檢測(cè)瓶體簡(jiǎn)單且單一，部分研究者基于傳統(tǒng)方法檢測(cè)瓶裝液體中異物。例如，王會(huì)昌等人[2]采用超聲波檢測(cè)法檢測(cè)透明灌裝瓶液體中非透明雜質(zhì)。Michael和 Maurício等人[3,4]利用光電傳感器檢測(cè)液體中懸浮固體。這種方法對(duì)瓶身的要求很高，主要針對(duì)瓶體都是全新且一致的產(chǎn)品，而且算法復(fù)雜度高?；谝曈X的方法：部分研究人員將異物檢測(cè)化為目標(biāo)提取任務(wù),目標(biāo)提取通常著重于將圖像中的目標(biāo)與背景分割出來。湖南大學(xué)王耀南研究團(tuán)隊(duì)[5,6]采用背景減除法對(duì)酒類進(jìn)行異物檢測(cè)；Ishii等人[7]針對(duì)塑料瓶裝藥液檢測(cè)采用圖像幀間差分法。以上方法能夠有效的將瓶裝液體中異物和氣泡檢測(cè)出來，但是瓶體表面的缺陷、外包裝和液體中氣泡對(duì)檢測(cè)精度影響較大?；谏窠?jīng)網(wǎng)絡(luò)的方法：針對(duì)瓶裝液體異物的多樣性，將異物檢測(cè)任務(wù)看成目標(biāo)分類任務(wù)。Moghadas等人[8]利用多層感知機(jī)（MLP）神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種檢測(cè)醫(yī)用小瓶的分類器；Zhou等人[9]采用思維進(jìn)化算法（MEA）對(duì)反向傳播（BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，設(shè)計(jì)了一種檢測(cè)大輸液中異物的分類器。但該類方法并沒有充分將異物高緯度特征和低緯度特征用于異物檢測(cè)，造成目標(biāo)分類不清晰，并且該方法過于依賴樣本。隨著深度學(xué)習(xí)能夠有效地捕捉目標(biāo)物的特征，在機(jī)器學(xué)習(xí)領(lǐng)域取得了巨大成就。如果能夠?qū)⑦@一技術(shù)充分與礦泉水異物檢測(cè)任務(wù)相結(jié)合，并針對(duì)礦泉水異物固有的特性提出合理的特征提取方法，就能夠極大程度上提高檢測(cè)效率，提升異物檢測(cè)精度。

本研究旨在創(chuàng)建瓶裝礦泉水異物數(shù)據(jù)集、提取具有判別性的瓶裝礦泉水異物特征，結(jié)合深度學(xué)習(xí)算法，建立小尺度瓶裝礦泉水異物檢測(cè)模型，為提高瓶裝礦泉水質(zhì)量提供可靠的理論基礎(chǔ)和技術(shù)支持。

1 材料與方法

1.1 材料

通過查閱相關(guān)文獻(xiàn)可知，關(guān)于瓶裝礦泉水異物檢測(cè)的研究鮮有報(bào)道，所以目前還沒有針對(duì)瓶裝礦泉水異物公開數(shù)據(jù)集。因此，本文設(shè)計(jì)瓶裝礦泉水異物檢測(cè)方案采集數(shù)據(jù)集。具體來說，每次將四種不同的異物隨機(jī)放進(jìn)360 mL規(guī)格的空礦泉水瓶中，再將其放入數(shù)據(jù)采集裝置。接下來，利用京航USB2.0帶緩存系列COMS工業(yè)相機(jī)JHSM300f和LED可變聚焦燈獲取礦泉水異物圖像。

1.1.1 圖像采集裝置結(jié)構(gòu)

本文設(shè)計(jì)的瓶裝礦泉水異物數(shù)據(jù)采集簡(jiǎn)易裝置主要由LED可變聚焦燈、傳送帶、轉(zhuǎn)動(dòng)輪、暗箱、攝像機(jī)、推桿、控制器、電機(jī)控制裝置、齒輪和活動(dòng)擋板等10個(gè)部分組成，如圖2所示。攝像頭在暗箱頂部，拍攝角度正對(duì)瓶裝礦泉水樣本，推桿和控制器位于入口處傳送帶的一側(cè)，傳送帶與暗箱內(nèi)的轉(zhuǎn)動(dòng)輪相接用于傳輸待測(cè)樣本，在轉(zhuǎn)動(dòng)輪的另一側(cè)設(shè)置電動(dòng)門，LED光源安裝在兩個(gè)轉(zhuǎn)動(dòng)輪中間，活動(dòng)擋板置于瓶裝礦泉水入口處，電機(jī)控制裝置布置在轉(zhuǎn)動(dòng)輪一側(cè)。

1.1.2 圖像采集工作原理

（1）采集送樣：待檢測(cè)瓶裝礦泉水通過傳送帶進(jìn)入暗箱送到兩個(gè)轉(zhuǎn)動(dòng)輪上，電機(jī)控制出口端一側(cè)的轉(zhuǎn)動(dòng)輪順時(shí)針轉(zhuǎn)動(dòng)，電機(jī)驅(qū)動(dòng)齒輪帶動(dòng)入口端一側(cè)的轉(zhuǎn)動(dòng)輪，控制器控制兩根轉(zhuǎn)動(dòng)輪的轉(zhuǎn)速差，使得瓶裝礦泉水能夠低速順時(shí)針旋轉(zhuǎn)，滾動(dòng)作用使瓶中的異物處于運(yùn)動(dòng)狀態(tài)，在光源照射下，由于異物顆粒表面對(duì)光線的漫反射作用，目標(biāo)整體清晰明亮，在視覺傳感器采集的圖像中有較好的成像效果。

（2）光源照射：LED光源位于兩個(gè)轉(zhuǎn)動(dòng)輪后端正中間，光線中心對(duì)應(yīng)瓶底中心，且垂直于礦泉水瓶底部照射，可照射到整瓶水的狀態(tài)。

（3）圖像采集：攝像機(jī)位于兩個(gè)轉(zhuǎn)動(dòng)輪中間正上方暗箱頂部，拍攝方向與LED光源方向垂直，即在水瓶正上方拍攝圖像。數(shù)據(jù)采集時(shí)，該裝置暗箱四周封閉，樣本進(jìn)出口均由活動(dòng)擋板構(gòu)成，使得圖像采集在只有LED光源照射環(huán)境下進(jìn)行，既可以清晰地捕捉到質(zhì)量好的目標(biāo)圖像，又簡(jiǎn)化了后續(xù)圖像處理時(shí)對(duì)復(fù)雜背景的處理。此外，為避免瓶外標(biāo)簽遮擋，應(yīng)在粘貼瓶外標(biāo)簽工序前完成數(shù)據(jù)采集。

（4）樣本輸出：瓶裝礦泉水異物數(shù)據(jù)采集完成，控制器控制齒輪轉(zhuǎn)速差，將樣本由轉(zhuǎn)動(dòng)輪上運(yùn)輸至傳送帶上，最后經(jīng)過活動(dòng)擋板輸送至暗箱外。至此，單個(gè)瓶裝礦泉水異物數(shù)據(jù)采集完畢。

1.1.3 瓶裝礦泉水異物數(shù)據(jù)集

一共采集挑選了1000張樣本，如表1所示，并使用Labelimg軟件標(biāo)注，制作了瓶裝礦泉水異物小目標(biāo)檢測(cè)數(shù)據(jù)集，將其命名為 BFBSOD（Bottle Foreign Body Small Object Detection）數(shù)據(jù)集，如圖3所示。從左往右圖a、b、c、d中勾選框中的異物分別為毛發(fā)、橡膠、蚊蟲、塑料，從圖3中可以看出，異物在照明系統(tǒng)下的成像較為清晰。

表1 數(shù)據(jù)集Table 1 The data set

1.2 數(shù)據(jù)集增值模塊

數(shù)據(jù)集的擴(kuò)增可以增加訓(xùn)練集樣本，加強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)到更魯棒性的特征，從而使模型擁有更強(qiáng)的泛化能力。當(dāng)前，常用的數(shù)據(jù)集擴(kuò)增方式主要包括對(duì)圖片的裁剪、平移、改變亮度、加入噪聲、旋轉(zhuǎn)角度以及鏡像等。本文結(jié)合異物目標(biāo)的顏色特征提出了一種通道重組的方法對(duì)數(shù)據(jù)擴(kuò)增，針對(duì)同一種異物，將采集的圖像RGB三通道拆分，再重組，能夠得到RBG、GRB、GBR、BRG和BGR等5種圖像，如圖4所示。

通過采用提出的數(shù)據(jù)集擴(kuò)增方法，將數(shù)據(jù)集擴(kuò)增至 6000張。本文采用隨機(jī)劃分的原則，將數(shù)據(jù)集以2/3、1/3的原則進(jìn)行劃分，2/3其中為訓(xùn)練集，1/3為測(cè)試集。

1.3 判別性特征學(xué)習(xí)模塊

對(duì)目標(biāo)物進(jìn)行判別性表征是提升識(shí)別性能的關(guān)鍵因素。為此，構(gòu)建了一個(gè)深度卷積模型提取樣本特征。具體來說，該深度模型主要以Darknet-53[10]為基本框架，包含53個(gè)卷積—?dú)w一化—激活塊。此外，考慮到梯度消失的問題，在這個(gè)模型中借鑒殘差連接的思想，在塊與塊之間設(shè)置了快捷鏈路操作，即將塊的輸入和輸出進(jìn)行加和操作。首先，將圖像送進(jìn)Darknet-53網(wǎng)絡(luò)以提取特征，在此基礎(chǔ)上，利用聚類算法計(jì)算出先驗(yàn)框的大小。具體步驟如下：

（1）在瓶裝礦泉水?dāng)?shù)據(jù)集上隨機(jī)選取一個(gè)樣本點(diǎn)，作為第一個(gè)聚類中心點(diǎn)。

（2）把每個(gè)樣本點(diǎn)與它最近的一個(gè)聚類中心點(diǎn)之間的距離計(jì)算出來，記作D。

（3）選取概率大的樣本點(diǎn)作為聚類點(diǎn)。

（4）重復(fù)步驟（2）和（3），直至第K個(gè)聚類點(diǎn)選出為止。

如公式（1）和（2）所示：

式中：

boxpred——預(yù)測(cè)框；

boxtruth——標(biāo)注框；

area——面積。

通過上述算法對(duì)數(shù)據(jù)集進(jìn)行聚類，得到了3種尺寸 anchor box，大小尺寸分別為（3*4），（3*6），（5*5）。

獲得上述先驗(yàn)框后，在提取的特征圖上利用先驗(yàn)框?qū)Ξ愇镞M(jìn)行類別預(yù)測(cè)。為了保證特征的判別性，利用交叉熵?fù)p失進(jìn)行約束以賦予網(wǎng)絡(luò)識(shí)別物體類別的能力，目標(biāo)函數(shù)如下式（3）所示：

除了分類損失，還有坐標(biāo)誤差如下式（4）所示：

式中：

B——box的數(shù)量；

Lcoord——坐標(biāo)的寬高誤差；

x、y、w、h——物體的坐標(biāo)值。

通過上述兩個(gè)約束，能極大程度上保證提取特征的判別性，賦予網(wǎng)絡(luò)對(duì)樣本具有提取判別性表征的能力。

1.4 細(xì)粒度信息獲取模塊

隨著深度卷積神經(jīng)網(wǎng)絡(luò)層數(shù)不斷的加深，特征圖中包含的語義信息不斷提高。但不斷的卷積與池化使得大量的空間信息和細(xì)節(jié)信息被丟棄。導(dǎo)致目標(biāo)定位精度降低甚至小目標(biāo)無法被感知。尤其對(duì)于礦泉水異物而言，其尺寸較小，在圖像中占比少，因此網(wǎng)絡(luò)難以提取具有細(xì)粒度信息的特征。為緩解該問題，設(shè)計(jì)了小尺度特征學(xué)習(xí)機(jī)制。

具體來說，在8倍降采樣層一個(gè)尺度上建立小目標(biāo)特征檢測(cè)層。同時(shí)，特征圖尺寸放大的方法采用尺度轉(zhuǎn)換法，將尺度轉(zhuǎn)換（scale-transfer）模塊可以嵌入到Darknet-53網(wǎng)絡(luò)中，scale-transfer沒有做卷積操作，減少了計(jì)算量和卷積層的參數(shù)個(gè)數(shù)。scale-transfer將特征圖中每個(gè)像素的N2個(gè)通道排列成一個(gè)N*N大小的區(qū)域，這個(gè)像素通道形成的正方區(qū)域就是高分辨特征圖的一部分，將低分辨圖像中所有像素排列形成的方塊組合到對(duì)應(yīng)的高分辨率特征圖上，就完成了特征圖放大，整個(gè)過程沒有卷積操作，轉(zhuǎn)換速度快。

低分辨特征圖輸入維度為H×W×C×r2，其中H和W是特征圖的長(zhǎng)和寬，輸入特征圖的通道數(shù)C×r2，C是輸出特征圖的通道數(shù)，r是升序比例，本文設(shè)置r=2，輸出的高分辨特征圖尺寸為2H×2W。特征圖轉(zhuǎn)換示意圖如圖5所示。

從圖5可以看出，通過改變通道數(shù)的數(shù)量來改變特征圖的尺寸大小。數(shù)學(xué)表達(dá)公式（5）如下：

式中：

IHR——大尺寸特征圖；

ILR——小尺寸特征圖。

因此，將提取到的低維度特征與高維度特征互補(bǔ)融合能得到特征性表達(dá)能力更豐富的特征[11-13]。當(dāng)前，很多目標(biāo)檢測(cè)算法通過融合多層特征來提升檢測(cè)性能，本文采用concat系列特征融合，直接將兩個(gè)特征進(jìn)行張量拼接，獲得小尺度目標(biāo)檢測(cè)特征，以此建立小目標(biāo)檢測(cè)層。因此小目標(biāo)檢測(cè)模塊的損失函數(shù)如下式（6）所示：

本文提出方法的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，提出的方法主要包含三個(gè)模塊，分別為特征判別性學(xué)習(xí)模塊，數(shù)據(jù)集增值模塊以及細(xì)粒度信息獲取模塊。

1.5 實(shí)驗(yàn)細(xì)節(jié)

1.5.1 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)所用計(jì)算機(jī)配置為 Linux操作系統(tǒng)，i7 9700KF處理器（3.6 GHz），深度學(xué)習(xí)框架為Torch1.4，GPU為GTX2070Super，8G顯存。在此次實(shí)驗(yàn)中，本文將批大小設(shè)為4，epochs設(shè)為180輪，學(xué)習(xí)速率設(shè)置為 0.009，動(dòng)量設(shè)置為 0.9，權(quán)重衰減值設(shè)置為0.0005。采用動(dòng)量?jī)?yōu)化器[14]（Adam）對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行更新。

1.5.2 性能指標(biāo)

本次實(shí)驗(yàn)使用mAP、R和f/s等指標(biāo)作為評(píng)估算法性能。f/s表示每秒檢測(cè)圖像的幀率、mAP指所有類別C檢測(cè)精度的均值，一個(gè)類別的檢測(cè)精度用AP（Average Precision）表示、召回率R預(yù)測(cè)結(jié)果中被正確預(yù)測(cè)正樣本與樣本的比值。它們的計(jì)算公式（7）如下：

由于各地油品性質(zhì)、組分、密度等不同，難以找到一種普適的油品摻混黏度預(yù)測(cè)模型[3]，于是一些學(xué)者在大量實(shí)驗(yàn)或半理論的基礎(chǔ)上，對(duì)現(xiàn)存的一些模型進(jìn)行修正，如利用兩種組分原油各占一半的混合原油黏度為基礎(chǔ)進(jìn)行修正而得到一些新的模型。根據(jù)黏度的函數(shù)形式不同，大體上可分為以下4類模型。

式中：

P——精確率；

TP（True Positive）——真正例；

FP（Flase Positive）——假正例；

FN（Flase Negative）——假負(fù)例；

NC——C類劃分精確率（Precision，P）和召回率（Recall，R）最大值的數(shù)量；

P(rc)——在第C類召回率rc時(shí)的P值。

2 結(jié)果與討論

2.1 對(duì)比實(shí)驗(yàn)

2.1.1 已有研究對(duì)象對(duì)比

國(guó)內(nèi)外研究礦泉水異物檢測(cè)的團(tuán)隊(duì)非常少，盛子夜等人[15]采用幀間差分法檢測(cè)瓶裝礦泉水中懸浮物。該方法先通過差分法檢測(cè)到異物，然后對(duì)處理后的圖像中異物進(jìn)行數(shù)量和尺寸大小的分析統(tǒng)計(jì)。但是作者沒有表明具體的檢測(cè)準(zhǔn)確率，因此，一方面從算法的流程進(jìn)行分析。1）抗干擾能力。差分法對(duì)照明的均一性要求較高，相機(jī)捕捉的連續(xù)幀圖像光照飽和度要保持一致；2）消除抖動(dòng)。消除瓶裝礦泉水碰撞帶來的抖動(dòng)增加了算法的復(fù)雜性；3）降低誤檢率。瓶裝礦泉水中的氣泡易被當(dāng)成異物檢測(cè)；4）檢測(cè)異物時(shí)間。檢測(cè)時(shí)間主要包括，連續(xù)幀圖像的獲取時(shí)間、人工挑選圖像時(shí)間、差分后圖像的預(yù)處理時(shí)間，檢測(cè)異物時(shí)間消耗較長(zhǎng)，對(duì)于實(shí)際的生產(chǎn)應(yīng)用存在一定的局限。另一方面從實(shí)際測(cè)試效果進(jìn)行對(duì)比，由于差分法需要的是連續(xù)幀圖像，準(zhǔn)備50組差分圖像進(jìn)行測(cè)試，一組樣本圖像如圖7所示。實(shí)驗(yàn)從檢測(cè)的準(zhǔn)確率和時(shí)間進(jìn)行比對(duì)，結(jié)果如表3所示。

表2 已有方法對(duì)比實(shí)驗(yàn)結(jié)果Table 2 Existing methods compare experimental results

從表2中可以看出，本文提出的方法準(zhǔn)確率比差分法高出7個(gè)百分點(diǎn)，差分法所需時(shí)間是本文方法的9.6倍。綜上測(cè)試結(jié)果可知，本文提出方法整體性能高于差分法。

2.1.2 相關(guān)方法對(duì)比

表3 瓶裝礦泉水異物檢測(cè)對(duì)比實(shí)驗(yàn)結(jié)果Table 3 Comparative test results of foreign matter detection in bottled mineral water

在這一部分，我們將本文提出的方法與目前一些較為先進(jìn)的目標(biāo)檢測(cè)方法進(jìn)行實(shí)驗(yàn)對(duì)比，從實(shí)驗(yàn)結(jié)果證明了本文方法的有效性。需要說明的是，由于目前沒有基于深度學(xué)習(xí)的瓶裝礦泉水異物檢測(cè)的相關(guān)工作，因此在這一部分，本文在SSD和YOLOv3模型上進(jìn)行比較，結(jié)果如表3所示。

從表3可以看出，本文提出的方法平均精度值為83.84%，高于YOLOv3的61.13%和SSD的54.51%；召回率為86.31%，較YOLOv3提高了19個(gè)百分點(diǎn)，較SSD提高了29個(gè)百分點(diǎn)；本文模型的平均幀率達(dá)到50 f/s，小于SSD模型，但是從處理速度上來看，能夠滿足瓶裝礦泉水異物檢測(cè)任務(wù)要求。

2.2 消融實(shí)驗(yàn)

提出的方法主要包含判別性特征學(xué)習(xí)、數(shù)據(jù)集增值、小尺度目標(biāo)檢測(cè)等模塊。在這一小節(jié)中，進(jìn)行了一系列實(shí)驗(yàn)用來驗(yàn)證各模塊的有效性。每一模塊的結(jié)果如表4所示，需要說明的是，為了便于展示，用字母A和B分別表示數(shù)據(jù)集增值模塊和細(xì)粒度信息獲取模塊。首先，應(yīng)該基于判別性特征學(xué)習(xí)模塊對(duì)有標(biāo)簽原數(shù)據(jù)集進(jìn)行訓(xùn)練得到基準(zhǔn)線（Baseline），然后再將A和B兩個(gè)模塊部署在模型上。

表4 消融實(shí)驗(yàn)結(jié)果Table 4 Ablation test results

數(shù)據(jù)集增值模塊的有效性：為了證明A模塊的有效性，將A模塊與Baseline相互連接，由表4所示，相比于Baseline，加入A模塊后，在瓶裝礦泉水異物檢測(cè)任務(wù)上，mAP值和召回率R分別提升了18.32%和9.89%，有效的證明了該數(shù)據(jù)集增值的方法能夠增強(qiáng)模型的泛化能力。

細(xì)粒度信息獲取模塊的有效性：如表4所示，加入了B模塊以后，提出的方法在異物檢測(cè)任務(wù)上mAP值和R分別提升了4.39%和9.19%，同時(shí)，由于先驗(yàn)框的減少，將檢測(cè)速度提高到了50 f/s。可見，提出的方法能夠從圖像中提取到更具表征的特征。

2.3 測(cè)試

為了評(píng)估模型的具體檢測(cè)性能，本文在測(cè)試集中各挑選50張含有橡膠、塑料、蚊蟲、毛發(fā)樣本數(shù)據(jù)分別送入YOLOv3和本文提出的模型進(jìn)行檢測(cè)，模型對(duì)200張樣本的檢測(cè)結(jié)果如表5所示。本文方法檢測(cè)的平均準(zhǔn)確率相比于YOLOv3提高了10個(gè)百分點(diǎn)，達(dá)到了96.22%；對(duì)橡膠、塑料、蚊蟲、毛發(fā)四類異物的檢測(cè)上準(zhǔn)確率均有所增加?？梢暬Ч鐖D8所示。

表5 不同方法下的檢測(cè)率Table 5 The detection rate under different methods

為了方便，將異物標(biāo)簽 foreign matter簡(jiǎn)寫成matter，圖中的bubble代表的是瓶中產(chǎn)生的氣泡，如圖8所示，matter代表的是檢測(cè)到的異物（橡膠、塑料、蚊蟲、毛發(fā)）。圖8a、8c是YOLOv3分別對(duì)蚊蟲和橡膠檢測(cè)的效果圖，從圖 8a中可以看出 YOLOv3對(duì)蚊蟲的檢測(cè)存在漏檢的情況；對(duì)橡膠的檢測(cè)整體置信度是比較低的，而且對(duì)氣泡的檢測(cè)效果也是不理想。反觀本文方法對(duì)同一目標(biāo)的檢測(cè)能夠達(dá)到預(yù)期的效果，能夠有效的檢測(cè)出蚊蟲和橡膠。

如圖8a、8b所示，對(duì)同一個(gè)異物，改進(jìn)后算法得到的異物置信度為0.66，低于YOLOv3的0.80。為此，對(duì)200張測(cè)試樣本的異物置信度進(jìn)行了統(tǒng)計(jì)，改進(jìn)后異物置信度低于YOLOv3的只有7張。經(jīng)實(shí)驗(yàn)分析，置信度反而下降的主要原因如下：YOLOv3能提取到圖8a中右下角的異物，提取到的異物特征單一，對(duì)一些特定的異物識(shí)別率較高；而本文方法對(duì)圖8a中的兩個(gè)異物特征都能提取，使得提取到的該類異物特征較為豐富，異物的綜合特征增加，提高了模型對(duì)異物的檢測(cè)率，但是圖8a中同一種異物表現(xiàn)出的特征差異較大，就會(huì)導(dǎo)致模型對(duì)該類異物置信度下降?？傮w來看，論文方法改進(jìn)后，與YOLOv3相比，多數(shù)預(yù)測(cè)框的置信度得到提高，即在整個(gè)樣本數(shù)據(jù)集上預(yù)測(cè)框置信度的期望值得到了提高，但不排除在個(gè)別樣本數(shù)據(jù)上出現(xiàn)比YOLOv3低的情況。

3 結(jié)論

針對(duì)瓶裝礦泉水異物檢測(cè)，本文設(shè)計(jì)了一個(gè)小尺度特征提取模塊用于表征瓶裝礦泉水中異物細(xì)粒度信息。具體來說包含三個(gè)模塊：判別性特征學(xué)習(xí)模塊利用深度Darknet-53網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)；數(shù)據(jù)增值模塊主要通過通道隨機(jī)打亂和重組的方式對(duì) RGB圖像進(jìn)行處理以增強(qiáng)樣本的多樣性；考慮到細(xì)粒度特征能夠進(jìn)一步對(duì)識(shí)別性能的提升起積極作用，設(shè)計(jì)了一個(gè)小尺度特征學(xué)習(xí)機(jī)制以提取具有細(xì)粒度的判別性信息。最后，實(shí)驗(yàn)結(jié)果表明，瓶裝礦泉水異物檢測(cè)的mAP值達(dá)到83.84%，召回率為86.31%，檢測(cè)速度為50 f/s，測(cè)試平均準(zhǔn)確率為 96.22%。此外，對(duì)已有的瓶裝礦泉水檢測(cè)方法進(jìn)行測(cè)試對(duì)比，從檢測(cè)的準(zhǔn)確率和速度上證明了該方法的優(yōu)越性；消融實(shí)驗(yàn)驗(yàn)證了提出方法中模塊的有效性。因此，本研究為瓶裝礦泉水異物檢測(cè)提供了可靠方法和技術(shù)指導(dǎo)。