葉宇星，孫志鋒,，馬風力,，陸玲霞，黃穎

基于改進YOLOv5s的腌制蔬菜真空包裝缺陷檢測

葉宇星1，孫志鋒1,2，馬風力1,2，陸玲霞1，黃穎2

（1.浙江大學 電氣工程學院，杭州 310007；2.杭州力超智能科技有限公司，杭州 310014）

針對傳統(tǒng)的基于人工的腌制蔬菜真空缺陷包裝剔除效率低、漏檢率高等問題，提出一種基于改進YOLOv5s的腌制蔬菜真空包裝缺陷檢測方法。首先，使用Ghost卷積替換CSP模塊中的卷積，在提高模型特征提取能力的同時降低網絡的參數量；其次，利用空間換深度（Space-to-Depth, SPD）和深度可分離卷積（Depthwise-Separable Convolution, DSConv）組合操作SPD–DSConv進行下采樣，減少下采樣造成的特征信息損耗；最后，在網絡中引入SE注意力機制，提高算法的精確率。在自制的腌制蔬菜真空包裝數據集上，改進后的網絡平均精度（man Average Precision,mAP）為93.88%，模型尺寸為3.91 MB，相比原網絡精度提高了2.05%，模型尺寸縮減了44.38%。文中方法能夠實現腌制蔬菜真空缺陷包裝的分類和定位，為基于機器人的缺陷包裝剔除奠定了基礎。

食品真空包裝；YOLOv5s；缺陷檢測

傳統(tǒng)腌制蔬菜作為老百姓餐桌的風味佳肴歷史悠久，其生產環(huán)節(jié)包括：腌制、發(fā)酵、起池、剪筋、切絲、漂淡、脫水、拌料、小包裝罐裝、包裝封口、巴氏滅菌、產品檢驗。目前傳統(tǒng)腌制蔬菜的真空包裝通過罐裝機實現了一體化的自動上袋、稱量加料、封口、抽真空的包裝流程，但是對缺陷包裝的檢測和剔除主要還是依賴于人工。

根據罐裝機的加工流程，可以將具有缺陷的腌制蔬菜包裝分為以下2類：由封口不完全造成的漏包；由自動上袋開口失敗或稱量加料失誤造成的次包。受限于人眼的視覺敏銳度，基于人工的缺陷包裝檢測存在效率低、漏檢率高等問題。

隨著計算機技術的進步，機器視覺在食品包裝缺陷檢測上的應用也越發(fā)的廣泛。食品包裝材料具有多樣性，常見的包裝材料有塑料、金屬、玻璃、紙質等[1]，其對應的缺陷類型也存在差異，但在檢測方法上有一定的共通性。馬志剛等[2]結合中值濾波、Canny算子等圖像預處理和圖像匹配的方法，搭建了機器視覺系統(tǒng)，實現了對條煙外包裝的缺陷檢測；Xiong等[3]提出了基于水平集映射（LSM）的方法，利用圖像灰度值表示包裝輪廓和缺陷位置信息，實現了對餅干缺陷包裝的檢測；Gao等[4]選取梯度直方圖（Histogram of Oriented Gradient, HOG）特征作為圖像的識別特征，并基于支持向量機（Support Vector Machine, SVM）對特征進行分類，實現了對不同表面缺陷程度的紅酒包裝檢測；Bin-roslan等[5]將單階段目標檢測網絡YOLOv5應用于塑料包裝缺陷檢測中，實現了高精度的塑料包裝表面缺陷的實時檢測。

相較于基于人工的包裝缺陷檢測，上述機器學習算法可以實現對特定包裝缺陷的精確檢測。腌制蔬菜的真空包裝缺陷差異性較小，且其在傳送帶上運輸的速度較快，目前針對食品包裝檢測的傳統(tǒng)機器學習算法難以實現對其快速檢測與精確定位。針對以上問題，文中提出一種基于改進YOLOv5s的腌制蔬菜真空包裝缺陷檢測方法，在提高缺陷包裝檢測精度的同時縮小模型的尺寸。首先，在CPS模塊中引入Ghost卷積，在提高模型特征提取能力的同時降低網絡的參數量；其次，利用空間換深度（Space-to-Depth, SPD）和深度可分離卷積（Depthwise-Separable Convolution, DSConv）的組合操作SPD–DSConv進行下采樣，減少下采樣過程中特征信息的損耗；最后，引入SE注意力機制，提高算法的精確率。

1 YOLOv5s模型

YOLO（You Only Look Once）系列在單階段目標檢測網絡中占據了重要地位，可以快速準確地得到物體的類別和位置信息[6]。YOLOv5模型是Ultralytics團隊于2020年6月提出的具有更優(yōu)檢測精度和速度的YOLO系列模型[7]。本文采用的YOLOv5s模型由YOLOv5按照一定比例縮小網絡寬度和深度得到，兼顧了精度和速度上的要求。YOLOv5網絡結構如圖1所示。

YOLOv5網絡結構包括輸入端（Input）、主干特征提取網絡（Backbone）、特征融合頸部（Neck）和輸出預測端（Head）[8]。

Input部分對圖像進行數據增強操作，包括Mosai增強方法，旋轉、平移、縮放、錯切等仿射變換方法以及HSV色彩空間增強方法。在訓練時，對輸入圖像以一定概率進行以上數據增強方法，可以豐富數據集樣本，使得訓練的模型具有更好的魯棒性[9]。

Backbone部分包括CBS模塊、CSP模塊[10]和SPPF模塊。CBS模塊為常規(guī)的卷積、批標準化（Batch Normalization, BN）和SiLU激活函數，主要負責下采樣工作，Backbone的第1個CBS模塊的卷積核大小為6×6，輸入圖像分辨率較大，采用大卷積核可以更好地獲取全局特征[11]，其余CBS模塊的卷積核大小均為3×3。CSP模塊主要負責特征的提取，通過跨階段結構將不同層次的特征信息進行融合，減少梯度信息的重復。SPPF模塊是空間池化金字塔（Spatial Pyramid Pooling, SPP）[12]模塊的改良版，將輸入特征依次經過3次5×5的最大池化操作，保留了SPP模塊可以有效減少重復特征的提取優(yōu)點并減少了計算成本。

Neck部分包含特征金字塔（Feature Pyramid Networks, FPN）[13]和感知對抗網絡（Perceptual Adversarial Networks, PAN）[14]。首先通過上采樣方式融合自下而上的特征信息，再通過下采樣方式將特征信息作進一步提取，實現了多層次信息的交互。

Head部分主要完成對物體類別信息和特征信息的預測。在訓練過程中通過GIOU[15]損失函數對模型參數進行修正，在預測過程中通過非極大值抑制（Non-Maximum Supression, NMS）對預測的不同類別的物體的坐標信息進行校正和篩選。

2 改進YOLOv5s模型

改進的YOLOv5s網絡結構如圖2所示。在網絡Backbone和Neck部分的CSP模塊中引入Ghost卷積，替換其中的普通卷積，在提高模型特征提取能力的同時降低網絡的參數量。將Backbone和Neck部分中的下采樣卷積用SPD–DSConv代替，減少下采樣過程中特征信息的損耗并使得網絡更加輕量化，但保留Backbone中6×6的卷積，使網絡可以更好地融合輸入圖像的局部特征。在Backbone中引入一個SE模塊，增加模型的特征提取能力。

圖1 YOLOv5網絡結構

圖2 改進YOLOv5s網絡結構

2.1 Ghost卷積

腌制蔬菜完成罐裝后，需要在傳送帶上運輸到下一殺菌環(huán)節(jié)，實現運輸過程中缺陷包裝的實時精確檢測，對進一步實現基于機器人的缺陷包裝剔除有重要意義。YOLOv5s網絡相較于YOLOv5網絡，在深度上已經進行了極大的壓縮，但要實現傳送帶上包裝的不間斷檢測對網絡的輕量化有更進一步的要求。

Ghost卷積利用普通卷積生成的特征圖中具有冗余性的特征，采用低成本的線性變換方式在普通卷積生成的特征圖基礎上得到新的特征圖[16]。在保持模型特征提取能力的同時減少網絡的參數量。

Ghost卷積的過程如圖3所示。假設輸入的特征圖大小為，經過普通卷積后生成不含冗余的(/2)的中間特征圖；再以廉價的線性操作即分組卷積，使中間特征圖的每個通道形成冗余特征圖；最后將冗余特征圖和中間特征圖在通道上進行拼接，生成完整的的特征圖。假設使用的普通卷積和分組卷積的卷積核大小均為×，則Ghost卷積中常規(guī)卷積的參數量見式（1）。

分組卷積的參數量見式（2）。

因此Ghost卷積的參數量見式（3）。

當完全由傳統(tǒng)卷積獲得輸出特征圖時，卷積的參數量見式（4）。

對比式（3）和式（4），可以發(fā)現Ghost卷積的參數量大約為普通卷積的1/2。CSP模塊負責網絡的特征提取，包含整個網絡的大部分參數，將Ghost卷積替換CSP模塊中的普通卷積可以有效降低網絡的參數量。

圖3 Ghost卷積

2.2 SPD–DSConv

腌制蔬菜包裝采用真空包裝的形式，在罐裝機剛完成抽真空后，漏包和正常包裝的差異性較小，封口不嚴引起的缺陷在一開始僅表現為封口處的細小差異，在殺菌等后續(xù)環(huán)節(jié)完成后才會逐漸引起包裝整體的漏氣，放大缺陷差異，要實現對罐裝之后缺陷包裝的剔除，需要實現對封口處細小差異特征的準確提取。

在常見的目標檢測網絡模型中，多用步長為2的卷積進行下采樣，而對分辨率較小的特征來說，這種下采樣方式會導致特征圖細粒度信息的丟失[17]。

SPD具體方法如圖4所示。采用空間換深度的操作，利用切片組合的方式將圖像進行下采樣，再通過卷積將通道維度信息進行融合，可以減少下采樣過程中細粒度信息的丟失。

DSConv方法如圖5所示。其包括逐通道卷積和逐點卷積，首先利用逐通道卷積對輸入特征圖每個通道進行分組卷積，生成中間特征圖，再對中間特征圖進行逐點卷積，采用卷積核大小為1×1，步長為1的普通卷積得到最終的特征圖。假設輸入和輸出特征圖大小為，卷積核大小為，則普通卷積操作所需參數量見式（5）。

深度可分離卷積操作所需參數量見圖（6）。

綜合式（5）和式（6），對通道數較多的特征來說，DSConv可以大幅減少卷積所需的參數量。SPD雖然有利于特征信息的融合，但會帶來通道維度翻倍，對于普通的卷積來說，其參數量也會成倍增長，因此在SPD操作后利用DSConv來對通道維度信息進行融合，可以大幅度減少所需的參數量。

圖4 SPD結構

圖5 深度可分離卷積

2.3 SE注意力機制

腌制蔬菜包裝在傳送帶上的姿態(tài)并非規(guī)則整齊的，會出現不同的形態(tài)，甚至不同的包裝之間會出現不同程度的堆疊導致缺陷特征被部分遮擋，因此需要對網絡的特征提取能力作進一步的增強。

SE模塊是一種通道注意力，它對輸入特征圖進行通道特征加強，而不改變特征圖的大小[18]。本文將SE模塊放在Backbone的末尾，加強整體的通道特征，使后續(xù)的Neck部分能更好地對重要特征進行融合，提高模型性能。SE模塊的結構如圖6所示，其結構包含壓縮、通道特征學習和激勵。假設輸入特征圖的大小為××，壓縮部分通過全局池化平均在空間維度上將輸入特征圖壓縮成1×1×的特征圖；通道特征學習部分首先利用卷積核大小為1×1、步長為1的卷積和SiLU激活函數得到1×1×()的特征圖，其中為通道縮放因子，本文采用=16，再通過卷積核大小為1×1、步長為1的卷積和Sigmoid激活函數得到1×1×的通道權重系數；激勵部分將原始輸入特征逐通道乘上通道權重系數，得到帶有通道注意力的特征圖，其中不同的通道權重系數反映了該通道特征的重要性。

圖6 SE注意力機制

3 實驗結果與分析

3.1 數據集介紹

本文采用自制腌制蔬菜包裝數據集，包裝樣本由浙江寧波某公司提供，其中缺陷包裝由生產線上6 d內人工篩選而得。根據罐裝機自動包裝的流程，將缺陷樣本類型分為漏包、次包，其中漏包的主要特征為包裝封口不嚴密，易于漏氣；次包的主要特征為包裝雖然密封，但計量不準或少于設定的包裝物料質量，乃至空包。根據腌制蔬菜種類的不同，數據集中包含榨菜絲、榨菜芯、榨菜片、腌蘿卜等不同外觀包裝。根據傳送帶上運輸包裝的真實情況，同一批次中包含多個分布不均勻的包裝，數據集中包含多個正常包裝和缺陷包裝以不同數量和不同堆疊方式放置。根據以上方式對包裝樣本進行數據采集，最后獲得3 374張圖片，并利用LableImg工具對圖片中的目標進行標注，分為正常包（Normal）、次包（Defect）和漏包（Leakage），其目標數量分別為3 140、1 619、2 943。

數據集中的部分圖像如圖7所示，其中文本表示該樣本所屬的類別。

圖7 自制腌制蔬菜包裝數據集

3.2 環(huán)境配置

實驗環(huán)境為Windows 10操作系統(tǒng)，選用Python語言的PyTorch 1.7深度學習框架；CPU處理器為Intel(R) Core(TM) i7–10700 CPU @ 2.90GHz；GPU為NVIDIA GeForce RTX 3060。

訓練時，將數據集中圖片隨機劃分，最終選用2 618張圖片作為訓練集，756張圖片作為驗證集，設置Batch_size為4。訓練過程中，模型輸入圖片的分辨率為640×640；采用SGD優(yōu)化器訓練網絡，動量參數設置為0.937，權重衰減系數為0.000 5。文中模型的學習率和損失值隨迭代次數變化如圖8所示。模型一共訓練400批次，學習率下降策略采用余弦退火，初始學習率設置為0.01，在第300批次時降低至0.001，同時在開始訓練時開啟熱身訓練，幫助模型更好的收斂。關于熱身訓練的具體內容參考文獻[19]。根據損失值隨迭代批次的變化可以發(fā)現在迭代批次達到300時，模型在訓練集上趨于收斂，因此，在300～400批次時利用驗證集驗證模型的效果，并保存在驗證集上表現最好的模型權重，避免模型過擬合。

圖8 文中模型學習率和損失值變化曲線

3.3 評價指標

文中采用平均精度（mean Average Precision,mAP）、參數量（Parameters）、浮點運算數（Floating Point Operations, FLOPs）分別評價模型的精度、空間復雜度和時間復雜度。

mAP是所有目標類別P的均值，可以同時評價模型的分類和定位性能。P為該目標類別在不同置信度下準確率和召回率繪制曲線所圍面積，公式如下：

式中：p為預測為正樣本且實際為正樣本的樣本數量；p為預測為正樣本但實際為負樣本的樣本數量；N為預測為負樣本但實際為正樣本的數量；P為類別精度；為樣本類別數。

3.4 結果分析

根據實際的腌制蔬菜在傳送帶上運輸的情況，在不同的堆疊程度下驗證本文算法的檢測效果。實驗結果如圖9所示，圖9中的數值為對應類別的置信度。訓練好的網絡可以精確地實現榨菜絲、榨菜片、榨菜芯、蘿卜干等不同腌制蔬菜包裝在復雜堆疊環(huán)境下的分類和定位。

為驗證本文算法的有效性，在相同的驗證集和訓練環(huán)境配置下，通過消融實驗驗證所添加的各個模塊效果，實驗結果見表1。其中YOLOv5s–G表示在原網絡中僅加入Ghost卷積，YOLOv5s–SD表示在原網絡中加入SPD–DSConv模塊，YOLOv5s–SE表示在原網絡中加入SE注意力機制，YOLOv5s– G–SD表示在原網絡中同時加入Ghost卷積和SPD–DSConv模塊。由表1可知，在YOLOv5s算法基礎上加入Ghost卷積后，mAP提升了2.53%，同時模型參數量下降了27.03%。表明引入Ghost卷積后的CSP模塊不僅能降低網絡參數量，還提高了網絡的特征提取能力。用SPD–DSConv替換原本的下采樣卷積后，網絡在保持精度的同時還降低了網絡的參數量。同時加入Ghost卷積和SPD–DSConv模塊后，在不損失精度的條件下，模型尺寸下降了44.81%；在此基礎上加入SE注意力機制，進一步提升了網絡的特征提取能力。對比原YOLOv5s算法，本文算法各類別精度均獲得了提升，且對設備的算力和內存要求較小，模型的平均精度提升了2.05%，尺寸下降了44.38%。

為進一步驗證本文算法的優(yōu)越性，在相同的數據集和訓練環(huán)境下，將本文算法與輕量級單階段目標檢測網絡YOLOv3–tiny、YOLOv4–tiny進行對比實驗，結果如表2所示。

由表2可知，本文模型的各類別精度均高于YOLOv3–tiny和YOLOv4–tiny的各類別精度。相較于YOLOv3–tiny和YOLOv4–tiny，本文模型的平均精度分別提高了3.01%、2.70%，同時模型參數量分別降低了54.90%、33.50%。實驗證明改進后的YOLOv5s網絡能夠實現快速精確地進行腌制蔬菜包裝的缺陷檢測。

圖9 腌制蔬菜包裝缺陷檢測效果

表1 消融實驗對比結果

Tab.1 Comparison results of ablation experiments

表2 各網絡模型性能對比

Tab.2 Performance comparison of network models

4 結語

為解決傳統(tǒng)基于人工腌制蔬菜真空缺陷包裝剔除效率低、漏檢率高的問題，文中提出了基于改進的YOLOv5s腌制蔬菜真空包裝缺陷檢測方法。在網絡中引入了Ghost卷積，在保持網絡特征提取能力的同時降低網絡參數量，有利于實現傳送帶上運輸的不同批次腌制蔬菜包裝的實時高效檢測；引入SPD–DSConv模塊進行下采樣，減少下采樣過程中細粒度信息的丟失，有利于對腌制蔬菜缺陷包裝細小缺陷特征的提??；引入SE注意力機制，進一步增強了網絡對腌制蔬菜缺陷包裝的特征提取能力。改進后的網絡能夠實現高精度的實時缺陷檢測，為基于自動化腌制蔬菜缺陷包裝剔除系統(tǒng)的構建奠定基礎。

[1] 張紅巖, 王永志, 劉慶紅. 圖像識別技術在食品包裝缺陷檢測中的應用[J]. 食品與機械, 2020, 36(8): 225-228.

ZHANG Hong-yan, WANG Yong-zhi, LIU Qing-hong. Application of Image Recognition Technology in Food Packaging Defect Monitoring[J]. Food & Machinery, 2020, 36(8): 225-228.

[2] 馬志剛, 趙志強. 基于機器視覺的包裝品質檢測系統(tǒng)設計[J]. 包裝工程, 2022, 43(21): 193-197.

MA Zhi-gang, ZHAO Zhi-qiang. Design of Packaging Quality Inspection System Based on Machine Vision[J]. Packaging Engineering, 2022, 43(21): 193-197.

[3] XIONG Kun-kun, LI Weng-sheng, DONG Shu-ai, et al. Defect Detection of Biscuit Packaging Based on Level Set Map[C]// 2022 15th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), Beijing, China, 2022: 1-7.

[4] GAO Cong-rui. Design of Tourism Package with Paper and the Detection and Recognition of Surface Defects-Taking the Paper Package of Red Wine as an Example[J]. Journal of Intelligent Systems, 2021, 30(1): 720-727.

[5] BIN-ROSLAN M I, IBRAHIM Z, AZIZ Z A, Real-Time Plastic Surface Defect Detection Using Deep Learning[C]// 2022 IEEE 12th Symposium on Computer Applications & Industrial Electronics (ISCAIE), Penang, Malaysia, 2022: 111-116.

[6] 邵延華, 張鐸, 楚紅雨, 等. 基于深度學習的YOLO目標檢測綜述[J]. 電子與信息學報, 2022, 44(10): 3697-3708.

SHAO Yan-hua, ZHANG Duo, CHU Hong-yu, et al. A Review of YOLO Object Detection Based on Deep Learning[J]. Journal of Electronics & Information Technology, 2022, 44(10): 3697-3708.

[7] 王朕, 李豪, 嚴冬梅, 等. 基于改進YOLOv5的路面病害檢測模型[J]. 計算機工程, 2023, 49(2): 15-23.

WANG Zhen, LI Hao, YAN Dong-mei, et al. Pavement Disease Detection Model Based on Improved YOLOv5[J]. Computer Engineering, 2023, 49(2): 15-23.

[8] HU Wen-xin, XIONG Jun-tao, LIANG Jun-hao, et al. A Method of Citrus Epidermis Defects Detection Based on an Improved YOLOv5[J]. Biosystems Engineering, 2023, 227: 19-35.

[9] 王淑青, 頓偉超, 黃劍鋒, 等. 基于YOLOv5的瓷磚表面缺陷檢測[J]. 包裝工程, 2022, 43(9): 217-224.

WANG Shu-qing, DUN Wei-chao, HUANG Jian-feng, et al. Ceramic Tile Surface Defect Detection Based on YOLOv5[J]. Packaging Engineering, 2022, 43(9): 217-224.

[10] WANG C Y, LIAO H Y M, YEH I H, et al. CSPNet: A New Backbone that can Enhance Learning Capability of CNN[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Seattle, WA, USA, 2020: 1571-1580.

[11] DING Xiao-hong, ZHANG Xiang-yu, ZHOU Yi-zhuang, et al. Scaling up your Kernels to 31x31: Revisiting Large Kernel Design in CNNS[C]// 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), New Orleans, LA, USA, 2022: 11953-11965.

[12] HE Kai-ming, ZHANG Xiang-yu, REN Shao-qing, et al. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1904-1916.

[13] ZHANG Y, HAN J H, KWON Y W, et al. A New Architecture of Feature Pyramid Network for Object Detection[C]// 2020 IEEE 6th International Conference on Computer and Communications (ICCC), Chengdu, China, 2020: 1224-1228.

[14] CHEN Yu-nian, WANG Yan-jie, ZHANG Yang, et, al. PANet: A Context Based Predicate Association Network for Scene Graph Generation[C]// 2019 IEEE International Conference on Multimedia and Expo (ICME), Shanghai, China, 2019: 508-513.

[15] REZATOFIGHI H, TSOI N, GWAK J, et al. Generalized Intersection over Union: A Metric and a Loss for Bounding Box Regression[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 2019: 658-666.

[16] HAN Kai, WANG Yun-he, TIAN QI, et al. GhostNet: More Features from Cheap Operations[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA, 2020: 1577-1586.

[17] SUNKARA R, LUO T. No More Strided Convolutions or Pooling: A New CNN Building Block for Low-Resolution Images and Small Objects[C]// European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD), Grenoble, France, 2022.

[18] CHEN Jia-dong, WU Yin-cheng, YANG Yin, et al. An Efficient Memristor-Based Circuit Implementation of Squeeze-and-Excitation Fully Convolutional Neural Networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2022, 33(4): 1779-1790.

[19] HE Kai-ming, ZHANG Xiang-yu, REN Shao-qing, et al. Deep Residual Learning for Image Recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016: 770-778.

Vacuum Packaging Defect Detection of Pickled Vegetables Based on Improved YOLOv5s

YE Yu-xing1, SUN Zhi-feng1,2,MA Feng-li1,2,LU Ling-xia1,HUANG Ying2

(1. College of Electrical Engineering, Zhejiang University, Hangzhou 310007, China; 2. Hangzhou Lichao Intelligent Technology Co., Ltd., Hangzhou 310014, China)

The work aims to propose a vacuum packaging defect detection method for pickled vegetables based on YOLOv5s network to solve the low efficiency and high leakage rate of manual-based vacuum defect packaging rejection of pickled vegetables. Firstly, Ghost Convolution was used to replace the convolution in the CSP module, which reduced the number of parameters in the network while improving the feature extraction capability of the model; Secondly, in order to reduce the loss of feature information in down sampling, the space-to-depth (SPD) and depthwise-separable convolution (DSConv) were used in down sampling; Finally, the SE attention mechanism module was introduced in the network to improve the accuracy of the algorithm. On the dataset of homemade pickled vegetable packaging, the mean average precision (mAP) of the improved network reached 93.88 and the model size reached 3.91 MB. Compared with the original model, the mAP was increased by 2.05% and the model was reduced by 44.38%. The method in the paper enables the classification and localization of the defective vacuum packages of pickled vegetables, and lays a foundation for robot-based defective package rejection.

food vacuum packaging; YOLOv5s; defect detection

TP391.4

A

1001-3563(2023)09-0045-09

10.19554/j.cnki.1001-3563.2023.09.006

2023?02?24

寧波市現代農業(yè)專項（2022Z176）；國家重點研發(fā)計劃項目（2016YFD0400405）

葉宇星（1998—），男，碩士生，主攻計算機視覺。

孫志鋒（1963—），男，碩士，副教授，主要研究方向為微電網技術，人工智能等。

責任編輯：曾鈺嬋