朱霆芳，趙 博，劉陽春，馮 林，李明輝

（中國農(nóng)業(yè)機(jī)械化科學(xué)研究院集團(tuán)有限公司，北京 100083）

0 引言

飲料生產(chǎn)過程中，飲料灌裝液位精度受灌裝設(shè)備的硬件狀況和定量灌裝控制系統(tǒng)控制策略的影響會出現(xiàn)瓶裝飲料液位高度波動[1]。影響因素通常有飲料的液體特性及飲料內(nèi)的固態(tài)成分、灌裝設(shè)備故障、自動補償控制系統(tǒng)調(diào)控策略等，因而灌裝作業(yè)中瓶裝飲料會出現(xiàn)灌裝液位差[2-4]。灌裝后的液位高度檢測可以幫助廠家確保質(zhì)量、控制成本，長期出現(xiàn)灌裝過量會造成原料需求量增加，企業(yè)利潤減少；缺量飲料流入市場，會造成企業(yè)的信譽損失，從而影響消費者消費決策[5]。通過液位檢測可以反饋生產(chǎn)設(shè)備狀態(tài)，出現(xiàn)大量灌裝高度不合格飲料時，及時反饋錯誤，設(shè)備根據(jù)反饋信號及時調(diào)整參數(shù)修正錯誤，保障生產(chǎn)安全，提高生產(chǎn)效率[6-8]。

瓶裝飲料液位檢測依賴光電傳感器發(fā)出視覺檢測程序觸發(fā)“開關(guān)”，配合壓力傳感器測量、電容式傳感器等對灌裝液位進(jìn)行檢測，自機(jī)器視覺檢測技術(shù)應(yīng)用后，在大部分PET 飲料瓶質(zhì)量檢測、灌裝后液位檢測多采用光電傳感器觸發(fā)檢測開關(guān)，配合圖像處理算法構(gòu)成檢測系統(tǒng)[9-19]。早期基于Opencv 液位識別方法識別速度較慢，目前多數(shù)以光電傳感器作為液位檢測圖像處理程序的觸發(fā)器[17]。

隨著機(jī)器視覺技術(shù)的成熟，目前機(jī)器視覺識別速度已能達(dá)到高速生產(chǎn)檢測的要求。使用機(jī)器視覺在飲料生產(chǎn)中作為檢測觸發(fā)程序，不僅可以降低檢測系統(tǒng)硬件使用量，集成化檢測系統(tǒng)，還能快速對檢測內(nèi)容定位和調(diào)度檢測程序，并且可以簡化檢測系統(tǒng)設(shè)備結(jié)構(gòu)，彌補傳感器冗雜的系統(tǒng)硬件布局缺點，提高系統(tǒng)效率和可靠性[18-20]。飲料生產(chǎn)線視覺檢測系統(tǒng)背景較為簡單，因而更容易區(qū)分檢測目標(biāo)，圖像中信息量少，配合圖像處理方法識別液位高度也就越快。本研究在YOLOv7 基礎(chǔ)上參考飲料生產(chǎn)中飲料瓶質(zhì)量檢測和飲料液位檢測方法，設(shè)計整套系統(tǒng)在背光照明的條件下實現(xiàn)瓶裝飲料液位檢測的快速識別和定位，并驗證了識別速度與識別準(zhǔn)確率，為實現(xiàn)高速液位檢測提供識別模型，并快速定位液位區(qū)域，為液位高度檢測程序提供觸發(fā)指令，取代光電傳感器作為檢測程序的觸發(fā)器。

1 數(shù)據(jù)采集與預(yù)處理

1.1 數(shù)據(jù)采集設(shè)備與方法

待采集的飲料瓶放置于傳送帶上，傳送帶寬25 cm；傳送帶一側(cè)設(shè)置CMOS 傳感器海威工業(yè)相機(jī)，型號為MV-CE060-10UC，8 mm 焦距鏡頭，采集圖像分辨率為3 072 像素×2 048 像素；另一側(cè)正對攝像頭設(shè)置背光板，背光板尺寸30 cm×60 cm，可滿足市場上大部分300～650 mL 飲料瓶的高度，以此模擬生產(chǎn)的環(huán)境，其實際布局如圖1 所示。在采集圖像試驗臺上采集不同類型瓶裝飲料液位。為獲得更好的液位特征完善識別模型，采集時以量筒測量后確定的飲料標(biāo)準(zhǔn)凈含量液位面為高度參考面，采集了俯視、平視和仰視3 個視角的圖像作為學(xué)習(xí)樣本，采集圖像如圖2 所示。

圖1 瓶裝飲料液位檢測硬件布局Fig.1 Measurement hardware layout of bottled beverages liquid level

圖2 采集視角示意Fig.2 Schematic diagram of acquisition angle

采集PET 瓶裝飲料分類如圖3 所示，將采集PET瓶類型分為透明瓶透明液位、透明瓶有色液位、深色透明瓶、表面粗糙瓶、直頸瓶、淺色透明瓶、白色不透明瓶和瓶頸不規(guī)則瓶8 類。8 種瓶分別采集有標(biāo)簽有蓋、有標(biāo)簽無蓋、無標(biāo)簽有蓋和無標(biāo)簽無蓋4 小類樣本。每種類型飲料瓶基于飲料瓶形狀過渡對液位進(jìn)行高度分段，據(jù)此條件作為液位高度變量。

圖3 不同類型飲料瓶圖像Fig.3 Images of different types of beverage bottles

由于生產(chǎn)線生產(chǎn)速度不同，多瓶飲料排列間隔也不同，為模擬生產(chǎn)時多瓶排列情況，將多瓶飲料不同間距排列從緊密到稀松分為4 種間隔：緊密、間距2～3 cm、間距5 ～6 cm 和間距8 ～12 cm，如圖4所示。

圖4 飲料瓶不同間距排列Fig.4 Different interval arrangement of beverage bottles

1.2 驗證YOLOv7 能識別研究目標(biāo)

由于YOLOv7 網(wǎng)絡(luò)中默認(rèn)識別的80 類可識別目標(biāo)包含飲料瓶，因而只需驗證該模型在經(jīng)過訓(xùn)練后能夠正常識別和正確框定液位即可滿足識別要求。在對采集的部分樣本標(biāo)注后，通過400 輪次的訓(xùn)練，訓(xùn)練后驗證效果如圖5 所示。

圖5 飲料液位識別與定位Fig.5 Beverage level identification and positioning

1.3 圖像處理與標(biāo)注

將采集的原始圖像篩選出無殘影的圖像，對圖像采取如下方式修改，增強模型對圖像識別準(zhǔn)確性。

擴(kuò)充采集樣本，模擬暗光與背光亮度過高，偏色處理模擬顏色失真，改變明度，圖6a 為隨機(jī)選取圖像改變色相、飽和度和明度權(quán)重的樣本圖像。模糊圖像，從選取的圖像中隨機(jī)選取圖像，模擬實際應(yīng)用中拍攝出現(xiàn)異常的情況，增加高斯、椒鹽和乘法噪聲；部分虛化圖像模擬鏡頭有霧氣。圖6b 分別為加高斯、椒鹽、乘法噪聲和虛化的樣本圖像。

圖6 處理后的圖像Fig.6 Processed images

為進(jìn)一步驗證模型復(fù)雜圖片識別能力，選取部分旋轉(zhuǎn)與加馬賽克處理，圖6c 是瓶裝飲料原始圖像旋轉(zhuǎn)和馬賽克處理的樣本圖像。

2 基于YOLOv7 識別網(wǎng)絡(luò)改進(jìn)

已驗證YOLOv7 能夠正常且準(zhǔn)確識別和框定液位，通過改進(jìn)YOLOv7 結(jié)構(gòu)（圖7），使得該算法更加適用于瓶裝飲料液位識別與框定，在實際生產(chǎn)檢測中與檢測程序更加契合[21]。

圖7 YOLOv7 網(wǎng)絡(luò)框架Fig.7 Network framework of YOLOv7

2.1 空間金字塔池化改進(jìn)

YOLOv7 基于空間金字塔池化結(jié)構(gòu)（Spatial Pyramid Pooling，SPP），通過跨階段局部網(wǎng)絡(luò)CSPNet 結(jié)構(gòu)設(shè)計的一種SPPCSPC 的空間金字塔池化結(jié)構(gòu)[21-22]。SPP需要指定3 次卷積核大小，默認(rèn)核大小為5、9、13，通過將來自CBS 模塊的數(shù)據(jù)進(jìn)行3 次池化并拼接，然后再過一個CBS，旨在增強特征圖特征表達(dá)能力。為獲得訓(xùn)練加速和加速推理，采用更快的空間金字塔池化結(jié)構(gòu)（Spatial Pyramid Pooling - Fast，SPPF），將輸入串行通過3 個5×5 卷積核的MaxPool 層，最后將各個輸出連接，與SPP 相比，SPPF 指定一個卷積核，每次池化后的輸出會成為下一個池化的輸入，計算速度更快，以此為基礎(chǔ)改造該結(jié)構(gòu)為SPPFCSPC 結(jié)構(gòu)，其結(jié)構(gòu)如圖8 所示[23-24]。

圖8 SPPFCSPC 結(jié)構(gòu)Fig.8 Structure of SPPFCSPC

2.2 YOLOv7 損失函數(shù)改進(jìn)

YOLOv7 采用CIoU 損失函數(shù)，其縱橫比權(quán)重不明確，其公式中參數(shù)反映的是長寬比差異，而不是寬高分別與其置信度的真實差異，在訓(xùn)練后得到模型檢測液位時會因為瓶中傾斜液位而出現(xiàn)檢測框偏移較大，因而改進(jìn)為SIoU 公式[25]。

角度計算如圖9 所示，其他計算如下。

圖9 角度損失函數(shù)成本貢獻(xiàn)計算Fig.9 Calculation of angle cost contribution into loss function

式中 L ossSIoU?總體損失函數(shù)

IoU?預(yù)測框與真實框交集和并集比值

Δ?距離損失

Ω?形狀損失

Λ?角度損失

A?面積

B?真實框

cw、ch? 真實框與預(yù)測框最小外接矩形的寬和高

chc? 真實框和預(yù)測框中心點的高度差

σc?真實框和預(yù)測框中心點的距離

w、h?預(yù)測框的寬和高

wgt、hgt?真實框的寬和高

θ?形狀損失關(guān)注程度，值為4

SIoU 損失函數(shù)考慮了期望回歸之間的向量夾角，即角度損失Λ，還包括距離損失Δ、形狀損失Ω、IoU損失。方向框的角度會影響回歸，引入了角度損失Λ使得預(yù)測框快速地移動到最近地最近角度的軸，隨后模型將嘗試首先在X 或Y 軸做預(yù)測（以最接近者為準(zhǔn)），然后沿著相關(guān)軸繼續(xù)接近。采用SIoU 作為損失函數(shù)相等的訓(xùn)練輪次下精度更高，添加角度懲罰進(jìn)一步限制距離損失，有效地減少了損失的總自由度[25]。

3 改進(jìn)后模型訓(xùn)練與評估

3.1 訓(xùn)練軟硬件環(huán)境與過程

使用處理后的圖像作為訓(xùn)練數(shù)據(jù)集，采用YOLOv7模塊，400 次迭代，每8 個樣本作為一個批處理單元（Batch size）。以多類別平均精度mAP、準(zhǔn)確率（預(yù)測為正樣本實際為正的概率）Precision、損失值Loss及召回率Recall（實際為正的樣本中被預(yù)測為正樣本的概率），作為模型評價指標(biāo)；以平均精度mAP 和檢測時間t 作為已訓(xùn)練好的模型的主要評價指標(biāo)。訓(xùn)練配置如表1 所示。

表1 訓(xùn)練與測試環(huán)境Tab.1 Train and test environment setting

標(biāo)注數(shù)據(jù)集，標(biāo)注圖像共2 477 幅，單瓶樣本中，無色透明瓶755 幅、有色透明瓶463 幅、不透明白色瓶150 幅、表面粗糙瓶240 幅；多瓶排列樣本269 幅。修改HSV 權(quán)值樣本100 幅、旋轉(zhuǎn)樣本100 幅、加馬賽克100 幅、加噪點150 幅及虛化樣本150 幅。按照4∶1∶1 的比例分配為訓(xùn)練集、驗證集和測試集。

3.2 訓(xùn)練模型

改進(jìn)后的損失函數(shù)曲線如圖10 所示。模型損失函數(shù)曲線在前50 輪損失值下降較快后開始收斂，300 輪之后損失值變化較小，并且損失值較小，可以確定損失函數(shù)有效。

圖10 模型訓(xùn)練參數(shù)曲線Fig.10 Parameters curves of model training

4 結(jié)果與分析

4.1 試驗方法

為驗證改進(jìn)后的YOLOv7 飲料生產(chǎn)線關(guān)鍵目標(biāo)檢測模型的識別性能，對模型的測試集做分類驗證。

（1）將分配好的含所有類別圖像的測試集圖像做混合測試，驗證模型性能。

（2）測試集分類驗證，將分類好的測試集圖像樣本、改變HSV 權(quán)值的樣本、馬賽克模糊和加噪聲3 類識別驗證，并對以上識別結(jié)果框定區(qū)域進(jìn)行人工評估。

4.2 模型試驗

將同樣的訓(xùn)練集分別在原YOLOv7 和改進(jìn)后的YOLOv7 模型上訓(xùn)練。使用二者訓(xùn)練后的模型與本研究改進(jìn)后的YOLOv7 訓(xùn)練好的最好權(quán)值模型在測試集上驗證。選取測試項為飲料瓶、液位識別精度、總體識別精度和平均精度，結(jié)果如表2 所示，改進(jìn)后的模型飲料液位識別精度為96.3%，比未改進(jìn)模型94.5%高1.8 個百分點，模型占用71.3 MB 存儲空間。平均識別時間10.7 ms，非極大值抑制時間1.4 ms，平均識別框定時間12.1 ms。

表2 改進(jìn)后模型評估Tab.2 Improved model evaluation單位：%

4.3 處理后樣本測試

進(jìn)一步測試模型在暗光、色彩失真條件下模型的可靠性和檢測的準(zhǔn)確性，選取暗光和修改色相、飽和度、亮度和全圖馬賽克（馬賽克核為15×15）的圖片各30 張，包含多瓶排列樣本和空瓶，分別使用原算法和改進(jìn)的YOLOv7 訓(xùn)練后得到的最好的模型中測試得到結(jié)果如表3 和圖11 所示。

表3 失色樣本檢測Tab.3 Discoloration sample detection

圖11 失色樣本檢測結(jié)果Fig.11 Test results of discolored samples

由表3 和圖11 可知，在暗光、馬賽克、修改飽和度和改變色調(diào)的條件下模型沒有出現(xiàn)漏檢且液位定位準(zhǔn)確。

4.4 噪聲與虛化目標(biāo)檢測

在實際生產(chǎn)過程，因為相機(jī)過熱、線路不穩(wěn)定等因素會出現(xiàn)部分采集樣本出現(xiàn)噪點，因而為驗證模型穩(wěn)定性，分別選取30 張加了高斯、椒鹽和乘法噪點的樣本圖像實測模型的抗噪點能力，包含多瓶排列樣本和空瓶，檢測結(jié)果如表4 和圖12 所示。通過實測，模型對于出現(xiàn)噪點的樣本同樣能準(zhǔn)確識別，并且液位框定位置準(zhǔn)確；增加噪點的樣本仍能準(zhǔn)確識別并定位液位位置，對含氣泡液位也能正確識別。

表4 噪點樣本檢測Tab.4 Noise sample detection

圖12 加噪點飲料液位樣本檢測結(jié)果Fig.12 Test results of add noise bottled beverage liquid level samples

5 結(jié)束語

（1）提出的基于YOLOv7 網(wǎng)絡(luò)模型單幅圖像關(guān)鍵目標(biāo)識別時間10.7 ms 及非極大值抑制（NMS）處理時間1.4 ms，識別并定位平均耗時12.1 ms，模型占71.3 MB存儲空間。證明該模型對飲料關(guān)鍵檢測目標(biāo)識別與定位的可行性，替換傳統(tǒng)傳感器作為瓶裝飲料液位高度檢測的圖像識別程序的觸發(fā)器，可實現(xiàn)實時的檢測觸發(fā)。

（2）識別模型可實時輸出識別框的像素位置數(shù)據(jù)，圖像處理程序根據(jù)框位置可直接從圖像中截取識別目標(biāo)進(jìn)行基于圖像處理的實時識別。

（3）對多種處理后圖像的試驗驗證表明，該模型具有抗干擾檢測能力，并且在暗光、顏色失真、加噪點和混合多類飲料且多噪點情況下也能識別目標(biāo)，能夠?qū)Χ喾N飲料瓶液位識別。