司宏翔 劉國巍

摘要：針對工業(yè)中鋼材出現多種小目標缺陷且對其檢測精度低、誤檢率高等問題，文章提出了對單階段目標檢測算法網絡5s版本（YOLOv5s）的錨框（Anchor）進行改進優(yōu)化。由于鋼材表面存在許多小目標缺陷，原始的YOLOv5s網絡設定的Anchor并不適合對其進行檢測，通過K-Means聚類算法和K-Means++聚類算法重新獲得匹配小目標檢測任務的Anchor。通過實驗將其應用在鋼材的數據集上，與原始的YOLOv5s網絡進行對比，結果表明改進后的YOLOv5s網絡檢測小目標缺陷時收斂性更好，檢測精度更高。

關鍵詞：鋼材表面缺陷；小目標檢測；YOLOv5s；K-Means聚類；K-Means++聚類

中圖分類號：TP391? 文獻標志碼：A

0 引言

在工廠企業(yè)，由于生產工藝技術的限制以及運輸過程中磨損等原因，導致鋼材表面存在軋制氧化皮、點蝕表面、劃痕等缺陷，這些缺陷會影響產品質量，甚至會降低安全保障系數。所以，研究如何提高鋼材表面缺陷檢測精度，降低誤檢率很有必要［1］。本文針對小目標缺陷的YOLOv5s錨框改進方法進行了研究，提出了對Anchor進行重新聚類。

1 YOLOv5s網絡模型

YOLOv5s網絡模型是YOLOv5的其中一種模型，與YOLOv5m，YOLOv5l和YOLOv5x模型相比不同的地方在于其網絡深度和寬度以及模型大小，其他網絡結構類似。YOLOv5s是一種單階段目標檢測網絡算法，在YOLOv4網絡模型的基礎上進行了優(yōu)化，從而使得檢測精度以及效率都有一定的提高。網絡模型主要分為4個部分，分別為輸入層、Backbone、Neck網絡以及輸出層Head預測（Prediction）部分［2］。

2 Anchor的改進

2.1 K-Means聚類算法

K-Means聚類算子屬于無監(jiān)督學習算子，是指一個最簡單的迭代性聚類算子。其主要思路之一是把每個數據集樣本拆分成k個簇來進行聚類，將每個樣本按近似程度分到距聚類中心最近的簇中去，其中近似程度通過歐式距離評判。在使用K-Means算法對數據集進行聚類前，需要預先設定好k個聚類中心，重新計算出所有聚類分析法中心點的二維坐標誤差的算術平均值，進行更新和迭代調整聚類分析法的中心點坐標的初始位置，直到所有聚類分析法的中心坐標誤差平方和值（Sum of Squared Error，SSE）不變時，將其作為新的聚類中心，最后輸出所有新的聚類中心坐標［3］。樣本集的數據到中心點之間的歐氏距離是：

d（x，Ci）=mj=1（xj-Cij）2（1）

公式（1）中的x對應樣本數據集中的每個數據；Ci表示第i個數據簇的集合中心；m對應于樣本數據的不同程度的擴展；xj，Cij分別是x與Ci的第j次對應的值。SSE為中心坐標誤差平方和值其運算公式：

SSE=ki=1x∈Ci|d（x，Ci）|2（2）

公式（2）中的k為類簇數目。

2.2 K-Means++聚類算法

K-Means聚類算法的初始k個聚類中心是隨機選取的，這樣的選取方式可能會讓算法出現局部最優(yōu)的情況。針對這種情況，本文提出了K-Means++聚類算法，在選取初始聚類中心時，遵循著初始中心點之間的距離盡可能遠的原則，可以避免局部最優(yōu)情況出現，從而盡可能達到全局最優(yōu)［4］。K-Means++聚類中心計算的過程如下。

Step1：在整個樣本的數據集合x中，隨機選擇一個樣本作為第一個聚類的中心，記作C1。

Step2：數據集x中除C1外每個樣本xm分別與第一個聚類中心C1進行IOU的距離計算，樣本m與已存在聚類中心Cj距離則記錄為d（xm，Cj）。

Step3：用下列概率公式在集合x中推算出第二個聚類中心，記其為C2。

Pm=d2（xm，C1）njd2（xj，C1）（3）

Step4：再選取下一個聚類中心Cj，計算出每個樣本中心與已有的聚類分析出的中心之間的距離，找出適合每個樣本中心歸屬的初始中心。然后根據每個樣本m=1，2……n，p=1，2……j-1，從x中以概率選取下一個初始中心。

P=d2（xm，Cp）xh∈Cpd2（xh，Cp）（4）

公式（4）中的Cp是所有樣本到最近的初始中心的集合，選擇下一樣本點為初始中心的概率是正相比于歸屬于已有初始中心的距離。

Step5：重復步驟Step4，直到選出第k個數據簇的中心。

Step6：最終確定k個數據簇中心的步驟與K-Means聚類算子除去初始中心的選取過程外，其他步驟一樣［5］。

3 實驗結果與分析

實驗所用數據集是由東北大學發(fā)布的表面缺陷數據集（NEU-DET），一共包含6種缺陷。為了驗證錨框的改變對YOLOv5s網絡訓練結果的影響，分別采用K-Means聚類算法和K-Means++聚類算法對錨框進行了重新設定。本文訓練迭代次數設置為500次，訓練過程中不同方法得到的損失函數曲線如圖1所示，可以看出用K-Means++聚類算法（最下方曲線）得到的損失值下降速度是3條曲線中最快的，得到的網絡模型收斂情況是最好的。K-Means++聚類方法最終在500個周期后損失值下降到了0.034左右，K-Means聚類方法損失值則下降到了0.035左右，原YOLOv5s損失值下降到了0.04左右。

K-Means++聚類方法的損失值下降速度比原始YOLOv5s要快，這體現出K-Means++聚類方法很好地提高了模型訓練的收斂性。但是與K-Means聚類方法相比，二者損失值下降速度差不多，最終達到的損失值也很接近。如表1所示為不同錨框選擇方法最終結果得到的其他數據對比，可以看出雖然K-Means++聚類錨框策略的網絡模型訓練過程中收斂性與K-Means聚類錨框策略差距不大，但是在mAP@.5方面K-Means++聚類表現出來的性能是最好的，最終也是將初始mAP@.5提升到了72.0%。

4 結語

本文針對小目標缺陷的YOLOv5s錨框改進方法研究，提出了K-Means++聚類錨框策略在K-Means聚類基礎上對其初始聚類中心的選擇進行優(yōu)化，從而有效地解決了聚類分析過程中一直存在的局部最優(yōu)的瓶頸問題，讓聚類分析法真正實現了全局最優(yōu)的聚類，大大提升了YOLOv5s網絡模型對小目標缺陷檢測的性能。

參考文獻

［1］劉琪，雷景生.基于改進深度網絡的鋼材表面缺陷檢測［J］.計算機工程與設計，2022（9）：2654-2661.

［2］曹義親，伍銘林，徐露.基于改進YOLOv5算法的鋼材表面缺陷檢測［J］.圖學學報，2022（10）：1-11.

［3］王浩然，李廷會，曹玉軍.基于YOLOv5的鋼材表面缺陷檢測研究［D］.桂林：廣西師范大學，2022.

［4］REN Q，ZHANG H B，ZHANG D L，et al. A novel hybrid method of lithology identification based on k-means++ algorithm and fuzzy decision tree［J］. Journal of Petroleum Science and Engineering，2022（10）：1-13.

［5］曾文鑫.基于機器學習的車標圖像識別研究［D］.西安：西安石油大學，2021.

（編輯 沈 強）

Research on improvement method of YOLOv5s anchor frame for small target defects

Si? Hongxiang， Liu? Guowei

（School of Electrical and Information Engineering，Anhui University of Science and Technology， Huainan 232007， China）

Abstract： Aiming at many small target defects in steel industry， and the detection accuracy is low and the false detection rate is high， an optimization method based on the Anchor frame of network 5s version（YOLOv5s） is proposed. Due to the many small target defects on the steel surface， the Anchor set by the original YOLOv5s network is not suitable for detection， K-Means clustering algorithm and k-means ++ clustering algorithm are used to regain the Anchor matching the small object detection task. Through experiments， it is applied to the steel data set， compared with the original YOLOv5s network， the experimental results show that the improved YOLOv5s network has better convergence and higher detection accuracy when detecting small target defects.

Key words： steel surface defect; small object detection; YOLOv5s; K-Means clustering; K-Means++ clustering