牛小明，曾 理*，楊 飛，何光輝

（1.重慶大學(xué) 數(shù)學(xué)與統(tǒng)計學(xué)院，重慶 401331；2.長春長光辰譜科技有限公司，吉林 長春 130000）

1 引言

機(jī)器視覺定位［1］是一種基于光學(xué)攝像頭或其他傳感器獲取物體位置和姿態(tài)信息，并結(jié)合算法進(jìn)行數(shù)據(jù)處理，最終實現(xiàn)對目標(biāo)物體精確定位和跟蹤的技術(shù)。該技術(shù)在工業(yè)4.0 中發(fā)揮著不可或缺的作用。在智能制造中，視覺定位技術(shù)可以用于產(chǎn)品或零部件的定位［2］、檢測和識別，實現(xiàn)產(chǎn)線流水線的自動化和智能化，進(jìn)而大幅提升生產(chǎn)效能，降低人工成本。在機(jī)器人自動化裝配中［3］，視覺定位技術(shù)可以幫助機(jī)器人定位和識別零部件，實現(xiàn)自動化裝配。在智能物流中，視覺定位技術(shù)可以用于物品的識別［4］和追蹤，提高物流效率和準(zhǔn)確性；在智能倉儲中，視覺定位技術(shù)可以用于物品的分類和存儲，提高倉儲效率和管理水平。

機(jī)器視覺定位技術(shù)通常包括以下幾個步驟：圖像采集、圖像預(yù)處理、特征提取、目標(biāo)匹配和坐標(biāo)轉(zhuǎn)換（圖像的像素坐標(biāo)轉(zhuǎn)換為機(jī)器人的空間物理坐標(biāo)）。在流水線自動安裝時，機(jī)器視覺定位不精準(zhǔn)對微型芯片、高靈敏零部件、易碎且價格昂貴的屏幕等產(chǎn)品的影響可能會更加嚴(yán)重。具體影響包括：（1）損壞產(chǎn)品，機(jī)器視覺定位不準(zhǔn)確會導(dǎo)致機(jī)器在操作時未能正確識別產(chǎn)品位置，可能會對其進(jìn)行錯誤的處理或施加過大的力量，從而導(dǎo)致產(chǎn)品損壞；（2）降低產(chǎn)品質(zhì)量，機(jī)器視覺定位不準(zhǔn)確可能會導(dǎo)致產(chǎn)品的安裝不夠精準(zhǔn)或位置不正確，進(jìn)而導(dǎo)致產(chǎn)品質(zhì)量下滑，功能異?；蛘邏勖s減；（3）增加生產(chǎn)成本，由于機(jī)器視覺定位不準(zhǔn)確，機(jī)器需要進(jìn)行額外的處理或人工干預(yù)，從而增加生產(chǎn)成本；（4）安全隱患，機(jī)器視覺定位不準(zhǔn)確還可能會導(dǎo)致產(chǎn)品被放置在不正確的位置，從而產(chǎn)生安全隱患。對于微型芯片和高靈敏零部件等產(chǎn)品，錯誤的操作可能會導(dǎo)致電路短路等嚴(yán)重問題。因此，在智能制造生產(chǎn)過程中，機(jī)器視覺的定位準(zhǔn)確性和精度起到至為關(guān)鍵的作用。

隨著人工智能的發(fā)展，深度學(xué)習(xí)方法在自動駕駛、智能安防、工業(yè)制造和醫(yī)學(xué)影像等領(lǐng)域得到了廣泛的應(yīng)用。AlexNet［5］是深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域的開端，它使用深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對大規(guī)模圖像數(shù)據(jù)集ImageNet 進(jìn)行分類，同時也在目標(biāo)檢測領(lǐng)域進(jìn)行了嘗試。2014 年，Girshickt［6］等提出了R-CNN（Region based Convolutional Neural Network）算法，它使用區(qū)域建議法取出候選目標(biāo)區(qū)域，然后對單個區(qū)域采用CNN 進(jìn)行特征提取，并利用支持向量機(jī)（SVM）實施分類，緊接著選用回歸模型對目標(biāo)框?qū)嵤┪⒄{(diào)，R-CNN 在PASCAL VOC 數(shù)據(jù)集上獲得了比較好的效果。SPP-Net［7］對R-CNN 算法進(jìn)行了改進(jìn)，引入了空間金字塔池化（Spatial Pyramid Pooling，SPP），促使網(wǎng)絡(luò)可以對任意尺寸的輸入圖像進(jìn)行分類和檢測；對比R-CNN，SPP-Net 識別率更高且運行時間更短。Fast R-CNN［8］引入了ROI（Region of Interest Pooling）池化，使得網(wǎng)絡(luò)可以在整張圖像上進(jìn)行前向傳播，并對每個候選區(qū)域進(jìn)行分類和定位；相比R-CNN 和SPP-Net，F(xiàn)ast R-CNN 更快、更準(zhǔn)確。2015 年，Ren［9］等提出了Faster RCNN 網(wǎng)絡(luò)，它引入?yún)^(qū)域建議網(wǎng)絡(luò)（Region Proposal Network，RPN）來生成候選目標(biāo)框，然后再將這些框輸入到Fast R-CNN 中進(jìn)行分類和定位。因其速度和準(zhǔn)確率表現(xiàn)優(yōu)秀，F(xiàn)aster R-CNN 是目前最常用的目標(biāo)檢測算法之一。2016 年，Redmon［10］等提出YOLO（You Only Look Once）算法，YOLO 是一種One-Stage 的實時目標(biāo)檢測算法，它將輸入圖像分成柵格，然后對每個柵格預(yù)測出多個目標(biāo)框和類別概率，因此推理速度非常快。SSD［11］（Single Shot Multi-Box Detector）也是一種One-Stage 的目標(biāo)檢測算法，它使用多尺度卷積特征圖來檢測不同尺度的目標(biāo)，并在每個特征圖位置上同時預(yù)測多個目標(biāo)框和類別概率；SSD 在速度和準(zhǔn)確率方面都有較好的表現(xiàn)。2017 年，Lin［12］等提出RetinaNet 網(wǎng)絡(luò)，RetinaNet是一種基于Focal Loss 的目標(biāo)檢測算法。Focal Loss 通過縮小易分類樣本的權(quán)重，加強難分類樣本的權(quán)重，解決了目標(biāo)檢測中正負(fù)樣本不均衡的問題。相比較SSD 和YOLO，RetinaNet 的性能相對更好。Mask R-CNN［13］是對Faster R-CNN的改進(jìn)，引入了Mask Head 進(jìn)行實例分割，它能夠同時檢測物體的邊界框和生成物體的掩模，是目前應(yīng)用較廣的實例分割算法之一。2018 年，Cai［14］等提出Cascade R-CNN 算法，它引入級聯(lián)結(jié)構(gòu)進(jìn)一步提升目標(biāo)檢測準(zhǔn)確率，每個級聯(lián)層都是一個獨立的分類器，用來篩選出更準(zhǔn)確的目標(biāo)框。2019 年，Zhou［15］等提出基于關(guān)鍵點檢測的ExtremeNet 網(wǎng)絡(luò)，它利用網(wǎng)絡(luò)模型檢測出目標(biāo)物體上下左右方向的4 個極值點和一個中心點，并利用幾何關(guān)系找到有效點組，一組極點代表一個檢測結(jié)果，該模型有著較快的檢測速度。Li［16］等提出了多尺度目標(biāo)檢測網(wǎng)絡(luò)TridentNet，它采用空洞卷積并設(shè)計了3 種不同尺寸感受野的并行分支，可以處理不同尺寸的物體；訓(xùn)練時使用3 個分支，測試時使用1 個分支，有效解決了目標(biāo)尺寸變化的問題。Zhu［17］等提出了可以根據(jù)目標(biāo)尺寸自由選擇特征層的FSAF（Feature Selective Anchor-Free），針對每一個特征層，計算其損失值，使用損失值最小的特征層當(dāng)作最好的特征層進(jìn)行檢測，該模型較好地解決了目標(biāo)尺寸變化的問題。2020 年，Tan［18］等提出了EfficientDet 網(wǎng)絡(luò)，它引入BiFPN（Bi-directional Feature Pyramid Network）進(jìn)行多尺度特征融合，同時使用Compound Scaling 進(jìn)行模型結(jié)構(gòu)優(yōu)化，EfficientDet 在速度和準(zhǔn)確率方面都有很好的表現(xiàn)。YOLOv4［19］是在YOLOv3 的基礎(chǔ)上進(jìn)行技術(shù)升級和迭代，包括利用SAM（Spatial Attention Module）來提升感受野響應(yīng)，使用SPP（Spatial Pyramid Pooling）來增加網(wǎng)絡(luò)對目標(biāo)的表達(dá)能力等，在COCO 數(shù)據(jù)集上的mAP50為43.5%。Sparse RCNN［20］采用一種稀疏注意力機(jī)制，目的是減少冗余計算和加速推理，在COCO 數(shù)據(jù)集上，Sparse R-CNN 在mAP50方面比Faster R-CNN 高2.5%，速度比它快5 倍以上。Beal［21］等提出了ViTFRCNN 網(wǎng)絡(luò)，它使用Transformer 替換骨干網(wǎng)絡(luò)，借助注意力機(jī)制對圖像全局特征進(jìn)行編碼，基于Transformer 的ViT-FRCNN 網(wǎng)絡(luò)在標(biāo)準(zhǔn)數(shù)據(jù)集上獲得了出色的性能。另外，Qiu［22］等提出了BoderDet 網(wǎng)絡(luò)，它使用邊界對齊自適應(yīng)地進(jìn)行邊界特征提取，并將邊界對齊操作封裝成對齊模塊集成到FCOS（Fully Convolutional One-Stage）網(wǎng)絡(luò)，使用高效的邊界特征提高了重疊目標(biāo)的檢測精度。Yang［23］等提出了基于邊界圓的無錨框檢測方法CircleNet，只需要學(xué)習(xí)邊界圓的半徑就可以實現(xiàn)目標(biāo)檢測，與邊界框相比，具有優(yōu)越的檢測性能和較好的旋轉(zhuǎn)一致性。2021 年，Chen［24］等提出RepPoints v2 算法，它基于Anchor-Free 的思想，利用學(xué)習(xí)目標(biāo)的重心和特征點進(jìn)行檢測；相比較RepPoints v1，RepPoints v2，它對網(wǎng)絡(luò)結(jié)構(gòu)、特征提取和損失函數(shù)等實施了改進(jìn)，進(jìn)而提升了檢測精度和速度；在COCO 數(shù)據(jù)集上測試，RepPoints v2 的mAP50比RepPoints v1 高1.6%。Yao［25］等提出了一種端到端的檢測算法Efficient DETR，該算法利用密集先驗知識初始化檢測網(wǎng)絡(luò)，僅用3 個編碼器和1 個解碼器就達(dá)到了較高的檢測精度，而且提高了收斂速度。Lang［26］提出了無錨框檢測網(wǎng)絡(luò)DAFNe，結(jié)合中心點和角點間距預(yù)測邊界框，并將中心度感知函數(shù)擴(kuò)展到任意四邊形，從而提高目標(biāo)定位精度，對于旋轉(zhuǎn)目標(biāo)效果更好。Ge［27］等提出了基于無錨機(jī)制的檢測方法YOLOX，它利用解耦頭將分類和回歸任務(wù)進(jìn)行解耦，改善模型收斂速度的同時提高了檢測性能。2022 年，Yu［28］等使用三段級聯(lián)設(shè)計完善了目標(biāo)檢測和重識別，實現(xiàn)每個階段注意力結(jié)構(gòu)緊密特征交叉，進(jìn)而使網(wǎng)絡(luò)從粗到細(xì)進(jìn)行目標(biāo)特征學(xué)習(xí)，能夠更加清晰地區(qū)分目標(biāo)和背景特征。Cheng［29］等提出了AOPG（Anchor-Free Oriented Proposal Generator）網(wǎng)絡(luò)，它將特征圖映射到圖像上，把位于真實框中心區(qū)域的頂點作為正樣本，構(gòu)建新的區(qū)域標(biāo)簽分配模塊，緩解了正樣本所占比例小的問題，并且使用對齊卷積消除了特征和旋轉(zhuǎn)框之間的不對齊。Huang［30］等提出了一種無錨框自適應(yīng)標(biāo)簽分配策略，能夠從熱力圖中獲取任意方向和形狀的特征，自適應(yīng)調(diào)整高斯權(quán)重來適配不同的目標(biāo)特征，使用聯(lián)合優(yōu)化損失完善非對齊優(yōu)化任務(wù)，使檢測速度和檢測精度得到大幅提升。

深度學(xué)習(xí)目標(biāo)檢測算法目前已初步應(yīng)用在工業(yè)機(jī)器視覺中，比如制造過程中的產(chǎn)品缺陷檢測、工廠的異常行為檢測、工廠的安全隱患監(jiān)測，指導(dǎo)機(jī)器人進(jìn)行自動化加工、裝配等。然而，將它直接應(yīng)用于零部件精準(zhǔn)定位時存在一定的局限性：（1）經(jīng)典的深度學(xué)習(xí)算法需要海量訓(xùn)練數(shù)據(jù)，通常需要大量的標(biāo)注數(shù)據(jù)，這對于工業(yè)零部件視覺精準(zhǔn)定位數(shù)據(jù)采集來說是一個挑戰(zhàn)；（2）模型參數(shù)量大、對硬件資源要求高，經(jīng)典的深度學(xué)習(xí)算法模型參數(shù)量偏大，如YOLOv3 模型參數(shù)量為162 MB，大模型意味著對硬件資源的占用也相對較多，從而需要大量的計算資源來進(jìn)行訓(xùn)練和推理，這對于一些小型或中小型企業(yè)來說是一個負(fù)擔(dān)；（3）穩(wěn)定性問題，工業(yè)環(huán)境中極易存在噪聲和干擾，在復(fù)雜的光線和噪聲環(huán)境條件下，深度學(xué)習(xí)算法可能會出現(xiàn)性能下降或無法工作的情況；（4）工業(yè)零部件視覺定位精度要求高，針對零部件定位或插件、精密部件的螺孔定位等，有的定位精度要求在毫米量級，有的定位精度要求在百分之一毫米量級，在機(jī)器人、相機(jī)作用距離和相機(jī)分辨率固定的情況下對圖像的定位算法精度要求極高（2～5 pixel），而經(jīng)典的深度學(xué)習(xí)算法會出現(xiàn)檢測框冗余及不精確，可能會導(dǎo)致其不能直接應(yīng)用于工業(yè)零部件像素級精準(zhǔn)定位。針對以上問題，本文構(gòu)建了一種工業(yè)零部件精準(zhǔn)定位的輕量化深度學(xué)習(xí)網(wǎng)絡(luò)（Industry Light Weight Localization Network，ILWLNet）。網(wǎng)絡(luò)整體結(jié)構(gòu)采用Encoder-Decoder 架構(gòu)，Encoder 采用多級bottleneck 模塊［31］，內(nèi)部融入非對稱卷積和空洞卷積，可以有效降低特征提取參數(shù)，增大感受野；Decoder 中的上采樣卷積同樣融入和非對稱卷積和空洞卷積，恢復(fù)圖像的同時進(jìn)一步降低模型參數(shù)；Encoder 與Decoder 對應(yīng)特征層實施融合拼接，促使Encoder 在上采樣卷積時可以獲得更多的高分辨率信息，進(jìn)而更完備地重建出原始圖像細(xì)節(jié)信息。最后，利用加權(quán)的Hausdorff距離構(gòu)建了Decoder 輸出層與定位坐標(biāo)點的關(guān)系。該輕量化深度學(xué)習(xí)定位網(wǎng)絡(luò)具有定位精度高、準(zhǔn)確率高和抗干擾能力強等特性，基本滿足工業(yè)零部件精準(zhǔn)定位的需求。

2 原理

2.1 零部件光學(xué)影像定位系統(tǒng)的硬件構(gòu)成

圖1 為零部件光學(xué)影像定位系統(tǒng)的硬件組成。它主要由照明子系統(tǒng)、圖像采集子系統(tǒng)、機(jī)械運動子系統(tǒng)、機(jī)器人以及計算機(jī)組成。照明子系統(tǒng)由光源和光源控制器構(gòu)成；圖像采集子系統(tǒng)由鏡頭、CCD 相機(jī)和圖像采集卡等構(gòu)成；機(jī)械運動子系統(tǒng)由傳送帶、卡槽、支撐座和伺服運動系統(tǒng)等構(gòu)成。

圖1 定位系統(tǒng)硬件組成Fig.1 Hardware components of localization system

2.2 工作原理

精準(zhǔn)定位系統(tǒng)的基本工作原理如下：由運動控制系統(tǒng)對物件進(jìn)行運動控制，配合卡槽位完成對物件的粗定位；光學(xué)子系統(tǒng)負(fù)責(zé)打光、由成像系統(tǒng)獲取圖像數(shù)據(jù)，經(jīng)過圖像采集卡進(jìn)行A/D 轉(zhuǎn)換，轉(zhuǎn)換成數(shù)字信號、送入至計算機(jī)進(jìn)行零部件的像素級精準(zhǔn)定位；將定位后的精準(zhǔn)像素坐標(biāo)經(jīng)過坐標(biāo)轉(zhuǎn)換為機(jī)器人的空間物理坐標(biāo)，控制機(jī)器人進(jìn)行精準(zhǔn)打孔、插件等，如圖2 所示。

圖2 零部件光學(xué)影像定位系統(tǒng)Fig.2 Optical image localization system for industry component

3 輕量化深度學(xué)習(xí)定位網(wǎng)絡(luò)

3.1 網(wǎng)絡(luò)架構(gòu)

ILWLNet 網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。網(wǎng)絡(luò)總體設(shè)計選用Encoder-Decoder 架構(gòu)，Encoder 和Decoder 分別由三級Down_Block 和三級Up_Block級聯(lián)而成。每級Down_Block 由4 個配置不同的bottleneck 模塊串聯(lián)構(gòu)成；每級Up_Block 對輸入數(shù)據(jù)進(jìn)行上采樣卷積后與對應(yīng)的Down_Block 輸出數(shù)據(jù)進(jìn)行padding，并送入至conv_async 模塊，促使Encoder 在進(jìn)行上采樣卷積時可以獲得更多的高分辨率信息，進(jìn)而更完整地重建出原始圖像的細(xì)節(jié)信息。目標(biāo)點的個數(shù)由Encoder 輸出特征圖與Decoder 輸出語義層經(jīng)過全連接、拼接、全連接回歸獲得。最后，利用加權(quán)的Hausdorff 距離建立Decoder 輸出語義層與定位坐標(biāo)點的關(guān)系，并結(jié)合回歸的目標(biāo)點數(shù)量偏差構(gòu)建最終的損失函數(shù)形成閉環(huán)訓(xùn)練；推理階段，Decoder 輸出語義層經(jīng)過Otsu 分割即可得到最終的零部件精準(zhǔn)定位坐標(biāo)。

圖3 輕量化深度學(xué)習(xí)定位網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Lightweight deep learning localization network architecture

ILWLNet 網(wǎng)絡(luò)算法流程如圖4 所示，包括Encoder、Decoder、目標(biāo)點數(shù)量回歸和目標(biāo)點位置回歸。

圖4 輕量化深度學(xué)習(xí)定位網(wǎng)絡(luò)算法流程Fig.4 Flowchart lightweight deep learning localization network algorithm

Encoder 流程如下：輸入的圖像首先歸一化成3×256×256，經(jīng)過conv_async 輸出16×256×256 的特征圖，記為X1，其中conv_async 內(nèi)部進(jìn)行了1×1 的投影卷積和3×1，1×3 的非對稱卷積，得到初級特征圖的同時，降低了直接卷積的運算量和模型參數(shù)；其次，經(jīng)過Down_Block_1 模塊得到32×128×128 的特征圖，實現(xiàn)下采樣和進(jìn)一步的深度特征提取，記為X2，其中Down_Block_1 內(nèi)部包含bottleneck_1_0，bottleneck_1_1，bottleneck_1_2 和bottleneck_1_3 四個模塊，具備降采樣、低卷積運算量和拓展感受野的能力，多級串聯(lián)也提升了網(wǎng)絡(luò)整體的非線性擬合能力；再次經(jīng)過Down_Block_2 模塊得到64×64×64 的特征圖，記為X3，其中Down_Block_2 內(nèi)部包含bottleneck_2_0，bottleneck_2_1，bottleneck_2_2 和bottleneck_2_3 四個模塊，功能同Down_Block_1；最后，經(jīng)過Down_Block_3 模塊得到64×32×32 的特征圖，記為X4，其中Down_Block_3 內(nèi)部包含bottleneck_3_0，bottleneck_3_1，bottleneck_3_2 和bottleneck_3_3 四個模塊，功能同Down_Block_1。

Decoder 流程如下：首先，特征圖X4和X3作為參變量進(jìn)入至Up_Block_1 模塊，得到32×64×64 的語義圖Y1，其中Up_Block_1 內(nèi)部實現(xiàn)X4上采樣并與X3特征拼接、拼接后的特征圖進(jìn)入conv_async 模塊，Up_Block_1 具備上采樣、低卷積運算和多特征融合能力，促使Encoder 在進(jìn)行上采樣卷積時可以獲得更多的高分辨率信息；其次，語義圖Y1和特征圖X2作為參變量進(jìn)入Up_Block_2 模塊，得到16×128×128 的語義圖Y2，功能實現(xiàn)同Up_Block_1；最后，語義圖Y2和特征圖X1作為參變量進(jìn)入至Up_Block_3 模塊，得到8×256×256 的語義圖Y3。

目標(biāo)點數(shù)量回歸：特征圖X4與語義圖P分別經(jīng)過全連接得到Branch2 的B2和Branch1 的B1，經(jīng)過特征拼接及全連接回歸得到最終的定位目標(biāo)點數(shù)量。

目標(biāo)點位置回歸：Decoder 得到的最終語義圖P可以體現(xiàn)每個坐標(biāo)點的激活概率值，但是并不能直接返回預(yù)測目標(biāo)點坐標(biāo)；通過3.3 節(jié)構(gòu)建的加權(quán)Hausdorff 距離損失函數(shù)，將預(yù)測點坐標(biāo)與語義圖P進(jìn)行關(guān)聯(lián)，再次融合目標(biāo)點數(shù)量預(yù)測誤差，利用3.4 節(jié)構(gòu)建的最終損失函數(shù)進(jìn)行閉環(huán)訓(xùn)練。模型閉環(huán)訓(xùn)練收斂且達(dá)到指定誤差后，推理階段將語義圖P經(jīng)過Otsu 分割即可得到最終的目標(biāo)點位置。

3.2 模塊結(jié)構(gòu)

圖5 介紹了ILWLNet 網(wǎng)絡(luò)的通用網(wǎng)絡(luò)模塊和外層網(wǎng)絡(luò)模塊。通用網(wǎng)絡(luò)模塊：conv_async 包含1×1 投影卷積、3×1 與1×3 的非對稱卷積（內(nèi)置空洞卷積），實現(xiàn)淺層特征提取同時降低了直接卷積的運算量。外層網(wǎng)絡(luò)模塊：Down_Block_i包含bottleneck_i_0，bottleneck_i_1，bottleneck_i_2 和bottleneck_i_3 四部分，具備降采樣、低卷積運算量和拓展感受野的能力，多級串聯(lián)可提升網(wǎng)絡(luò)整體的非線性擬合能力；Up_Block_i 內(nèi)部包含上采樣、特征拼接和conv_async 模塊，具備特征尺寸擴(kuò)張、低卷積運算和多特征融合能力。

圖5 外層網(wǎng)絡(luò)模塊結(jié)構(gòu)Fig.5 Structure of outer network module

圖6 介紹了ILWLNet 網(wǎng)絡(luò)的內(nèi)層網(wǎng)絡(luò)模塊。bottleneck_i_0：左鏈路包括MaxPooling2D 和Padding 模塊，右鏈路包含2×2 卷積（步長為2）、3×3 卷積、1×1 擴(kuò)張卷積和Dropout2d，兩條鏈路特征相加并經(jīng)過PReLU 輸出，各個卷積模塊后面都追加BatchNorm 和PReLU 模塊用于提升非線性能力和降低過擬合風(fēng)險。bottleneck_i_1：右鏈路包括1×1 投影卷積、3×3 卷積、1×1 擴(kuò)張卷積和Dropout2d，直通的左鏈路與右鏈路特征相加并經(jīng)過PReLU 輸出；各個卷積模塊后面都追加BatchNorm 和PReLU。bottleneck_i_2：右 邊鏈路包括1×1 投影卷積、3×3 空洞卷積、1×1 擴(kuò)張卷積和Dropout2d，直通的左鏈路與右邊鏈路特征相加并經(jīng)過PReLU 輸出；各個卷積模塊后面都追加BatchNorm 和PReLU。bottleneck_i_3：右鏈路包括1×1 投影卷積、5×1 和1×5 的非對稱卷積、1×1 擴(kuò)張卷積和Dropout2d，直通的左鏈路與右鏈路特征相加并經(jīng)過PReLU 輸出；各個卷積模塊后面都追加BatchNorm 和PReLU。

圖6 內(nèi)層網(wǎng)絡(luò)模塊結(jié)構(gòu)Fig.6 Structure of inner network modules

3.3 加權(quán)Hausdorff 距離

本文的損失函數(shù)構(gòu)建來源于Hausdorff 距離［32］。X，Y是兩個無序的點集，d(x，y)表示兩個點集X，Y之間的距離，其中，x∈X，y∈Y，本文采用歐氏距離。X，Y擁有的點的數(shù)量可以不同Ω?R2表示包含所有可能點的空間，則集合X?R 與集合Y?R 的Hausdorff 距離定義為：

其中：

Hausdorff 距離的最大短板是對輪廓上的點的距離計算相對敏感［33］。為了優(yōu)化這個問題，通常采用加權(quán)的Hausdorff 距離，如下：

其中：|X|，|Y|分別為集合X，Y點的數(shù)量，在本文中，Y表示圖像目標(biāo)定位點坐標(biāo)標(biāo)簽集合，X表示預(yù)測的圖像目標(biāo)定位點坐標(biāo)集合。

語義圖P可以得到每個點的激活概率值，但是并不能返回預(yù)測點的坐標(biāo)。為了建立語義結(jié)果與坐標(biāo)點最終的聯(lián)系，采用加權(quán)Hausdorff 距離（Weighted Hausdorff Distance，WHD）函數(shù)進(jìn)行構(gòu)建，即：

這里ε設(shè)定 為10-6，Mα為廣義均值函數(shù)，px∈[0，1]為語義圖P中每個坐標(biāo)對應(yīng)的概率值。

3.4 損失函數(shù)

為了訓(xùn)練整個ILWLNet，結(jié)合加權(quán)Hausdorff 距離函數(shù)和回歸的點的數(shù)量差，構(gòu)建ILWLNet 整體損失函數(shù)如下：

其中：G為圖像的標(biāo)簽包含目標(biāo)點的坐標(biāo)和目標(biāo)數(shù)量，C=|G|，為預(yù)測的目標(biāo)點數(shù)量。

Lreg(x)為回歸項，這里采用L1平滑函數(shù)。

4 實驗與結(jié)果分析

4.1 實驗數(shù)據(jù)集與訓(xùn)練策略

為了充分驗證ILWLNet 的性能，本文選用3 組數(shù)據(jù)集。數(shù)據(jù)集一：筆記本螺孔定位數(shù)據(jù)集，原始數(shù)據(jù)共358 張，原圖與中心點坐標(biāo)融合后的示例圖見圖7 的第一行。數(shù)據(jù)集二：筆記本螺孔定位數(shù)據(jù)集，原始數(shù)據(jù)共318 張，原圖與中心點坐標(biāo)融合后的示例圖見圖7 的第二行。數(shù)據(jù)集三：紗車機(jī)定位數(shù)據(jù)集，原始數(shù)據(jù)共529 張，原圖與中心點坐標(biāo)融合后的示例圖見圖7 的第三行。

圖7 數(shù)據(jù)集示例Fig.7 Dataset sample

ILWLNet 訓(xùn)練和測試的模型均運行在Ubuntu16.04 操作系統(tǒng)的工作站上。硬件的具體配置如下：CPU，Intel Xeon（R）CPU E5-1650 V4 3.6 GHz 12 核；內(nèi)存，32 GB，顯卡，Nvidia Ge-Force 1080Ti；軟件配置如下：CUDA，10.0；cuDNN，7.6.1.34；深度學(xué)習(xí)框架，PyTorch 1.0.0；Python，3.6 版本。選擇Loss 值最小的模型作為單次測試驗證的最優(yōu)模型，實驗?zāi)Ｐ统瑓?shù)配置如表1 所示。

表1 模型超參數(shù)設(shè)置Tab.1 Model super parameter setting

4.2 評價指標(biāo)

為了充分驗證ILWLNet 的性能，本文利用Precision，Root Mean Squared Error（RMSE）和Mean Average Hausdorff Distance（MAHD）進(jìn)行衡量。其計算公式如下：

其中：TP（True Positive）表示預(yù)測正確，實際為真；FP（False Positive）表示預(yù)測錯誤，實際為真；FN 表示預(yù)測錯誤，實際為假；TN 表示預(yù)測正確，實際為假；N表示測試集的數(shù)量，Ci表示第i 張圖片中實際目標(biāo)的個數(shù)，表示預(yù)測的第i張圖片目標(biāo)個數(shù)。

4.3 實驗結(jié)果與分析

4.3.1 對比分析

在本次實驗中，綜合考慮不同配比的訓(xùn)練數(shù)據(jù)對模型定位性能的影響，對訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)選用以下配比進(jìn)行實驗，Train∶Val∶Test 分別設(shè)置為10%∶10%∶80%，20%∶10%∶70%，30%∶10%∶60%，40%∶10%∶50%，50%∶10%∶40%，60%∶10%∶30%，70%∶10%∶20%，80%∶10%∶10%，在圖8 和圖9 的Loss 曲線圖中分別對應(yīng)loss_1～loss_9。使用ILWLNet 算法訓(xùn)練，對8 種不同配比的數(shù)據(jù)訓(xùn)練并將訓(xùn)練過程Loss 值作可視化處理，以利于分析訓(xùn)練過程中損失函數(shù)Loss 值的變化情況。

圖8 數(shù)據(jù)一訓(xùn)練的loss 曲線Fig.8 Trainning loss curves of dataset one

圖9 數(shù)據(jù)二訓(xùn)練的loss 曲線Fig.9 Trainning loss curves of dataset two

如圖8 和圖9 所示，兩種數(shù)據(jù)集在訓(xùn)練中Loss 值的整體變化趨勢一致，隨著訓(xùn)練數(shù)據(jù)量的增加，收斂速度越快。其中，訓(xùn)練數(shù)據(jù)大于等于40%，200 次迭代后基本收斂，然后逐漸趨于穩(wěn)定，但依然出現(xiàn)小幅震蕩；訓(xùn)練數(shù)據(jù)大于等于20%且小于等于40%，600 次迭代后基本收斂，然后逐漸趨于穩(wěn)定；訓(xùn)練數(shù)據(jù)占比10%，1 000 次訓(xùn)練后仍會收斂。結(jié)合表3 和表4，雖然訓(xùn)練樣本集在20%比例時，推理結(jié)果可以得到98%以上，但是為了達(dá)到定位精度小于等于5 pixel 的識別率大于等于99.5%，訓(xùn)練樣本比例建議大于等于50%。與深度學(xué)習(xí)所需要的海量數(shù)據(jù)相比，ILWLNet 只需要150 張左右相對較少的數(shù)據(jù)即可收斂到很好的效果，更適用于工業(yè)智能制造的實際應(yīng)用場景。

本文以Precision，MSE 和MAHD 作為評價指標(biāo)，計算不同配比的訓(xùn)練數(shù)據(jù)在1 000 迭代后得到最優(yōu)的收斂模型用于ILWLNet 推理，推理計算得到測試集的Precision 和RMSE 值；其中，訓(xùn)練集、驗證集和測試集數(shù)據(jù)三者無交集。判定為定位準(zhǔn)確的參數(shù)條件為：推理得到的中心點坐標(biāo)與標(biāo)簽的中心點坐標(biāo)均方差誤差小于等于5，結(jié)果如表2 和表3 所示。

表2 ILWLNet 在數(shù)據(jù)集一中的定位測試結(jié)果Tab.2 ILWLNet localization test results on dataset one

表3 ILWLNet 在數(shù)據(jù)集二中的定位測試結(jié)果Tab.3 ILWLNet localization test results on dataset two

通過表3 和表4 可以看出，ILWLNet 網(wǎng)絡(luò)可以進(jìn)行零部件的精準(zhǔn)定位。當(dāng)訓(xùn)練數(shù)據(jù)占比在20%以上時，定位誤差小于等于5 pixel 可以取得至少98%的準(zhǔn)確率，平均準(zhǔn)確率高于99%；當(dāng)訓(xùn)練數(shù)據(jù)集在50%及其以上時，定位誤差小于等于5 pixel 的準(zhǔn)確率可以達(dá)到100%。隨著訓(xùn)練數(shù)據(jù)的增加，測試推理得到的RMSE 和MAHD 誤差值呈整體變小的趨勢。相比較經(jīng)典的深度學(xué)習(xí)網(wǎng)絡(luò)（YOLO3，162 MB），ILWLNet 模型的參數(shù)量非常少，只有57.4 kB。這是由于ILWLNet 網(wǎng)絡(luò)的Decoder 和Encoder 的層級較少，均為3 層，利用Bottleneck 技術(shù)代替直接的卷積方式且內(nèi)部融入了非對稱卷積和空洞卷積，因此模型參數(shù)量非常小。利用構(gòu)建的加權(quán)Hausdorff 距離將輸出的語義概率圖與定位坐標(biāo)點進(jìn)行關(guān)聯(lián)并構(gòu)建Loss 函數(shù)進(jìn)行閉環(huán)回歸，ILWLNet 能夠用于零部件的精準(zhǔn)定位。另外，ILWLNet 網(wǎng)絡(luò)采用Up_Block 與Down_Block 的對應(yīng)特征層融合以及多級Bottleneck 級聯(lián)，不僅提升了整體網(wǎng)絡(luò)的非線性而且較好地恢復(fù)了原始圖像的細(xì)節(jié)信息，配合構(gòu)建的加權(quán)Hausdorff 距離，表明ILWLNet得到了非常理想的定位精度。由于構(gòu)建的ILWLNet 模型參數(shù)較小，僅需相對較少的樣本訓(xùn)練即可取得比較好的結(jié)果，通過表2 和表3 的不同配比實驗定位結(jié)果得到證實；因此，ILWLNet 亦可適用于小樣本訓(xùn)練，進(jìn)而滿足工業(yè)光學(xué)影像定位的小樣本實際需求。

表4 ILWLNet 推理時間測試結(jié)果Tab.4 Test results of ILWLNet inference time（ms）

表4 展示了ILWLNet 推理時間測試結(jié)果，測試圖片共100 張；其中，ILWLNet 網(wǎng)絡(luò)前向推理平均時間為8.34 ms/frame，閾值分割的平均時間為86.58 ms/frame，ILWLNet 的整體運行時間平均為94.92 ms/frame，滿足工業(yè)光學(xué)影像精準(zhǔn)定位的200 ms/frame 需求。

4.3.2 測試集定位結(jié)果與分析

在閉環(huán)1 000 次迭代訓(xùn)練過程中，最小loss值對應(yīng)的模型記為ILWLNet 在該次訓(xùn)練過程的最優(yōu)模型。為了檢驗ILWLNet 網(wǎng)絡(luò)的實際定位效果，利用3 組測試集數(shù)據(jù)進(jìn)行驗證。圖10～圖12 分別顯示了數(shù)據(jù)集一、數(shù)據(jù)集二和數(shù)據(jù)集三的定位結(jié)果。其中，第一行顯示的是原始圖、第二行顯示的是語義概率圖P 經(jīng)過歸一化得到的結(jié)果、第三行顯示的是語義概率圖P 經(jīng)過Otsu 閾值分割后的二值圖、第四行顯示的是原圖加載預(yù)測中心點后的融合圖。

圖10 數(shù)據(jù)集一的測試定位結(jié)果Fig.10 Localization test results on dataset one

從第二行可以看出，ILWLNet 通過Encoder-Decoder 架構(gòu)可以還原出原圖（圖像復(fù)原，用于缺陷檢測［34］）及其語義信息（語義分割［35］），Decoder的輸出語義概率圖P 呈現(xiàn)了完整的原圖信息；另外，ILWLNet 將預(yù)測語義概率圖P 與定位中心點坐標(biāo)通過加權(quán)Hausdorff 距離進(jìn)行了有效關(guān)聯(lián)，因此，概率圖中的螺孔中心點區(qū)域灰度明顯高于圖片中的任何其他區(qū)域，從而可以通過Otsu 自適應(yīng)分割方法將中心點區(qū)域精準(zhǔn)分割出來。第三行呈現(xiàn)了語義概率圖P 經(jīng)過Otsu 自適應(yīng)分割后的結(jié)果，可以看出除中心點區(qū)域為白外，圖片中的其他區(qū)域均為黑，因此得到的中心點坐標(biāo)不會發(fā)散。

圖10 左一的螺孔內(nèi)部受到光照（拍攝角度和光線）的影響，小部分區(qū)域呈現(xiàn)黑色；左二的外殼的最左邊沒有拍攝清楚，整體呈現(xiàn)黑色，與其他圖相差較大。圖11 右一和右二的螺孔最里面白色內(nèi)圈明顯不圓（拍攝角度影響）。此類圖片如果采用傳統(tǒng)的圓擬合、模板匹配等方法，定位結(jié)果會大打折扣。仿真及實測結(jié)果表明，ILWLNet算法不僅可以對正常的零部件樣本進(jìn)行精準(zhǔn)定位，而且對受到光線干擾、部分缺損的零部件圖片的定位效果仍然很好。

圖11 數(shù)據(jù)集二的測試定位結(jié)果Fig.11 Localization test results on dataset two

圖12 為紗車機(jī)圖像定位結(jié)果。此組圖像受光照影響較為嚴(yán)重，四組圖像均出現(xiàn)明顯的反光，右二和右一的矩形中心孔周圍受到了強光干擾；另外，圖片中的矩形孔并不唯一，利用傳統(tǒng)模板匹配方法可能會出現(xiàn)誤匹配，再疊加光照的影響，傳統(tǒng)定位算法性能會受到嚴(yán)重影響。通過仿真及實測的結(jié)果可以看出，ILWLNet 算法不僅適用于圓形的零部件定位，而且適用于其他樣式的零部件精準(zhǔn)定位，同時兼顧較好的抗干擾效果。

圖12 數(shù)據(jù)集三的測試定位結(jié)果Fig.12 Localization test results on dataset three

4.4 消融實驗

為了驗證 conv_async，Down_Block_1，Down_Block_2，Down_Block_3，Up_Block_1，Up_Block_2，Up_Block_3，特征拼接融合（Encoder 與Decoder 對應(yīng)層padding 及融合，記為Fusion）以及WHD 對模型性能的影響，對ILWLNet進(jìn)行消融研究，實驗結(jié)果如表6 所示。測試數(shù)據(jù)選用數(shù)據(jù)集一，其Train∶Val∶Test 數(shù)據(jù)集比例選用50%∶10%∶40%。

通過表5 可以看出：不包含WHD 模塊，ILWLNet 算法不收斂，表明WHD 模塊可以有效關(guān)聯(lián)輸出語義概率圖P 與定位坐標(biāo)點的關(guān)系。配置一：只配置WHD 模塊，其他模塊中的卷積均采用經(jīng)典的3×3 卷積，此時模型大小為85.1 kB，識別率為87.94%，說明本文架構(gòu)不采用多級bottleneck 級聯(lián)仍可以收斂，不過相比較ILWL-Net，模型參數(shù)量增加了27.7 kB，定位準(zhǔn)確率降低了12.06%。配置二：只配置Fusion 以及WHD 模塊，其他模塊同配置一，模型大小為109 kB，識別率為93.62%；相比較配置一，通過Encoder 與Decoder 對應(yīng)層的融合使得識別率提升約5.68%，但是模型參數(shù)增加了接近24 kB，表明相對較大的模型在充分訓(xùn)練后一定程度上可以取得相對較好的識別效果。配置三：配置conv_async，Down_Block_1，Down_Block_2，Down_Block_3，F(xiàn)usion 和WHD 模塊，相比較配置一準(zhǔn)確率提升4.97%，模型大小減小7.1 kB，表明bottleneck_i 模塊可降低模型參數(shù)量，同時多級bottleneck_i 模塊級聯(lián)增加了網(wǎng)絡(luò)的非線性，可提升識別率。配置四：采用conv_async，Up_Block_1，Up_Block_2，Up_Block_3，F(xiàn)usion和WHD 模塊，準(zhǔn)確率基本不變，略微下降，模型參數(shù)減小9.4 kB，表明Up_Block 中的非對稱卷積和空洞卷積起到了降低模型參數(shù)量的作用，但是沒有與Encoder 的對應(yīng)層融合，對識別率提升沒有太大影響。配置五：ILWLNet 算法中去掉Fusion 模塊，其他模塊同配置一，模型參數(shù)量相比配置一降低了30.3 kB，但是識別率卻降低了2% 左右，表明Down_Block 的bottleneck_i 模塊以及Up_Block 融合的conv_async 模塊可有效降低模型參數(shù)量，F(xiàn)usion 模塊對于網(wǎng)絡(luò)整體性能的提升起到了很大的作用；通過配置一和配置二的比較，F(xiàn)usion 模塊提升4.97%的識別率（各模塊內(nèi)部卷積均為常用的3×3 卷積），而相比較ILWLNet，配置五的識別率卻降低了14.2%左右，表明conv_async、Down_Block、Up_Block 和Fusion 模塊的級聯(lián)進(jìn)一步提升了整體ILWLNet 的非線性及識別性能。

表5 不同策略對模型性能的影響對比Tab.5 Comparison of impact of different strategies on model performance

5 結(jié)論

本文根據(jù)現(xiàn)代工業(yè)光學(xué)影像定位精度高、占用資源小、抗干擾好、速度快的要求，構(gòu)建了零部件視覺精準(zhǔn)定位的輕量化深度學(xué)習(xí)網(wǎng)絡(luò)，并介紹了零部件光學(xué)影像定位系統(tǒng)的硬件結(jié)構(gòu)和工作原理。然后，闡述了輕量化深度學(xué)習(xí)定位網(wǎng)絡(luò)的架構(gòu)、模塊結(jié)構(gòu)、加權(quán)Hausdorff 距離及其損失函數(shù)。實驗結(jié)果表明：輕量化深度學(xué)習(xí)定位網(wǎng)絡(luò)模型參數(shù)為57.4k；通過實際產(chǎn)線數(shù)據(jù)仿真，訓(xùn)練數(shù)據(jù)集多于150 張，定位精度小于等于5 pixel 的識別率不小于99.5%，基本滿足工業(yè)零部件定位的精度高、準(zhǔn)確率高和抗干擾能力強等要求。仿真測試表明，ILWLNet 已經(jīng)在筆記本螺孔和紗車機(jī)實際工業(yè)產(chǎn)線數(shù)據(jù)中取得了較好的識別率和定位精度，可是后續(xù)將ILWLNet 進(jìn)行產(chǎn)線實際應(yīng)用，需要考慮數(shù)據(jù)的泛化性，即需要更多不同種類的產(chǎn)線定位數(shù)據(jù)集進(jìn)行驗證以及上線測試。此外，ILWLNet 的推理時間大多消耗在Encoder-Decoder 階段后的Otsu 自適應(yīng)分割流程中，因此后續(xù)會對其進(jìn)行進(jìn)一步優(yōu)化，提升推理速度。