王成軍 薛玉珂 楊超宇

（①安徽理工大學(xué)人工智能學(xué)院，安徽 淮南 232001；②安徽理工大學(xué)計算機科學(xué)與工程學(xué)院，安徽 淮南 232001）

采用工業(yè)機器人分揀工件過程中引入視覺模塊，利用深度學(xué)習(xí)技術(shù)[1]迅速準確地完成對工件的自動檢測[2-3]，已經(jīng)成為智能制造領(lǐng)域研究的熱點。在鑄件生產(chǎn)中，采用帶視覺模塊的分揀機器人進行分揀，可顯著提升鑄件的生產(chǎn)效率。

運用深度學(xué)習(xí)方法實現(xiàn)鑄件自動檢測，常用方法可分為兩類：一階段（One-Stage）目標檢測和二階段（Two-Stage）目標檢測。一階段的目標檢測算法典型的有YOLO 系列算法[4-5]和SSD 系列算法等[6]，二階段目標檢測典型的算法為Faster R-CNN[7-8]等，由于兩階段目標檢測法精度較高但速度較慢[9]，在工業(yè)上應(yīng)用較少。

近年來，國內(nèi)外學(xué)者在一階段目標檢測算法上針對工件檢測等問題開展了較多研究。蘇維成等[10]提出了一種基于Tiny-YOLOv3 改進算法的工件識別方法，在特征提取網(wǎng)絡(luò)中增加了SPP 模塊、SE模塊和Ghost 模塊，并用卷積層代替池化層，改進后的算法能夠更好地提升工件識別效率。楊僑等[11]提出了一種基于SSD 改進的工件目標檢測算法，將SSD 的骨干網(wǎng)絡(luò)VGG16 替換為ResNet50，加入特征金字塔（FPN）的算法，將底層特征與高層特征融合，解決了SSD 算法對底層特征提取能力不足的問題。藍宏宇等[12]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)多特征融合的工件識別與檢測方法，該算法新增了特征融合結(jié)構(gòu)，解決了工件識別與檢測精度不夠高的問題。上述方法雖然在檢測精度和識別效率上均有所提高，但需對鑄件進行逐一檢測，當(dāng)鑄件種類多、分布密時，易出現(xiàn)漏檢、誤檢等現(xiàn)象。

針對上述問題，選用YOLOv5 目標檢測算法作為改進前的算法，由于該算法與傳統(tǒng)檢測方法相比，檢測精度和速度均有所提高，具有較強的實時性與通用性。本文將對YOLOv5 算法進行改進，使其在鑄件檢測方面達到更好的效果。

1 YOLOv5 算法原理

YOLOv5 模型架構(gòu)主要有YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x?？紤]到鑄件自動檢測算法的準確性、效率和規(guī)模等，實驗采用了YOLOv5s架構(gòu)對鑄件自動檢測模型進行改進，原始YOLOv5s模型結(jié)構(gòu)如圖1 所示。

圖1 YOLOv5s 模型結(jié)構(gòu)圖

YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)由輸入端（Input）、骨干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）和檢測層（Detect）等四部分組成，YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)組成見表1。

表1 YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)組成

Input 由Mosaic 數(shù)據(jù)增強、自適應(yīng)錨框、自適應(yīng)圖像縮放等技術(shù)組成；Backbone 部分由CBS 模塊、CSP 模塊和SPPF 等模塊組成；Neck 部分由FPN 和PAN 結(jié)構(gòu)構(gòu)成；Detect 通過非極大值抑制NMS 篩選出目標框，用CIoU_Loss 作為損失函數(shù)[13]，同時生成預(yù)測框。

2 改進的多尺度鑄件自動檢測算法

鑄件目標多為小目標且分布較為密集，可能會出現(xiàn)漏檢、誤檢及檢測準確率較低等問題。為解決上述問題，基于YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)提出一種改進的多尺度特征鑄件自動檢測算法，改進后的YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

圖2 改進后的YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)圖

2.1 多尺度檢測模塊

傳統(tǒng)鑄件分揀場景下，由于攝像頭安裝位置及鑄件種類較多，檢測時會存在目標尺寸差異較大的問題，對攝像頭遠處的小目標及攝像頭近處的大目標檢測效果較差，如使用傳統(tǒng)3 種尺度的方法檢測易出現(xiàn)檢測精度不夠高的情況。原始YOLOv5 模型的3 個特征檢測層分別負責(zé)由淺到深的特征提取[14]。特征提取過程中，淺層特征的分辨率較高，且?guī)缀涡畔⑤^豐富，但感受野較小，適合檢測圖像中較小的鑄件；深層特征具有較大的感受野，但分辨率較低，適合檢測圖像中較大的鑄件。如使用YOLOv5 的3 個檢測頭檢測，會導(dǎo)致對淺層特征信息利用不充分，從而引起檢測精度丟失，因此，在YOLOv5 原有的3 個檢測頭基礎(chǔ)上增加1 個檢測頭以實現(xiàn)多尺度檢測，增加特征融合及檢測頭個數(shù)來提高鑄件的檢測精度，整體特征融合過程網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3 所示。

圖3 整體特征融合過程網(wǎng)絡(luò)結(jié)構(gòu)圖

多尺度檢測首先由骨干網(wǎng)絡(luò)生成特征，按階段來劃分，分別為C1、C2、C3、C4、C5、C6，共6個階段，其中數(shù)字表示分辨率減半次數(shù)，如C1 表示階段1 輸出的特征圖，分辨率為輸入圖片的1/2，C6 是改進算法新增部分，表示階段6 輸出的特征圖，分辨率為輸入圖片的1/64；接著是特征融合階段[15-16]，由于骨干網(wǎng)絡(luò)部分增加了階段6，特征融合部分也對應(yīng)增加為4 個，將骨干網(wǎng)絡(luò)生成的不同分辨率特征作為輸入，輸出融合后的特征P，經(jīng)融合后輸出為P3、P4、P5、P6，分別生成大小為80×80、40×40、20×20、10×10 的4 個檢測頭；最后由4 個檢測頭對鑄件檢測并生成檢測框。算法改進后新生成的檢測頭用來負責(zé)預(yù)測大目標，原來3 個檢測頭負責(zé)預(yù)測更小的目標。

改進后的模型采用了4 個檢測頭對鑄件進行檢測，相比3 個檢測頭，4 個檢測頭能更好地對不同尺度下的鑄件檢測，多尺度的實現(xiàn)顯著提升了算法對鑄件的檢測性能。

2.2 卷積注意力模塊

卷積注意力機制（convolutional block attention module， CBAM）[17]由通道注意力模塊（channel attention module， CAM） 和空間注意力模塊（spartial attention module，SAM）兩部分組成。

將輸入特征圖F與各通道權(quán)重值的對應(yīng)元素相乘，得到特征映射F′，將F′作為SAM 的輸入與空間權(quán)重系數(shù)兩個矩陣的對應(yīng)元素相乘，得到顯著特征圖F′′。

式中： ?表示點乘，F(xiàn)′為特征層F經(jīng)過CAM 的中間量；F′′表示經(jīng)過SAM 的輸出。CBAM 計算過程如圖4 所示。

圖4 卷積注意力模塊結(jié)構(gòu)特征圖

CAM 模塊先對輸入特征進行最大池化和平均池化操作，然后將特征圖送入多層感知機中，對輸出結(jié)果加和，再經(jīng)過Sigmoid 激活函數(shù)激活，得到通道注意力特征Mc(F)。

SAM 采用最大池化和平均池化提取輸入特征圖F在通道維度上的特征，使特征圖在通道維度上壓縮，將兩個特征圖拼接后經(jīng)過一個卷積層，再經(jīng)過Sigmoid 激活函數(shù)生成空間注意力特征Ms(F)。

式中：Mc(F)、Ms(F)分別為特征層F的通道和空間注意力權(quán)重；Favg、Fmax分別為平均池化和最大池化操作；MLP為多層感知機；σ為sigmoid 激活函數(shù)。

由于CBAM 即插即用的特性，該算法在特征金字塔部分融合了CBAM 模塊，設(shè)計了兩種模型結(jié)構(gòu)：一種是在Neck 部分的CSP 模塊后引入一個CBAM 模塊，改進結(jié)構(gòu)如圖5 中結(jié)構(gòu)1 所示；另一種是每個檢測頭前引入一個CBAM 模塊，改進結(jié)構(gòu)如圖5 中結(jié)構(gòu)2 所示。

圖5 添加CBAM 后的部分模型結(jié)構(gòu)圖

2.3 Hardswish 激活函數(shù)

YOLOv5 中卷積層的激活函數(shù)是SiLU 激活函數(shù)，SiLU 是swish激活函數(shù)的一種變體。swish的函數(shù)表達式如下：

式中： β值為1 時，swish激活函數(shù)就等同于SiLU激活函數(shù)。SiLU 的表達式：

為考慮模型計算的速度，選擇合適的激活函數(shù)尤為重要。Hardswish 激活函數(shù)在MobileNetV3 論文中被提出[18]，它的屬性與Swish 激活函數(shù)[19]相似，該函數(shù)與Swish 相比，計算速度更快、穩(wěn)定性更好，避免了大量指數(shù)運算。改進算法利用Hardswish 激活函數(shù)替換了卷積層中的SiLU 激活函數(shù)，因為Hardswish 激活函數(shù)可實現(xiàn)分段功能，有檢測速度快且穩(wěn)定性高等優(yōu)勢，在檢測精度上比SiLU 也有一定的提升，改進后的結(jié)構(gòu)如圖6 所示。

圖6 替換激活函數(shù)后的網(wǎng)絡(luò)結(jié)構(gòu)

Hardswish的函數(shù)見式（8），該函數(shù)考慮了3種輸入值。

3 實驗結(jié)果及分析

3.1 數(shù)據(jù)集構(gòu)建與處理

由于國內(nèi)外公開數(shù)據(jù)集中沒有鑄件數(shù)據(jù)集，為驗證改進算法在鑄件檢測中的性能優(yōu)勢，采用自建鑄件數(shù)據(jù)集展開實驗。為在實驗中提高鑄件的檢測精度，使用ZED 雙目相機進行數(shù)據(jù)拍攝，以不同拍攝角度、背景變化及鑄件擺放位置拍攝，包括6種共800 張不同鑄件，數(shù)據(jù)集中鑄件如圖7 所示。

圖7 數(shù)據(jù)集中的鑄件圖

圖像標注工作完成后，采用數(shù)據(jù)增強方法，用到旋轉(zhuǎn)、噪聲、亮度等對鑄件圖像及標注的.xml 文件擴充，擴充的1 000 張鑄件圖像用作改進算法的實驗數(shù)據(jù)。

數(shù)據(jù)增強是為了增強數(shù)據(jù)的多樣性，同時可提高模型的魯棒性，避免過擬合現(xiàn)象，在實驗訓(xùn)練過程中，能夠自適應(yīng)的學(xué)習(xí)更多有用的特征信息。改進算法中采用的數(shù)據(jù)增強流程如圖8 所示。

圖8 數(shù)據(jù)增強流程圖

3.2 實驗環(huán)境與參數(shù)設(shè)置

實驗的環(huán)境參數(shù)見表2，基于配置表中的參數(shù)搭建實驗平臺。

實驗操作系統(tǒng)使用Windows 11， GPU 為RTX3090， CPU 為 Intel(R) Xeon(R) Gold 6330 CPU@2.00GHz 160GB，深度學(xué)習(xí)框架是PyTorch 1.8.0，CUDA 版本選用CUDA11.1。

實驗將訓(xùn)練集數(shù)據(jù)輸入到改進后的YOLOv5 模型中，經(jīng)過Mosaic 數(shù)據(jù)增強及自適應(yīng)填充等操作，將所有鑄件圖像大小統(tǒng)一為640×640。

在訓(xùn)練模型時將Batch size 設(shè)為16，由于批次太小可能會導(dǎo)致?lián)p失函數(shù)不易收斂，批次過大則易陷入局部最優(yōu)，導(dǎo)致泛化性能差；訓(xùn)練epoch 設(shè)為100 組，通過實驗結(jié)果的mAP 和best.pt 權(quán)重文件，epoch 在100 左右表現(xiàn)較好；初始學(xué)習(xí)率設(shè)為0.01，由于初始學(xué)習(xí)率決定權(quán)值的更新速度，設(shè)置過高會導(dǎo)致模型性能較差，出現(xiàn)過擬合現(xiàn)象，設(shè)置過低則會導(dǎo)致收斂速度慢；動量因子設(shè)為0.937，可在梯度下降算法中加速模型收斂；權(quán)重衰減系數(shù)設(shè)為0.000 5，有利于控制權(quán)重值的變化幅度，起到一定正則作用，防止模型過擬合。

3.3 模型算法評價指標

改進算法訓(xùn)練完成后，用訓(xùn)練完的權(quán)重對模型進行測試，并從幾個方面對模型評估，選用3 個評價指標對模型評估，包括查準率P、查全率R和均值平均精度mAP，各指標的具體計算公見式（9）～式（11）。

式中：TP為真正例，即被正確檢測出的目標數(shù)；FP為假正例，即被錯誤檢出的目標數(shù)；FN為假反例，即未被檢測出的目標數(shù)。

3.4 實驗結(jié)果分析

YOLOv5 算法的改進主要包括采用多尺度特征融合并增加一個檢測頭、引入卷積注意力機制及替換Hardswish 激活函數(shù)。為驗證提出的改進算法效果，在保證數(shù)據(jù)集、訓(xùn)練的配置參數(shù)、平臺框架相同的基礎(chǔ)上，對測試集進行消融實驗，實驗結(jié)果見表3。

表3 消融實驗結(jié)果

表中“√”表示在模型訓(xùn)練時加入了此改進方法。從表3 的實驗結(jié)果看出，相比于模型1（原始YOLOv5），模型2 引入了CBAM 模塊，mAP值提升了0.2%，證明引入CBAM 模塊的有效性；模型3 在模型2 的基礎(chǔ)上增加了多尺度特征融合與檢測頭部分，mAP較模型2 提升了1.9%，證明多尺度特征融合與檢測頭的改進是有效的；模型4 表示將卷積層中的SiLU 激活函數(shù)替換為Hardswish 激活函數(shù)，與模型3 相比檢測精度提升了0.5%，證明了Hardswish 激活函數(shù)的有效性。

改進算法模型檢測平均精度達到了96.5%，較原算法提升了2.6%，在檢測精度上有較大的優(yōu)勢，但由于增加了注意力機制與一個新的檢測層，因此檢測速度有所減慢，改進算法與原YOLOv5 算法相比檢測速度雖下降了19 fps，但仍可滿足工業(yè)實時檢測的要求。

上述實驗結(jié)果表明改進算法在鑄件檢測上的優(yōu)越性，該算法能夠提高鑄件檢測精度，算法改進前后鑄件檢測結(jié)果對比如圖9 所示。

圖9 算法改進前后鑄件檢測結(jié)果對比圖

3.5 不同算法之間對比

為進一步驗證改進算法對鑄件檢測的有效性，證明改進算法相對于其他檢測算法的優(yōu)越性，將改進算法與SSD、Faster RCNN、YOLOv3、YOLOv5等算法在同一個鑄件數(shù)據(jù)集上展開對比實驗，將對比實驗的結(jié)果匯總比較，對比結(jié)果如圖10 所示。

圖10 模型mAP 對比圖

圖10 直觀地顯示了不同模型訓(xùn)練過程中鑄件檢測精度的變化情況，在前50 個epoch，各個算法mAP的提升均較快；訓(xùn)練100 個epoch 后，各算法的檢測精度開始趨于穩(wěn)定，改進算法的mAP最終穩(wěn)定在0.965 左右，且明顯高于其他算法，表明改進算法相對其他算法有更高的檢測精度。穩(wěn)定后，各算法的檢測結(jié)果對比見表4。

表4 不同算法對比結(jié)果

從表4 可以看出，改進算法的平均精度和召回率遠比SSD 算法要高；Faster RCNN 模型雖然在平均精度與召回率上的表現(xiàn)較好，但檢測時間相對較長，不適用于工業(yè)場景下的檢測；YOLOv3 檢測精度遠低于原始YOLOv5s 算法和改進算法。改進算法與SSD、Faster RCNN、YOLOv3、YOLOv5 相比，mAP值分別提高了4.58%、1.59%、7.8%和2.6%。

綜合上述，改進算法在鑄件檢測平均精度上明顯優(yōu)于其他算法，雖然檢測速度有所降低，但相比于其他算法達到了檢測精度與速度的平衡，完全滿足鑄件生產(chǎn)中分揀作業(yè)要求。

4 結(jié)語

本文提出一種基于多尺度特征的YOLOv5 鑄件自動檢測算法。該算法采用多尺度特征融合并增加一個檢測頭來提取更全面的鑄件特征信息；采用卷積注意力機制來提高關(guān)鍵特征的提取能力；引入Hardswish 激活函數(shù)提高算法的準確性和穩(wěn)定性。結(jié)果表明，改進算法在鑄件檢測中準確率為94.7%，召回率為92.3%，mAP值為96.5%，與原YOLOv5算法相比，改進算法的mAP提高了2.6%，綜合性能優(yōu)于其他算法，能解決鑄件檢測精度不夠高和易漏檢、誤檢問題，滿足鑄件自動檢測在工業(yè)分揀場景中的需求。