姜闊勝，武松梅，任 杰

（1.安徽理工大學機械工程學院，安徽 淮南 232001；2.安徽職業(yè)技術(shù)學院現(xiàn)代服裝學院，安徽 合肥 230011）

0 引 言

對蠶繭進行質(zhì)量檢測實現(xiàn)蠶繭種類識別具有重要意義。蠶繭按照其使用價值以及形成原因分為上車繭與下繭，下繭包括雙宮繭、柴印繭、黃斑繭、畸形繭、薄皮繭等［1，2］。傳統(tǒng)的檢測方式為人工檢測，通過人眼觀察依據(jù)蠶繭表面顏色、形狀、紋理等特征對蠶繭進行分選［3～5］。該方法存在檢測效率低、錯檢率高、人工勞動強度大的問題，選繭環(huán)境惡劣，會對長期身處其中的選繭工人帶來不可逆的健康危害。近年來，得益于圖像處理技術(shù)的廣泛應用與深度學習理論的不斷發(fā)展，人工智能技術(shù)與農(nóng)業(yè)相關(guān)領(lǐng)域深度結(jié)合，大大提高了生產(chǎn)效率，降低企業(yè)生產(chǎn)成本［6］。在蠶繭識別領(lǐng)域的研究中，李時杰等人［7］利用基于深度學習模型BL-YOLOv3的技術(shù)，成功實現(xiàn)了黃斑繭、上車繭和爛繭的有效識別。黎雨等人［8］提出一種蠶繭疵點圖像配準算法，該算法基于融合特征和FAST-SURF，利用HSI 顏色空間獲取蠶繭疵點圖像，并提取Canny 邊緣特征和局部二值模式（LBP）紋理特征。這些特征經(jīng)過歸一化處理，然后進行融合，形成融合特征。將融合特征與FAST-SURF算法結(jié)合應用于蠶繭疵點圖像配準，平均配準正確率達到89.76%，配準總時間均值為0.46s。張印輝等人［9］利用K-means聚類分析，確定了適合于下繭分析的錨點框架，并將上述錨點框架的參數(shù)預置在YOLOv3 模型中。接著，根據(jù)預設的剪枝率對經(jīng)過稀疏化訓練的模型進行模型剪枝。通過使用批量正則化層縮放因子的方式來縮小模型的尺寸。最后，通過在剪枝后的模型中嵌入感受野模塊，來擴大模型的感受野，以增強模型的辨別能力和魯棒性。經(jīng)過這些步驟，該模型在測試集上的平均檢測精確度達到96.8%。

本文采用深度學習方法［10～12］基于改進的YOLOv5 算法，使用K-means + +算法［13］對蠶繭表面特征數(shù)據(jù)集的目標候選框尺寸進行聚類分析，并將該分析結(jié)果應用于算法的訓練過程中。其次，對網(wǎng)絡結(jié)構(gòu)進行調(diào)整，在網(wǎng)絡預測部分分別添加SE（squeeze and excitation）模塊［14］，以強化缺陷信息、抑制無用信息，提升模型的準確性。

1 數(shù)據(jù)集制作

數(shù)據(jù)集中包括正常類別和6 種缺陷類別分別是薄皮、柴印、穿頭、爛繭、棉繭和小車繭。為了避免訓練過程中出現(xiàn)過擬合的情況，本文采用了數(shù)據(jù)增強策略。通過使用缺陷素材對原始圖像進行了多種操作，包括隨機裁剪、水平或垂直翻轉(zhuǎn)、旋轉(zhuǎn)、縮放和調(diào)整亮度或?qū)Ρ榷鹊龋瑫r還添加了隨機噪聲。經(jīng)過數(shù)據(jù)增強后的圖像共計5 600 幅，手動劃分訓練集和測試集樣本，劃分比例為9∶1，分別為5 040 幅和560幅。

2 蠶繭缺陷檢測方法

2.1 YOLOv5 網(wǎng)絡

本文設計的基于改進YOLOv5［15，16］的蠶繭缺陷檢測基礎(chǔ)模型網(wǎng)絡結(jié)構(gòu)如圖1所示。

圖1 YOLOv5 網(wǎng)絡結(jié)構(gòu)

2.2 改進的YOLOv5 檢測算法

2.2.1 引進SE注意力模塊

卷積神經(jīng)網(wǎng)絡（CNN）模型通過融合圖像的空間信息和通道信息來實現(xiàn)特征的提取，不同的卷積核在每個輸入通道中尋找空間。然而，CNN模型在提取特征時不能有效地突出重要特征，因為網(wǎng)絡模型對每一個通道的權(quán)重相等，為了解決這個問題在YOLOv5中引入SE注意力模型。

SE模塊通過添加內(nèi)容感知機制對每個通道進行自適應加權(quán)，該機制將特征圖壓縮為單個值，以便網(wǎng)絡模型可以自適應地調(diào)整每個特征圖的權(quán)重，從而獲得每個通道的全局理解。它具有以較小的額外計算成本改善通道相互依賴性的優(yōu)點。SE模塊的操作流程如圖2所示。

圖2 SE模塊結(jié)構(gòu)

SE模塊由3 個組件組成：擠壓（squeeze）、激勵（excitation）、標度（scale）。

1）Squeeze：對特征圖U采用擠壓操作，輸出1 ×1 ×C向量，擠壓公式

擠壓操作后，每個特征圖可以有效地與其他特征圖相關(guān)聯(lián)，增加全局感受野提取更豐富的特征，從而提高網(wǎng)絡的識別效果。

2）Excitation：為了利用擠壓操作中的全局信息，激勵操作捕獲每個通道之間的依賴關(guān)系。過程公式為

式中W1∈，σ為ReLU的簡寫符號，δ為sigmoid的簡寫符號，W2∈。

3）Scale：利用激勵學習到的權(quán)重來標度U，將每個通道的權(quán)重分別乘以U對應通道的矩陣，最后得到帶有權(quán)重信息的特征圖

2.2.2 激活函數(shù)改進

采用Swish 激活函數(shù)來替換YOLOv5 中的ReLU。Swish激活函數(shù)不同于ReLU 對小于0 的（值）直接輸出為0，Swish函數(shù)將Sigmoid 與ReLU 的特點結(jié)合起來，采用非零數(shù)值來初始化神經(jīng)元。具體的函數(shù)公式為

圖3 為本文改進后的網(wǎng)絡結(jié)構(gòu)，網(wǎng)絡中主要采用卷積（Conv）層、批歸一化（BN）層、激活函數(shù)層、SE注意力模塊，為了使網(wǎng)絡中每一層特征圖輸入與輸出的尺寸大小一致，采用0填充（padding）輸入圖像邊長補零。

圖3 本文中改進的網(wǎng)絡結(jié)構(gòu)

3 實 驗

3.1 實驗設備

實驗在Windows 10環(huán)境下完成，使用CCD面陣工業(yè)相機對蠶繭進行拍攝，采集設備如圖4 所示。共采集560 張原始圖像，像素為1 280 ×1 024的灰度圖像。

圖4 采集設備

3.2 神經(jīng)網(wǎng)絡模型訓練

本文實驗模型均采用YOLO系列模型，在COCO128 數(shù)據(jù)集上的YOLOv5 預訓練權(quán)重文件，在訓練過程中凍結(jié)DarkNet-53 特征提取部分參數(shù)，分別訓練YOLOv5 以及改進后YOLOv5的檢測（detection）部分網(wǎng)絡參數(shù)。在訓練之前，本文對原始輸入進行了統(tǒng)一調(diào)整，將原始輸入調(diào)節(jié)為3 ×640 ×640圖像大小，訓練采用Adam優(yōu)化器優(yōu)化訓練過程，訓練參數(shù)：輸入Batchsize 為8，總訓練輪數(shù)為300，學習率（learning rate）設置為1 ×10-3，1 ×10-4，模型損失通過交叉熵（CE）函數(shù)計算，改進模型訓練過程中，對每輪訓練完后采用測試集進行評估，直到模型完全收斂獲得最優(yōu)模型權(quán)重。改進后的YOLOv5 訓練過程中損失收斂曲線如圖5所示。經(jīng)過3 000次迭代，損失值趨近于0.28 左右，從損失值的收斂情況可以得出，改進后的YOLOv5 網(wǎng)絡模型訓練結(jié)果理想，可以進行進一步測試。

圖5 改進的YOLOv3 算法訓練loss值

圖6 展示了YOLOv5 以及改進后YOLOv5 的檢測效果，二者性能對比如表1 所示。改進后的YOLOv5 算法在缺陷定位上比原始的YOLOv5 算法更加精準，且在缺陷類型上識別判斷也更加準確，能夠更加準確地實現(xiàn)對蠶繭的分類。

表1 改進的YOLOv5 算法與YOLOv5 性能對比%

圖6 YOLOv5 與改進的YOLOv5 檢測效果

4 結(jié)果與分析

4.1 評價指標

平均精度均值（mean average precision，mAP）結(jié)合了目標檢測任務中的精確率P和召回率R指標，用于衡量模型在不同類別上的平均精度。計算公式如下

式中P為精確率；R為召回率；TP為標簽正樣本中被預測為正樣本的數(shù)量；FP為標簽負樣本中被預測為正樣本的數(shù)量；FN為標簽正樣本中被預測為負樣本的數(shù)量；F1 為準確率和召回率的調(diào)和平均；Pn和Rn分別為在第n個閾值下的查準率和召回率。

4.2 結(jié)果分析

表2為不同網(wǎng)絡模型在測試集上的檢測性能?？梢钥闯觯和ㄟ^實驗發(fā)現(xiàn)改進后的YOLOv5 檢測算法，平均檢測準確率達到96.6%，準確率相對于Faster RCNN高出4.9%，比使用傳統(tǒng)的網(wǎng)絡模型SSD的mAP提高了9%，相比于傳統(tǒng)YOLOv5提高了5.5%。說明SE模塊強化了重要特征信息，提升了網(wǎng)絡預測精度，在取得較高的檢測準確率的同時召回率也很高，魯棒性較強。但是，由于SE模塊的加入增大了網(wǎng)絡的計算量，導致其檢測速率下降了2 fps，但明顯快于SSD，由此可見改進后的YOLOv5 檢測算法實用性更佳。

表2 多種算法對蠶繭缺陷檢測效果對比

5 結(jié) 論

本文提出一種基于卷積神經(jīng)網(wǎng)絡的YOLOv5 改進方法，并將其應用于蠶繭智能分選領(lǐng)域。通過重新聚類先驗框，調(diào)整先驗框參數(shù)、添加SE 模塊進入檢測模型中和修改激活函數(shù)等方法改進YOLOv5 算法，最終使用Faster RCNN、SSD、YOLOv5以及改進的YOLOv5算法進行實驗。實驗結(jié)果表明，改進的YOLOv5算法mAP有大幅的提高，預測框也更加準確，算法具有良好的泛化性能。