汪國平，胡 博，陳仲生,，侯幸林

基于邊緣計算改進的MobileNetV1-SSD表面缺陷視覺檢測方法

汪國平1，胡 博2，陳仲生1,3，侯幸林3

（1. 湖南工業(yè)大學(xué) 電氣與信息工程學(xué)院，湖南 株洲 412007；2. 南京理工大學(xué) 瞬態(tài)物理國家重點實驗室，江蘇 南京 210094；3. 常州工學(xué)院 汽車工程學(xué)院, 江蘇 常州 213032）

表面缺陷檢測是產(chǎn)品質(zhì)檢的重要工序之一，現(xiàn)有邊緣端視覺檢測大多存在識別率低、模型結(jié)構(gòu)復(fù)雜、部署困難、模型推理實時性差等問題。為此，本文以STM32H747微控制器為邊緣設(shè)備，基于MobileNetV1-SSD輕量化模型，研究了一種融合CBAM注意力機制的表面缺陷視覺檢測方法。首先，融合CBAM注意力機制，添加在最后一層的特征提取網(wǎng)絡(luò)之后,使缺陷目標在檢測模型中的特征表達能力得到增強，模型在僅增加少量的參數(shù)量的基礎(chǔ)上提升模型的檢測準確率；其次，對CBAM-MobilenetV1-SSD模型進行預(yù)處理；最后，采用X-CUBE-AI工具包在STM32H747微控制器中實現(xiàn)了模型的移植和部署。通過對比實驗表明，融合CBAM注意力機制的模型mAP達到83.75%，精度比原算法提高2.75%，參數(shù)量僅為1.67M，模型大小為622KB,且部署在邊緣設(shè)備對軟包鋰電池表面缺陷檢測精度有顯著提升。

表面缺陷檢測；邊緣計算；STM32微控制器；MobileNetV1-SSD；CBAM

0 引言

在工業(yè)制造中，產(chǎn)品質(zhì)量對用戶和制造商至關(guān)重要。產(chǎn)品表面缺陷的存在（如劃痕、凹陷、氣泡等）可能嚴重影響產(chǎn)品的外觀和功能。因此，進行有效的表面缺陷檢測至關(guān)重要。

近年來，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的深度學(xué)習(xí)方法在產(chǎn)品表面缺陷檢測領(lǐng)域受到廣泛關(guān)注和應(yīng)用，并取得了顯著的成果。目前，基于深度學(xué)習(xí)的目標檢測方法第一類是以 RCNN、Faster R-CNN為代表的兩階段目標檢測。鄭亞睿[1]等在Faster R-CNN基礎(chǔ)上引入雙動態(tài)頭的金字塔網(wǎng)絡(luò)，應(yīng)用于鋼材表面缺陷檢測。第二類是以 YOLO、SSD為代表的直接進行位置回歸的目標檢測模型。葛釗明等人[2]基于YOLOv5網(wǎng)絡(luò)引入卷積注意力模塊，用于鋰電池極片缺陷檢測。Li等人[3]改進了SSD的骨干網(wǎng)絡(luò)，并提出了一種MobileNet-SSD 網(wǎng)絡(luò)，用于檢測罐裝密封容器的表面缺陷。

以上研究利用不同的神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn)對產(chǎn)品表面的缺陷檢測并取得了較好的效果。但實際上由于邊緣端視覺檢測大多存在識別率低、模型結(jié)構(gòu)復(fù)雜、部署困難、模型推理實時性差等問題，針對邊緣計算端[4]的缺陷檢測的研究甚少。因此，本文設(shè)計了一種融合卷積塊注意力機制(CBAM) 的 MobilenetV1-SSD檢測模型，以軟包鋰電池表面缺陷為實驗對象，通過構(gòu)建輕量化的MobilenetV1-SSD模型，在此基礎(chǔ)上通過引入CBAM 注意力機制來增強模型對缺陷目標的特征表達能力，進而提高對軟包鋰電池表面缺陷檢測精度。

1 CBAM-MobileNetV1-SSD模型構(gòu)建

1.1 MobileNetV1-SSD輕量化網(wǎng)絡(luò)

MobileNetV1[5]是 Google 公司 2017 年發(fā)布的用于移動端的輕量化深度學(xué)習(xí)網(wǎng)絡(luò)，其核心思想是運用深度可分離卷積和倒置殘差結(jié)構(gòu)，實現(xiàn)了高效的特征提取和信息處理，大大降低了計算量和參數(shù)數(shù)量。同時，MobileNetV1在有限計算資源的情況下仍保持較高的準確性和性能表現(xiàn)。

SSD[6]網(wǎng)絡(luò)是一種單階段目標檢測網(wǎng)絡(luò)，它基于VGG16骨干網(wǎng)絡(luò)，通過金字塔特征提取結(jié)構(gòu)實現(xiàn)不同大小特征圖的分類和回歸。采用金字塔特征提取結(jié)構(gòu)通過不同卷積層和尺度的特征圖進行分類和回歸，能更好地適應(yīng)小目標的檢測需求。SSD網(wǎng)絡(luò)具有更快的運算速度和更低的網(wǎng)絡(luò)復(fù)雜度，因而更適合于輕量化應(yīng)用。為此，本文選取SSD網(wǎng)絡(luò)作為目標分類和邊界框回歸任務(wù)的主要框架，同時采用MobileNetV1作為骨干網(wǎng)絡(luò)，替代原有的VGG16網(wǎng)絡(luò)，構(gòu)建MobileNetV1-SSD輕量化模型。MobileNetV1網(wǎng)絡(luò)的計算量約為VGG網(wǎng)絡(luò)的1/30，從而明顯壓縮了缺陷檢測網(wǎng)絡(luò)模型。

1.2 融合CBAM注意力機制

在采用輕量化網(wǎng)絡(luò)技術(shù)后，根據(jù)MobileNetV1-SSD實驗結(jié)果可知模型的精度有小幅度的下降。為了解決這個問題，本文考慮在輕量化網(wǎng)絡(luò)模型中融合CBAM注意力機制，使模型更加關(guān)注重要的特征，模型在僅增加少量的參數(shù)量的基礎(chǔ)上提升模型的檢測準確率，從而提高模型的表現(xiàn)和泛化能力。CBAM[7]是一種用于圖像分類的注意力機制，可以有效地提高卷積神經(jīng)網(wǎng)絡(luò)的性能。其核心思想是將注意力機制嵌入到CNN中，以使CNN可以自適應(yīng)地選擇圖像中最具有代表性的區(qū)域并進行更好的分類，給原本沒有注意力機制的模型，同時加入通道與空間上的注意力機制。其整體結(jié)構(gòu)原理如圖1所示。

圖1 CBAM注意力機制整體結(jié)構(gòu)圖

CBAM主要包括兩個模塊：通道注意力模塊和空間注意力模塊。通道注意力模塊主要關(guān)注通道維度上的特征，以適應(yīng)不同通道之間的重要性差異，其模塊結(jié)構(gòu)原理如圖2所示。通道注意力模塊旨在學(xué)習(xí)特征圖中不同通道之間的關(guān)系。它通過兩個步驟來計算通道注意力：全局平均池和共享全連接層。首先，通過全局平均池化操作，對每個通道的特征圖進行全局平均池化，得到通道維度上的特征描述。然后，將這些描述送入一個共享全連接層來計算每個通道的權(quán)重，形成了通道注意力圖M，這個通道注意力圖包含了每個通道在特征圖中的重要性信息，權(quán)重值表示了每個通道對于整個特征圖的重要程度。最終，這個通道注意力圖會被應(yīng)用到原始的特征圖上對不同通道的特征進行加權(quán)，以增強有用的通道特征。

圖2 通道注意力模塊結(jié)構(gòu)圖

空間注意力模塊則側(cè)重于圖像中不同空間位置之間的關(guān)系。通過對圖像不同位置的特征進行加權(quán)來強調(diào)重要的空間區(qū)域，以增強模型對物體的空間結(jié)構(gòu)和布局的理解，其模塊的工作原理如圖 3所示。空間注意力模塊旨在學(xué)習(xí)特征圖在空間維度上的重要性分布。它主要通過兩個步驟來計算空間注意力：使用最大池化和最大值池化。首先，對于每個通道，空間注意力模塊分別對特征圖進行最大值池化和平均值池化操作，得到每個位置上的最大值和平均值信息。接著，這些信息被拼接在一起并送入一個卷積層，生成一個空間注意力圖M。這個注意力圖會乘以原始的特征圖，強調(diào)空間上重要的特征，抑制不重要的部分。

圖3 空間注意力模塊結(jié)構(gòu)圖

綜上所述，CBAM注意力機制的計算公式如下：

由于考慮到STM32H747邊緣設(shè)備的存儲與計算資源有限，需要限制模型的大小，因此本文不考慮將在每層卷積層之后添加注意力機制模塊，而只是將注意力機制模塊只添加在最后一層的特征提取網(wǎng)絡(luò)之后。首先對模型的輸入通道進行全局平均池化和全局最大池化操作，獲取通道特征的全局信息。然后設(shè)置兩個全連接層的通道共享率為8和1，繼而得到維度大小為（Batch, 1, 1, 16）和（Batch, 1, 1, 64）的兩層共享全連接層，最后傳入 Sigmoid激活函數(shù)生成每個通道的權(quán)重值，最終將權(quán)重值乘到每個通道的特征圖上，達到增強重要通道特征的效果，以提高模型識別的精度。使得模型在僅增加少量的參數(shù)量的基礎(chǔ)上提升模型的檢測準確率。

2 CBAM-MobilenetV1-SSD檢測模型部署

2.1 模型預(yù)處理

將CBAM-Mobilenetv1-SSD缺陷檢測模型移植到STM32H74微控制器之前，需要在PC 端設(shè)備對其進行預(yù)處理，其流程如圖4所示。PC 端的預(yù)處理步驟包括模型訓(xùn)練、模型量化[8]和模型轉(zhuǎn)換，量化后輸出的.tflit文件即是STM32可加載的網(wǎng)絡(luò)模型。

圖4 模型預(yù)處理流程圖

2.2 模型部署

為了在STM32H747微控制器上部署量化后的CBAM-Mobilenetv1-SSD缺陷檢測模型，本文選擇采用X-CUBE-AI工具[9]。它支持快速自動導(dǎo)入流行深度學(xué)習(xí)框架（如Keras，TensorFlow-Lite，Caffe等）訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，將其換為適用STM32的優(yōu)化代碼,實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型向可移植C模型的精確轉(zhuǎn)換，并優(yōu)化生成的庫以減少內(nèi)存占用。

在STM32H747微控制器上部署CBAM-MobileNetV1-SSD缺陷檢測模型的流程如圖5所示。使用X-CUBE-AI 工具箱對 TFLite 模型進行轉(zhuǎn)換，得到預(yù)處理后CBAM-Mobilenetv1-SSD模型的大小僅有622KB、占用 RAM 大小僅為312KB，完全滿足STM32H747計算及存儲資源要求。

圖5 CBAM-MobileNetV1-SSD模型部署流程圖

CBAM-MobileNetV1-SSD模型轉(zhuǎn)化生成的C代碼包括network.c、network.h、network_data.c、network_data.h、network_data_param.c和network_data_param.h，其中network.c包含了神經(jīng)網(wǎng)絡(luò)的初始化、前向傳播函數(shù)和其他相關(guān)函數(shù)；network.h文件包含了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)定義、函數(shù)聲明和常量定義；network_data.c和 network_data.h文件包含了神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置數(shù)據(jù)；network_data_params.c和network_data_params.h包含了部署轉(zhuǎn)換后神經(jīng)網(wǎng)絡(luò)模型所需的數(shù)據(jù)和參數(shù)定義。

最后，將上述這些數(shù)據(jù)和參數(shù)嵌入到STM32H747微控制器的代碼中，即可實現(xiàn)CBAM-Mobilenetv1-SSD缺陷檢測模型的推理，無需在運行時訪問外部數(shù)據(jù)文件，從而實現(xiàn)了視覺檢測的邊緣檢測。

3 實驗測試與驗證

本文針對兩類軟包鋰電池表面缺陷：劃痕和凹坑，人工制作軟包鋰電池表面缺陷數(shù)據(jù)集，全部缺陷圖像數(shù)量共有2000張，隨機選取1500張圖像作為訓(xùn)練集，剩余500張作為測試集。PC端計算環(huán)境為 Inter i5 CPU、Nvidia GTX2080GPU、8 GB 內(nèi)存、Python3.8 及 Tensorflow2.83 框架。

3.1 模型訓(xùn)練

在訓(xùn)練過程中，選取 bath_size = 64、 epoc= 500，預(yù)測框 IOU 設(shè)置為 0.4，NMS 設(shè)置為 0.5，學(xué)習(xí)率設(shè)為 0.001，優(yōu)化器選擇 Adam 算法。

CBAM-MobileNetV1-SSD和MobileNetV1-SSD模型的訓(xùn)練及驗證過程的損失函數(shù)值隨迭代次數(shù)變化如圖6所示，可以看出CBAM-MobileNetV1-SSD模型訓(xùn)練396個epoch達到收斂，且訓(xùn)練與驗證的最小損失值分別為1.7023和0.964，而MobileNetV1-SSD模型訓(xùn)練172個epoch達到收斂，且訓(xùn)練與驗證的最小損失值分別為1.8794和1.4231。分析比較可知CBAM-MobileNetV1-SSD模型相比較于MobileNetV1-SSD模型在訓(xùn)練和驗證時都表現(xiàn)出更低的損失值，具有更好的收斂性能和泛化能力，這表明本文的融合CBAM注意力機制改進方案是可行的。

圖6 不同模型的訓(xùn)練與驗證損失值曲線對比圖

3.2 性能測試分析

為了評價表面缺陷檢測的性能，本文選擇目標識別任務(wù)中常用的平均準確率均值（mAP：mean average precision) 作為評估指標。平均準確率均值指軟包鋰電池表面缺陷“defect”( 劃痕、凹坑) 的平均檢測精度，計算表達式如下。同時使用推理時間作為檢測速度評估的指標，模型的大小及參數(shù)量作為裁剪壓縮評估的指標。

式中：表示準確率；表示召回率；表示預(yù)測為正，實際為正；表示預(yù)測為正，實際為負；表示預(yù)測為負，實際為正；為單個類別的平均精準率；表示個類別的平均值。

CBAM-MobileNetV1-SSD和MobileNetV1-SSD模型的召回率如圖 7所示，CBAM-MobileNetV1-SSD模型檢測內(nèi)容 “defect”在召回率達到0.8 時有下降的趨勢，而MobileNetV1-SSD模型檢測內(nèi)容“defect”在召回率達到0.75時就已經(jīng)有下降的趨勢。這表明融合CBAM注意機制在達到相同的準確率條件下召回率更高，也就是模型檢測出的正例占比全部的正例更大，具有更好的檢測性。

圖7 不同模型召回率對比圖

模型的大小及性能如表 1 所示，可以看出CBAM-MobileNetV1-SSD模型的mAP值達到83.75%，比MobileNetV1-SSD模型提高了2.75%，且其參數(shù)量相比MobileNetV1-SSD模型僅有少量的增加。分析比較可知融合CBAM注意力機制，模型在僅增加少量的參數(shù)量的基礎(chǔ)上具有更好模的檢測精度。

表1 模型大小及性能對比

3.3 軟包鋰電池表面缺陷檢測平臺測試分析

表面缺陷檢測平臺如果圖8所示，由傳送平臺、夾具、環(huán)形光源、光源控制器和相機組成。軟包鋰電池通過電機驅(qū)動傳送到相機正下方，環(huán)形光源為相機連續(xù)采集提供良好的圖像質(zhì)量。相機采用OV5640攝像頭在線采集軟包鋰電池表面圖像，接著對圖像進行預(yù)處理及特征提取，再調(diào)用部署在STM32H747的缺陷檢測深度學(xué)習(xí)模型，對獲取的產(chǎn)品表面圖像進行識別；最后，在LCD顯示屏顯示產(chǎn)品表面缺陷的的檢測結(jié)果。

圖8 表面缺陷檢測平臺

圖9 待檢測軟包鋰電池

因此，本次實驗采用如圖9所示的待檢測軟包鋰電池，該軟包鋰電池表面有兩個缺陷，分別是劃痕和凹坑。在STM32H747微控制器上分別運行部署成功的CBAM-MobileNetV1-SSD和MobileNetV1-SSD模型，對軟包鋰電池表面進行實時缺陷檢測實驗。

本次實驗中STM32H747運行的CBAM-MobileNetV1-SSD和MobileNetV1-SSD模型對軟包鋰電池表面缺陷檢測實驗結(jié)果如圖10所示，兩種模型對凹坑和劃痕這兩種缺陷均能準確識別出來，CBAM-MobileNetV1-SSD識別的凹坑和劃痕的置信度分別為0.83和0.99，而MobileNetV1-SSD識別的凹坑和劃痕的置信度分別為0.58和0.63，分析本次實驗結(jié)果可知，CBAM-MobileNetV1-SSD模型部署在邊緣設(shè)備對軟包鋰電池表面缺陷檢測精度有明顯提升。

(a) CBAM-MobileNetV1-SSD檢測結(jié)果

(b) MobileNetV1-SSD檢測結(jié)果

圖10 軟包鋰電池表面缺陷檢測結(jié)果對比圖

4 結(jié)語

本文以STM32H747微控制器為核心，基于MobileNetV1-SSD輕量化模型，研究了一種融合CBAM注意力機制的表面缺陷視覺檢測方法，主要工作包括：1）采用融合CBAM注意力機制的方法對原算法模型的網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化，檢測精度提升了2.75%；2）對融合CBAM注意力機制前后的模型算法進行了對比實驗驗證，結(jié)果表明改進算法的模型具有更好的收斂性能和泛化能力；3）在STM32H747微控制器中實現(xiàn)了模型的移植和部署，并搭建檢測平臺進行實驗對比測試與驗證，最終實驗結(jié)果表明融合CBAM注意力機制的MobileNetV1-SSD模型對軟包鋰電池表面缺陷的邊緣側(cè)檢測精度有明顯的提高。

[1] 鄭亞睿, 蔣三新. 基于雙動態(tài)頭Sparse R-CNN的表面缺陷檢測算法[J]. 儀表技術(shù)與傳感器, 2023(5): 97-105, 111.

[2] 葛釗明, 胡躍明. 基于改進YOLOv5的鋰電池極片缺陷檢測[J]. 激光雜志, 2023, 44(2): 25-29.

[3] Li Y T, Huang H S, Xie Q S, et al. Research on a surface defect detection algorithm based on MobileNet-SSD[J]. App Sci, 2018, 8(9): 1678.

[4] 吳瑞東, 劉冰, 付平, 等. 應(yīng)用于極致邊緣計算場景的卷積神經(jīng)網(wǎng)絡(luò)加速器架構(gòu)設(shè)計[J]. 電子與信息學(xué)報, 2023, 45(6): 1933-1943.

[5] 畢鵬程, 羅健欣, 陳衛(wèi)衛(wèi). 輕量化卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究[J]. 計算機工程與應(yīng)用, 2019, 55(16): 25-35.

[6] Wang L H, Shi W P, Tang Y H, et al. Transfer Learning-Based lightweight SSD model for detection of pests in citrus[J]. Agronomy, 2023, 13(7): 1710.

[7] Chen L J, Yao H D, Fu J Y, et al. The classification and localization of crack using lightweight convolutional neural network with CBAM[J]. Eng Struct, 2023, 275, Part B: 115291.

[8] 楊春, 張睿堯, 黃瀧, 等. 深度神經(jīng)網(wǎng)絡(luò)模型量化方法綜述[J]. 工程科學(xué)學(xué)報, 2023, 45(10): 1613-1629.

[9] Lucan O I. Seiculescu C C?leanu C D. A brief review of deep neural network implementations for ARM Cortex-M processor[J]. Electronics, 2022, 11(16): 2545.

Edge computing-based enhancement of mobileNetV-SSD for surface defect visual detection

Wang Guoping1, Hu Bo2, Chen Zhongsheng1,3, Hou Xinlin3

(1. College of Electrical and Information Engineering, Hunan University of Technology, Zhuzhou 412007, Hunan China; 2. National Key Lab. of Transient Physics, Nanjing University of Science and Technology, Nanjing 210094, Jiangsu China; 3. College of Automotive Engineering, Changzhou Institute of Technology, Changzhou 213032, Jiangsu China)

TM930.9

A

1003-4862（2024）03-0009-06

2023-06-27

國家自然科學(xué)基金項目(62101074)

汪國平(1997- )，男，碩士研究生，研究方向：嵌入式機器視覺、產(chǎn)品缺陷檢測；E-mail:1106766548@qq.com

陳仲生(1977- )，男，教授，博士，研究方向：狀態(tài)監(jiān)控與故障診斷、工業(yè)機器視覺。E-mail:chenzs@czu.cn