改进YOLOv3算法的烟盒缺陷检测

2021-04-27陈同宇范剑伟

物联网技术 2021年4期

陈同宇，陈洋，范剑伟

（安徽工业大学机械工程学院，安徽马鞍山 243000）

0 引言

传统的香烟盒表面检测方法速度较慢、效率低下[1]。卷积神经网络[2]是一种重要的深度学习模型或多层感知机[3]，能够从图像数据中抽取特征[4]，在图像识别领域应用广泛[5]。可利用卷积神经网络识别表面缺陷，主要包括基于区域的目标识别方法（Faster R-CNN等）以及基于回归的目标识别方法（YOLO系列等）[6]。YOLO算法具有处理速度快、准确率高等优点。

1 改进的YOLO算法

1.1 网络结构

DarkNet-53网络拥有52个卷积层与1个全连接层，共53层。YOLOv3的工作原理是在DarkNet-53的基础上进行3次检测[7-8]，网络结构如图1所示。

图1 YOLOv3原网络结构

YOLOv3在检测烟盒缺陷时容易出现漏检现象，这是由于YOLOv3初始算法中降采样的倍数过大，导致特征图的感受野[9]较大，无法检测小目标。烟盒表面缺陷属于小型目标，因此将YOLOv3原网络尺寸为52×52的特征图进行2倍上采样，得到104×104特征图，将尺寸为104×104的特征图与DarkNet-53网络尺寸为104×104的特征图进行融合，在该层特征图上进行独立预测。改进后的网络共有118层，拥有4个不同尺度的独立预测，其网络结构如图2所示。

图2 改进后的YOLOv3网络结构

实验结果表明，改进后的网络相对于原网络平均检测精度提升了6.8%、查准率提高了7%、查全率提高了7%，但检测速度从最初的24 FPS降到了21 FPS。这表明，添加一层特征检测有利于检测烟盒表面缺陷，但检测速度稍有下降。

1.2 损失函数

YOLOv3算法损失函数包括均方误差（Mean Square Error, MSE）损失函数和交叉熵损失函数，以MSE[10]误差为目标框坐标的损失函数存在3个缺点：Loss越低并不等价于IoU值越高，三对目标框具有相同的Loss，但是IoU值却不一致，如图3所示；候选框与真实框间无重合时，IoU为0，在优化损失函数时，梯度为0，即无法优化；候选框与真实框间IoU相同时，检测效果具有较大差异，如图4所示。

图3 具有相同Loss

图4 具有相同的IoU

IoU是判断相似程度的常用评测标准，计算见式（1）：

式中，S1、S2分别为两目标框的面积。

由于MSE损失函数不均衡，提出利用GIoU Loss作为YOLOv3的左右坐标损失依据，其值计算见式（2）：

式中：Ac为检测框与真实框的最小闭包面积；U为检测框与真实标注框的相交面积。

GIoU Loss 的计算见式（3）：

GIoU作为距离度量标准，其满足非负性、不可分的同一性、对称性和三角不等性等条件，由于GIoU是比值，因此具有尺度适应性；由式（2）可知，求GIoU的最大值可选用IoU计算公式。当两目标框非常接近时，GIoU和IoU相差较小，GIoU越大，IoU也越大。文中处理了原网络MSE误差损失存在的损失优化与最大IoU值计算方向不一致和尺度敏感等问题。

2 实验结果分析

2.1 数据集准备

通过相机拍照的方式采集图片。文中的数据集全部来源于利群香烟盒。为了增加模型的泛发性和训练精度，在获取图像时，数据集增加了许多不同形态特征、角度、位置的烟盒图片。烟盒表面既有明显缺陷也有微小瑕疵。烟盒的缺陷可出现在烟盒的任何位置，同一个烟盒上可能出现不同形状、不同数量的缺陷。数据集共包含500张图片，其中400张图片作为训练集，100张图片作为测试集。烟盒缺陷标签借助labelImg软件实现。图片上的缺陷，划痕以水笔所画代替，划痕和污点均为flaw标注，数据集标注时只标注flaw类缺陷。

2.2 烟盒缺陷检测工作流程

文中提出的改进YOLOv3算法的烟盒表面缺陷检测方法具体检测过程如图5所示，主要包括以下步骤：

图5 烟盒检测流程

（1）通过相机采集需要检测的烟盒图片；

（2）将采集到的图片带入深度学习模型检测并判断有无缺陷；

（3）如果有缺陷，则剔除，如果无缺陷，则继续检测；

（4）收集无缺陷的烟盒，增大数据集。

2.3 结果与分析

本文采用精度均值（mean Average Precision, mAP）、查全率（召唤率）、查准率（准确率）等对原网络模型和改进后的网络模型进行评估。

用改进后的网络模型进行训练，训练次数为3 000次时检测模型的平均精度最高，其结果如图6所示。从图6可以看出，改进后的网络模型对比原网络平均精度有较大提升，约为6.48%，充分说明4倍下采样特征层更有利于小目标检测，改进后的网络检测效果更佳。

图6 改进前后平均检测精度

模型检测结果见表1所列。改进后的网络在不影响实时检测的情况下大大提升了检测精度，大幅降低了漏检、错检出现的概率。

表1 模型检测结果

2.4 测试结果对比分析

分别对原网络的检测模型与改进后的最优检测模型进行检测，在原网络中，单处缺陷检测精度为0.46。改进后，检测精度为0.97，提升约51%。同时，原网络还出现了漏检的情况，试验图中有2处缺陷，但原网络未检测出来，而改进后的网络则准确检测出了原模型的2个缺陷，虽然此处置信度不高（可能因光照分布不均匀引起），但相对原网络有较大提升。