基于SqueezeNet的卷烟小盒外观检测算法在低成本硬件上的实现

刘 巍

（红云红河烟草（集团）有限责任公司昆明卷烟厂，云南 昆明 650202）

卷积神经网络算法（CNN）在图像分类、图像分割和目标检测等领域获得广泛应用，但随着性能要求越来越高，效率问题逐渐显现。只有解决CNN效率问题，才能更广泛地应用。目前，使用轻量化模型正是解决此种问题的一种途径，轻量化模型设计在于更高效的网络计算方式，从而使网络参数减少的同时，不损失网络性能。本文采用轻量化SqueezeNet模型作为小包外观识别算法，之后将其部署到树莓派上，实现对小盒的外观检测。

1 背景介绍

1.1 树莓派（Raspberry Pi）

树莓派由Raspberry Pi基金会开发，外形只有信用卡大小。它是一款基于ARM的微型电脑主板，以SD/Micro SD卡为内存硬盘，卡片主板周围布有USB接口和以太网接口，可连接键盘、鼠标和网线，以上部件全部整合在一张仅比信用卡稍大的主板上，具备所有PC的基本功能。

1.2 SqueezeNet卷积神经网络

SqueezeNet是一种轻量化卷积神经网络，由伯克利和斯坦福的研究人员合作发表于ICLR-2017。该算法不同于传统的卷积网络，提出fire module，fire module包含两部分，分别是squeeze层和expand层。squeeze层，就是1*1卷积，其卷积核数要少于上一层feature map数。expand层分别用1*1和3*3卷积，然后合并起来，如图1所示。

图1 fire module模型

输入128个feature map，经过fire module输出后，同样得到128个feature map。使用SqueezeNet算法有效减少神经网络权值参数，还可进行实时计算，减少算法计算时间。

2 数据集

本文所使用的图像数据来自某卷烟厂52#号机FOCKE-FXS机型视觉成像系统，所采图像为近半年的数据，包括缺陷剔除图像与正常图像，其中缺陷剔除图像共587张，正常图像295张，原始图像尺寸大小为451像素×451像素，图像经过尺寸变换，转化为227像素×227像素×3的图像。

小包正面外观缺陷包括商标缺陷与印花缺陷2种，典型缺陷如图2所示。

图2 典型缺陷

3 SqueezeNet卷积神经网络模型

针对小包外观检测，本文设计了一种SqueezeNet卷积神经网络架构，如图3所示。输入的图像数据是227像素×227像素×3的RGB图像，作为网络的输入层。接下来是1层卷积层与池化层，conv1层卷积过滤器大小是3×3×3，卷积过滤器共有64个，卷积步长为2，pool1为池化层，步长为2，进行3×3的最大池化。网络结构中fire2、fire3、fire4、fire5、fire6、fire7、fire8、fire9是fire module层。经过fire2、fire3得到128个特征图，pool3为池化层，步长为2，进行3×3的最大池化；经过fire4、fire5，得到256个特征图，pool5为池化层，步长为2，进行3×3的最大池化；进入fire6、fire7，得到384个特征图，经过fire8、fire9，得到512个特征图；之后通过一个dropout层，dropout参数为50%；conv10与pool10为卷积层与池化层，conv10层卷积过滤器大小为1×1×512，卷积过滤器共有1 000个，pool10步长为1，经过14×14的平均池化；fc层为全连接层，将三维的图像数据转换为一维的数据，便于进行分类。最后1层为输出层，使用softmax函数对小包外观进行分类，得到小包缺陷（defective）与正常（good）2种情况的识别概率。此外，在各卷积层后的激活函数为ReLU激活函数。

图3 SqueezeNet网络结构

4 结果

按照设计的模型结构，在MATLAB中使用神经网络工具箱生成卷积神经网络，学习率设定为0.000 1，训练轮数为800轮，Minibatch取4，即每批次计算4个输入图像，选择交叉熵损失函数作为优化函数，使用训练数据集对小包外观识别的训练结果如图4所示，迭代15 700次以后，模型逐渐趋于稳定，准确率达到97%以上。

图4 训练集迭代识别准确率曲线

训练过程中的损失函数曲线如图5所示，随着迭代的逐渐增加，损失函数逐渐降低并趋于稳定，稳定后的数值保持在0.01以下。

图5 损失函数

用事先分配好的10%随机验证集，在每次迭代完成，计算得到权重值后，使用验证集进行验证，验证数据集与测试数据集基本一致，在迭代15 700次以后，达到稳定。进行15 700次迭代（800轮）后，得到模型最终权重值。之后，重新获得小包外观数据集，对算法进行验证，结果见表1。

表1 数据集识别结果

由表可知，全部数据集识别准确率达到99.66%，效果较好，比常规卷积神经网络识别准确率要高，说明使用的SqueezeNet模型是有效的。

5 在树莓派上实现SqueezeNet算法

5.1 树莓派设置

树莓派操作系统为Raspbian Stretch，要运行SqueezeNet卷积神经网络算法，还需要安装OpenCV、ARM Compute Library两个库。之后，使用MATLAB的cnncodegen函数生成SqueezeNet C++代码，通过编译，产生可执行文件object_recogition。

5.2 树莓派上实现小包外观识别

使用一张印花歪斜的图片，如图6（a）所示，图片识别处理时间为769 ms，图片被识别为缺陷的概率为100.0%，识别为正常的概率为0.0%，图片识别正确。

使用一张印花正常的图片，如图6（b）所示，图片识别处理时间663 ms，图片被识别为正常的概率为97.3%，缺陷的概率为2.7%，图片识别正确。

图6 烟包识别结果

6 结束语

本文采用SqueezeNet卷积神经网络作为小包外观检测的识别算法，经过算法学习与算法验证，取得较好的效果，小包外观检测识别准确率达到99.66%。之后，使用树莓派作为实现硬件，在树莓派系统上编译SqueezeNet算法，生成可执行程序，图像输入树莓派中进行验证，结果显示在树莓派上运行的程序能正确对卷烟小包外观进行识别，具有实际应用价值。