基于机器视觉的快递包装破损检测

文/朱闯 孙庆峰 骆双龙 王仁君

1.引言

传统人工识别破损包装的方法，已无法满足发展的需要，在智慧物流体系的建设中，快递包装箱破损检测受到各大物流企业的重视。包装破损是影响服务质量的重要因素，对快递包装破损检测方法进行研究，有利于提高破损检测速度及工作效率，企业能够及时作出相关处理，减少赔付，避免运输资源浪费，提高客户满意度，提升服务质量。有利于实现快递寄递流程可跟踪、隐患可发现、责任可追溯等目标。有较高的应用价值,可作为工业自动检测装备研制的重要理论依据。

2.基于机器视觉的快递包装破损检测方法

本文采用Canny[1-2]边缘检测与改进的YOLOv5[3-4]目标检测算法相结合的方法实现快递包装破损检测。在实际中快递包装破损区域复杂多样，一处破损常常导致着整个箱体的变形，或箱体多处破损。因此给YOLOv5模型的检测带来很大的难度，为此在模型中引入Canny边缘检测，尽可能保留破损特征，对图片数据进行处理。为提高YOLOv5模型的检测精度，在原有模型的基础上引入ECA[5-6]（Efficient Channel Attention M odule）注意力机制改进模型。

2.1 边缘检测算法

在机器视觉领域，边缘检测算法的应用极为广泛，Canny算子是由澳洲科学家John F.Canny开发的边缘检测算法之一。该算法的检测效果好能够尽可能多地标示出实际边缘，且对噪音的标示率低，响应小，定位效果佳，能够极其接近图像中的实际边缘。（1）高斯滤波。在边缘检测器中，必须使用滤波器来改善与噪声有关的边缘检测器的性能，使用高斯滤波，对抑制或消除服从正态分布的噪声非常有效，因此常其用来平滑图像，滤除噪音。大多数滤波器会因为过度追求降噪而导致边缘强度的损失，使检测效果不佳，因此需要综合考量降低噪音与增强边缘之间的关系。在边缘检测算法中使用高斯滤波主要在于其能够在消除图像噪音影响的同时，很大程度上能有效保留边缘信息。（2）计算梯度和方向。综合考虑精度与效率，在计算图像中每个像素点的梯度与方向时选用Sobel[7-8]算子。在图像边缘检测算法中Sobel算子实用性很高，对噪音具有平滑作用，其抗噪声能力很强，用途较多，效率较高，能够提供较为精确的边缘方向信息。且Sobel边缘检测算法简单，在破损包装检测中应用能有够满足其效率要求。（3）非极大值抑制。在边缘检测算法中，在获得梯度的方向和大小之后，应用非极大值抑制去除那些非边界上的点。具体指沿着像素的梯度方向对相邻的两个像素进行比较，保留局部最大值以得到细化边缘的同时抑制非局部最大值的所有值。边缘检测算法中对噪音的响应影响着使用性能，非极大值抑制能够消除检测过程中杂散响应，排除非边缘像素，获得细化的边缘。（4）双阈值算法。在实际应用中，Canny边缘检测算法的阈值选取对检测结果的影响很大，因此需要通过多次实验根据给定输入图像的内容确定两个阈值，低阈值T1，高阈值T2。在完成非极大值抑制后，图片依旧包含噪音或其他影响因素导致的假边界影响边缘检测算法的结果。通过双阈值算法，确定两个阈值，抑制小于低阈值的边缘像素梯度值。

2.2 改进YOLOv5目标检测算法

YOLOv5作为一种One-stage检测器，具有计算量小、识别速度快等优点。为满足快递包装箱破损检测的要求，使用一种改进的YOLOv5模型，通过添加ECA注意力机制，优化网络结构，增强感受，提取更加丰富的目标特征，增强模型的特征提取能力。ECANet[9-10]主要对SENet[11-12]模块进行了一些改进，能够在不增加过多参数和计算成本的情况下，有效地增强网络的表征能力。通过ECA模块和自适应选择一维卷积核大小的方法，从而实现了性能上的提优。

3.实验与结果分析

目前国内外对快递包装破损检测的研究还较少，由于机器视觉应用范围广、任务多样，各类不同包装的破损图像特征与检测参数之间难以统一，因此针对不同研究对象需建立合适的数据集。本文采用自建的快递包装箱破损数据集，数据集含有2872张标注图片，其中训练集含有2296张，取576张图片作为测试集检测训练效果。

3.1 实验设计

为了验证本文提出的Canny边缘检测与改进YOLOv5目标检测算法相结合的包装破损检测方法的可靠性与真实性，分别对yolov5检测算法、canny边缘检测与YOLOv5目标检测算法及canny边缘检测与改进YOLOv5检测算法三种算法进行对比实验。三种检测算法分别对数据集进行处理，其中canny边缘检测算法对破损与完好两种不同类型的快递包装箱的处理结果如图1所示，从左到右依次为经过检测算法中形态学处理后的图片、边缘检测算法的结果、边缘检测算法实现原图破损边缘显示。

图1 边缘检测算法处理的图片

图2 各模型检测精度结果对比图

3.2 实验环境

实验在w indow s10操作系统中进行，环境配置为python3.8、pytorch1.11.0，服务器配置为Intelcore i7-7700、16G内存，显卡为NVIDIAGTX1060 6G显存。实验参数保持默认使用的学习率、循环率、学习率动量等。batch size受硬件限制设置为8，epochs经实验设置为150足以保证所有数据在最后都处于收敛阶段。

3.3 实验结果评估

实验结果以两种评价指标来评估三种不同模型的检测精度，精确率（Precision，P），预测结果是正类的概率，即查准率。召回率（Recall，R），所有真实目标中，模型预测正确的目标比例，即查全率。三种算法模型的评价指标见表1：

表1 各模型评价指标表

由表4可知，本文提出的canny边缘检测与改进yolov5目标检测算法相结合的方法，对快递包装破损检测的效果最好，能够达到想要的检测效果。为更直观地反映三种模型的检测精度，检测结果对比图如下：

4.结论

以破损快递包装检测为研究对象，基于机器视觉提出关于Canny边缘检测算法与改进YOLOv5目标检测算法融合从而实现快递包装检测的方法。利用自建的快递包装图片数据集，对三种不同的算法进行实验，对比实验结果，得出Canny边缘检测算法与改进YOLOv5目标检测算法的融合使得检测精度与性能明显更为优越，在稍损检测速度的情况下，极大的提高了检测精度，说明了该方法对快递包装破损检测的可靠性与真实性。