基于YOLOv5的工艺品包装箱缺陷检测

摘要：包装箱是商品流通过程中的重要保障之一，针对跨国运输的外贸工艺品，确保外包装纸箱外观整洁无破损、变形和污渍是极其必要的。文章提出了一种全新的包装箱缺陷检测解决方案，将目标检测技术应用于国内外贸物流仓库；通过在物流仓库进行实际考察拍摄，自制数据集，分别训练YOLOx、YOLOv4、YOLOv5模型。通过检测结果对比得出，YOLOv5为检测效果最准确、效率最高的模型，平均精度均值（Mean Average Precision， mAP）为90.3%，平均精度（Average Precision，AP）值最大，每秒检测帧数（Frames Per Second，FPS）值可满足实际应用需求。

关键词：YOLOv5；工艺品包装箱；深度学习；缺陷检测

中图分类号：TP181文献标志码：A

0 引言

随着中国工艺品产业的迅速发展，工艺品外贸企业正面临着日益严格的出口标准和质量要求的挑战。这一挑战并非仅停留在产品本身的质量，还涉及整个供应链环节，尤其是物流包装箱的质量问题对于保护易损工艺品至关重要。工艺品通常因为其特殊性而更易受到运输过程中的振动、碰撞等影响，因此，出口企业必须在包装箱的完整度上下足功夫。损坏的包装箱会导致客户不满，给企业造成形象和经济上的损失。随着国际形势日渐紧张，国家之间的政治与经济矛盾越来越严重，刺激了全球贸易保护主义行为的出现，中国集装箱与货物的出口标准越来越严格［1］。例如：物流包装箱上存在缺陷［2］，国外仓库将直接拒收，国内外贸工艺品公司需承担高昂的退回运费，或直接造成商品损耗。

本文通过对物流仓库的走访调查，归纳出外贸工艺品包装箱缺陷可分为破损、污渍、弯折3类［3］，若无法及时检测，继续有此类缺陷的包装箱运输至国外，将会给外贸公司带来巨大损失。目前，国内大多物流仓库依然采用传统人工目视检测的方法对包装箱缺陷进行检测，受光线昏暗、人员疲劳等因素影响，效果一直不佳。因此，本文采用目标检测的方法对包装箱的缺陷处进行高效、准确识别。

近年来，深度学习技术在计算机视觉领域取得了突破［4］，因为其对光线、形变等不确定变量的鲁棒性强，故可应用于目标检测方面。适用于目标检测的YOLO系列算法已经多次迭代［5］，YOLOv5延续了先前YOLO系列算法的模型结构，在YOLOv4的基础上降低了模型大小，具有更快的推理速度和更高的检测精度，模型更加简洁，满足物流仓库对于缺陷检测的准确性和速度的要求，可以减少误检漏检，提高检测效率，适用于包装箱缺陷检测。因此，本文采用基于YOLOv5的目标检测方法对包装箱的缺陷处进行高效、准确识别。通过对YOLOx、YOLOv4、YOLOv5这3种模型进行训练对比［6］，将本文实验结果数据指标进行对比，选择最合适的模型应用于实际物流包装箱缺陷检测。

1 缺陷检测模型

1.1 YOLO模型

2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等［7］提出了一种单阶段（one-stage）的目标检测网络，将其取名为YOLO（You Only Look Once）。YOLO 的核心思想是把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅经过一个神经网络，得到bounding box（边界框）的位置及其所属的类别。

1.2 YOLOv5模型

YOLOv5作为一种单阶段目标检测算法，网络结构如图1所示。其核心结构包括输入端、骨干网络、颈部网络（NECK）和检测头（HEAD）4个关键部分。输入端负责自适应缩放输入图像、归一化和增强，以确保模型对于不同尺寸和特征的输入图像都能够有良好的适应性，并增加训练数据的多样性。骨干网络则负责提取图像特征，通过一系列卷积层逐渐将图像信息抽象和提炼，以便后续处理。颈部网络的设计旨在增强网络的多样性和鲁棒性，可能采用注意力机制、跳跃连接等方式，帮助网络更好地捕捉图像中的关键信息。检测头完成多目标的分类预测，通过一系列的卷积和全连接层整合提取到的特征，得到目标的类别和位置信息。综合来看，YOLOv5的每个部分在整体目标检测任务中都扮演着不可或缺的角色，共同构成了一个高效准确的目标检测系统。

2 实验

2.1 数据集制作

现阶段还没有公开的高质量包装缺陷数据集，因此为达到研究目的，本文通过实地拍摄方式，采集2463张包装箱缺陷图像，如图2所示，将缺陷分为破损、污渍、弯折3种。

在收集的图片中，每张至少包含一处破损类型，至少有一个破损点。采集后对缺陷类型进行分类整合，按照形状和成因将收集的缺陷分为不同种类。本文使用Labelimg工具对包装缺陷进行标记和分类。

2.2 实验平台及环境

本实验软硬件配置如表1所示。

3 实验结论与分析

在保证试验环境不变的情况下，本文使用相同训练集对YOLOx、YOLOv4、YOLOv5进行训练；完成训练后，使用相同测试集对效果指标进行测试，对3个模型的AP、mAP、FPS值进行对比。

评估目标检测算法性能的关键指标，如AP、mAP和FPS。这些指标对于评估模型在识别纸箱外观缺陷方面的效果至关重要。评估过程不仅需要考虑模型在不同缺陷类型上的表现，还应考虑模型在不同条件的鲁棒性，以确保其在实际场景中的可靠性。针对性能评估，本文采用测试集进行测试，以模拟实际生产环境中的各种情况。评估过程应关注模型的误检率和漏检率，确保模型既能准确地识别缺陷，又能避免误检或漏检重要缺陷；还应全面细致地对目标检测算法在纸箱外观缺陷识别方面的指标进行评估，以确保其在实际应用中的有效性和可靠性。下面对比以上3个指标。

AP用于评价模型对某类缺陷识别的准确率，AP值VAP的计算方法如式（1）所示。

mAP用于衡量模型中存在多种目标时的检测性能，mAP值VmAP的计算方法如式（2）所示。

其中，N代表缺陷的种类，在本实验中N表示破损、污渍、弯折3种不同缺陷，将3种缺陷的AP值求平均数可得到mAP值。mAP值越大，则表明模型对纸箱3种类别缺陷检测效果越好。

FPS值代表每秒检测图片的数量，如果FPS值越高，则表示模型的检测速度越快。但是，检测速度通常与识别准确率相反，需要将二者做到平衡，才能够更好地应用于实际生产。

YOLOv5模型训练后检测结果如图3所示。通过AP指标对检测性能进行对比，分析结果如图4所示。由图4可知：YOLOv5的AP值最高。

不同模型性能对比结果如表2所示。由表可知：YOLOv5的mAP值最大，对纸箱3种类别缺陷检测效果最佳；3种方法的FPS值均可满足实际检测速度的要求。

本文分析3种目标检测算法得出的结果，对实验结果的AP、mAP和FPS指标进行汇总。分析可知：YOLOv5对包装箱的3种外观缺陷检测效果最好，可以在实际检测中发挥重要作用。

本文通过推理对比结果可以得出以下结论：采用YOLOv5目标检测模型在多个关键指标上显著提升了性能，包括mAP、FPS等。这些结果清晰地展示了YOLOv5在包装箱缺陷检测中相较于YOLOv4和YOLOx模型所具备的卓越性能，为其在复杂计算任务中的应用提供了显著的优势。本研究在物流包装箱缺陷检测方面展现了可应用性，可有效杜绝环境因素和人为因素的影响，提供高效准确的检测结果。

4 结语

本文使用实际收集的缺陷数据制作数据集，将YOLOx、YOLMhG7a0PH0k7p/PYsl1zigSkzywEby9oNlL4bI9/FlqQ=Ov4、YOLOv5 3种模型进行训练，通过对比数据和效果可知：YOLOv5可以更加高效准确地识别包装箱上的缺陷，受环境影响较小，相比于传统的人工目视检测法，能够提示检测效率，节省检测时间；保证了外贸公司出口商品包装箱的完整性，节省退回运费，减少商品损耗，为公司效益提供保障；在检测包装箱缺陷方面，YOLOv5表现良好。但是YOLOv5模型仍存在不足之处，例如：光线昏暗时可能出现漏检、误检等现象，后续研究将继续优化模型，扩充数据集，设计更为完备的硬件环境，提升检测的准确性与实用性。

参考文献

［1］郑浩.新冠肺炎疫情下工艺品企业出口贸易策略研究［D］.福州：福建农林大学，2021.

［2］王立军，刘慧华.物流过程中瓦楞纸箱的抗压及振动损伤评价［J］.天津造纸，2021（2）：39-43.

［3］王旭.基于角点与分块模板匹配的印刷品文字缺陷图像检测方法［D］.天津：天津理工大学，2023.

［4］叶卓勋，刘妹琴，张森林.基于轻量化深度学习网络的工业环境小目标缺陷检测［J］.控制与决策，2023（5）：1231-1238.

［5］LI Y， HUANG H， CHEN Q， et al. Research on a product quality monitoring method based on multi scale PP-YOLO［J］. IEEE Access， 2021（9）： 80373-80387.

［6］金彬，解祥新.基于改进YOLOv4的葡萄叶片病害检测与识别算法［J］.无线互联科技，2023（18）：129-132.

［7］相阳，陈晓静.基于AI的交通流状态智能检测与拥堵态势分析［J］.江苏科技信息，2023（15）：54-57，61.

Craft box defect detection based on YOLOv5

Abstract： Packaging boxes are one of the important guarantees in the circulation process of goods， for the foreign trade handicrafts transported across borders， it is extremely necessary to ensure that the appearance of the outer packaging box is clean and free of damage， deformation and stains. This article proposes a brand-new packaging box defect detection solution， applying target detection technology to domestic and foreign trade logistics warehouses for the first time. By photographing through actual inspections in logistics warehouses， a dataset is made， and YOLOx， YOLOv4， YOLOv5 models are respectively trained. By comparing the test results， it can be concluded that YOLOv5 is the most accurate and efficient model for detection. Its mean average precision is 90.3%， average precision value is max， the frames per second value can meet actual application needs.

Key words： YOLOv5; crafts packaging box; deep learning; defect detection