朱宗洪 李春貴 李煒 黃偉堅(jiān)

摘要：為完成噴油器閥座常見(jiàn)的瑕疵識(shí)別，對(duì)深度檢測(cè)模型進(jìn)行研究，提出基于Faster R-CNN模型的噴油器閥座瑕疵識(shí)別改進(jìn)方法。首先，對(duì)常規(guī)生產(chǎn)下的噴油器閥座瑕疵圖像進(jìn)行采集、處理，構(gòu)造出相關(guān)數(shù)據(jù)集;其次，在FasterR-CNN模型上對(duì)候選框和特征網(wǎng)絡(luò)進(jìn)行改進(jìn)，獲得比原有模型更高的精確度。實(shí)驗(yàn)結(jié)果表明：改進(jìn)的FasterR-CNN模型在噴油器閥座瑕疵識(shí)別中精確度得到加強(qiáng)，識(shí)別精確度可達(dá)71.79%，相比原有模型精確度提升了近3.9%。說(shuō)明該深度學(xué)習(xí)方法能夠有效實(shí)現(xiàn)噴油器閥座瑕疵的識(shí)別，為后續(xù)自動(dòng)一體化檢測(cè)研究提供了基礎(chǔ)。

關(guān)鍵詞：汽車(chē)噴油器閥座;瑕疵識(shí)別;Faster R-CNN;深度學(xué)習(xí)

中圖分類(lèi)號(hào)：U464.136;TP391.41DOI：10.16375/j.cnki.cn45-1395/t.2020.01.001

0引言

隨著視覺(jué)檢測(cè)技術(shù)的快速發(fā)展，制造業(yè)自動(dòng)化生產(chǎn)線(xiàn)上使用機(jī)器視覺(jué)來(lái)檢測(cè)目標(biāo)產(chǎn)品瑕疵的軟件和應(yīng)用越來(lái)越多，生產(chǎn)效率也得到很大的提高，在瑕疵檢測(cè)中使用機(jī)器代替人已經(jīng)成為一種不可避免的趨勢(shì)。實(shí)際上，如何更好地將工業(yè)生產(chǎn)與機(jī)器視覺(jué)檢測(cè)技術(shù)相結(jié)合是一個(gè)十分困難的問(wèn)題，目前噴油嘴閥座（如圖1）的檢測(cè)還是通過(guò)手動(dòng)實(shí)現(xiàn)，在人丁檢查中，工作人員需要在精神高度集中、連續(xù)的單純作業(yè)環(huán)境下工作（如圖2），人眼容易疲勞，無(wú)法保證檢測(cè)合格率。本文在機(jī)器視覺(jué)技術(shù)的基礎(chǔ)上，研究深度學(xué)習(xí)方法在閥座瑕疵檢測(cè)中的應(yīng)用。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，是近些年來(lái)機(jī)器學(xué)習(xí)領(lǐng)域取得的重大突破和研究熱點(diǎn)之一。在檢測(cè)算法的不斷改進(jìn)下，Girshick等提出了R-CNN算法，該算法將“深度學(xué)習(xí)”和傳統(tǒng)的“計(jì)算機(jī)視覺(jué)”知識(shí)進(jìn)行了結(jié)合。接著He等提出了目標(biāo)檢測(cè)算法SPP-Net，方法的提出解決了候選框縮放成統(tǒng)一大小而導(dǎo)致物體變形的問(wèn)題，Girshic通過(guò)對(duì)R-CNN和SPP-Net的缺點(diǎn)做進(jìn)一步改進(jìn)，通過(guò)引入多任務(wù)損失函數(shù)和RoI Pooling提出了FastR-CNN，雖然該算法在計(jì)算速度上得到了提高，但還不能滿(mǎn)足端對(duì)端的測(cè)試。因此，Ren等提出了FasterR-CNN，隨后在保證一定精度的前提下，為了能提高檢測(cè)速度，又出現(xiàn)了YOLO、SSD等算法。Fatser R-CNN算法在物體檢測(cè)中，相對(duì)其他算法能達(dá)到更好效果。雖然Faster R-CNN算法能獲得很好的檢測(cè)性能，但是在汽車(chē)噴油器閥座的應(yīng)用中，仍然存在許多的問(wèn)題：①?lài)娪推鏖y座圖像中的目標(biāo)尺寸相對(duì)較小，不能精準(zhǔn)的完成識(shí)別和定位;②瑕疵種類(lèi)并不單一存在，往往一張圖像上存在多類(lèi)尺度不一的瑕疵，并且在檢測(cè)過(guò)程中會(huì)受到光照等因素的影響，所以會(huì)出現(xiàn)漏檢、誤檢的發(fā)生。針對(duì)以上問(wèn)題，本文在Faster R-CNN算法基礎(chǔ)上，對(duì)錨框大小和數(shù)量進(jìn)行改進(jìn)，并在改變特征提取網(wǎng)絡(luò)的同時(shí)引入ResNet、Inception模塊，通過(guò)一系列的改進(jìn)，讓汽車(chē)噴油器閥座的檢測(cè)更精準(zhǔn)，以滿(mǎn)足工業(yè)檢測(cè)的基本要求。

1數(shù)據(jù)集構(gòu)建

1.1數(shù)據(jù)采集

在噴油器閥座檢測(cè)中，由于噴油器閥座瑕疵較小，不能通過(guò)肉眼識(shí)別，因此，需要對(duì)噴油器閥座圖像進(jìn)行放大;同時(shí)還要克服其他外部光源的干擾，根據(jù)焦距等參數(shù)的調(diào)整與設(shè)定來(lái)獲取清晰的瑕疵圖像，保證采集的圖像質(zhì)量。在檢測(cè)中，圖像的精度也直接影響到最后判別瑕疵的結(jié)果。CCD工業(yè)相機(jī)性能優(yōu)良，有較好的彩色還原度和光源預(yù)校準(zhǔn)功能，本身包含有輸入輸出單元和感光單元。通過(guò)放大鏡頭與所選相機(jī)接口及芯片尺寸進(jìn)行匹配，實(shí)現(xiàn)圖像的放大及精準(zhǔn)度的控制;通過(guò)選取合適的光源、工裝，完成遮光裝置設(shè)計(jì)，該裝置在解決外部光源干擾的同時(shí)，也有效克服了自身光源發(fā)散的問(wèn)題，使拍攝圖片更加清晰，得到高質(zhì)量的圖像信息;最后，對(duì)圖像采集卡進(jìn)行二次開(kāi)發(fā)，并通過(guò)相機(jī)與電機(jī)的配合完成圖像的拍攝及存儲(chǔ)。采集環(huán)境和流程圖如圖3所示。

1.2圖像數(shù)據(jù)處理

由于攝像頭拍攝的圖像通常是彩色圖像，顏色信息比較豐富，冗余的信息會(huì)增加后續(xù)圖像處理的難度，因此，在實(shí)際生產(chǎn)中需要提出有效的方法對(duì)圖像進(jìn)行預(yù)處理，該操作能弱化或消除圖像中無(wú)關(guān)信息，恢復(fù)對(duì)檢測(cè)目標(biāo)有用的真實(shí)信息。目前收集的2100張圖片還不能完成樣本數(shù)據(jù)集的模型訓(xùn)練，圖片數(shù)量直接影響到檢測(cè)與識(shí)別的結(jié)果。為了能夠提高檢測(cè)模型的泛化能力，一般采用數(shù)據(jù)增強(qiáng)方式來(lái)避免數(shù)據(jù)不足，如圖4所示。該方法能有效提高目標(biāo)識(shí)別率，常常通過(guò)灰度轉(zhuǎn)化（圖4（a）），飽和度加強(qiáng)（圖4（b）），飽和度減弱（圖4（c）），翻轉(zhuǎn)（圖4（e）、圖4（f））等方法進(jìn)行數(shù)據(jù)集擴(kuò)充，提高目標(biāo)命中率，處理之后數(shù)據(jù)庫(kù)得到7500張圖片。與此同時(shí)，原始采集的圖片分辨率為5678x2948像素，像素太高不僅會(huì)占內(nèi)存空間，還不利于后期的模型訓(xùn)練，因此，在訓(xùn)練前會(huì)將圖像進(jìn)行壓縮。接著將樣本打亂，提取其中的20%（1500）做測(cè)試集，80%（6000）做訓(xùn)練集，之后使用Labellmg標(biāo)記訓(xùn)練圖像的缺陷類(lèi)別及位置，標(biāo)注目標(biāo)完成后，將每一張標(biāo)注圖片保存為XML文件，作為訓(xùn)練樣本。

2Fastel R-CNN算法

Faster R-CNN主要包含3個(gè)部分：特征提取層、RPN（Region ProposalNetwork）層、FastR-CNN層。Fatser R-CNN特征提取層使用的是VGG16網(wǎng)絡(luò)模型，通過(guò)conv+ReLU+Pooling層提取Image的特征圖，它被認(rèn)為是卷積神經(jīng)網(wǎng)絡(luò)中分類(lèi)性能較優(yōu)秀的網(wǎng)絡(luò)模型。Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，通過(guò)結(jié)構(gòu)可以了解整個(gè)檢測(cè)過(guò)程：似設(shè)一張任意大小P×Q的圖像，縮放至固定大小MxN，然后將MxN圖像送入CNN網(wǎng)絡(luò);而CNN網(wǎng)絡(luò)中包含了13個(gè)Conv層+13個(gè)ReLU層+4個(gè)Pooling層;而RPN網(wǎng)絡(luò)首先經(jīng)過(guò)3x3卷積，分別生成PositiveAnchors和對(duì)應(yīng)Bounding Box Regression偏移量，然后計(jì)算出Proposals;而ROI Pooling層則利用Proposals從FeatureMaps中提取Proposal Feattire送入后續(xù)全連接和SoftMax網(wǎng)絡(luò)作Classification。所以可以概括為Faster R-CNN在Fast RCNN的基礎(chǔ)上，用RPN（region proposal network）網(wǎng)絡(luò)取代了選擇性搜索，通過(guò)有效區(qū)域合并、去除冗余等方法對(duì)目標(biāo)位置進(jìn)行調(diào)整，從而生成高質(zhì)量的區(qū)域建議框，并且通過(guò)共享特征提取網(wǎng)絡(luò)，有效降低了區(qū)域檢測(cè)的時(shí)間，獲得更精確的結(jié)果。最后由Fast RCNN對(duì)區(qū)域特征進(jìn)行學(xué)習(xí)，完成物體的分類(lèi)和邊框的回歸。

候選區(qū)域（RPN）是一個(gè)全卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練時(shí)使用非極大值抑制方法，通過(guò)窗口中目標(biāo)/非目標(biāo)分類(lèi)概率獲取候選區(qū)域，按照一定比例隨機(jī)選取正/負(fù)樣本進(jìn)行訓(xùn)練，正負(fù)樣本以Iou（Intersection overUnion）作為判別依據(jù)。IoU是一種邊界窗口回歸（BoundingBox Regression，BBox）和真實(shí)目標(biāo)窗口重合度的指標(biāo)。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，LoU的取值能在很大程度上影響檢測(cè)效果。如果設(shè)置太大則會(huì)使檢測(cè)不準(zhǔn)確，造成大量的誤檢產(chǎn)生;設(shè)置太小檢測(cè)就會(huì)不完整，存在漏檢;因此，針對(duì)汽車(chē)噴油器閥座對(duì)LoU進(jìn)行設(shè)置，如果檢測(cè)到的邊界框與瑕疵真值框之間的LoU重疊率大于0.7，則表示預(yù)測(cè)類(lèi)別正確，為正樣本;如果在檢測(cè)到的邊界框與地面真值框之間的LoU重疊率小于0.3，則表示預(yù)測(cè)類(lèi)別錯(cuò)誤，為負(fù)樣本。RPN網(wǎng)絡(luò)使用BBox生成Rol時(shí)，其回歸損失函數(shù)如式（1）：

L_reg對(duì)整個(gè)模型的魯棒性產(chǎn)生至關(guān)重要的影響。其中函數(shù)Smooth_L1，如式（2）：

RPN網(wǎng)絡(luò)的識(shí)別是典型的二分類(lèi)過(guò)程，其分類(lèi)損失函數(shù)定義如式（3）：

最后得到RPN網(wǎng)絡(luò)對(duì)單個(gè)圖像樣本的損失函數(shù)如式（4）：

3基于Faster R-CNN的改進(jìn)實(shí)現(xiàn)

3.1錨框數(shù)量與大小進(jìn)行改變

錨窗是RPN網(wǎng)絡(luò)操作中很重要的一個(gè)參數(shù)，對(duì)后續(xù)候選框生成數(shù)量與大小會(huì)產(chǎn)生決定性的影響。在原始Faster R-CNN中RPN使用3種不同尺寸及比例（1：1，1：2，2：1），組合成9種不同大小的錨框，并以此預(yù)測(cè)包含目標(biāo)的窗口位置。似設(shè)對(duì)于一個(gè)長(zhǎng)為H，寬為W的特征圖，將會(huì)生成H*W*9個(gè)候選框，最后通過(guò)非極大值抑制算法剔除多余的候選區(qū)域。但在噴油器閥座的瑕疵檢測(cè)中，它不同于平常的行人、車(chē)輛檢測(cè)，噴油器閥座的瑕疵較小且種類(lèi)較多，用現(xiàn)有的算法模型檢測(cè)會(huì)存在漏檢，因此針對(duì)該對(duì)象的特性對(duì)錨框進(jìn)行改進(jìn)，長(zhǎng)寬比變?yōu)?.5，1，2，4，縮放比例變?yōu)?，8，16，生成的候選窗口也由原來(lái)的9個(gè)變?yōu)楝F(xiàn)在的12個(gè)。改進(jìn)的錨窗使Faster R-CNN模型檢測(cè)效果更好，對(duì)尺寸較小的噴油器閥座有著更精準(zhǔn)的檢測(cè)率，通過(guò)計(jì)算可以發(fā)現(xiàn)改進(jìn)的錨窗尺寸與瑕疵尺寸大小接近。實(shí)現(xiàn)步驟如下：

Step 1對(duì)anchor進(jìn)行初始化：

anchor base=16，anchor middle=（7.5，7.5），Size=16*16，ratio=[0.5，1，2，4]，anchor base為初始值，anchor middle為初始化中心，size為面積，ratio為長(zhǎng)寬比。

Step 2計(jì)算初始化時(shí)在不同長(zhǎng)寬比下anchor對(duì)應(yīng)的面積如式（5）：

Size_{1，2，3，4}=size/atlio=[512，256，128，6] （5）

Step 3對(duì)anchor進(jìn)行開(kāi)根號(hào)計(jì)算，可以得到不同的寬、高，如式（6）：

Step 4由anchor的中心以及不同的寬和高計(jì)算出anchors ratio，具體如式（7）、式（8）：

x_left=x₁-（w₁-1）/2=-3.5，y_left=y₁-（h₁-1）/2=2（7）

x_right=x₁+（w₁-1）/2=18.5，y_right=y₁+（h₁-1）/2=13（8）

anchors={[-3.5，2，18.5，13]，[0，0，15，15]，[2.5，-3，12.5，18]，[4，-8，11，23]}。

Step 5利用3種不同的stales[4，8，16]分別去擴(kuò)大anchors，擴(kuò)大的方法是先計(jì)算出來(lái)上一步的anchor的中心以及寬高，使寬高分別乘以scale，然后再利用中心和新的寬w_i、高h(yuǎn)_i計(jì)算出最終所要的anchors，如式（9）、式（10）所示：

最后得到不同尺寸大小的anchors，如式（11）所示：

anchors_{1，2，3，，…，12}={[-37，-15，54，32]…[-55，-247，72，264]} （11）

對(duì)比發(fā)現(xiàn)改進(jìn)后的候選框大小更接近實(shí)際瑕疵區(qū)域大小，具體通過(guò)實(shí)驗(yàn)進(jìn)一步驗(yàn)證。

3.2改進(jìn)特征提取網(wǎng)絡(luò)

雖然vGG-16是卷積神經(jīng)網(wǎng)絡(luò)中分類(lèi)性能優(yōu)秀的模型，但該模型在圖像的特征提取上損失較大，不夠充分，影響最后的目標(biāo)檢測(cè)效果，導(dǎo)致對(duì)小目標(biāo)的識(shí)別率不夠精確。隨著網(wǎng)絡(luò)模型的不斷改進(jìn)，出現(xiàn)了Inception、ResNet等較深的網(wǎng)絡(luò)模型，不斷加深網(wǎng)絡(luò)層數(shù)可以提高性能;因此，結(jié)合Inception和ResNet等網(wǎng)絡(luò)的優(yōu)點(diǎn)，在特征提取網(wǎng)絡(luò)上做改進(jìn)，對(duì)網(wǎng)絡(luò)的深度、寬度同時(shí)進(jìn)行改進(jìn)，能更有效地對(duì)特征進(jìn)行提取。因?yàn)樵诰W(wǎng)絡(luò)中前3層卷積網(wǎng)絡(luò)能很好地提取特征，因此，通過(guò)這一特性對(duì)vGG16網(wǎng)絡(luò)進(jìn)行改進(jìn)，改進(jìn)后的網(wǎng)絡(luò)如圖6所示。

將conv4卷積網(wǎng)絡(luò)模塊進(jìn)行替換，借鑒ResNet50構(gòu)建深層網(wǎng)絡(luò)的思想，以及Inception模型拆分-變換-合并的內(nèi)積策略，同時(shí)加深該層網(wǎng)絡(luò)的深度和寬度，以獲得更強(qiáng)的表達(dá)能力。增加網(wǎng)絡(luò)的深度和寬度是提升神經(jīng)網(wǎng)絡(luò)性能的最直接方法，由于Inception模塊是具有優(yōu)良局部拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò)，會(huì)對(duì)輸入圖像執(zhí)行并行卷積操作，最后再將得到的不同感受野特征進(jìn)行拼接。因此，在對(duì)該網(wǎng)絡(luò)模塊進(jìn)行設(shè)計(jì)時(shí)，通過(guò)融合ResNet跟Inception的特性，在殘差模塊中使用Inception moclule來(lái)替換殘差連接中的卷積層而組成新的結(jié)構(gòu)，使節(jié)點(diǎn)學(xué)習(xí)輸入輸出之間的差值映射，避免輸入輸出特征的擬合，消除梯度彌散和梯度爆炸，并且加快網(wǎng)絡(luò)的訓(xùn)練。在替換的模塊中，首先，通過(guò)1×1卷積對(duì)輸入進(jìn)行降維拆分;然后，經(jīng)過(guò)多個(gè)3×3的卷積進(jìn)行轉(zhuǎn)換（為了減少計(jì)算量，其中5×5卷積用兩個(gè)3×3卷積進(jìn)行替換）;接著，沿通道維度串聯(lián)的方式進(jìn)行通道合并，進(jìn)行多尺度的檢測(cè);最后，通過(guò)一個(gè)1×1卷積實(shí)現(xiàn)通道一致，完成殘差模塊跟輸出的線(xiàn)性向量的相加，公式如式（12）。在改變網(wǎng)絡(luò)模塊時(shí)，可以根據(jù)相似高度模塊化理念進(jìn)行設(shè)計(jì)，讓新模塊的計(jì)算復(fù)雜度跟vGG16中的conv4模塊相似，這樣在增加網(wǎng)絡(luò)深度和寬度的同時(shí)，網(wǎng)絡(luò)復(fù)雜度也得到保持。式中，X（i）和y（i）為輸入通道，在實(shí)驗(yàn)中輸入輸出通道數(shù)都為512，*為卷積。在該模塊中，一般通過(guò)修改3×3卷積層的通道數(shù)來(lái)進(jìn)行網(wǎng)絡(luò)模塊的設(shè)計(jì)。這是由于該卷積層獨(dú)立于輸入、輸出，更有利于網(wǎng)絡(luò)的構(gòu)造。設(shè)計(jì)模塊如圖7所示。

vGG16網(wǎng)絡(luò)跟ResNet50的cony4模塊參數(shù)數(shù)量都是5898k，ResNet50的每個(gè)模塊大約是983k參數(shù)。因此，按照相似模塊的搭建原則，將3×3卷積層的通道數(shù)設(shè)置為172.為了加快收斂，在每層輸入前加入批標(biāo)準(zhǔn)化（Batch Normalization，BN）層，有助于對(duì)前一層網(wǎng)絡(luò)輸出進(jìn)行矯正，使其均值規(guī)范為0，方差規(guī)范為1，再輸入到下一層。改進(jìn)的特征提取網(wǎng)絡(luò)能夠利用不同網(wǎng)絡(luò)的優(yōu)勢(shì)，提高特征利用率，獲得更為豐富的輸入特征，使得性能進(jìn)一步加強(qiáng)。

4實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)硬件平臺(tái)操作系統(tǒng)為WIN1064位，CPU Intel core（TM）i7-47903.60GHz，16GB內(nèi)存，2TB希捷硬盤(pán)。整個(gè)實(shí)驗(yàn)基于Tensorflow深度學(xué)習(xí)框架進(jìn)行開(kāi)發(fā)，編程語(yǔ)言為pyhton，并采用NVIDIAGeForceGTX1070顯卡進(jìn)行GPU加速訓(xùn)練。本文以制作好的噴油器閥座數(shù)據(jù)集為訓(xùn)練樣本，以端到端的卷積共享方式進(jìn)行訓(xùn)練，模型使用隨機(jī)梯度下降算法（SGD）進(jìn)行權(quán)值優(yōu)化，動(dòng)量設(shè)置為0.9，權(quán)重衰減因子為0.05，每步使用的batch size設(shè)置為128，初始學(xué)習(xí)率為0.01000.當(dāng)批處理次數(shù)達(dá)到40000次時(shí)，學(xué)習(xí)率調(diào)整為0.0001;當(dāng)批處理次數(shù)達(dá)到60000次時(shí)，停止訓(xùn)練得到模型。

而關(guān)于性能評(píng)價(jià)指標(biāo)，采用的是平均準(zhǔn)確率AP（avelage precision）。其優(yōu)于accuracy的評(píng)價(jià)，常作為信息檢索評(píng)價(jià)標(biāo)準(zhǔn)，主要包括兩個(gè)值：precision和recall，其中precision即為精確率，表示不同類(lèi)別中，真正屬于該類(lèi)別的樣本在被預(yù)測(cè)為正的樣本中比例，公式為：

其中，以毛刺、刮痕、銹斑、白點(diǎn)4類(lèi)瑕疵為檢測(cè)目標(biāo)，根據(jù)不同種類(lèi)瑕疵進(jìn)行預(yù)測(cè)，TP（True Positive）表示正確識(shí)別出瑕疵目標(biāo)的樣本數(shù)量;FN（False Negativa）表示未識(shí)別出瑕疵目標(biāo)的樣本數(shù)量;FP（FalsePositive）表示錯(cuò)誤識(shí)別瑕疵目標(biāo)的樣本數(shù)量。而recall為召回率，代表正確檢測(cè)出的目標(biāo)個(gè)數(shù)與測(cè)試集中所有個(gè)數(shù)的比值，如式（14）所示：

其中，recall的分母true positives+false negatives，即瑕疵樣本總數(shù)，而平均準(zhǔn)確率的公式為：

由上可知，AP為一個(gè)關(guān)于precision和recall的積分;也就是對(duì)每一個(gè)閾值分別求precislon和recall變化情況的乘積，最后所有閾值下的乘積值進(jìn)行累加。如果想評(píng)估一個(gè)模型的性能，可以通過(guò)precision-recall曲線(xiàn)（性能較好的體現(xiàn)就是在recall增長(zhǎng)的同時(shí)保持precision在一個(gè)較高的水平）。綜合所有類(lèi)別，可以通過(guò)平均精確率均值MAP對(duì)模型進(jìn)行評(píng)價(jià)，它代表模型中所有類(lèi)別平均準(zhǔn)確率的均值，計(jì)算公式為：

該實(shí)驗(yàn)中N代表所含類(lèi)別的個(gè)數(shù)為4，最終檢測(cè)結(jié)果也通過(guò)相應(yīng)曲線(xiàn)和表格來(lái)展示。

4.1模型識(shí)別結(jié)果

實(shí)驗(yàn)在Fastei R-CNN網(wǎng)絡(luò)模型上，通過(guò)改進(jìn)候選框和特征提取網(wǎng)絡(luò)，生成針對(duì)噴油器閥座瑕疵的高質(zhì)量區(qū)域建議框，提取到更有效的特征，實(shí)驗(yàn)結(jié)果說(shuō)明了改進(jìn)算法的效果。首先，對(duì)常見(jiàn)的4類(lèi)瑕疵進(jìn)行識(shí)別，如圖8（a）-圖8（d）所示，從圖中能觀(guān)察到毛刺跟白點(diǎn)都相對(duì)較小，人眼容易忽略，但所提出的算法得到比較好的識(shí)別效果。在實(shí)際生產(chǎn)中，一個(gè)噴油器閥座很多時(shí)候會(huì)存在多種瑕疵，用常規(guī)的Faster R-CNN檢測(cè)，會(huì)有漏檢的情況發(fā)生如圖8（e）、圖8（g），而使用改進(jìn)的算法會(huì)得到如圖8（f）、圖8（h），檢測(cè)效果得到了提高，具體的測(cè)試結(jié)果如圖8所示。

4.2性能評(píng)估

一個(gè)良好的評(píng)價(jià)指標(biāo)是模型公平比較的重要保證。為了更客觀(guān)地評(píng)價(jià)該改進(jìn)算法的檢測(cè)性能，將特征網(wǎng)絡(luò)改進(jìn)算法Our1，候選框改進(jìn)算法Our2，綜合候選框改進(jìn)和特征網(wǎng)絡(luò)改進(jìn)的算法Our3與算法FasterR-CNN作對(duì)比。通常使用積分的方法，求取P-R曲線(xiàn)的面積，獲得平均準(zhǔn)確率（AP）。針對(duì)噴油器閥座常見(jiàn)的瑕疵：毛刺、銹斑、刮痕、白點(diǎn)，測(cè)量的結(jié)果如圖9所示。

由圖9（a）可知：對(duì)于噴油器閥座毛刺的檢測(cè)，F(xiàn)asterR-CNN的平均準(zhǔn)確率（AP）為0.7745，算法Our1平均準(zhǔn)確率為0.7926，算法Our2的平均準(zhǔn)確率為0.8038，算法Our3實(shí)驗(yàn)平均準(zhǔn)確率為0.8185.由此可知，所提小的算法Our1、算法Our2、算法Our3在Faster R-CNN基礎(chǔ)上分別提高了1.81%、2.93%、4.4%。

由圖9（b）可知：對(duì)于噴油器閥座銹斑的檢測(cè)，F(xiàn)astei‘R-CNN的平均準(zhǔn)確率（AP）為0.6989，算法Our1平均準(zhǔn)確率為0.7104，算法Our2的平均準(zhǔn)確率為0.7037，算法Our3實(shí)驗(yàn)平均準(zhǔn)確率為0.7197.由此可知，本文所提出的算法Our1、算法Our2、算法Our3在Faster R-CNN基礎(chǔ)上分別提高了1.15%、0.48%、2.08g/0.

由圖9（c）可知：對(duì)于噴油器閥座刮痕的檢測(cè)，F(xiàn)asterR -CNN的平均準(zhǔn)確率（AP）為0.6242，算法Our1平均準(zhǔn)確率為0.6430，算法Our2的平均準(zhǔn)確率為0.6357，算法Our3平均準(zhǔn)確率為0.6819，可得出，所提出的算法Our1、算法Our2、算法Our3在Faster R-CNN基礎(chǔ)上分別提高了1.88%、1.15%、5.77%。

由圖9（d）可知：對(duì)于噴油器閥座白點(diǎn)的檢測(cè)，F(xiàn)aster‘R-CNN的平均準(zhǔn)確率（AP）為0.6177，算法Our1平均準(zhǔn)確率為0.6268，算法Our2的平均準(zhǔn)確率為0.6402，算法Our3平均準(zhǔn)確率為0.6516.由此可知，本文所提出的算法Our1、算法Our2、算法Our3在FasterR—CNN基礎(chǔ)上分別提高了0.91%、2.25%、3.39%。

通過(guò)目標(biāo)檢測(cè)算法中先進(jìn)的FasterR—CNN算法進(jìn)行對(duì)比，所提出的算法在檢測(cè)性能上有明顯提高，在噴油器閥座瑕疵中，通過(guò)比較不同瑕疵種類(lèi)在不同算法下的準(zhǔn)確率，最后得到均值平均檢測(cè)率（MAP），如表1所示。

根據(jù)上述噴油器閥座目標(biāo)檢測(cè)準(zhǔn)確率數(shù)據(jù)可看出，候選框改進(jìn)算法、提取網(wǎng)絡(luò)算法在原有算法模型上有相應(yīng)的提高，而綜合二者的算法在原模型上也得到了顯著提高，在原模型上大約提升了4個(gè)百分點(diǎn)的平均準(zhǔn)確率，毛刺的檢測(cè)準(zhǔn)確率相對(duì)其他瑕疵檢測(cè)準(zhǔn)確率要高。這是由于在瑕疵樣本中，毛刺的數(shù)量相對(duì)較多，因此檢測(cè)準(zhǔn)確率較高。通過(guò)改進(jìn)算法與現(xiàn)有算法模型一一做對(duì)比，分別得出改進(jìn)模型的有效性，在考慮時(shí)間跟準(zhǔn)確率這兩個(gè)評(píng)判標(biāo)準(zhǔn)時(shí)，所提出的算法為了追求較高檢測(cè)精度，會(huì)造成時(shí)間成本的增加。這是由于在噴油器閥座生產(chǎn)場(chǎng)景下，檢測(cè)精確度較低會(huì)失去檢測(cè)意義。因此，為了實(shí)現(xiàn)高精確的檢測(cè)，以犧牲少量時(shí)間作為代價(jià)，這是在工業(yè)生產(chǎn)中可以接受的，所提出的算法已在生產(chǎn)線(xiàn)初步應(yīng)用，檢測(cè)模型圖如圖10所示。通過(guò)與自動(dòng)設(shè)備相結(jié)合，基本實(shí)現(xiàn)工業(yè)上的無(wú)接觸檢測(cè)，在節(jié)約大量人力成本的同時(shí)，有效提高了工業(yè)生產(chǎn)效率和經(jīng)濟(jì)效益。

5結(jié)論

本文以噴油器閥座圖像數(shù)據(jù)為研究對(duì)象，將深度學(xué)習(xí)中的目標(biāo)檢測(cè)方法應(yīng)用到噴油器內(nèi)部缺陷檢測(cè)領(lǐng)域中，并且在基于FasterR-CNN檢測(cè)模型上進(jìn)行改進(jìn)，分別對(duì)噴油器閥座中常見(jiàn)的毛刺、刮痕、白點(diǎn)、銹斑4類(lèi)對(duì)象進(jìn)行實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)結(jié)果表明，算法Our1 MAP為69.32%，算法Our2MAP為69.58%，算法Our3MAP為71.79%。總的均值平均準(zhǔn)確率比現(xiàn)有的Faster R-CNN算法分別提升了大約1.4%、1.7%、3.9%。由于在噴油器閥座瑕疵中，其他樣本數(shù)量相對(duì)毛刺較少，在后期的工作中需要在樣本及算法模型上進(jìn)行改進(jìn)，使得模型準(zhǔn)確率進(jìn)一步得到提升。實(shí)驗(yàn)中網(wǎng)絡(luò)的加深會(huì)造成時(shí)間的浪費(fèi)，出現(xiàn)內(nèi)存不足、響應(yīng)慢等問(wèn)題。為了更好的應(yīng)用于工業(yè)場(chǎng)景，在以后的研究中，可以將網(wǎng)絡(luò)替換成輕量級(jí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在降低模型大小的同時(shí)，也能保持模型性能，更好地滿(mǎn)足工業(yè)上閥座檢測(cè)要求。技術(shù)的投入能更好地保證檢測(cè)的可靠性和精準(zhǔn)性，對(duì)提高自動(dòng)化生產(chǎn)水平、噴油器生產(chǎn)具有很大的實(shí)際意義。