魯鑫， 郭業(yè)才

(南京信息工程大學(xué)電子與通信學(xué)院， 南京 210044)

煙條在包裝生產(chǎn)過(guò)程會(huì)產(chǎn)生包裝塑料紙破損、翻折、錯(cuò)包、翹邊等問(wèn)題[1]，為此，國(guó)內(nèi)外許多煙機(jī)制造企業(yè)已經(jīng)配套了缺陷質(zhì)量檢測(cè)系統(tǒng)，隨著包裝檢測(cè)系統(tǒng)的普及，煙條外包裝的品控相比過(guò)去已經(jīng)有了很大的改善。

但在檢測(cè)設(shè)備實(shí)際工作中發(fā)現(xiàn)，煙條外包裝的缺陷類型中，拉線頭檢測(cè)的難度相對(duì)較大，拉線頭是煙條塑料外包裝上拉線的端頭，用來(lái)便捷地撕開(kāi)塑料外包裝，由于外型和耳朵有相似之處，俗稱拉耳，傳統(tǒng)檢測(cè)的誤報(bào)率一直很高。

煙包缺陷檢測(cè)在方法上一般分為兩種方式，一種是基于傳統(tǒng)的數(shù)字圖像處理算法，主要包括用中值濾波、高斯濾波的圖像預(yù)處理方法，用Soble、Canny等算子的邊緣檢測(cè)方法[2]和使用模板匹配對(duì)缺陷進(jìn)行識(shí)別分類[3]；另一種是基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法，如兩階段的SPPnet[4]、Faster-RCNN[5]系列，一階段的SSD[6]、RetinaNet[7]以及YOLO[8]系列等。但由于工業(yè)場(chǎng)景下對(duì)算法穩(wěn)定性要求高、產(chǎn)線速度快對(duì)性能要求高、數(shù)據(jù)集的背景單一以及正負(fù)樣本失衡等原因，導(dǎo)致深度學(xué)習(xí)的方案難以真正落地。

對(duì)于拉線頭的缺陷檢測(cè)，目前國(guó)內(nèi)的學(xué)者大多選擇使用傳統(tǒng)的數(shù)字圖像處理算法來(lái)處理，傳統(tǒng)算法一般采用Hough變換[9]在進(jìn)行圓形或者半圓形查找來(lái)確定拉線頭是否存在和是否完整。例如，高素美等[10]通過(guò)在指定區(qū)域范圍內(nèi)查找半圓形拉線頭；孫宏杰等[11]采用圖像的灰度投影方式，將拉線位置的投影曲線和模板投影曲線做對(duì)比，以此來(lái)檢測(cè)拉線是否有異常；唐向陽(yáng)等[12]使用基本的濾波、點(diǎn)運(yùn)算、投影法、模板匹配等方式對(duì)拉線進(jìn)行缺陷識(shí)別。

傳統(tǒng)圖像算法非常容易產(chǎn)生誤報(bào)，主要原因一是考慮到傳統(tǒng)圖像處理算法中遍歷圖像時(shí)的性能問(wèn)題，要求檢測(cè)區(qū)域中的感興趣區(qū)域(region of interest，ROI)尺寸盡可能縮小。而拉線頭在圖像中的位置和角度會(huì)有變化，目前傳統(tǒng)算法在ROI定位的問(wèn)題上暫時(shí)還沒(méi)有找到定位效果好的方法，所以拉線頭的位置可能會(huì)偏離于ROI，導(dǎo)致報(bào)出缺陷；二是由于拉線為塑料材質(zhì)，拉線頭的邊界受到光源角度變化和煙條紙質(zhì)包裝背景色變化的影響非常大，依賴人工設(shè)置閾值的傳統(tǒng)方法的兼容性和泛化能力較弱。所以，拉線頭缺陷檢測(cè)的誤報(bào)率一直滿足不了質(zhì)檢的要求。

而對(duì)于煙包拉線頭的針對(duì)性的深度學(xué)習(xí)方式還非常少，參考其他機(jī)器視覺(jué)系統(tǒng)中運(yùn)用深度學(xué)習(xí)的目標(biāo)檢測(cè)算法確實(shí)可以解決很多傳統(tǒng)算法中難以解決的問(wèn)題，比如朱超平等[13]提出了在 Faster-RCNN算法的基礎(chǔ)上使用特征金字塔網(wǎng)絡(luò)模型對(duì)汽車輪轂的缺陷有很好的效果，但此改進(jìn)主要是針對(duì)輪轂材料的圖像特性，只適用于輪轂的缺陷檢測(cè)；晉博[14]提出了改進(jìn)的基于MobileNets輕量化網(wǎng)絡(luò)進(jìn)行工業(yè)生產(chǎn)線零部件的檢測(cè)，雖然使用輕量型的網(wǎng)絡(luò)結(jié)構(gòu)可大大提高檢測(cè)效率，但也會(huì)因?yàn)榫矸e深度不足造成網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練欠擬合的情況即出現(xiàn)無(wú)效卷積層，可能導(dǎo)致檢測(cè)精度下降；李彬等[15]通過(guò)K-means聚類生成先驗(yàn)框，提高了聚類的準(zhǔn)確性，并且增加了CSPDarknet53的卷積層數(shù)量，增加了感受野，但由于增加了卷積層數(shù)，會(huì)導(dǎo)致運(yùn)算效率受到一定的影響；萬(wàn)卓等[16]提出了自適應(yīng)多尺度焦點(diǎn)損失+CIoU損失的加權(quán)融合損失函數(shù)，提高了檢測(cè)精度的同時(shí)幾乎對(duì)性能的影響甚微，但該算法僅針對(duì)金屬電機(jī)蓋表面缺陷有顯著的效果；許來(lái)祥等[17]提出一種改進(jìn)的 ZFNet網(wǎng)絡(luò)模型，主要通過(guò)空間變換層(spatial transformer network，STN)和隨機(jī)丟棄層的方法，提高了識(shí)別率。但由于用于訓(xùn)練的紅外圖像數(shù)據(jù)較少，只能通過(guò)引入對(duì)抗神經(jīng)網(wǎng)絡(luò)進(jìn)行強(qiáng)化訓(xùn)練，這也導(dǎo)致了此網(wǎng)絡(luò)難以在工業(yè)場(chǎng)景下發(fā)揮效能。

對(duì)比常用的深度學(xué)習(xí)算法，YOLOv4是性能和準(zhǔn)確度平衡性最為優(yōu)異的算法之一，所以現(xiàn)基于YOLOv4對(duì)產(chǎn)生拉線頭的缺陷圖像進(jìn)行二次檢測(cè)，并從網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)上進(jìn)行改進(jìn)，以期提高算法的精度和性能，最終降低拉線頭的誤報(bào)率。

1 YOLO算法和傳統(tǒng)算法結(jié)合

1.1 YOLOv4算法原理

YOLOv4屬于一級(jí)檢測(cè)方法，可以直接檢測(cè)物體無(wú)需生成候選建議，它可以很好地平衡檢測(cè)速度和準(zhǔn)確性。如圖1所示，整個(gè)網(wǎng)絡(luò)模型可以分為骨干網(wǎng)絡(luò)(backbone)、頸部網(wǎng)絡(luò)(neck)以及檢測(cè)頭部層(head)(包括密集預(yù)測(cè)和稀疏預(yù)測(cè))三大部分。YOLOv4的骨干網(wǎng)絡(luò)將YOLOv3中的Darknet53改進(jìn)為具備CSPnet(跨階段局部網(wǎng)絡(luò))的CSPDarknet53，CSPnet主要將梯度分割后傳播到不同的網(wǎng)絡(luò)路徑中，其優(yōu)點(diǎn)是減少了網(wǎng)絡(luò)計(jì)算的梯度重復(fù)性，減少了計(jì)算的內(nèi)存開(kāi)銷；頸部網(wǎng)絡(luò)主要使用空間金字塔池化(spatial pyramid pooling，SPP)的思路，把一個(gè)feature map從不同的角度進(jìn)行特征提取，再聚合，盡可能地還原了圖像的特征信息，擴(kuò)大了感受野的層次，又用金字塔模型將圖像分多尺度降低運(yùn)算量；同時(shí)也使用路徑聚合網(wǎng)絡(luò)從底層到頂層的橫向連接，使特征的路徑增強(qiáng)；預(yù)測(cè)網(wǎng)絡(luò)(head)部分保留了YOLOv3中的輸出結(jié)果定義高維信息。

對(duì)于損失函數(shù)方面，YOLOv4用完全交并比(complete intersection over union，CIoU)代替了平均絕對(duì)誤差(mean absolute error，MAE)。CIoU是IoU的優(yōu)化版，兼顧了預(yù)測(cè)框和目標(biāo)框的重疊面積、中心距離和長(zhǎng)寬比因素[16]，通過(guò)懲罰項(xiàng)達(dá)到損失函數(shù)的快速收斂。

YOLOv4還做了很多優(yōu)化和改進(jìn)，比如為了達(dá)到更好的訓(xùn)練目標(biāo)檢測(cè)模型，YOLOv4在激活函數(shù)方面選擇了Mish，正則化方面選擇DropBlock；為了使檢測(cè)器更適合于單GPU，YOLOv4引入了一種新的數(shù)據(jù)增廣方法，Mosaic與自對(duì)抗訓(xùn)練；通過(guò)遺傳算法(genetic algorithm，GA)選擇最優(yōu)超參數(shù)等。

圖1 YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 YOLOv4 network structure

1.2 Hough變換圓檢測(cè)原理

Hough變換算法處理的輸入圖像是經(jīng)過(guò)處理的邊緣信息圖像[18]，一般利用高斯濾波加Lapacian算子找到二階導(dǎo)數(shù)的過(guò)零點(diǎn)的位置的方式來(lái)提取邊緣信息，Lapacian算子的表達(dá)式為

(1)

式(1)中：f(x，y)為二階可微的實(shí)函數(shù)。算子計(jì)算即為對(duì)圖像中每個(gè)像素，取其關(guān)于x軸方向和y軸方向的二階差分之和，Hough變換是一種區(qū)域邊界狀態(tài)描述算法，通過(guò)將圖像空間中的信息映射到參數(shù)空間[19]，來(lái)獲取圖像的幾何信息。圓形的笛卡爾空間解析表達(dá)式為

式(2)中：(a1，a2，r)為空間坐標(biāo)系坐標(biāo)。

Hough變換首先將二維空間中的圓轉(zhuǎn)換為三維空間中的點(diǎn)，再對(duì)點(diǎn)集做淘汰分類，從而篩選出符合圓形特征的像素點(diǎn)。因此進(jìn)行Hough變換計(jì)算的圖像特征是離散化的，設(shè)定搜尋步長(zhǎng)后，遍歷尋找圖像中邊緣點(diǎn)，代入(a1，a2，r)的空間坐標(biāo)系計(jì)算出當(dāng)前圓形的特征結(jié)果。然后，通過(guò)設(shè)定好的閾值對(duì)圓形特征計(jì)算的結(jié)果進(jìn)行篩選。整個(gè)過(guò)程即先做空間映射，然后計(jì)算邊緣點(diǎn)疊加的計(jì)算方法，就可以提取出了輸入圖像中檢測(cè)ROI中的圓形。

1.3 檢測(cè)方案

圖2(a)為拉線頭的形狀為半圓形，圖2(b)為拉線頭的缺陷看起來(lái)是非常微小的，這也給普通傳統(tǒng)的檢測(cè)算法帶來(lái)了難題，所以為了降低拉線頭檢測(cè)的誤報(bào)率，提高檢測(cè)的成功率，提出了傳統(tǒng)Hough變換圓檢測(cè)算法和改進(jìn)的AAS-YOLO(adaptive anchor size with YOLOv4)算法結(jié)合的方案。

如圖3所示，輸入的煙包圖像首先通過(guò)Hough變換圓檢測(cè)算法，計(jì)算后的結(jié)果可將煙包圖像分為通過(guò)和未通過(guò)兩類，未通過(guò)的圖像再經(jīng)過(guò)深度學(xué)習(xí)AAS-YOLO算法進(jìn)行二次復(fù)檢，最終將兩次檢測(cè)結(jié)果輸出。

為了使AAS-YOLO算法的檢測(cè)精度更準(zhǔn)確，方案中設(shè)計(jì)了將Hough變換圓檢測(cè)通過(guò)的圖像中的拉線頭信息作為參數(shù)傳遞給AAS-YOLO算法，使其可以根據(jù)當(dāng)前拉線頭信息轉(zhuǎn)換的錨框尺寸動(dòng)態(tài)調(diào)整預(yù)測(cè)框的大小，以達(dá)到優(yōu)化檢測(cè)結(jié)果的作用。

圖2 煙條塑料包裝上的拉線頭Fig.2 Pull ears on the plastic packaging of cigarette

圖3 檢測(cè)方案框架設(shè)計(jì)Fig.3 Framework design of detection scheme

2 基于改進(jìn)YOLO網(wǎng)絡(luò)的算法

2.1 特征提取網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)

實(shí)驗(yàn)中發(fā)現(xiàn)，由于工廠的生產(chǎn)線形態(tài)各異，檢測(cè)系統(tǒng)的部署位置和方式都有著比較大的差異，檢測(cè)系統(tǒng)中的圖像傳感器機(jī)位不同，檢測(cè)到的拉線頭大小也會(huì)變化，通過(guò)離線的訓(xùn)練數(shù)據(jù)獲得的先驗(yàn)錨框尺度大小不能滿足實(shí)際檢測(cè)要求；YOLOv4算法根據(jù)32倍、16倍和8倍的采樣，將圖像抽象成3種不同尺度感受野的特征圖，但網(wǎng)絡(luò)的離線訓(xùn)練數(shù)據(jù)相對(duì)比較單一，實(shí)際訓(xùn)練的正負(fù)樣本失衡，并且每個(gè)尺度的感受野根據(jù)K-means聚類算法都有3個(gè)先驗(yàn)框，存在著冗余，對(duì)這些冗余部分的處理會(huì)影響檢測(cè)效率，雖然有Resnet殘差單元在網(wǎng)絡(luò)的各個(gè)部分進(jìn)行短路連接，加強(qiáng)了輸入和輸出之間的映射關(guān)系，但對(duì)于YOLO的網(wǎng)絡(luò)加深、訓(xùn)練數(shù)據(jù)不確定性、允許的訓(xùn)練時(shí)間不足等問(wèn)題，Resnet也會(huì)出現(xiàn)梯度消失、訓(xùn)練困難等情況[20]。

根據(jù)上述情況，相比傳統(tǒng)的YOLO目標(biāo)檢測(cè)算法，如圖4所示，YOLO改進(jìn)算法在骨干網(wǎng)絡(luò)BackBone結(jié)構(gòu)部分的CSPDarkNet53網(wǎng)絡(luò)中增加了一個(gè)錨框尺寸(anchor size)(w，h)參數(shù)，其中，w為錨框的寬，h為錨框的高。骨干網(wǎng)絡(luò)的卷積核結(jié)構(gòu)為1、2、8、8、4，所以這里先將錨框尺寸規(guī)范到2、16、32、64中最接近的值的倍數(shù)得到邊長(zhǎng)we。參考將可分離卷積網(wǎng)絡(luò)和跨階段層次結(jié)構(gòu)結(jié)合的思路將跨階段局部網(wǎng)絡(luò)(cross stage partial networks，CSP)的計(jì)算結(jié)果分為映射部分和卷積部分[21]，傳入Neck頸部網(wǎng)絡(luò)的分支進(jìn)行Concat(張量拼接)，擴(kuò)充了此步驟得到特征信息的維度。

對(duì)比YOLOv4結(jié)構(gòu)，AAS-YOLO采用了剪枝思想[22]，拉線頭在圖像中的比例小于1/8，故首先將8倍采樣的通道去除掉，然后對(duì)批量歸一化(batch normalization，BN)輸出通道進(jìn)行影響權(quán)重進(jìn)行淘汰，將相對(duì)權(quán)重小的通道去除。算法中給每個(gè)BN通道添加了一個(gè)權(quán)重判定因子γ，訓(xùn)練過(guò)程中，每個(gè)BN通道的輸出值與權(quán)重判定因子相乘，然后將值較小的通道移除，訓(xùn)練目標(biāo)函數(shù)如式(3)所示。

(3)

式(3)中：(a，b)為訓(xùn)練的輸入值；W為網(wǎng)絡(luò)骨干參數(shù)；函數(shù)g(γ)為監(jiān)督項(xiàng)，判斷因子γ包含于常量Γ，取值范圍是0～1；l函數(shù)為原訓(xùn)練目標(biāo)函數(shù)。

2.2 損失函數(shù)優(yōu)化

YOLO系列算法通常使用的損失函數(shù)類型為GIoU、DIoU和CIoU，從GIoU到CIoU的演變使得回歸損失不斷精確，目標(biāo)框回歸更加穩(wěn)定。YOLOv4的綜合損失函數(shù)由三部分構(gòu)成，分別是預(yù)測(cè)框函數(shù)Losscood、置信度函數(shù)LossIoU和分類損失函數(shù)Lossclass。其中，置信度損失函數(shù)表達(dá)式為

(4)

Conv表示卷積核；BN表示批量歸一化；Mish、Leaky Relu表示激活函數(shù)；Resunit表示殘差單元圖4 AAS-YOLO 網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 AAS-YOLO network structure

(5)

基于加入平衡系數(shù)的置信度損失函數(shù)從理論上起到了調(diào)優(yōu)的目的，如表1所示為經(jīng)過(guò)對(duì)平衡系數(shù)β的調(diào)整，得到的不同系統(tǒng)下的訓(xùn)練表現(xiàn)，以平均精準(zhǔn)度(mean average precision，mAP)作為評(píng)價(jià)指標(biāo)。

表1 不同參數(shù)下的mAP對(duì)比Table 1 Comparison of mAP under different parameters

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

硬件方面，整個(gè)煙條外包裝缺陷檢測(cè)系統(tǒng)由檢測(cè)線體、面陣電荷耦合器件(charge coupled device，CCD)相機(jī)、發(fā)光二極管(light emitting diode，LED)光源、光纖傳感器、輸入輸出(input/output，IO)控制卡、光學(xué)支架以及工控機(jī)組成，如圖3所示。

軟件方面，環(huán)境配置如下:Intel i58300處理器，16 GB內(nèi)存，NVIDIA GeForce GTX 970 顯卡，使用Cuda11.2和Cudnn11.3對(duì)訓(xùn)練過(guò)程進(jìn)行加速。

3.2 網(wǎng)絡(luò)訓(xùn)練

3.2.1 數(shù)據(jù)增強(qiáng)處理

預(yù)訓(xùn)練數(shù)據(jù)集準(zhǔn)備：實(shí)驗(yàn)選取了6種不同品牌的煙包圖像作為數(shù)據(jù)集的原始數(shù)據(jù)樣本，采用via-2.0.11工具對(duì)圖片數(shù)據(jù)進(jìn)行框選和分類標(biāo)記。該數(shù)據(jù)集包括經(jīng)框選分類出拉線頭一個(gè)類別的大量煙包圖片，標(biāo)記后的數(shù)據(jù)為VOC的格式。將采集的數(shù)據(jù)集的80%用于訓(xùn)練、其余的20%用于驗(yàn)證和測(cè)試。

數(shù)據(jù)增強(qiáng)使用了空間變換、內(nèi)容變換等方式，如圖5所示，其中每行圖片表示一種煙包包裝類型，每行的4張圖片分別為對(duì)標(biāo)記區(qū)域進(jìn)行了仿射變換、高斯模糊、旋轉(zhuǎn)角度、對(duì)比度調(diào)整圖像處理操作，增加了圖像的多樣性，目的是使應(yīng)用該數(shù)據(jù)集的檢測(cè)模型在訓(xùn)練后具有泛化性；另外，為了模擬現(xiàn)實(shí)環(huán)境中拉線頭翹邊導(dǎo)致的一部分輪廓消失，還使用了CutMix方法[24]，即隨機(jī)在標(biāo)記區(qū)域中選取小于1/3的區(qū)域進(jìn)行丟棄。

3.2.2 訓(xùn)練超參數(shù)調(diào)優(yōu)

訓(xùn)練采用默認(rèn)的參數(shù)，初始學(xué)習(xí)率設(shè)置為0.002，采用逐步遞減策略[25]，權(quán)重衰減設(shè)置為0.000 5，Batch大小設(shè)置為2，當(dāng)?shù)揭欢ù螖?shù)后，將學(xué)習(xí)率衰減為原學(xué)習(xí)率的10%。訓(xùn)練過(guò)程的損失函數(shù)曲線如圖6所示，隨著迭代的進(jìn)行損失逐漸收斂，在迭代100次之后趨于穩(wěn)定。

圖5 數(shù)據(jù)增強(qiáng)處理結(jié)果Fig.5 Data enhancement processing results

圖6 AAS-YOLO 訓(xùn)練迭代損失圖Fig.6 AAS-YOLO training iterative loss graph

3.3 測(cè)試結(jié)果分析

3.3.1 傳統(tǒng)算法和YOLO算法對(duì)比實(shí)驗(yàn)分析

如圖7(a)所示，檢測(cè)軟件在煙包圖片上框選出拉線頭的檢測(cè)區(qū)域，圖7(b)為Hough變換算法的檢測(cè)結(jié)果，可以看到紅色的半弧形輪廓即為算法識(shí)別出的拉線頭。如圖8所示，AAS-YOLO算法檢測(cè)后，識(shí)別到的目標(biāo)被標(biāo)記出藍(lán)色框，并標(biāo)出識(shí)別的對(duì)象名稱為拉線頭(ear)。

實(shí)驗(yàn)使用拉線頭完好的煙包圖像作為數(shù)據(jù)源，分別使用單一的Hough變換圓識(shí)別的方式和原始的YOLOv4算法進(jìn)行對(duì)比測(cè)試，控制變量為對(duì)比度和圖像白噪聲占比，評(píng)價(jià)指標(biāo)為檢出率。其中，對(duì)比度主要是指由于不同光源亮度、不同品牌造成的透明拉線頭輪廓和背景的對(duì)比度(輪廓平均亮度減去背景平均亮度)；圖像白噪聲主要是指圖像傳感器電子元器件引入的噪聲。兩個(gè)處理方式的情況如圖9所示。

圖7 Hough變換算法圓檢測(cè)結(jié)果Fig.7 Hough transform algorithm circle detection result

圖8 AAS-YOLO算法檢測(cè)結(jié)果Fig.8 AAS-YOLO algorithm test results

如圖10所示，在對(duì)比度較低時(shí)，單獨(dú)用Hough變換算法對(duì)拉線頭檢測(cè)的檢出率是比較低的，而使用YOLOv4算法檢測(cè)的檢出率比較平穩(wěn)，但在高對(duì)比度情況下，傳統(tǒng)算法的檢出率會(huì)更高；同樣的，由圖11可看出，白噪聲在圖像中占比越多，Hough變換算法的檢出率就越低。這兩個(gè)實(shí)驗(yàn)說(shuō)明，基于單閾值調(diào)節(jié)的傳統(tǒng)Hough變換算法的泛化性較弱，很難適應(yīng)情況復(fù)雜的生產(chǎn)環(huán)境。

圖9 模擬對(duì)比度和噪聲情況圖Fig.9 Simulated contrast and noise picture

圖10 不同對(duì)比度下的檢出率Fig.10 Detection rate under different contrast

圖11 不同白噪聲占比下的檢出率Fig.11 Detection rate under different proportions of white noise

3.3.2 YOLO算法在改進(jìn)前后實(shí)驗(yàn)數(shù)據(jù)對(duì)比

為了檢驗(yàn)改進(jìn)后的AAS-YOLO算法的檢測(cè)效果，將其與YOLOv4算法進(jìn)行對(duì)比，兩者在同平臺(tái)上使用同樣的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。通過(guò)準(zhǔn)確率(P)和召回率(R)計(jì)算平均精準(zhǔn)度(mAP)和加權(quán)調(diào)和平均(Fβ)，作為算法檢測(cè)精度的綜合評(píng)價(jià)指標(biāo)，F(xiàn)β是基于準(zhǔn)確率和召回率的加權(quán)調(diào)和平均，mAP和Fβ的值越高說(shuō)明算法的檢測(cè)精度越高[25]。

改進(jìn)前后的檢測(cè)精度和檢測(cè)速度的對(duì)比結(jié)果如表2所示。從表2中可得出，通過(guò)改進(jìn)YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)，并對(duì)損失函數(shù)優(yōu)化后的算法在性能和精度上均有提升。使用AAS-YOLO網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)mAP提升了1.3%，使用Lossβ?lián)p失函數(shù)的優(yōu)化對(duì)mAP提升了0.7%。在檢測(cè)時(shí)間方面，由于損失函數(shù)加入了平衡系數(shù)β，增加了一點(diǎn)運(yùn)算量，但總體來(lái)說(shuō)，運(yùn)算時(shí)間增量影響不大，并且比原始的YOLOv4算法耗時(shí)縮短了9 ms左右。

表2 檢測(cè)結(jié)果對(duì)比Table 2 Comparison of test results

3.3.3 拉線頭檢測(cè)結(jié)果對(duì)比

為了對(duì)比拉線頭檢測(cè)中傳統(tǒng)使用單一的Hough變換檢測(cè)方法和所提出的Hough變換和AAS-YOLO的結(jié)合的新檢測(cè)方法，通過(guò)現(xiàn)場(chǎng)以每分鐘檢測(cè)約30包煙條的速率，生產(chǎn)超過(guò)72 h，共計(jì)測(cè)試了10 800張煙包圖像，測(cè)試得到拉線頭缺陷檢測(cè)改進(jìn)前后的方案誤報(bào)率對(duì)比如表3所示。從數(shù)據(jù)上看，改進(jìn)后的綜合檢測(cè)方式降低了36%的誤報(bào)率。

實(shí)驗(yàn)對(duì)比了不同的用于目標(biāo)檢測(cè)的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)，如表4所示。其中Faster-RCNN為經(jīng)典的兩段式網(wǎng)絡(luò)，SSD和YOLOv4為一階段網(wǎng)絡(luò)，RetinalNet是Faster-RCNN的前段特征提取網(wǎng)絡(luò)。通過(guò)對(duì)比，一階段網(wǎng)絡(luò)的檢測(cè)性能上要明顯優(yōu)于兩階段的網(wǎng)絡(luò)；而YOLOv4在mAP上要比Faster-RCNN提升了2.2%，改進(jìn)后的AAS-YOLO在mAP上比YOLOv4提升了1.4%，檢測(cè)時(shí)間縮短11 ms。

表3 拉線頭檢測(cè)方案改進(jìn)前后誤報(bào)率對(duì)比Table 3 Comparison of false alarm rates before and after the improvement of the pull detection scheme

表4 不同網(wǎng)絡(luò)模型的檢測(cè)效果對(duì)比Table 4 Comparison of detection effects of different network models

4 結(jié)論

針對(duì)工業(yè)場(chǎng)景下的煙條塑料外包裝拉線頭缺陷檢測(cè)誤報(bào)率高的問(wèn)題。提出了一種傳統(tǒng)算法和深度學(xué)習(xí)結(jié)合的方法。此方法先通過(guò)Hough變換圓檢測(cè)算法在區(qū)域內(nèi)進(jìn)行半圓形查找，然后將未通過(guò)的圖像使用改進(jìn)后的AAS-YOLO算法目標(biāo)檢測(cè)，再將通過(guò)的圓信息作為錨定框尺度參數(shù)傳遞到AAS-YOLO算法中，形成一種具有自學(xué)習(xí)功能拉線頭檢測(cè)方案，另外在損失函數(shù)中加入平衡系數(shù)后，平衡了正負(fù)樣本，有效地優(yōu)化了正負(fù)樣本不均衡問(wèn)題。由實(shí)驗(yàn)結(jié)果得可以看出，改進(jìn)后的AAS-YOLO算法適應(yīng)性更強(qiáng)，識(shí)別精度高，檢測(cè)速度快；深度學(xué)習(xí)結(jié)合傳統(tǒng)算法的方法大大降低了誤報(bào)率。綜上所述，該方案適用于煙條塑料外包裝拉線頭缺陷檢測(cè)，對(duì)煙草包裝缺陷檢測(cè)行業(yè)具有一定的工程價(jià)值。