改進YOLOv3算法的煙盒缺陷檢測

陳同宇，陳 洋，范劍偉

（安徽工業大學 機械工程學院，安徽 馬鞍山 243000）

0 引 言

傳統的香煙盒表面檢測方法速度較慢、效率低下[1]。卷積神經網絡[2]是一種重要的深度學習模型或多層感知機[3]，能夠從圖像數據中抽取特征[4]，在圖像識別領域應用廣泛[5]。可利用卷積神經網絡識別表面缺陷，主要包括基于區域的目標識別方法（Faster R-CNN等）以及基于回歸的目標識別方法（YOLO系列等）[6]。YOLO算法具有處理速度快、準確率高等優點。

1 改進的YOLO算法

1.1 網絡結構

DarkNet-53網絡擁有52個卷積層與1個全連接層，共53層。YOLOv3的工作原理是在DarkNet-53的基礎上進行3次檢測[7-8]，網絡結構如圖1所示。

圖1 YOLOv3原網絡結構

YOLOv3在檢測煙盒缺陷時容易出現漏檢現象，這是由于YOLOv3初始算法中降采樣的倍數過大，導致特征圖的感受野[9]較大，無法檢測小目標。煙盒表面缺陷屬于小型目標，因此將YOLOv3原網絡尺寸為52×52的特征圖進行2倍上采樣，得到104×104特征圖，將尺寸為104×104的特征圖與DarkNet-53網絡尺寸為104×104的特征圖進行融合，在該層特征圖上進行獨立預測。改進后的網絡共有118層，擁有4個不同尺度的獨立預測，其網絡結構如圖2所示。

圖2 改進后的YOLOv3網絡結構

實驗結果表明，改進后的網絡相對于原網絡平均檢測精度提升了6.8%、查準率提高了7%、查全率提高了7%，但檢測速度從最初的24 FPS降到了21 FPS。這表明，添加一層特征檢測有利于檢測煙盒表面缺陷，但檢測速度稍有下降。

1.2 損失函數

YOLOv3算法損失函數包括均方誤差（Mean Square Error, MSE）損失函數和交叉熵損失函數，以MSE[10]誤差為目標框坐標的損失函數存在3個缺點：Loss越低并不等價于IoU值越高，三對目標框具有相同的Loss，但是IoU值卻不一致，如圖3所示；候選框與真實框間無重合時，IoU為0，在優化損失函數時，梯度為0，即無法優化；候選框與真實框間IoU相同時，檢測效果具有較大差異，如圖4所示。

圖3 具有相同Loss

圖4 具有相同的IoU

IoU是判斷相似程度的常用評測標準，計算見式（1）：

式中，S1、S2分別為兩目標框的面積。

由于MSE損失函數不均衡，提出利用GIoU Loss作為YOLOv3的左右坐標損失依據，其值計算見式（2）：

式中：Ac為檢測框與真實框的最小閉包面積；U為檢測框與真實標注框的相交面積。

GIoU Loss 的計算見式（3）：

GIoU作為距離度量標準，其滿足非負性、不可分的同一性、對稱性和三角不等性等條件，由于GIoU是比值，因此具有尺度適應性；由式（2）可知，求GIoU的最大值可選用IoU計算公式。當兩目標框非常接近時，GIoU和IoU相差較小，GIoU越大，IoU也越大。文中處理了原網絡MSE誤差損失存在的損失優化與最大IoU值計算方向不一致和尺度敏感等問題。

2 實驗結果分析

2.1 數據集準備

通過相機拍照的方式采集圖片。文中的數據集全部來源于利群香煙盒。為了增加模型的泛發性和訓練精度，在獲取圖像時，數據集增加了許多不同形態特征、角度、位置的煙盒圖片。煙盒表面既有明顯缺陷也有微小瑕疵。煙盒的缺陷可出現在煙盒的任何位置，同一個煙盒上可能出現不同形狀、不同數量的缺陷。數據集共包含500張圖片，其中400張圖片作為訓練集，100張圖片作為測試集。煙盒缺陷標簽借助labelImg軟件實現。圖片上的缺陷，劃痕以水筆所畫代替，劃痕和污點均為flaw標注，數據集標注時只標注flaw類缺陷。

2.2 煙盒缺陷檢測工作流程

文中提出的改進YOLOv3算法的煙盒表面缺陷檢測方法具體檢測過程如圖5所示，主要包括以下步驟：

圖5 煙盒檢測流程

（1）通過相機采集需要檢測的煙盒圖片；

（2）將采集到的圖片帶入深度學習模型檢測并判斷有無缺陷；

（3）如果有缺陷，則剔除，如果無缺陷，則繼續檢測；

（4）收集無缺陷的煙盒，增大數據集。

2.3 結果與分析

本文采用精度均值（mean Average Precision, mAP）、查全率（召喚率）、查準率（準確率）等對原網絡模型和改進后的網絡模型進行評估。

用改進后的網絡模型進行訓練，訓練次數為3 000次時檢測模型的平均精度最高，其結果如圖6所示。從圖6可以看出，改進后的網絡模型對比原網絡平均精度有較大提升，約為6.48%，充分說明4倍下采樣特征層更有利于小目標檢測，改進后的網絡檢測效果更佳。

圖6 改進前后平均檢測精度

模型檢測結果見表1所列。改進后的網絡在不影響實時檢測的情況下大大提升了檢測精度，大幅降低了漏檢、錯檢出現的概率。

表1 模型檢測結果

2.4 測試結果對比分析

分別對原網絡的檢測模型與改進后的最優檢測模型進行檢測，在原網絡中，單處缺陷檢測精度為0.46。改進后，檢測精度為0.97，提升約51%。同時，原網絡還出現了漏檢的情況，試驗圖中有2處缺陷，但原網絡未檢測出來，而改進后的網絡則準確檢測出了原模型的2個缺陷，雖然此處置信度不高（可能因光照分布不均勻引起），但相對原網絡有較大提升。

2.5 與其他目標檢測網絡的對比

采用具有較快檢測速度與精度的SSD目標檢測網絡對煙盒缺陷進行訓練4 000次得到模型，與文中提出的方法進行對比，結果見表2所列。通過對比，改進后的YOLOv3模型具有更高的準確率，彌補了原網絡和SSD的不足，檢測效果大幅提升。

表2 不同方法的檢測結果

3 結 語

研究提出的基于改進YOLOv3算法的煙盒表面缺陷檢測方法更適合小目標檢測，檢測模型的平均精度、查準率、查全率等均得到不同程度的提升，雖然速度略有下降，但完全滿足工業實時檢測的要求。