基于改進YOLOv5s 的粉末冶金工件表面缺陷檢測

萬 霞，趙為鑫，張文超，王晨曦，王明偉*，姜 瀚

（1.大連工業大學 機械工程與自動化學院，遼寧 大連 116034；2.科斯特數字化智能科技（深圳）有限公司，廣東 深圳 518101）

粉末冶金是將金屬粉末通過燒結后成型的工藝技術[1]，廣泛應用于地下管道運輸、石油化工、汽車醫療器械等領域的工件制造[2]。但粉末冶金制品在壓制成型的過程中，零件內部壓應力瞬間釋放可能造成表面出現裂紋、內部發生孔隙等問題[3]。因此，零件缺陷檢測對于保證產品的質量至關重要。傳統檢測主要以人工檢測為主，該方法檢測速度慢、準確性低，且容易受環境、人為因素干擾。

隨著計算機性能的提升和深度學習技術的發展，卷積神經網絡（convolutional neural network，CNN）所帶來高效率和高精準度的優勢，逐漸應用于缺陷檢測中。目前目標檢測算法主要分為2 類，一類是根據候選區域提取目標類別和位置的二階段（two-stage）檢測算法，如R-CNN[4]、Faster R-CNN[5]、Mask R-CNN[6]；第二類則是直接對目標物體進行回歸預測的單階段（onestage）檢測算法，解決了二階段檢測算法中先生成候選框后進行分類任務的繁瑣操作，其中主要包括SSD[7]、YOLO[8-10]等算法。翁玉尚等[11]等采用調整后的Mask R-CNN 檢測帶鋼表面缺陷，在去掉掩碼分支的同時，重新改進建議網絡錨框生成方法，盡管在mAP 上有所提升，但檢測速度僅為5.9 fps。王淑青等[12]對YOLOv5模型的輸入端采用多尺度訓練，優化邊界框的損失，并替換原有的激活函數，有效提高太陽能電池片的表面缺陷檢測識別率。Teng 等[13]通過遷移學習和數據增強的方式，結合高分辨率和低分辨率圖像，提高YOLOv3檢測橋梁表面缺陷的效率。

本文以粉末冶金工件表面裂縫和孔洞作為檢測目標，針對缺陷檢測中表面裂縫復雜、缺陷大小位置多變、缺陷細小等問題，提出了一種基于注意力機制的輕量化金屬缺陷檢測YOLOv5 檢測算法，提高對復雜環境下的識別能力。本文算法實現了對表面缺陷的精確、高效檢測，滿足實際的生產要求，具體做法如下。

1）針對生產線要求更高的檢測速度以及便于部署在移動終端，采用輕量化卷積網絡替換原有的特征提取網絡，在獲得更多特征信息的同時，減少參數量，大幅度提升檢測速度。

2）針對孔洞等細小特征丟失的問題，將坐標注意力機制（Coordinate Attention，CA）嵌入特征融合模塊中，引入通道信息和空間信息，提升算法對小目標的檢測能力，改善遠距離小尺度目標檢測的魯棒性。

3）為獲得更符合金屬缺陷的先驗框，提升網絡檢測能力，采用K-means++算法對數據集錨框重新聚類，生成符合數據集的anchor 值。

4）針對數據集正負樣本不均衡，損失函數發生劇烈震蕩的問題，重新定義分類懲罰指標，調整樣本損失權重，加快收斂速度與模型的識別精度。

1 YOLOv5 目標檢測算法存在的問題

YOLOv5[14]是在YOLO[8]系列算法新階段的目標檢測算法，其檢測速度和精度有很大提升，并在目標檢測任務上取得廣泛的應用。盡管YOLOv5 在檢測上有很好的效果，但由于單階段檢測是將分類問題轉化為回歸問題，實現缺陷的定位和分類，在提高檢測速度的同時，對于細小、模糊的缺陷檢測精度仍有待提升。

其中，粉末冶金表面的缺陷形態多變，裂縫長度大小不同，在現場光照條件較差的情況下，特征提取時易受到周邊環境的影響。其中，孔洞缺陷小、目標位置較為隨機，導致原始的算法在對極小目標檢測時，容易出現漏檢、誤檢的現象。YOLOv5 網絡結構引出3 個尺度的特征圖，通過深層的卷積網絡進行特征提取，期間會產生大量的特征圖和參數，不利于網絡模型的部署和搭建。金屬缺陷數據集中的錨框尺寸差異較大，YOLOv5 原始的錨框不能很好匹配金屬缺陷，造成缺陷定位和分類的不準確。YOLOv5 的采用交叉熵損失函數，預測框在水平或垂直方向優化較為困難，影響模型的收斂速度和準確性。

針對上述問題，考慮到粉末冶金工件表面缺陷特點，本文從替換輕量級卷積、增加注意力機制、設計合適的先驗框及損失函數這4 個方面，對YOLOv5 算法進行改進，以實現該算法在實際生產中的應用。

2 改進的YOLOv5 算法

結合粉末冶金工件表面存在缺陷長度不一致、現場條件復雜、缺陷形態多變、要求更快的檢測速度等實際問題，在滿足表面缺陷檢測速度和精度的同時，便于部署的需求，本文在YOLOv5 的基礎上更換骨干網絡，采用線性變換和普通卷積結合的方式生成更多的特征圖，并在特征提取后添加注意力機制，在特征融合時包含更多的細節信息，增強對小目標的檢測能力，使用K-means++算法聚類適合該數據集的先驗框，重新整合損失函數提高網絡的收斂速度和檢測的準確率，具體的網絡結構如圖1 所示。

圖1 改進的YOLOv5 網絡結構

2.1 更換GhostNet 網絡

YOLOv5 的Backbone 采用大量的卷積核組成卷積神經網絡，產生豐富甚至冗余的特征圖，保證對輸入數據有全面的理解。但同時也會產生大量的數據，導致模型又大又慢，不利于模型的部署和應用。GhostNet[15]通過普通卷積和線性變化生成更多的特征圖，使用GhostNet 網絡替換原有的骨干網絡，在不改變特征圖尺寸大小的前提下，參數總量和計算復雜度均有很大程度地降低。

Ghost Bottleneck 如圖2 所示。首先，對于給定的圖像數據X∈Rc×h×w，通過卷積運算Y=X×f+b，得到Y′=X×f′，其中f′∈Rc×k×k×w為該層的卷積核。然后，對Y 采用Yij=Φi，j（Yi′），?i=1，…，m，j=1，…，s 的線性變化，得到更多的特征圖。式中，Yi是第i 個特征圖，Φi，j表示第i 個特征圖進行第j 個特征變換的線性變換函數，Φi，s是用于保留原始特征圖的恒等映射。

圖2 Ghost Bottleneck 模塊

GhostNet 通過堆積Ghost bottleneck 模塊組成，利用全局平均池化和卷積層將特征圖轉化為特征向量進行最終分類，將原始模型轉化為更緊湊的模型，增強特征信息的同時降低參數量，提升了檢測效率和準確性。

2.2 引入坐標注意力機制

YOLOv5 算法通過骨干網絡進行特征提取，并通過FPN 和PANet[16]進行特征融合完成對語義信息的提取，增加網絡的感受野，但通過多次深層次的卷積后，會導致小目標區域的特征信息丟失。通過引入注意力機制可以增強模型選擇特征，完成識別、分類任務。大部分注意力機制用于深度神經網絡帶來很好的性能提升，但有些注意力機制會帶來額外的計算量。本文引入坐標注意力機制CA[17]，將位置信息嵌入到通道信息中，獲得更大的區域信息同時避免引入額外的計算量。

CA 注意力機制的整體結構如圖3 所示，將輸入的特征圖分為寬度和高度2 個方向分別進行全局平均池化，經過卷積、標準化最后得到寬度和高度方向上帶有注意力權重的特征圖。其中，骨干網絡中的淺層網絡主要包含圖像的細節特征，這些細節特征經過自底向上、自頂向下的方式進行特征融合，有利于小目標的檢測。同時，經多層的卷積導致紋理信息和輪廓信息的丟失，不易提取有用的特征信息。因此，本文將CA 模塊嵌入骨干網絡特征提取后，通過注意力機制突出關鍵信息，屏蔽無用信息，再經過特征融合模塊，完成對目標的檢測功能。

圖3 坐標注意力機制

2.3 先驗框的優化設計

先驗框的實際尺寸在很大程度上影響網絡模型的檢測精度。由于粉末冶金工件表面缺陷的尺寸、形狀存在很大差異，原始YOLOv5 基于VOC 數據集得到的先驗框尺寸并不能滿足該檢測的要求，且原始算法采用K-mean 算法生成anchor 值時，聚類中心易受初始值的影響。本文選擇K-means++[18]算法，對聚類中心重新計算，避免出現局部最優解的問題，并生成9 組不同高寬比的anchor。該聚類結果見表1，算法生成的anchor尺寸更滿足數據集實際大小。

表1 anchor 聚類

2.4 改進損失函數

YOLOv5s 將GIOU[19]作為損失函數，在關注重疊區域的同時，也關注其他非重疊區域，但無法很好地衡量兩者之間的相對位置關系。預測框在水平或垂直方向優化較為困難，導致其收斂速度較慢。本文考慮回歸之間的向量角度，在原有的分類損失Lc、置信度誤差Lcon和定位損失Lloc的基礎上，重新定義了懲罰指標，整合并得到新的損失函數SIOU[20]，加快后期的收斂速度。SIOU 損失函數由4 個成本函數組成，分別是角度成本、距離成本、形狀成本和IOU 成本。最后，得到回歸損失函數的公式為

式中：LCLS是損失函數（focal loss），WCLS和WBOX分別為框和分類的損失權重。

3 實驗環境與數據集

3.1 實驗環境

實驗采用的硬件配置：CPU 為Intel（R）Xeon（R）W-2223，GPU 為NVIDIA RTX 4000，運行內存16 G。網絡模型開發框架為Pytorch，Python 版本為3.8。為實現更好的訓練效果，在訓練過程中，batch_size 設置為16，采用Mosaic 數據增強方式，提高網絡泛化能力，初始學習率Ir0=0.01，權重衰減系數為0.000 5，學習動量設置為0.937，采用余弦退火策略更新學習率、SGD 函數優化參數，訓練150 個epoch。

3.2 實驗數據集

本文選用的是數據集為某公司生產的粉末冶金工件，該工件在燒結后出現裂縫、孔洞缺陷問題。通過對工件的缺陷采集，一共得到1 039 張缺陷圖像，其中孔洞（holes）共有213 張，裂縫（crack）共有826 張。按照訓練集和測試集的比例為8∶2 劃分數據集，采用labelimg 軟件進行標記，格式為VOC 數據集，完成準備工作。圖4 為數據中部分樣本。

圖4 粉末冶金工件表面缺陷

4 實驗與結果分析

4.1 評價標準

本文采用精度（Precision，P）、召回率（Recall，R）和均值平均精度（mAP）評估算法的性能。其中，精確性用來描述檢測正樣本的比例，召回率描述檢測為正樣本占總正樣本的比例，mAP 為衡量多類別目標檢測中模型整體檢測精度的指標。計算公式為

式中：TP 表示將正類預測為正確，屬于正確檢測；FP表示將負類預測為正確，屬于誤檢；FN 表示為將正類檢測為錯誤，屬于漏檢。

4.2 消融實驗

為驗證GhostNet 網絡、坐標注意力機制、K-means++聚類改進方法對模型檢測效果的有效性，通過消融實驗對比，在相同的實驗設備和數據集下，運行5 組不同的網絡模型，選取mAP 作為實驗的評價指標，驗證各個改進點的實際優化效果。實驗對比效果見表2。

表2 消融實驗

實驗以YOLOv5s 為基準，依次替換GhostNet 網絡、增加CA 注意力機制以及使用K-means++聚類后的檢測效果。其中通過序號1 和序號2 的對比，mAP從0.585 提上至0.594，提高了0.9 個百分點。結果表明，使用GhostNet 骨干網絡替換原有的Backbone 層后，對準確率的提升效果不大，但通過普通卷積和線性變化減少了參數量，使得骨干網絡輕量化，對一秒處理幀數（FPS）有明顯提升。序號3 和序號1 實驗對比顯示，增加CA 坐標注意力機制后，mAP 從0.585 提升至0.616，這表明使用注意力機制在充分利用通道信息和空間信息可以有效提高特征感知度，尤其是針對孔洞細小物體，檢測效果明顯提升。序號4 和序號1 實驗對比顯示，對錨框重新設計后使mAP 提升至0.602，表明重新計算數據集自身的anchor 值可以提升模型檢測精度。通過序號5 和序號1 的對比，mAP 由原來的0.585 提升至0.636，檢測速度為65 ms。兩者對比分析，優化后的算法在原始算法的基礎上，減少了參數的計算量，對細小物體的檢測能力提升。雖然檢測速度和原來的算法相比，提升幅度較小，但檢測速度仍滿足生產線上的實時檢測，對金屬表面檢測實現較高的準確率，具有實際的應用價值。

4.3 對比實驗與分析

本文將改進后的YOLOv5 算法模型和現有的目標檢測模型，在相同環境和數據集下運行的對比分析，其中Faster R-CNN 二階段檢測算法；SSD、YOLOv3、v5 為一階段檢測算法。實驗結果采用各類缺陷的檢測精度、mAP和FPS 作為評價指標，具體實驗結果見表3。

表3 多種檢測算法結果對比

根據表3 可知，本文提出的算法在采集的數據集上的mAP 為0.636，比YOLOv5 提升了5.1 個百分點。相比于SSD、YOLO 系列算法，Faster R-CNN 作為雙階段檢測算法，通過特征提取生成預選框后再檢測目標物體，mAP 達到0.612。但這類算法計算量大，檢測速度僅為33 fps，檢測速度較慢。SSD 對于裂縫這種大物體的檢測效果較好，檢測速度上有優勢，但孔洞這種細小物體檢測則表現不佳。YOLOv3 算法在該測試集上的mAP 為0.58，雖然較SSD 有提升，但效果不明顯，精度略有欠缺。綜上，本文提出的方法mAP 從0.585 上升至0.636，FPS 為65 ms，在保證速度的前提下檢測精度有明顯的提升，降低了漏檢率。

最后分別用原始的YOLOv5 算法和本文改進后的算法進行實時的粉末冶金工件表面缺陷檢測，如圖5所示，在正常光線下改進后的YOLOv5 算法的置信度為0.85，相較于改進前的0.72 提升了0.13，檢測精度明顯提升。由于工廠中光線較為復雜，且伴隨粉塵、灰塵、模糊的光照等問題，通過引入注意力機制可以對提取有用信息、壓制無效信息有很大幫助。對比發現，光照模糊的條件下，原始算法出現漏檢，而改進后的算法表現效果良好，對光照不足環境下依舊有不錯的檢測能力。對于細小物體的檢測，在實時檢測時圖像容易模糊，原算法對這種情況漏檢情況較多，不能檢測出孔洞缺陷，但改進后的YOLOv5 算法在針對細小孔洞有明顯的提升。相比于改進前的YOLOv5 算法，在檢測精度、模型權重上都有明顯的提升，能夠實現較高精度的同時不引入額外的計算量，便于部署和應用。

圖5 不同場景的結果對比

5 結論

為解決粉末冶金工件表面缺陷檢測問題，提高復雜工廠燈光環境下的表面瑕疵檢測的準確率和識別速度，本文提出一種基于改進YOLOv5s 的粉末冶金工件表面缺陷檢測算法。該模型采用線性變化的卷積網絡替換原有骨干網絡，保證精度的同時減少數據量；在修改后的骨干網絡加入注意力模塊，加強網絡的特征提取能力；采用K-means++算法優化先驗框，重新定義損失函數的懲罰機制，加快算法收斂速度、提高檢測精度。模型改進前后的實驗表明，在相同測試集下的mAP 由58.5%提升至63.6%，同時檢測速度達到65 ms，且在檢測精度和檢測速度取得了良好的平衡，在模糊、光照環境較差的情況下的檢測效果顯著提升。