基于ResNet和DenseNet模型的鋁罐表面涂層缺陷檢測方法

摘 要 為了解決現(xiàn)有鋁罐表面涂層缺陷檢測難、檢測精度低、漏檢錯檢率高等問題，本文提出了一種基于卷積神經網絡的鋁罐表面涂層缺陷檢測方法，通過對AlexNet、GoogLeNet、ResNet和優(yōu)化后的DenseNet四種卷積神經網絡模型進行訓練，以選擇最適合的檢測模型實現(xiàn)對鋁罐內、外表面涂層的缺陷檢測，從而設計開發(fā)了用于鋁罐自動化產線上的檢測軟件. 結果表明，使用優(yōu)化后的DenseNet18模型檢測鋁罐內表面涂層缺陷的準確率最高，為96.67%，使用ResNet18模型檢測鋁罐外表面涂層缺陷的準確率最高，為93.33%，兩種模型的檢測用時約為250 ms，其檢測準確率和速度基本滿足工業(yè)需求，在工業(yè)生產中達到了較好的實際應用效果.

關鍵詞 鋁罐；卷積神經網絡；缺陷檢測

中圖分類號 TU 43；O344" 文獻標識碼 A

0 引 言

鋁質罐因具有質輕、保質期長、防假冒性強、可回收性好等其它金屬材質罐不可比擬的優(yōu)點而受到市場的青睞[1]. 在工業(yè)產品、個人防護和化妝產品等領域得到廣泛應用，鋁制罐市場近年來一直呈現(xiàn)穩(wěn)定增長的趨勢. 然而，實驗研究發(fā)現(xiàn)易拉罐、鋁瓶等內壁的鋁合金與飲料長久直接接觸后，鋁元素會逐漸溶化至內容物中[2]，特別是裝有帶酸性或堿性飲料的鋁罐，鋁成分析出后進入飲料中對人體的危害很大. 為杜絕這一問題滿足食品衛(wèi)生標準的要求，鋁罐在加工過程中會在罐體內外表面噴涂涂層用以屏蔽罐內容物與鋁的直接接觸. 因此，鋁罐的噴涂工藝直接影響到鋁罐產品的質量、合格率和生產效率. 目前我國鋁質罐生產技術在國際市場上的競爭力總體不強，在制造多種規(guī)格、多種形狀鋁罐產品涂層的穩(wěn)定性、均勻性尚未達到國際先進水平，在噴涂過程中受諸多不確定因素的影響，易產生涂層氣泡、斑點等缺陷. 在產品質量檢測上，目前主要依賴于人眼目測檢驗，存在效率較低、人力成本高、準確率低、檢測結果不可靠等問題. 為實現(xiàn)全自動化生產，利用機器視覺的方法對鋁罐表面涂層進行質量檢測是必不可少的一環(huán). 目前機器視覺在鋁罐或金屬罐表面涂層缺陷檢測領域的研究還較為欠缺，主要可分為內外表面兩種缺陷的研究. 在內表面缺陷檢測研究方面，胡曉彤等[3]提出了基于圖像處理、區(qū)域定位和缺陷檢測的三片罐內壁檢測系統(tǒng)，通過采用多線程處理的方式達到600個/分鐘的檢測速度. 張宏釗[4]和楊陽[5]使用Open CV和Labview上的圖像算法庫對易拉罐罐口、罐底、內壁進行缺陷檢測. 張志晟等[6]提出了基于遷移學習和深度學習的鋁質易拉罐缺陷檢測方案. 而由于金屬罐外表面常印刷或噴涂有較為復雜的涂層，對其進行表面缺陷檢測的難度遠大于內表面，部分研究[7-8]利用基于SIFT算法或SURF算法的模板特征匹配進行檢測. 肖天行[9]通過將易拉罐2D、3D信息相融合進行外觀缺陷檢測. 梁承權等[10]采用Faster RCNN模型針對易拉罐印刷圖案的缺陷進行檢測.

然而，大部分的研究只針對鋁罐的內表面或外表面一種情況，對于內外表面涂層缺陷的綜合研究并不系統(tǒng)和全面，且檢測方法大部分都為傳統(tǒng)的圖像處理算法，對于細微的缺陷其準確率也不太理想. 基于此，本文提出了基于卷積神經網絡的鋁罐涂層缺陷檢測方法，針對鋁罐內外表面涂層的缺陷分別訓練了AlexNet、GoogLeNet、ResNet和DenseNet四種較為成熟的神經網絡模型，并通過對比在驗證集和測試集中各神經網絡模型的準確性，選擇最適合的檢測方法完成對鋁罐內外涂層的缺陷檢測工作.

1 基本原理

1.1 AlexNet模型

AlexNet模型[11]網絡中共采用了5個卷積層和3個全連接層，受GPU算力限制，網絡分上下兩部分，每部分在特定的網絡層中對應使用兩個GPU進行交互運算，從單GPU的角度看，AlexNet可以簡化為圖1所示的網絡結構. AlexNet在模型中首次使用了ReLU非線性激活函數(shù)代替?zhèn)鹘y(tǒng)的激活函數(shù)并首次提出和使用Dropout，在訓練時按一定比例暫時隱藏部分神經元，減輕了網絡的過擬合.

1.2 GoogLeNet模型

GoogLeNet模型[12]主要有四種結構分別是Inception V1-V4，其設計的核心思想是通過采用Inception分支網絡堆疊增大網絡寬度，減少數(shù)據(jù)參量，提升網絡性能并且還能避免梯度消失和過擬合現(xiàn)象，在Inception V1網絡中，其Inception模塊利用1×1、3×3、5×5的卷積核和3×3的池化層堆疊，并且在3×3、5×5前和3×3最大池化層后，加入了1×1的卷積核，實現(xiàn)對大卷積核的降維，其結構如圖2所示. 為減少模型參數(shù)，降低計算量，以提升鋁罐缺陷檢測速度本文選用Inception V1結構.

1.3 ResNet模型

ResNet模型[13]的核心思想是引入殘差學習，將訓練過程中前一階段的部分信息輸入到下一層，以解決傳統(tǒng)神經網絡在層數(shù)不斷加深時不但會使訓練參數(shù)數(shù)據(jù)增大，還會出現(xiàn)特征傳遞損失導致網絡退化的問題. ResNet網絡的結構單元是殘差塊. 殘差塊中有兩種映射關系：恒等映射和殘差映射，通過兩種映射關系實現(xiàn)了信息的跨層級傳遞，使得卷積神經網絡在深度加大時依然能保持一定的準確率. 本文使用的ResNet18模型使用的是3×3卷積組成的基本單元，整個網絡結構由17個卷積層和1個全連接層構成，如圖3所示.

1.4 DenseNet模型及優(yōu)化

DenseNet模型[15]是一種為解決卷積神經網絡深度過大導致的梯度消失和計算參量過大問題的新型卷積神經網絡結構. 其思想借鑒了殘差神經網絡，通過建立輸出層前后之間的密集連接，幫助訓練時梯度反向傳播，實現(xiàn)特征參數(shù)在訓練傳播通道上的復用，使之能構建更深的卷積神經網絡. DenseNet模型中同樣存在結構單元的概念，稱為Dense Block. 在主通道上，上一層的信息經過兩次歸一化、ReLU激活函數(shù)、卷積操作后進行深度串聯(lián). 同時上一層的信息可以繼續(xù)向后傳遞. 其原理可以表示為：

xi＝Hi（[x0，x1，x2，…，xi－1]）（1）

其中[x0，x1，x2，…，xi－1]表示將0到i－1層輸出的特征圖像做通道合并. 通過Dense Block的堆疊，DenseNet可以構建深度達到上千層的深度卷積神經網絡，其結構如圖4所示.

由于原始的DenseNet模型網絡深度有201層，考慮到原始樣本數(shù)據(jù)不充分，不足以支撐參數(shù)量較大的卷積神經網絡模型的訓練，本文參考ResNet模型，利用網絡修剪的方式，將DenseNet模型中的基本模塊Dense Block進行刪減，保持網絡其他參數(shù)權重不變，將網絡深度由原有的201層降低為18層. 如圖5所示，網絡首先設置第1層為圖像輸入層；第2層設置一個的卷積層，共使用64個大小為7×7的卷積核，步長為2，做[3，3，3，3]的填充；第3層設置一個BN層，做批量歸一化處理；第4層使用ReLU激活函數(shù)；第5層設置一個最大池化層，大小為3×3，步長為2，做[1，1，1，1]填充；隨后連接8個Block結構；Block輸出后依次連接批量歸一化層、全局平均池化層、Dropout、全連接層、Softmax，最后輸出圖像分類. 網絡中使用的帶有權重（weight）的層包括有17個卷積層和1個全連接層，故本文將此網絡命名為DenseNet18.

2 構建鋁罐內外表面涂層缺陷樣本數(shù)據(jù)集

搭建視覺平臺采集鋁罐缺陷圖像如圖6所示，主要設備包括：高速高倍工業(yè)相機、變焦鏡頭、圓偏振鏡、同軸無影光源、環(huán)形光源、光源控制器、圖像采集系統(tǒng)、立式工作臺、背景布等. 其中，外表面圖像采集使用同軸無影光源對鋁罐進行打光，內表面使用環(huán)形光源對鋁罐進行打光采集.

鋁罐涂層缺陷主要分為內外表面涂層缺陷，共六類，分別是內涂層氣泡缺陷、內表面凸起缺陷、外涂層氣泡缺陷、外表面凹陷缺陷、外表面收口凹陷缺陷和外涂層污漬缺陷，如圖7所示. 使用視覺平臺采集鋁罐內外表面涂層圖像情況如下表1所示.

由于在工業(yè)應用中獲取樣本數(shù)據(jù)的數(shù)量是有限的，而過少的樣本數(shù)據(jù)會導致神經網絡欠擬合，所以需要對樣本圖像進行擴充. 首先保留6種缺陷和內外表面涂層正常圖像各30張，作為測試集不參與樣本擴充和訓練，用以檢驗各神經網絡模型的檢測準確性，然后將剩余鋁罐圖像按內外表面分開，采用空間尺度變換（水平、垂直、水平垂直翻轉）和添加高斯噪聲的方式對樣本數(shù)據(jù)進行擴增，擴增后樣本數(shù)據(jù)為7 490張，基本滿足模型的訓練需求.

3 實驗結果與分析

本文實驗的計算機配置為：CPU-Intel Xeon W-2135，RAM-32GB，GPU-Nvidia GTX 1080Ti. 4個卷積神經網絡模型均在MATLAB上編程實現(xiàn). 對卷積神經網絡進行訓練時需要設置一些初始和訓練參數(shù)，包括：輸入圖像大小、訓練集數(shù)量、驗證集數(shù)量、迭代輪數(shù)、每批次訓練樣本的大小、迭代次數(shù)、隱藏神經元比例、類別，具體參數(shù)設置如表2所示，其中迭代次數(shù)的定義如式（2）所示.

迭代次數(shù)＝（訓練集數(shù)量×迭代輪數(shù)） /每批次訓練樣本的大?。?）

3.1 訓練模型檢測鋁罐內表面涂層缺陷

通過多次調節(jié)4種模型的優(yōu)化器和初始學習率進行訓練從而檢測鋁罐內表面涂層缺陷，以驗證集精度為衡量指標尋找最佳的訓練參數(shù). 經多次訓練，4種模型的最佳優(yōu)化器和初始學習率以及其在驗證集和測試集上的準確率如表3所示，其訓練過程中準確率變化及損失變化情況如圖8和圖9所示. 從總體上看，隨著訓練步數(shù)的增加，4種模型的損失不斷減小而準確率不斷上升，最終在訓練過程中模型的損失趨近于0，而準確率趨近100%，其中，Alexnet模型在訓練過程中出現(xiàn)震蕩現(xiàn)象，說明模型在訓練過程中穩(wěn)定性較差，體現(xiàn)到驗證集和測試集上的準確率相比其他模型也是最低的. DenseNet18模型在訓練過程中其準確率最高且損失最小，在驗證集和測試集中的準確率也都是最高的，且較為接近，說明模型在訓練時并沒有發(fā)生過擬合，模型的泛化性能較好. DenseNet18模型在測試集中準確率為96.67%，基本滿足工業(yè)檢測要求. 因此，本文選擇訓練好的DenseNet18模型對鋁罐內表面涂層的缺陷進行檢測.

3.2 訓練模型檢測鋁罐外表面涂層缺陷

通過多次調節(jié)4種模型的優(yōu)化器和初始學習率進行訓練從而檢測鋁罐外表面涂層缺陷，以驗證集精度為衡量指標尋找最佳的訓練參數(shù). 經多次訓練，4種模型的最佳優(yōu)化器和初始學習率以及其在驗證集和測試集上的準確率如表4所示，其訓練過程中準確率變化及損失變化情況如圖10和圖11所示. 從總體上看，雖然4種模型在訓練過程中準確率均不斷上升，損失均不斷下降，但最終4種模型的準確率差異還是比較明顯的. 由于鋁罐外表面涂層缺陷相比內表面涂層缺陷成像效果不同，其缺陷更為細微，ResNet18模型的殘差結構可以讓神經網絡中的關鍵信息（如細微缺陷）直接從較淺的層傳遞到較深的層，避免了信息的丟失，因此準確率較高. 而DenseNet18模型的密集連接結構的策略是將前面層的所有信息傳遞到下面的每個層，容易包含部分無用信息，在外表面涂層缺陷較為細微的情況下，關鍵信息可能不夠突出，其準確率會略低一些. ResNet18模型在驗證集和測試集中的準確率最高，且較為接近，模型的泛化性能較好，同時ResNet18模型在測試集中準確率為93.33%，基本滿足工業(yè)檢測要求. 本文選擇訓練好的ResNet18模型對鋁罐外表面涂層缺陷進行檢測.

3.3 鋁罐表面涂層缺陷檢測軟件的設計

結合實際情況，鋁罐內外涂層在生產環(huán)境中需分開檢測. 內外涂層圖像數(shù)據(jù)需要分為兩個通道輸入到檢測軟件，隨后調用缺陷判別模型對輸入圖像進行預測和分類，軟件需對缺陷的圖像和正常圖像進行判別并記錄. 根據(jù)4種模型的訓練情況，選擇訓練好的DenseNet18模型和ResNet18模型分別作為鋁罐內外表面缺陷檢測的模型，檢測軟件界面及檢查結果如圖12所示，經試驗，內外表面涂層缺陷檢測用時均約為250 ms，基本滿足工業(yè)檢測要求. 在鋁罐自動化噴涂產線中，出罐輸送帶側方設置有不良品剔除吹氣裝置，若經過檢測運算比對后，不良品剔除吹氣裝置將不良品從出罐輸送帶上吹離剔除，從而保證鋁罐自動化生產的品質.

4 結 論

本文提出了一種基于ResNet和DenseNet模型的鋁罐表面涂層缺陷檢測方法，并完成檢測軟件的設計，解決了現(xiàn)有鋁罐表面缺陷檢測算法存在的不全面、不精確、不智能等問題. 本文針對鋁罐內外涂層的缺陷分別訓練了AlexNet、GoogLeNet、ResNet和DenseNet四種的神經網絡模型，同時考慮到樣本數(shù)據(jù)較少，對DenseNet模型進行了優(yōu)化. 實驗結果表面，使用優(yōu)化后的DenseNet18模型檢測鋁罐內表面涂層缺陷的準確率最高，為96.67%，使用ResNet18模型檢測鋁罐外表面涂層缺陷的準確率最高，為93.33%，兩種模型的檢測用時約為250 ms，其檢測準確率和速度基本滿足工業(yè)需求，在工業(yè)生產中能達到較好的實際應用效果.

參考文獻

[1]" 陳文，林林. 論述易拉罐鋁材生產的關鍵工藝技術[J]. 鋁加工，2007（3）：12-15.

[2]" 宋偉偉，王潔瓊，黃巍，等. 飲料金屬包裝用鋁罐的腐蝕研究[J]. 全面腐蝕控制，2016，30（5）：72-74.

[3]" 胡曉彤，董瑩瑩. 基于機器視覺的金屬罐內壁缺陷檢測[J]. 天津科技大學學報，2014，29（3）：63-67.

[4]" 張宏釗. 易拉罐空罐在線高速缺陷檢測系統(tǒng)研究[D]. 廣州：廣東工業(yè)大學，2018.

[5]" 楊陽，趙春磊，查朦，等. 易拉罐空罐缺陷智能檢測系統(tǒng)的設計與應用研究[J]. 現(xiàn)代制造技術與裝備，2022，58（2）：114-116.

[6]" 張志晟，張雷洪. 基于深度學習的易拉罐缺陷檢測技術[J]. 包裝工程，2020，41（19）：259-266.

[7]" 田琳琳. 金屬罐印刷質量檢測及故障分析研究[D]. 西安：西安理工大學，2020.

[8]" 胡曉彤，田仁贊，王旭迎. 基于SURF特征點的金屬罐圖案檢測算法[J]. 天津科技大學學報，2015，30（6）：72-77.

[9]" 肖天行. 基于2D/3D信息融合的易拉罐外觀缺陷識別方法研究[D]. 無錫：江南大學，2023.

[10]" 梁承權，呂德深，陸曉. 一種基于改進Faster RCNN的易拉罐印刷缺陷檢測方法[J]. 印刷與數(shù)字媒體技術研究，2023（6）：22-29.

[11]" KRIZHEVSKY A，SUTSKEVER I，HINTON G E. ImageNet classification with deep convolutionalneural networks[C]//Proceedings of the 25th International Conference on Neural Information ProcessingSystems. Lake Tahoe，USA，2012：1097-1105.

[12]" SZEGEDY C，LIU W，JIA Y Q，et al. Going deeper with convolutions[C]//Proceedings of the IEEEConference on Computer Vision and Pattern Recognition. Boston，USA，2015：1-9.

[13]" HE K，ZHANG X，REN S，et al. Deep residual learning for image recognition[C]//Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，USA，2016：770-778.

[14]" 王恩德，齊凱，李學鵬，等. 基于神經網絡的遙感圖像語義分割方法[J]. 光學學報，2019，39（12）：93-104.

[15]" HUANG G，LIU Z，LAURENS V D M，et al. Densely connected convolutional networks [C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu，USA，2017：4700-4708.

A Surface Coating Defect Detection Method for

Aluminum Cans Based on ResNet and DenseNet Models

XIE Lingwang1， CHEN Man2， PENG Yurui3， YANG Hailin3， ZHANG Xingwei2*

（1. Shantou Polytechnic， Shantou 515078， Guangdong， China;

2. Shantou University， Shantou 515063， Guangdong， China;

3. Shantou Oriental Technology Co. Ltd， Shantou 515144， Guangdong， China）

Abstract" In order to solve the problems of difficult detection， low detection accuracy， and high leakage rate in the surface coating defect detection of aluminum cans， the convolutional neural networks is investigated to detect the surface coating defect of aluminum cans. By training four convolutional neural network models， AlexNet， GoogLeNet， ReseNet and optimized DenseNet， the most suitable model was selected to detect the inner and outer surface coating defects of aluminum cans. The detection software was designed and developed for automated aluminum can production lines. The result shows that the optimized DenseNet18 model has the highest accuracy in detecting the inner surface coating defects， at 96.67%. The ResNet18 model has the highest accuracy in detecting the outer surface coating defects， at 93.33%.The detection time of the two models is about 250 ms. The detection accuracy and speed of this method canmeet industrial requirementsbasically. This defect detection method has achieved good practical application results in industrial production.

Keywords" aluminum cans; convolutional neural networks; defect detection