基于YOLOv5的工藝品包裝箱缺陷檢測

摘要：包裝箱是商品流通過程中的重要保障之一，針對跨國運輸的外貿工藝品，確保外包裝紙箱外觀整潔無破損、變形和污漬是極其必要的。文章提出了一種全新的包裝箱缺陷檢測解決方案，將目標檢測技術應用于國內外貿物流倉庫；通過在物流倉庫進行實際考察拍攝，自制數據集，分別訓練YOLOx、YOLOv4、YOLOv5模型。通過檢測結果對比得出，YOLOv5為檢測效果最準確、效率最高的模型，平均精度均值（Mean Average Precision， mAP）為90.3%，平均精度（Average Precision，AP）值最大，每秒檢測幀數（Frames Per Second，FPS）值可滿足實際應用需求。

關鍵詞：YOLOv5；工藝品包裝箱；深度學習；缺陷檢測

中圖分類號：TP181文獻標志碼：A

0 引言

隨著中國工藝品產業的迅速發展，工藝品外貿企業正面臨著日益嚴格的出口標準和質量要求的挑戰。這一挑戰并非僅停留在產品本身的質量，還涉及整個供應鏈環節，尤其是物流包裝箱的質量問題對于保護易損工藝品至關重要。工藝品通常因為其特殊性而更易受到運輸過程中的振動、碰撞等影響，因此，出口企業必須在包裝箱的完整度上下足功夫。損壞的包裝箱會導致客戶不滿，給企業造成形象和經濟上的損失。隨著國際形勢日漸緊張，國家之間的政治與經濟矛盾越來越嚴重，刺激了全球貿易保護主義行為的出現，中國集裝箱與貨物的出口標準越來越嚴格［1］。例如：物流包裝箱上存在缺陷［2］，國外倉庫將直接拒收，國內外貿工藝品公司需承擔高昂的退回運費，或直接造成商品損耗。

本文通過對物流倉庫的走訪調查，歸納出外貿工藝品包裝箱缺陷可分為破損、污漬、彎折3類［3］，若無法及時檢測，繼續有此類缺陷的包裝箱運輸至國外，將會給外貿公司帶來巨大損失。目前，國內大多物流倉庫依然采用傳統人工目視檢測的方法對包裝箱缺陷進行檢測，受光線昏暗、人員疲勞等因素影響，效果一直不佳。因此，本文采用目標檢測的方法對包裝箱的缺陷處進行高效、準確識別。

近年來，深度學習技術在計算機視覺領域取得了突破［4］，因為其對光線、形變等不確定變量的魯棒性強，故可應用于目標檢測方面。適用于目標檢測的YOLO系列算法已經多次迭代［5］，YOLOv5延續了先前YOLO系列算法的模型結構，在YOLOv4的基礎上降低了模型大小，具有更快的推理速度和更高的檢測精度，模型更加簡潔，滿足物流倉庫對于缺陷檢測的準確性和速度的要求，可以減少誤檢漏檢，提高檢測效率，適用于包裝箱缺陷檢測。因此，本文采用基于YOLOv5的目標檢測方法對包裝箱的缺陷處進行高效、準確識別。通過對YOLOx、YOLOv4、YOLOv5這3種模型進行訓練對比［6］，將本文實驗結果數據指標進行對比，選擇最合適的模型應用于實際物流包裝箱缺陷檢測。

1 缺陷檢測模型

1.1 YOLO模型

2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等［7］提出了一種單階段（one-stage）的目標檢測網絡，將其取名為YOLO（You Only Look Once）。YOLO 的核心思想是把目標檢測轉變成一個回歸問題，利用整張圖作為網絡的輸入，僅經過一個神經網絡，得到bounding box（邊界框）的位置及其所屬的類別。

1.2 YOLOv5模型

YOLOv5作為一種單階段目標檢測算法，網絡結構如圖1所示。其核心結構包括輸入端、骨干網絡、頸部網絡（NECK）和檢測頭（HEAD）4個關鍵部分。輸入端負責自適應縮放輸入圖像、歸一化和增強，以確保模型對于不同尺寸和特征的輸入圖像都能夠有良好的適應性，并增加訓練數據的多樣性。骨干網絡則負責提取圖像特征，通過一系列卷積層逐漸將圖像信息抽象和提煉，以便后續處理。頸部網絡的設計旨在增強網絡的多樣性和魯棒性，可能采用注意力機制、跳躍連接等方式，幫助網絡更好地捕捉圖像中的關鍵信息。檢測頭完成多目標的分類預測，通過一系列的卷積和全連接層整合提取到的特征，得到目標的類別和位置信息。綜合來看，YOLOv5的每個部分在整體目標檢測任務中都扮演著不可或缺的角色，共同構成了一個高效準確的目標檢測系統。

2 實驗

2.1 數據集制作

現階段還沒有公開的高質量包裝缺陷數據集，因此為達到研究目的，本文通過實地拍攝方式，采集2463張包裝箱缺陷圖像，如圖2所示，將缺陷分為破損、污漬、彎折3種。

在收集的圖片中，每張至少包含一處破損類型，至少有一個破損點。采集后對缺陷類型進行分類整合，按照形狀和成因將收集的缺陷分為不同種類。本文使用Labelimg工具對包裝缺陷進行標記和分類。

2.2 實驗平臺及環境

本實驗軟硬件配置如表1所示。

3 實驗結論與分析

在保證試驗環境不變的情況下，本文使用相同訓練集對YOLOx、YOLOv4、YOLOv5進行訓練；完成訓練后，使用相同測試集對效果指標進行測試，對3個模型的AP、mAP、FPS值進行對比。

評估目標檢測算法性能的關鍵指標，如AP、mAP和FPS。這些指標對于評估模型在識別紙箱外觀缺陷方面的效果至關重要。評估過程不僅需要考慮模型在不同缺陷類型上的表現，還應考慮模型在不同條件的魯棒性，以確保其在實際場景中的可靠性。針對性能評估，本文采用測試集進行測試，以模擬實際生產環境中的各種情況。評估過程應關注模型的誤檢率和漏檢率，確保模型既能準確地識別缺陷，又能避免誤檢或漏檢重要缺陷；還應全面細致地對目標檢測算法在紙箱外觀缺陷識別方面的指標進行評估，以確保其在實際應用中的有效性和可靠性。下面對比以上3個指標。

AP用于評價模型對某類缺陷識別的準確率，AP值VAP的計算方法如式（1）所示。

mAP用于衡量模型中存在多種目標時的檢測性能，mAP值VmAP的計算方法如式（2）所示。

其中，N代表缺陷的種類，在本實驗中N表示破損、污漬、彎折3種不同缺陷，將3種缺陷的AP值求平均數可得到mAP值。mAP值越大，則表明模型對紙箱3種類別缺陷檢測效果越好。

FPS值代表每秒檢測圖片的數量，如果FPS值越高，則表示模型的檢測速度越快。但是，檢測速度通常與識別準確率相反，需要將二者做到平衡，才能夠更好地應用于實際生產。

YOLOv5模型訓練后檢測結果如圖3所示。通過AP指標對檢測性能進行對比，分析結果如圖4所示。由圖4可知：YOLOv5的AP值最高。

不同模型性能對比結果如表2所示。由表可知：YOLOv5的mAP值最大，對紙箱3種類別缺陷檢測效果最佳；3種方法的FPS值均可滿足實際檢測速度的要求。

本文分析3種目標檢測算法得出的結果，對實驗結果的AP、mAP和FPS指標進行匯總。分析可知：YOLOv5對包裝箱的3種外觀缺陷檢測效果最好，可以在實際檢測中發揮重要作用。

本文通過推理對比結果可以得出以下結論：采用YOLOv5目標檢測模型在多個關鍵指標上顯著提升了性能，包括mAP、FPS等。這些結果清晰地展示了YOLOv5在包裝箱缺陷檢測中相較于YOLOv4和YOLOx模型所具備的卓越性能，為其在復雜計算任務中的應用提供了顯著的優勢。本研究在物流包裝箱缺陷檢測方面展現了可應用性，可有效杜絕環境因素和人為因素的影響，提供高效準確的檢測結果。

4 結語

本文使用實際收集的缺陷數據制作數據集，將YOLOx、YOLMhG7a0PH0k7p/PYsl1zigSkzywEby9oNlL4bI9/FlqQ=Ov4、YOLOv5 3種模型進行訓練，通過對比數據和效果可知：YOLOv5可以更加高效準確地識別包裝箱上的缺陷，受環境影響較小，相比于傳統的人工目視檢測法，能夠提示檢測效率，節省檢測時間；保證了外貿公司出口商品包裝箱的完整性，節省退回運費，減少商品損耗，為公司效益提供保障；在檢測包裝箱缺陷方面，YOLOv5表現良好。但是YOLOv5模型仍存在不足之處，例如：光線昏暗時可能出現漏檢、誤檢等現象，后續研究將繼續優化模型，擴充數據集，設計更為完備的硬件環境，提升檢測的準確性與實用性。

參考文獻

［1］鄭浩.新冠肺炎疫情下工藝品企業出口貿易策略研究［D］.福州：福建農林大學，2021.

［2］王立軍，劉慧華.物流過程中瓦楞紙箱的抗壓及振動損傷評價［J］.天津造紙，2021（2）：39-43.

［3］王旭.基于角點與分塊模板匹配的印刷品文字缺陷圖像檢測方法［D］.天津：天津理工大學，2023.

［4］葉卓勛，劉妹琴，張森林.基于輕量化深度學習網絡的工業環境小目標缺陷檢測［J］.控制與決策，2023（5）：1231-1238.

［5］LI Y， HUANG H， CHEN Q， et al. Research on a product quality monitoring method based on multi scale PP-YOLO［J］. IEEE Access， 2021（9）： 80373-80387.

［6］金彬，解祥新.基于改進YOLOv4的葡萄葉片病害檢測與識別算法［J］.無線互聯科技，2023（18）：129-132.

［7］相陽，陳曉靜.基于AI的交通流狀態智能檢測與擁堵態勢分析［J］.江蘇科技信息，2023（15）：54-57，61.

Craft box defect detection based on YOLOv5

Abstract： Packaging boxes are one of the important guarantees in the circulation process of goods， for the foreign trade handicrafts transported across borders， it is extremely necessary to ensure that the appearance of the outer packaging box is clean and free of damage， deformation and stains. This article proposes a brand-new packaging box defect detection solution， applying target detection technology to domestic and foreign trade logistics warehouses for the first time. By photographing through actual inspections in logistics warehouses， a dataset is made， and YOLOx， YOLOv4， YOLOv5 models are respectively trained. By comparing the test results， it can be concluded that YOLOv5 is the most accurate and efficient model for detection. Its mean average precision is 90.3%， average precision value is max， the frames per second value can meet actual application needs.

Key words： YOLOv5; crafts packaging box; deep learning; defect detection