基于輕量化YOLOv4的黏稠食品灌裝成品缺陷檢測(cè)

張昌凡 孟德志 王燕囡

1. 湖南工業(yè)大學(xué) 電氣與信息工程學(xué)院 湖南 株洲 412007

2. 廣州達(dá)意隆包裝機(jī)械股份有限公司 廣東 廣州 510530

1 研究背景

目前，在黏稠流質(zhì)食品灌裝生產(chǎn)線中，灌裝成品的缺陷檢測(cè)是必不可少的環(huán)節(jié)。有封蓋缺陷的產(chǎn)品隨著時(shí)間推移會(huì)出現(xiàn)密封不嚴(yán)的問(wèn)題，易導(dǎo)致產(chǎn)品提前變質(zhì)。貼標(biāo)缺陷會(huì)影響產(chǎn)品口碑和消費(fèi)者購(gòu)買(mǎi)意愿。因此，對(duì)灌裝成品的封蓋和貼標(biāo)進(jìn)行檢測(cè)極其必要。

在現(xiàn)有研究中，已有許多學(xué)者提出了灌裝成品缺陷檢測(cè)方法。C. Arun Prakash等[1]利用機(jī)器視覺(jué)技術(shù)對(duì)瓶蓋進(jìn)行檢測(cè)，該方法簡(jiǎn)單、省時(shí)，檢測(cè)正確率高；C. Toxqui-Quitl等[2]提出了一種基于圖像頻率濾波的聚對(duì)苯二甲酸乙二酯（poly(ethyleneterephthalate)，PET）瓶身缺陷檢測(cè)方法，對(duì)采集的瓶身圖像進(jìn)行伽馬自適應(yīng)校正，實(shí)現(xiàn)了對(duì)于瓶面、瓶壁和瓶底較高準(zhǔn)確度的檢測(cè)；彭玉等[3]針對(duì)灌裝成品防盜環(huán)難以檢測(cè)的問(wèn)題，提出了一種基于輪廓曲率的防盜環(huán)斷裂檢測(cè)方法，該算法檢測(cè)正確率能滿足生產(chǎn)要求。盡管上述機(jī)器視覺(jué)技術(shù)在灌裝成品缺陷檢測(cè)上得到了較好的應(yīng)用，但需要大量的樣本構(gòu)建檢測(cè)模型且難以同時(shí)檢測(cè)多類(lèi)缺陷。

近年來(lái)，深度學(xué)習(xí)技術(shù)在模型調(diào)優(yōu)、特征提取、目標(biāo)檢測(cè)方面的優(yōu)勢(shì)顯而易見(jiàn)[4]。深度學(xué)習(xí)標(biāo)志性算法AlexNet的問(wèn)世[5]，使深度學(xué)習(xí)技術(shù)應(yīng)用于產(chǎn)品缺陷檢測(cè)成為可能。2018年，俞芳芳等[6]利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）對(duì)食用油灌裝生產(chǎn)線全流程包裝缺陷進(jìn)行檢測(cè)。傳統(tǒng)CNN網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，參數(shù)多，運(yùn)算時(shí)間長(zhǎng)，因此在保持精度閾值的前提下對(duì)網(wǎng)絡(luò)結(jié)構(gòu)輕量化設(shè)計(jì)尤為重要。林景棟等[7]從網(wǎng)絡(luò)剪枝與稀疏化、張量分解、知識(shí)遷移和精細(xì)模塊設(shè)計(jì)4個(gè)方面歸納了CNN結(jié)構(gòu)優(yōu)化技術(shù)。MobileNet[8]系列算法將傳統(tǒng)卷積變成深度可分離卷積（depthwise separable convolutions，DSC），這種新的結(jié)構(gòu)能在不影響準(zhǔn)確率的前提下大大減少運(yùn)算時(shí)間和參數(shù)量。

深度學(xué)習(xí)目標(biāo)檢測(cè)算法發(fā)展至今，已形成了以R-CNN（regions with CNN）[9]為代表的兩步驟檢測(cè)方法和以YOLO（you only look once）[10]算法為代表的單步驟檢測(cè)算法，其中前者更注重精度，后者更注重精度與速度的平衡[11]。但是目前目標(biāo)檢測(cè)應(yīng)用于灌裝產(chǎn)品缺陷檢測(cè)鮮有研究。如何利用單一標(biāo)準(zhǔn)實(shí)現(xiàn)灌裝產(chǎn)品缺陷的多目標(biāo)檢測(cè)成為缺陷檢測(cè)領(lǐng)域亟待解決的問(wèn)題。

綜上所述，本課題組提出了一種基于YOLOv4[12]的黏稠食品輕量級(jí)灌裝成品缺陷檢測(cè)方法，在單步驟目標(biāo)檢測(cè)算法的基礎(chǔ)上對(duì)模型進(jìn)行輕量化設(shè)計(jì)，僅利用單一規(guī)則實(shí)現(xiàn)對(duì)多缺陷目標(biāo)快速實(shí)時(shí)的檢測(cè)。

2 YOLOv4算法

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv4算法是一種端到端的單步驟目標(biāo)檢測(cè)方法，它省去了兩步驟檢測(cè)法中生成候選區(qū)域的中間步驟，從而加快對(duì)于目標(biāo)的檢測(cè)與識(shí)別。在框架上，其很大程度上沿襲了前代算法YOLOv3[13]的主體結(jié)構(gòu)，其網(wǎng)絡(luò)結(jié)構(gòu)大致分為主干特征提取網(wǎng)絡(luò)（Backbone）、增強(qiáng)特征提取網(wǎng)絡(luò)、多尺度結(jié)果輸出3個(gè)部分。

主干特征提取網(wǎng)絡(luò)采用的是CSPDarknet53，先經(jīng)最小卷積單元DBM（DarknetConv2D-BN-Mish），再經(jīng)Resblock-body復(fù)雜卷積環(huán)節(jié)實(shí)現(xiàn)卷積操作。Resblock-body借 鑒 了CSPNet（cross-stage-partialconnections network）[14]結(jié)構(gòu)，由DBM、殘差結(jié)構(gòu)和Concat構(gòu)成。增強(qiáng)特征提取網(wǎng)絡(luò)對(duì)Backbone得到的特征圖進(jìn)行復(fù)用，以增強(qiáng)其對(duì)于目標(biāo)特征的表達(dá)。YOLOv4算法引入了SPPNet[15]和PANet[16]（path aggregation network）兩種算法，前者可增加小尺度特征的感受野，分離出最顯著的圖像特征，后者則是對(duì)Backbone所得到的另外兩種尺度的特征圖和SPPNet輸出的最小尺度特征圖進(jìn)行反復(fù)地上采樣和下采樣操作，以通過(guò)多尺度特征的融合來(lái)實(shí)現(xiàn)對(duì)于目標(biāo)特征的優(yōu)質(zhì)表達(dá)。經(jīng)過(guò)增強(qiáng)特征提取網(wǎng)絡(luò)的特征融合，得到3種不同尺度的特征圖。

2.2 預(yù)測(cè)機(jī)制

首先，YOLOv4將輸入的樣本分成S×S（S∈N）個(gè)非重疊區(qū)域，然后使用Anchor boxes對(duì)每個(gè)區(qū)域進(jìn)行邊界盒（bounding box）回歸，如圖1所示。通過(guò)K-means聚類(lèi)算法對(duì)Anchor boxes進(jìn)行聚類(lèi)分析，從而得到一組尺寸固定的先驗(yàn)框，這些不同尺寸的先驗(yàn)框能夠提升其對(duì)于真實(shí)目標(biāo)位置預(yù)測(cè)的概率。

圖1 邊界盒回歸Fig. 1 Bounding box regression

若某預(yù)測(cè)目標(biāo)的中心位置落到某個(gè)區(qū)域，則該目標(biāo)由此區(qū)域的一組先驗(yàn)框進(jìn)行預(yù)測(cè)，這會(huì)產(chǎn)生多個(gè)預(yù)測(cè)邊界盒。假設(shè)每個(gè)區(qū)域預(yù)測(cè)出B個(gè)邊界盒和C個(gè)類(lèi)別，那么模型的輸出結(jié)果為S×S×(5B+C)的張量，其中每個(gè)邊界盒均包含bx、by、bw、bh和置信度（con fidence）5個(gè)數(shù)值，其計(jì)算公式如下[17]：

式中：cx、cy分別為待檢測(cè)區(qū)域與檢測(cè)樣本左上角的橫縱距離；

tx、ty分別為檢測(cè)區(qū)域中心點(diǎn)至左邊界和上邊界的距離；

σ(·)為Sigmoid激活函數(shù)；

pw、ph分別為先驗(yàn)框的寬和高；

tw、th分別為檢測(cè)區(qū)域的寬和高；

bx、by分別為邊界盒的中心點(diǎn)x、y坐標(biāo)；

bw、bh分別為邊界盒的寬和高。

預(yù)測(cè)邊界盒會(huì)出現(xiàn)冗余，因此引入非極大值抑制（non-maximum suppression，NMS），以保留概率最大的邊界盒，移除分?jǐn)?shù)較低的邊界盒。

3 灌裝成品缺陷檢測(cè)模型

本課題組設(shè)計(jì)了基于輕量化YOLOv4的黏稠食品灌裝成品缺陷檢測(cè)模型，其結(jié)構(gòu)如圖2所示。其主要分為6個(gè)部分，分別為成品缺陷數(shù)據(jù)集、MobileNetV3主干特征提取網(wǎng)絡(luò)、空間金字塔池化網(wǎng)絡(luò)（spatial pyramid pooling，SPPNet）、施加通道注意力（efficient channel attention，ECA）機(jī)制的深度可分離全面路徑聚合網(wǎng)絡(luò)（DSC-ECA-FPANet）、多尺度結(jié)果輸出（Yolo Head）和檢測(cè)結(jié)果可視化。

圖2 基于YOLOv4算法的輕量級(jí)灌裝成品缺陷檢測(cè)結(jié)構(gòu)框圖Fig. 2 Structure diagram of filling product defect detection of lightweight based on YOLOv4 algorithm

本檢測(cè)模型的具體工作流程如下：首先，將灌裝成品缺陷數(shù)據(jù)輸入MobileNetV3主干特征提取網(wǎng)絡(luò)，提取多尺度特征，進(jìn)而獲得3個(gè)不同尺度的特征圖；然后，將得到的特征圖分別輸入至SPPNet和DSCECA-FPANet中以實(shí)現(xiàn)對(duì)于多尺度特征的融合；最后，將融合后的特征圖進(jìn)行多尺度結(jié)果輸出，從而得到既包含位置信息又包含類(lèi)別信息的檢測(cè)結(jié)果。

3.1 建立灌裝成品缺陷數(shù)據(jù)集

實(shí)驗(yàn)中所需的圖像樣本均來(lái)自灌裝生產(chǎn)流水線，采集設(shè)備主要包括傳送帶、LED光源、CCD（charge-coupled device）高速相機(jī)、光電傳感器以及用于圖像存儲(chǔ)和缺陷檢測(cè)的計(jì)算機(jī)，如圖3所示。數(shù)據(jù)采集過(guò)程為：光電傳感器檢測(cè)傳送帶上的灌裝成品，并將檢測(cè)信息轉(zhuǎn)換成電信號(hào)傳給CCD相機(jī)，觸發(fā)相機(jī)采集產(chǎn)品圖像信息，再將圖像信息傳至計(jì)算機(jī)中保存，以構(gòu)建用于后續(xù)的成品缺陷數(shù)據(jù)集。根據(jù)實(shí)際需求，本課題組采集了2種缺陷、7種類(lèi)別共計(jì)1200張樣本，其中封蓋缺陷包含無(wú)蓋、歪蓋、正常蓋3種類(lèi)別，貼標(biāo)缺陷包含無(wú)標(biāo)、歪標(biāo)、損傷標(biāo)、正常標(biāo)4種類(lèi)別。

圖3 圖像采集平臺(tái)Fig. 3 Image acquisition platform

本數(shù)據(jù)集的樣本分布情況如圖4所示。用LabelImg軟件對(duì)樣本進(jìn)行了真實(shí)標(biāo)簽標(biāo)定，得到1200個(gè)具有缺陷類(lèi)別和位置信息的.xml文件。文件和樣本均用于模型的訓(xùn)練和測(cè)試。

圖4 采集數(shù)據(jù)類(lèi)別數(shù)量情況Fig. 4 Number of collected data categories

3.2 改進(jìn)主干特征提取網(wǎng)絡(luò)

在YOLOv4中，Backbone有復(fù)雜的殘差結(jié)構(gòu)，標(biāo)準(zhǔn)3×3卷積操作占據(jù)了主體，導(dǎo)致運(yùn)算時(shí)間長(zhǎng)，算法可移植性較差。針對(duì)上述問(wèn)題，本課題組引入了輕量級(jí)神經(jīng)網(wǎng)絡(luò)MobileNetV3[18]，并根據(jù)目標(biāo)檢測(cè)要求重置了參數(shù)大小，設(shè)計(jì)了網(wǎng)絡(luò)特征圖的多尺度輸出，以便用于后續(xù)增強(qiáng)網(wǎng)絡(luò)的特征復(fù)用。

MobileNetV3的核心是DSC[19]，這使參數(shù)量大幅降低，檢測(cè)速度提升。公式（6）～（8）揭示了DSC參數(shù)量減少的原理[19]。

標(biāo)準(zhǔn)卷積操作是在多個(gè)輸入通道上使用多個(gè)卷積核進(jìn)行卷積操作。其參數(shù)計(jì)算量C為

式中：Dk為卷積核的大??；M為輸入通道數(shù)；N為卷積核數(shù)量；DF為輸入圖像大小。

DSC分兩步完成卷積操作，先在M個(gè)輸入通道上使用一個(gè)卷積核逐通道卷積（Depthwise Conv.），然后通過(guò)逐點(diǎn)卷積（Pointwise Conv.）即利用N個(gè)1×1卷積核調(diào)整輸出通道數(shù)。參數(shù)計(jì)算量C′為

將式（6）和（7）求比值，可得

通常，卷積核大小取3×3?？梢?jiàn)，采用DSC能大幅降低網(wǎng)絡(luò)參數(shù)。

MobileNetV3主要由Conv2D-BN-h-swish（CBH）卷積單元和bneck卷積塊構(gòu)成，如圖5所示。CBH和普通卷積結(jié)構(gòu)基本相同，區(qū)別在于引入了h-swish激活函數(shù)[18]，即

h-swish激活函數(shù)在深層特征中更能對(duì)特征有效映射，因此在網(wǎng)絡(luò)中，bneck卷積塊使用了ReLU和h-swish兩種激活函數(shù)。圖5b中，第2～4層卷積采用ReLU激活函數(shù)，最后3層卷積采用h-swish激活函數(shù)。而在bneck中，先用1×1的CBH提取特征，再用3×3的DSC進(jìn)行卷積，施加SENet（squeeze-andexcitation networks）[20]之后，進(jìn)行1×1卷積操作以調(diào)整通道，最后輸出bneck結(jié)果。SENet是一種輕量級(jí)通道注意力機(jī)制，通過(guò)學(xué)習(xí)的方式對(duì)不同通道重要性進(jìn)行預(yù)測(cè)，以提升有用的特征，抑制用處不大的特征。

圖5 MobileNetV3網(wǎng)絡(luò)結(jié)構(gòu)Fig. 5 Network structure diagram of MobileNetv3

3.3 重構(gòu)增強(qiáng)特征提取網(wǎng)絡(luò)

YOLOv4的增強(qiáng)特征提取網(wǎng)絡(luò)包含SPPNet和PANet。經(jīng)增強(qiáng)特征提取網(wǎng)絡(luò)的特征復(fù)用得到3個(gè)不同尺度特征圖。SPPNet對(duì)最小尺度特征圖進(jìn)行處理后，同另外兩個(gè)特征圖輸入至PANet進(jìn)行特征融合。本課題組對(duì)增強(qiáng)特征提取網(wǎng)絡(luò)進(jìn)行重構(gòu)，使其輕量化的同時(shí)，保證檢測(cè)精度。

3.3.1 PANet輕量化

和Backbone類(lèi)似，PANet計(jì)算繁重，采用多個(gè)3×3的DBL（DarknetConv2D_BN_LReLU）卷積，在上采樣與下采樣中，這些卷積操作參數(shù)量極大，導(dǎo)致缺陷檢測(cè)時(shí)間過(guò)長(zhǎng)。針對(duì)上述問(wèn)題，本課題組引入了DSC卷積策略，通過(guò)卷積模塊替換實(shí)現(xiàn)對(duì)PANet網(wǎng)絡(luò)的輕量化設(shè)計(jì)。圖6為PANet輕量化過(guò)程中內(nèi)部卷積模塊的替換示意圖。

圖6 PANet內(nèi)部卷積結(jié)構(gòu)替換示意圖Fig. 6 Internal convolutional structure replacement of PANet

將3×3的DBL卷積替換3×3的DSC卷積后，DSC-PANet網(wǎng)絡(luò)的參數(shù)計(jì)算量驟減，檢測(cè)速度大幅提升，但是檢測(cè)精度下降，這表明過(guò)分使用DSC卷積會(huì)使特征不能被充分利用。因此，輕量化后的PANet網(wǎng)絡(luò)還需提升精度。

3.3.2 全面路徑聚合網(wǎng)絡(luò)

PANet通過(guò)增加不同尺度特征層之間的信息傳輸路徑，對(duì)不同尺度特征進(jìn)行融合，以實(shí)現(xiàn)對(duì)于目標(biāo)特征的優(yōu)質(zhì)表達(dá)。但在PANet中，相鄰特征層之間進(jìn)行了特征路徑聚合，而頂層特征與底層特征之間尚不存在融合路徑。因此，針對(duì)PANet輕量化后導(dǎo)致特征融合能力不足的問(wèn)題，本課題組將頂層特征與底層特征進(jìn)行跨越融合（見(jiàn)圖7虛線標(biāo)識(shí)），提出了全面路徑聚合網(wǎng)絡(luò)（full path aggregation network，F(xiàn)PANet）。FPANet是通過(guò)增強(qiáng)目標(biāo)特征全面表達(dá)來(lái)提升網(wǎng)絡(luò)精度，其結(jié)構(gòu)如圖7所示。

圖7 FPANet結(jié)構(gòu)圖Fig. 7 FPANet structure diagram

FPANet接受來(lái)自Backbone和SPPNet的多尺度特征圖的輸入，其中Feat3為SPPNet處理后的特征圖。頂層特征和底層特征的跨越融合仍然通過(guò)上采樣和下采樣實(shí)現(xiàn)。上采樣是通過(guò)1×1的DSC卷積和線性插值法分別負(fù)責(zé)通道調(diào)整和尺度擴(kuò)張。下采樣是通過(guò)DSC卷積來(lái)實(shí)現(xiàn)通道和特征圖尺度的調(diào)整。輕量級(jí)FPANet是通過(guò)層間特征充分融合提升網(wǎng)絡(luò)精度，且檢測(cè)速度無(wú)顯著降低。

3.3.3 DSC-ECA卷積結(jié)構(gòu)

通道注意力（ECA）機(jī)制是深度神經(jīng)網(wǎng)絡(luò)中有效提升特征提取能力的重要方法。因此，本課題組在DSC卷積中引入ECA機(jī)制[21]，提出了DSC-ECA模塊，其結(jié)構(gòu)如圖8所示。

圖8 DSC-ECA結(jié)構(gòu)圖Fig. 8 DSC-ECA structure diagram

ECA的結(jié)構(gòu)和SENet的相似，但ECA是通過(guò)執(zhí)行大小為k的一維卷積來(lái)生成權(quán)重通道，避免了降維所帶來(lái)預(yù)測(cè)精度的下降。k是由輸入特征圖的通道數(shù)自適應(yīng)選得，具體公式[21]為

式中：C為輸入樣本通道數(shù)；b和γ為經(jīng)驗(yàn)參數(shù)，設(shè)定b=2，γ=1；“odd”為對(duì)結(jié)果取奇數(shù)。同時(shí)，本文保留了最外圍的殘差邊，以利于權(quán)重更新、趨于穩(wěn)定。

本課題組對(duì)YOLOv4的增強(qiáng)特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)后，形成了全新的施加ECA機(jī)制的深度可分離全面路徑聚合網(wǎng)絡(luò)（DSC-ECA-FPANet）。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 模型訓(xùn)練與評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)環(huán)境為Ubuntu18.04操作系統(tǒng)，配置Anaconda的 Python 3.7、NVIDIA RTX 2070 GPU、CUDA 10.1、cuDNN 7.6.5.32，使用Keras庫(kù)編寫(xiě)程序。訓(xùn)練數(shù)據(jù)時(shí)，本課題組從數(shù)據(jù)集中選取1000張樣本，其中900張用于模型訓(xùn)練，100張用于交叉驗(yàn)證，而其余200張樣本用于測(cè)試模型。鑒于數(shù)據(jù)量較少不利于模型泛化能力的提升，本課題組選擇遷移學(xué)習(xí)方式訓(xùn)練模型。先采用VOC2007數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，接著在正式訓(xùn)練過(guò)程導(dǎo)入預(yù)訓(xùn)練模型分段調(diào)優(yōu)。參數(shù)設(shè)定如下：輸入數(shù)據(jù)的大小為416×416；為了加快訓(xùn)練速度，前50個(gè)Epoch凍結(jié)主干特征提取網(wǎng)絡(luò)，只對(duì)增強(qiáng)特征提取網(wǎng)絡(luò)進(jìn)行權(quán)重更新，Batch size設(shè)置為8，初始學(xué)習(xí)率為0.001，而后50個(gè)Epoch解凍Backbone權(quán)重層，進(jìn)行全局網(wǎng)絡(luò)優(yōu)化，Batch size設(shè)置為4，初始學(xué)習(xí)率為0.0001。

在目標(biāo)檢測(cè)模型評(píng)估中，常采用精確度P（precision）和召回率R（recall）兩個(gè)指標(biāo)評(píng)價(jià)模型的優(yōu)劣，其計(jì)算方式[22]如下：

式中：TP為樣本正確檢測(cè)的數(shù)量；FP為樣本錯(cuò)誤檢測(cè)的數(shù)量；FN為樣本未被檢測(cè)出的數(shù)量。

通常，分類(lèi)問(wèn)題存在一個(gè)決策邊界，改變置信度閾值會(huì)得到不同的準(zhǔn)確率和召回率，即得到PR（precision-recall）曲線。PR曲線與坐標(biāo)軸所圍成的面積為平均精確度（average precision，AP），可用于衡量模型檢測(cè)效果的好壞。為了衡量模型對(duì)于所有類(lèi)別AP的優(yōu)劣，本課題組使用所有檢測(cè)類(lèi)別平均精度均值（mean average precision，mAP）評(píng)估模型。

4.2 模型評(píng)估與性能對(duì)比分析

4.2.1 模型訓(xùn)練評(píng)估

MobileNetV3_DSC-ECA-FPANet模型（改進(jìn)網(wǎng)絡(luò)訓(xùn)練后得到的最優(yōu)模型）的訓(xùn)練和驗(yàn)證結(jié)果如圖9所示。其中，實(shí)線為訓(xùn)練集loss值，虛線為交叉驗(yàn)證集loss值。

圖9 模型loss函數(shù)曲線圖Fig. 9 Loss function curve of the model

由圖9可以看到，模型的loss值隨著Epoch的增加而逐漸收斂，最后基本趨于穩(wěn)定，這表明模型的預(yù)測(cè)結(jié)果和真實(shí)結(jié)果不斷接近，預(yù)測(cè)的誤差逐漸下降。此外，通過(guò)觀察訓(xùn)練集和驗(yàn)證集loss曲線的吻合度可以看出，模型泛化能力達(dá)到了最佳狀態(tài)。

4.2.2 性能測(cè)試

本課題組將訓(xùn)練好的模型導(dǎo)入檢測(cè)程序后，對(duì)200張樣本進(jìn)行測(cè)試，瓶蓋缺陷和貼標(biāo)缺陷的部分檢測(cè)結(jié)果如圖10所示。從檢測(cè)結(jié)果可以看出，本文所提方法可以實(shí)現(xiàn)對(duì)于瓶蓋、貼標(biāo)2種檢測(cè)目標(biāo)的7種缺陷類(lèi)別進(jìn)行有效檢測(cè)。

圖10 樣本檢測(cè)結(jié)果示例Fig. 10 Test results of sample

本課題組設(shè)置不同的置信度閾值，從而得到7種類(lèi)別的精確度和召回率，每種缺陷類(lèi)別的PR曲線如圖11所示。其中，實(shí)線為貼標(biāo)檢測(cè)結(jié)果，虛線為瓶蓋檢測(cè)結(jié)果。

圖11 PR曲線圖Fig. 11 Curve of PR

由圖11可以看出，本文所提方法的檢測(cè)mAP值可達(dá)97.15%，能滿足實(shí)際檢測(cè)需要。此外，本模型對(duì)于歪標(biāo)、損傷標(biāo)的缺陷檢測(cè)AP值略低，這可能是由于這兩種缺陷的訓(xùn)練樣本較少而導(dǎo)致模型對(duì)于這些缺陷的泛化能力不足。

4.2.3 性能對(duì)比分析

本課題組在加入新的策略、設(shè)計(jì)新的網(wǎng)絡(luò)時(shí)，做了大量的成品缺陷檢測(cè)實(shí)驗(yàn)，進(jìn)而不斷優(yōu)化模型，以得到最優(yōu)模型。改進(jìn)中各模型性能測(cè)試結(jié)果如表1所示。

表1 改進(jìn)中各模型性能測(cè)試比較Table 1 Comparison of performance tests of each model in this study

由表1可以看出，只有當(dāng)主干網(wǎng)絡(luò)和增強(qiáng)網(wǎng)絡(luò)均采用DSC策略時(shí)，模型才能真正做到輕量化，但隨之帶來(lái)的是mAP值急劇下降；本文方法的mAP值僅比YOLOv4低0.07個(gè)百分點(diǎn)，但單個(gè)樣本的檢測(cè)時(shí)間縮短，約為YOLOv4的1/3。由此可見(jiàn)，改進(jìn)后算法在保證精度的前提下極大提升了檢測(cè)速度，這比較符合黏稠食品高速灌裝生產(chǎn)成品缺陷檢測(cè)的需要。

此外，為了綜合評(píng)價(jià)本文模型的性能優(yōu)劣，本課題組將已有成熟目標(biāo)檢測(cè)算法YOLOv3[13]、YOLOv4[12]、SSD[23]、Faster-RCNN[17]與本文方法進(jìn)行對(duì)比。各種檢測(cè)算法的測(cè)試結(jié)果如表2所示。

表2 各目標(biāo)檢測(cè)算法性能測(cè)試比較Table 2 Comparison of performance tests of each object detection algorithm

在表2中，由于Faster-RCNN參數(shù)計(jì)算量統(tǒng)計(jì)困難，因此本文未能給出。由表2可以看出，YOLOv3的精度和檢測(cè)速度均無(wú)法滿足要求；雖然Faster-RCNN的檢測(cè)精度最高，但是檢測(cè)速度最慢；本文方法既保證了精度與其它算法相差無(wú)幾，又實(shí)現(xiàn)了檢測(cè)速度的大幅提升，因此在實(shí)際生產(chǎn)中本文方法更具有優(yōu)勢(shì)。

5 結(jié)語(yǔ)

本研究提出了一種基于YOLOv4目標(biāo)檢測(cè)算法的黏稠食品輕量級(jí)灌裝成品缺陷檢測(cè)方法，并在灌裝成品缺陷數(shù)據(jù)集上驗(yàn)證了該方法的有效性。研究結(jié)果表明：1）本文方法能夠?qū)崿F(xiàn)對(duì)于黏稠物料灌裝成品缺陷的多目標(biāo)、多類(lèi)別同時(shí)檢測(cè)，有效降低了生產(chǎn)線檢測(cè)設(shè)備的成本；2）深度可分離卷積策略的應(yīng)用使得模型參數(shù)計(jì)算量得到大幅下降，檢測(cè)時(shí)間大大縮短，約為YOLOv4的1/3，滿足了灌裝成品缺陷高速檢測(cè)要求；3）增強(qiáng)網(wǎng)絡(luò)中，頂層特征與底層特征的融合設(shè)計(jì)和ECA的引入，加強(qiáng)了模型對(duì)目標(biāo)特征的優(yōu)質(zhì)表達(dá)，進(jìn)而實(shí)現(xiàn)了在模型參數(shù)下降的基礎(chǔ)上保持較好的檢測(cè)精度。