改進(jìn)YOLOv7算法在西林瓶軋蓋缺陷檢測(cè)中的應(yīng)用

寧 娟，周慶華，曾小為

（1.長(zhǎng)沙理工大學(xué)物理與電子科學(xué)學(xué)院，湖南 長(zhǎng)沙 410114；2.納威爾智能科技有限公司，湖南 長(zhǎng)沙 410007）

0 引 言

西林瓶是一種采用膠塞封口的玻璃管制藥劑瓶，被藥品制造廠廣泛應(yīng)用于各類口服液、凍干、粉劑等藥品的包裝中［1］。西林瓶由瓶體、膠塞、鋁塑蓋3 個(gè)部分構(gòu)成，軋蓋機(jī)是將各種規(guī)格的西林瓶瓶口加鋁蓋或鋁塑蓋，鎖緊封口，來(lái)達(dá)到密封的作用，以保證藥品不受污染［2］。在封蓋環(huán)節(jié)，由于機(jī)械外力的作用，密封后的軋蓋部位極容易產(chǎn)生開裂、擦傷、脫蓋、變形等缺陷。近年來(lái)，由于GMP［3］（Good Manufacture Practice of Medical Products）藥品生產(chǎn)質(zhì)量管理規(guī)范規(guī)定的嚴(yán)格實(shí)施，在封蓋環(huán)節(jié)產(chǎn)生的缺陷產(chǎn)品必須經(jīng)過(guò)檢測(cè)剔除。目前工業(yè)缺陷檢測(cè)系統(tǒng)在西林瓶裝藥品生產(chǎn)線上被廣泛應(yīng)用，但針對(duì)西林瓶軋蓋部位的缺陷檢測(cè)還少有人研究，業(yè)內(nèi)主流的檢測(cè)系統(tǒng)只有西林瓶制造廠對(duì)瓶體及鋁塑蓋質(zhì)量的檢測(cè)，以及藥廠對(duì)裝藥后西林瓶膠塞氣密性檢測(cè)［4］。

機(jī)器視覺(jué)技術(shù)是一種用機(jī)器代替人眼做測(cè)量和判斷的技術(shù)［5］。機(jī)器視覺(jué)的檢測(cè)方法是一種自動(dòng)化檢測(cè)方法，相較于傳統(tǒng)檢測(cè)方法，它有非接觸性、速度快、準(zhǔn)確性高等優(yōu)點(diǎn)［6］。隨著計(jì)算機(jī)學(xué)科的發(fā)展，機(jī)器視覺(jué)的缺陷檢測(cè)方法逐漸取代了人工檢測(cè)方法，被應(yīng)用于工業(yè)生產(chǎn)檢測(cè)環(huán)節(jié)［7］。

深度學(xué)習(xí)的方法是目前計(jì)算機(jī)視覺(jué)領(lǐng)域應(yīng)用較廣泛的方法，利用卷積神經(jīng)網(wǎng)絡(luò)提取特征，構(gòu)建有效的網(wǎng)絡(luò)模型，在缺陷檢測(cè)領(lǐng)域取得了有效的成果。當(dāng)前工業(yè)界應(yīng)用較多的目標(biāo)檢測(cè)算法大致可分為2 類，以Faster R-CNN 為代表的兩階段檢測(cè)算法和以SSD、YOLO 為代表的單階段檢測(cè)算法。李玉等［8］通過(guò)對(duì)Faster R-CNN 的特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，并增加了特征金字塔網(wǎng)絡(luò)，有效提高了對(duì)鋼板表面低對(duì)比度的缺陷檢測(cè)能力。劉群坡等［9］對(duì)SSD 算法進(jìn)行了改進(jìn)，利用深度殘差結(jié)構(gòu)和自頂向下的多尺度特征融合方法，來(lái)增強(qiáng)精密玻璃裝電連接器表面微小缺陷特征提取和融合能力，檢測(cè)精度達(dá)到91.28%。YOLO 系列網(wǎng)絡(luò)是缺陷檢測(cè)任務(wù)中表現(xiàn)較優(yōu)的網(wǎng)絡(luò)，沈希忠等［10］通過(guò)改進(jìn)YOLOv5模型，并在訓(xùn)練過(guò)程中引入遷移訓(xùn)練的方法進(jìn)行多次遷移訓(xùn)練，提升了短期訓(xùn)練的模型檢測(cè)精度，對(duì)鋁型材料表面缺陷的小缺陷檢測(cè)效果有明顯提升。YOLOv7［11］模型是YOLO系列最新成果，在繼承原有YOLO 模型優(yōu)勢(shì)的基礎(chǔ)上，通過(guò)可擴(kuò)展的高效層聚合網(wǎng)絡(luò)E-ELAN［11］結(jié)構(gòu)來(lái)加速模型收斂，設(shè)計(jì)了模型重參化來(lái)實(shí)現(xiàn)模型在訓(xùn)練中精度與速度的權(quán)衡，采用輔助訓(xùn)練頭和標(biāo)簽分配器來(lái)提升目標(biāo)檢測(cè)器在多任務(wù)訓(xùn)練上的性能。這些網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練策略技巧使其具有更優(yōu)的檢測(cè)精度和更快的推理速度［12］。然而，原始YOLOv7算法由于缺少高效的特征提取和特征融合的策略，存在無(wú)法高效地從低對(duì)比度背景中提取細(xì)粒度特征的問(wèn)題。西林瓶軋蓋缺陷存在目標(biāo)缺陷較小、特征不清和多尺度等特點(diǎn)，直接使用YOLOv7 算法進(jìn)行西林瓶軋蓋缺陷檢測(cè)存在對(duì)小目標(biāo)缺陷的漏檢和誤檢的問(wèn)題。對(duì)此，業(yè)內(nèi)常用卷積塊注意力模型來(lái)提高小目標(biāo)特征的表現(xiàn)能力，進(jìn)一步提高待檢測(cè)目標(biāo)的顯著度。戚玲瓏等［13］利用ACmix 注意力模塊來(lái)改進(jìn)YOLOv7 網(wǎng)絡(luò)，增加網(wǎng)絡(luò)對(duì)小尺度目標(biāo)敏感度，降低了小目標(biāo)檢測(cè)的漏檢率。但是西林瓶軋蓋缺陷存在多種尺度，上述方法對(duì)目標(biāo)缺陷仍存在漏檢問(wèn)題。本文在引入注意力機(jī)制的基礎(chǔ)上增加自適應(yīng)特征融合模塊，進(jìn)一步提高缺陷檢測(cè)的精度，解決西林瓶軋蓋缺陷檢測(cè)中的漏檢問(wèn)題。

1 數(shù)據(jù)采集與制作

1.1 實(shí)驗(yàn)數(shù)據(jù)采集

在長(zhǎng)沙納威爾智能科技有限公司的真實(shí)工業(yè)傳送帶環(huán)境下搭建一個(gè)西林瓶軋蓋的圖像采集系統(tǒng)。西林瓶鋁塑蓋材質(zhì)光滑，易反光，經(jīng)過(guò)軋蓋機(jī)封裝后，其性質(zhì)保持不變。光源會(huì)影響圖像的灰度值的大小及分布，采用合適的光源可以使缺陷像素的亮度和梯度變化更明顯［14］。通過(guò)研究西林瓶軋蓋的材料及光反射情況，采用環(huán)形光源的打光方案，環(huán)形光源能提高圖像檢測(cè)的對(duì)比度［15］，對(duì)西林瓶軋蓋表面的缺陷有良好的檢測(cè)效果。由于西林瓶軋蓋呈柱體曲面，其缺陷可能出現(xiàn)在軋蓋的任意位置，在固定方向運(yùn)動(dòng)的傳送帶上，單個(gè)相機(jī)無(wú)法捕捉全部缺陷，從而導(dǎo)致工件表面存在檢測(cè)盲區(qū)，對(duì)檢測(cè)結(jié)果造成重要影響［16］。為解決這個(gè)問(wèn)題，實(shí)驗(yàn)采用3 臺(tái)CMOS 面陣相機(jī)從不同角度采集圖像，相機(jī)組之間的夾角為120°，高度與西林瓶頸部高度保持一致，如圖1（a）所示，圖1（b）為圖像采集系統(tǒng)的實(shí)物架構(gòu)圖。

圖1 圖像采集系統(tǒng)架構(gòu)圖

圖1 （a）中LC1、LC2、LC3 鏡頭選用日本康標(biāo)達(dá)（Computar）鏡頭，其焦距為12 mm；相機(jī)選用德國(guó)巴斯勒（Basler）acA1300-60gm 黑白相機(jī)，像素為130 萬(wàn)像素，分辨率為1280×1024像素，像素位深為12 bits；使用GigE Vision 接口進(jìn)行圖像傳輸，提升取圖速率。3臺(tái)相機(jī)從不同角度共采集到984張西林瓶軋蓋缺陷圖像，將其統(tǒng)一重新編號(hào)為格式“0000X.bmp”。

西林瓶軋蓋常見缺陷包括劃痕（Scratches）、缺帽（Missing Cap）、凹裂（Concave-crack）、復(fù)合缺陷（Composite Defect）這4 種，圖2 是采集到的4 種西林瓶軋蓋缺陷圖像的一些例子。

圖2 西林瓶軋蓋缺陷圖像的一些例子

1.2 數(shù)據(jù)增強(qiáng)與數(shù)據(jù)集制作

本文實(shí)驗(yàn)實(shí)際采集了984 張西林瓶軋蓋缺陷圖像，為了提高網(wǎng)絡(luò)模型的魯棒性和泛化能力，分別采用基于HSV 域變換和基于幾何變換及Mosaic 數(shù)據(jù)增強(qiáng)的方法對(duì)缺陷圖像數(shù)據(jù)規(guī)模進(jìn)行擴(kuò)充。

1）基于HSV域變換的數(shù)據(jù)增強(qiáng)。

HSV 模型是使用色相（Hue）、飽和度（Saturation）、明度（Value）來(lái)表示色彩的一種方式，直觀反映人眼對(duì)色彩的感知，可適用于對(duì)視覺(jué)信息的分析處理［17］。由于西林瓶軋蓋是光滑的柱面鋁質(zhì)材料，呈高適光性，光線反射以鏡面反射為主，其鏡面反射點(diǎn)附近容易出現(xiàn)光亮集中區(qū)域［18］，對(duì)缺陷部位的檢測(cè)有干擾，容易造成誤判。為了提高網(wǎng)絡(luò)對(duì)圖像亮度變化的魯棒性，對(duì)采集圖像總數(shù)的80%的圖像進(jìn)行HSV 域擾動(dòng)處理［19］。首先將RGB 顏色圖像轉(zhuǎn)換成HSV 圖像，然后將色相值固定，再分別隨機(jī)改變圖像的飽和度（S）和明度（V）的值，最后得到1574 張擴(kuò)充圖像。

2）基于幾何變換的數(shù)據(jù)增強(qiáng)。

基于幾何變換的數(shù)據(jù)增強(qiáng)是從圖像數(shù)據(jù)形態(tài)進(jìn)行數(shù)據(jù)擴(kuò)充［20］，可以提高網(wǎng)絡(luò)模型的泛化性。將原始圖像總數(shù)的70%的圖像，隨機(jī)進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、移位、裁剪、變形、縮放、仿射等幾何變換得到662 張擴(kuò)充圖像。

通過(guò)上述2 種方法的數(shù)據(jù)增強(qiáng)后，將原始的984張圖像擴(kuò)充到3220 張圖像，數(shù)據(jù)集中各類缺陷樣本數(shù)量如表1 所示。用LabelImg 開源標(biāo)注工具對(duì)西林瓶軋蓋缺陷圖像進(jìn)行人工標(biāo)注，并將標(biāo)注結(jié)果保存為YOLO 格式，生成.TXT 格式的標(biāo)注文件，得到了YOLO格式的西林瓶軋蓋缺陷圖像數(shù)據(jù)集。

表1 數(shù)據(jù)集中各類缺陷樣本數(shù)單位：個(gè)

3）Mosaic數(shù)據(jù)增強(qiáng)。

本文在訓(xùn)練網(wǎng)絡(luò)時(shí)還采用Mosaic 數(shù)據(jù)增強(qiáng)的方法以進(jìn)一步提高模型的性能［21］。Mosaic 數(shù)據(jù)增強(qiáng)是在YOLOv4網(wǎng)絡(luò)中提出的一種數(shù)據(jù)增強(qiáng)方法［22］，其思想是將4張圖像進(jìn)行隨機(jī)裁剪，再拼接得到一張圖像，作為新生成的訓(xùn)練數(shù)據(jù)，來(lái)豐富原始圖像數(shù)據(jù)。具體流程是從數(shù)據(jù)集里，抽取一批西林瓶軋蓋缺陷圖像，隨機(jī)選取4張圖像，進(jìn)行隨機(jī)縮放、裁剪、切割，并以隨機(jī)排布的方式拼接成一張新的圖像，然后重復(fù)上述操作；最后，將生成的批量圖像輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2 改進(jìn)YOLOv7目標(biāo)檢測(cè)算法

西林瓶軋蓋損傷面積一般較小，另外工業(yè)生產(chǎn)需要滿足實(shí)時(shí)性要求。YOLO 網(wǎng)絡(luò)是為了彌補(bǔ)兩階段檢測(cè)網(wǎng)絡(luò)在檢測(cè)速度上難以滿足實(shí)時(shí)要求的缺點(diǎn)，而設(shè)計(jì)一次完成目標(biāo)類別的判定和邊界的預(yù)測(cè)，使得檢測(cè)效率得到極大提升［23］；它具有更快的檢測(cè)速度和較高的檢測(cè)精度的優(yōu)點(diǎn)，且經(jīng)歷了不同版本的演變，文獻(xiàn)［24］整理了YOLOv1～YOLOv5 各版本的網(wǎng)絡(luò)結(jié)構(gòu)和應(yīng)用場(chǎng)景。YOLOv7 是YOLO 模型的最新成果，文獻(xiàn)［24］中詳細(xì)介紹了它的網(wǎng)絡(luò)架構(gòu)和優(yōu)化效果。本文在YOLOv7 網(wǎng)絡(luò)中加入注意力機(jī)制和自適應(yīng)特征融合機(jī)制，并將其應(yīng)用到西林瓶軋蓋的缺陷檢測(cè)中，通過(guò)該算法，藥品制造廠可以實(shí)時(shí)獲得西林瓶裝藥品的封蓋情況和軋蓋損傷情況。

1）融入注意力機(jī)制。

由于西林瓶軋蓋缺陷圖像中背景與前景相似，且部分缺陷面積較小、特征不清，為了提高模型對(duì)軋蓋缺陷部分的特征表達(dá)能力，在網(wǎng)絡(luò)中引入注意力機(jī)制。卷積注意力機(jī)制（Convolution Block Attention Module，CBAM）是一個(gè)輕量級(jí)的注意力模塊，可以在通道和空間維度進(jìn)行注意力操作，通道注意模塊（CAM）使網(wǎng)絡(luò)更多地關(guān)注圖像的前景和有意義的信息，空間注意模塊（SAM）使網(wǎng)絡(luò)更多地關(guān)注目標(biāo)的位置信息［25］。SE（Squeeze and Excitation）注意力機(jī)制是使網(wǎng)絡(luò)更關(guān)注通道特征信息，在特征提取中自動(dòng)學(xué)習(xí)特征圖的通道權(quán)重，來(lái)突出重要特征通道，抑制不重要通道信息［26］。高效通道注意力機(jī)制（Efficient Channel Attention，ECA）是在SE 注意力機(jī)制的基礎(chǔ)上改進(jìn)，使用一維卷積的方法來(lái)代替降維操作，有效捕獲跨通道交互信息［27］，來(lái)提升模型性能。文獻(xiàn)［28］將3 種注意力機(jī)制引入人體關(guān)鍵點(diǎn)檢測(cè)網(wǎng)絡(luò)，其研究結(jié)果表明，融合CBAM 注意力模塊的網(wǎng)絡(luò)模型性能表現(xiàn)較好。為了提高網(wǎng)絡(luò)對(duì)小目標(biāo)缺陷的提取能力，如西林瓶軋蓋上細(xì)小的劃痕缺陷，本文選擇在YOLOv7的骨干網(wǎng)絡(luò)末端引入CBAM注意力模塊。

2）融入自適應(yīng)特征融合機(jī)制。

由于西林瓶軋蓋缺陷尺寸分布廣，且一張圖像中可能存在既有大目標(biāo)缺陷又有小目標(biāo)缺陷。而YOLOv7 里采用PANet 結(jié)構(gòu)對(duì)特征進(jìn)行融合，是將不同層的特征圖先變換成相同尺寸再相加，當(dāng)不同特征的尺度不一致時(shí)，將導(dǎo)致融合特征圖的噪聲增大［29］，影響檢測(cè)效果。文獻(xiàn)［30］提出了一種自適應(yīng)特征融合機(jī)制（ASFF），讓網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)過(guò)濾掉其它層無(wú)用的信息，保留有用信息實(shí)現(xiàn)高效融合特征。對(duì)于某一層的特征，在融合前先將其他層特征尺寸調(diào)整成與它一致，然后通過(guò)模型訓(xùn)練，學(xué)習(xí)到最佳的融合方式。其實(shí)驗(yàn)表明，融入ASFF 后，YOLOv3 模型性能顯著提升。本文在YOLOv7 模型原有的多尺度特征提取的基礎(chǔ)上，繼續(xù)融入自適應(yīng)特征融合ASFF機(jī)制，來(lái)高效融合在不同尺度的感受野下西林瓶軋蓋缺陷特征信息。圖3 為增加CBAM 和ASFF 模塊的改進(jìn)YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖3 增加CBAM和ASFF模塊的改進(jìn)YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)

3 實(shí)驗(yàn)與結(jié)果分析

本文實(shí)驗(yàn)平臺(tái)是采用搭載有Intel Core i5-12400F 處理器和NVIDIA GeForce RTX3060 型12 GB 顯存GPU 的64 位Windows 10 操作系統(tǒng)的計(jì)算機(jī)進(jìn)行模型訓(xùn)練，使用Pytorch 1.8.1 版、Python 版和CUDA版。

實(shí)驗(yàn)將之前得到的3220張缺陷圖像，按照8∶2劃分訓(xùn)練集和測(cè)試集，訓(xùn)練集包含2559 張缺陷圖像，測(cè)試集包含661張缺陷圖像。

訓(xùn)練過(guò)程中的訓(xùn)練參數(shù)如表2 所示。設(shè)置初始學(xué)習(xí)率為0.001，最小學(xué)習(xí)率設(shè)置為0.00001，使用Adam 優(yōu)化器，動(dòng)量參數(shù)設(shè)置為0.937，并使用余弦退火函數(shù)來(lái)動(dòng)態(tài)降低學(xué)習(xí)率。訓(xùn)練中改進(jìn)前后的YOLOv7網(wǎng)絡(luò)的損失曲線如圖4所示。

表2 訓(xùn)練參數(shù)設(shè)置表

圖4 改進(jìn)前后YOLOv7的訓(xùn)練Loss曲線

為了評(píng)估模型的性能，本文采用精準(zhǔn)率（P）表示模型正確識(shí)別西林瓶軋蓋缺陷的占比，召回率（R）表示識(shí)別圖片中軋蓋缺陷目標(biāo)的涵蓋程度［26］；采用平均精度均值（Mean Average Precision，mAP）表示所有缺陷類別的平均識(shí)別精度；采用每秒實(shí)際達(dá)到的檢測(cè)幀數(shù)（Frames Per Second，F(xiàn)PS）來(lái)評(píng)價(jià)模型識(shí)別缺陷的速度。

為了驗(yàn)證改進(jìn)后YOLOv7 網(wǎng)絡(luò)中各模塊的檢測(cè)效果，在西林瓶軋蓋缺陷檢測(cè)中，設(shè)置了消融實(shí)驗(yàn)，將改進(jìn)YOLOv7 網(wǎng)絡(luò)中的改進(jìn)模塊逐個(gè)添加進(jìn)行訓(xùn)練，并分別將測(cè)試集輸入給訓(xùn)練得到的4 個(gè)網(wǎng)絡(luò)，針對(duì)測(cè)試集的消融實(shí)驗(yàn)結(jié)果如表3所示。

表3 消融實(shí)驗(yàn)結(jié)果

從表3中可以看出，YOLOv7融入了ASFF模塊后mAP 比原來(lái)提高了1.2 個(gè)百分點(diǎn)，加入CBAM 模塊后mAP 比原來(lái)提高了1.8 個(gè)百分點(diǎn)，表明引入ASFF 模塊和CBMA 模塊對(duì)YOLOv7 網(wǎng)絡(luò)提升目標(biāo)檢測(cè)性能有積極效果。結(jié)果表明，同時(shí)融合CBAM 注意力機(jī)制和ASFF 自適應(yīng)特征融合機(jī)制的網(wǎng)絡(luò)，相比原YOLOv7網(wǎng)絡(luò)，在檢測(cè)速度僅降低10%的情況下，精確率提高了2.3 個(gè)百分點(diǎn)，召回率提高了2.1 個(gè)百分點(diǎn)，mAP 提高了1.9 個(gè)百分點(diǎn)，且檢測(cè)速率仍能滿足工業(yè)實(shí)時(shí)檢測(cè)的要求。另外為了對(duì)比各模型對(duì)于無(wú)缺陷圖像的識(shí)別性能，將400 張無(wú)缺陷圖像分別輸入上述4 個(gè)網(wǎng)絡(luò)，結(jié)果表明，其中對(duì)無(wú)缺陷圖像，原始YOLOv7 的識(shí)別準(zhǔn)確率是99.5%，而改進(jìn)后的3 個(gè)網(wǎng)絡(luò)，均能100%正確判定無(wú)缺陷圖像。

為了進(jìn)一步了解模型對(duì)西林瓶軋蓋各類缺陷的識(shí)別效果，融合2 種模塊對(duì)不同缺陷識(shí)別的平均檢測(cè)精度的均值mAP 如表4 所示。結(jié)果表明，同時(shí)融合2種模塊的網(wǎng)絡(luò)對(duì)不同缺陷類別的識(shí)別效果均有提升，其中對(duì)劃痕缺陷的mAP提升效果最好，從96.4%提升到98.9%，提升了2.5 個(gè)百分點(diǎn)；而對(duì)復(fù)合缺陷的識(shí)別精度提升相對(duì)較低，主要原因可能是訓(xùn)練集中復(fù)合缺陷的實(shí)例數(shù)少于其他3 種缺陷，其中訓(xùn)練集中劃痕缺陷實(shí)例有1120 個(gè)，缺帽缺陷實(shí)例有643 個(gè)，凹裂缺陷實(shí)例有996個(gè)，復(fù)合缺陷實(shí)例有639個(gè)。

表4 對(duì)不同缺陷的mAP/%消融實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文方法的有效性，在相同的實(shí)驗(yàn)環(huán)境下，采用其他方法進(jìn)行西林瓶軋蓋缺陷檢測(cè)實(shí)驗(yàn)，表5 是實(shí)驗(yàn)結(jié)果，表中采用檢測(cè)精度mAP 作為評(píng)估指標(biāo)。文獻(xiàn)［8］提出在Faster R-CNN 網(wǎng)絡(luò)中增加特征金字塔網(wǎng)絡(luò)FPN，但檢測(cè)速較慢且漏檢率高。文獻(xiàn)［9］提出利用深度殘差結(jié)構(gòu)（DR）和自頂向下的多尺度特征融合（FM）的方法改進(jìn)SSD 網(wǎng)絡(luò)，但檢測(cè)慢的問(wèn)題仍需解決。根據(jù)工業(yè)檢測(cè)的實(shí)時(shí)性需求，一般要求FPS/（f/s）達(dá)到30 以上，分析實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)只有YOLO 系列算法的檢測(cè)速度能滿足實(shí)時(shí)性需求。文獻(xiàn)［10］提出在YOLOv5 模型的基礎(chǔ)上引入遷移訓(xùn)練，但檢測(cè)速度和檢測(cè)精度均低于文獻(xiàn)［13］提出的改進(jìn)YOLOv7 方法。本文方法雖然在檢測(cè)速度上稍低于文獻(xiàn)［13］，但在西林瓶軋蓋各類缺陷的檢測(cè)精度上有明顯優(yōu)勢(shì)，故本文方法是解決工業(yè)西林瓶軋蓋缺陷檢測(cè)問(wèn)題的較好的選擇。

表5 本文方法與其他方法進(jìn)行西林瓶軋蓋缺陷檢測(cè)的結(jié)果對(duì)比

4 結(jié)束語(yǔ)

本文構(gòu)建了一個(gè)用于訓(xùn)練西林瓶軋蓋缺陷檢測(cè)算法的數(shù)據(jù)集。該數(shù)據(jù)集有984 張?jiān)既毕輬D像，加上擴(kuò)充后的圖像共3220 張缺陷圖像，其中包括劃痕、缺帽、凹裂、復(fù)合缺陷4類常見缺陷。本文在YOLOv7算法基礎(chǔ)上引入CBAM 注意力模塊和ASFF自適應(yīng)特征融合機(jī)制，提高了網(wǎng)絡(luò)的特征提取能力，提升了算法的檢測(cè)性能。實(shí)驗(yàn)表明，改進(jìn)后的算法在西林瓶缺陷檢測(cè)中應(yīng)用效果較好，對(duì)無(wú)缺陷圖像的識(shí)別率為100%，對(duì)有缺陷圖像的mAP 達(dá)到99.3%，降低了漏檢率，使得檢測(cè)精度和檢測(cè)速率均符合工業(yè)生產(chǎn)線的檢測(cè)要求，為西林瓶工業(yè)生產(chǎn)檢測(cè)提供了新思路。