【www.zhangdahai.com--其他范文】
沈飞翔，陈成军，王金磊，李东年，代成刚
（青岛理工大学机械与汽车工程学院，山东青岛，266520）
烟包中的杂质、霉变等异物影响着烟支的质量和口感，因此有效剔除烟包中的异物，成为烟企进行质量控制的关键环节之一。基于机器视觉的异物检测技术已成功用于棉花异纤检测[1]、水果缺陷分类[2]、印刷电路板表面缺陷检测[3]和金属表面缺陷检测[4]等。本研究拟将机器学习技术应用于基于机器视觉的烟包切层断面异物检测中，以识别切层断面中的杂质、霉变等异物，实现烟包切层断面质量的监测。
研究者将目标检测应用到异物检测中。基于目标检测网络的异物检测主要分为两类：以基于区域建议网络Faster R-CNN[5]为代表的二阶段异物检测算法和以YOLO[6]和SSD[7]为代表的一阶段异物检测算法。郁岩[8]等采用Faster R-CNN定位微型扁平电机表面焊点的异常，在扁平电机焊点缺陷数据集上取得了91.89%的分类检测精确率。桂久琪[9]等通过改进的YOLO V4算法，提高了算法对锂电池表面缺陷的识别和定位能力。基于目标检测的异物检测算法可以获取异物的精确位置和类别信息，不需要对数据进行像素级标注，因此具有很好的应用前景。
本研究拟采用基于目标检测的异物检测算法。对比了主流目标检测网络（Faster R-CNN、YOLO v3-SPP、YOLO v5）在烟包切层断面数据集上的性能。对比发现YOLO v5获得了相对最佳的表现性能，但是YOLO v5对小目标异物的漏检率、误检率高。
为了解决YOLO v5对小目标异物大量漏检误检的问题，本研究提出一种烟包切层断面异物检测网络YOLO v5-MFF（Multi Feature extraction and multi-stage parallel Fusion based on You Only Look Once version Five，YOLO v5-MFF），本文的创新性工作主要体现在以下两个方面：提出了多特征提取网络、多阶段并行融合机制，增强了小目标异物的特征提取能力；
引入ACON类激活函数，使模型能够根据数据动态选择激活与否及激活函数的表达形式，强化了网络对数据的表达能力。
根据烟包切层断面异物检测具有异物样本少、小目标异物占比大等特点，本研究提出如图1所示，YOLO v5-MFF网络。该网络使用特征提取模块和多尺度特征融合模块对所输入的异物图像进行特征提取和特征融合，然后使用检测模块对异物进行定位和分类。为了提高小目标异物的检测能力，特征提取模块采用多特征提取网络、多阶段并行融合机制和ACON类激活函数，以增强特征提取能力。
图1 网络的整体结构图
1.1 多特征提取网络、多阶段并行融合机制
为了提高网络对于小目标异物的召回率和检测的精准率，YOLO v5-MFF将不同深度的特征提取网络进行多阶段并行融合。YOLO v5-MFF的特征提取网络由主干特征提取网络和辅助主干特征提取网络多阶段并行融合而成。
如图2所示，YOLO v5-MFF的特征提取网络被划分为五个阶段。每个阶段均将主干特征提取网络和辅助主干特征提取网络提取的特征图融合，以实现特征的互补。具体操作流程如下：首先，将待检测图像输入到特征提取模块，传入的数据被分别输送给Main-Block1和Add-Block1模块。两个模块独自进行特征提取，生成各自模块对应的特征图。通过将两个模块生成的特征图以add方式进行融合，实现两个网络之间的第一阶段信息交互，增加特征的多样性。其次，将融合而成的特征图，分别传给Main-Block2和Add-Block2继续进行卷积。当Main-Block2和Add-Block2计算完成生成特征图后，即完成第二阶段的特征融合。按照上面的方法，依次完成第三及第四阶段的特征融合。最后，把第四阶段融合成的特征图传给Main-Block5。在Main-Block5模块内完成卷积操作运算后，即生成特征提取模块最终的特征图。
图2 多特征提取网络、多阶段并行融合机制
1.2 ACON类激活函数
深度学习神经网络可通过激活函数实现模型的非线性化，提高模型的表达能力。现在主流检测算法所使用的ReLU、PReLU、Swish等激活函数均采用固定的数学表达形式，这种固定的数学表达会给算法检测能力的提升带来不利影响。本网络引入ACON类激活函数，让数据来决定激活函数的表达形式，进而提高网络对特征的表达能力。
ACON类激活函数的定义如下:
如图3所示，ACON类激活函数通过训练参数p1( x)和p 2 (x)来调整激活函数的表达形式。通过不同的p1( x)和p 2 (x)可以组合上文提到的三种激活函数，生成更加复杂形式的激活函数，提高网络模型对数据的表达能力；
通过训练参数β来控制是否激活神经元（β为0，即不激活），让模型可以在非线性（激活）和线性（不激活）之间进行切换。总体来说，ACON类激活函数控制网络使用不同的激活形式，增强了网络的特征表达能力。
图3 通过参数p1( x)、p 2 (x)、β以调整激活形式
2.1 烟包切层霉斑和杂质检测平台
为验证本研究提出的相关方法，实现烟包缺陷智能检测，课题组在某卷烟厂搭建了切片机烟包切层异物检测平台。检测平台主要由传送带、工业相机、光源、切割台组成。平台可以采集图像，检测出烟包切层中霉变和杂质的类别以及位置信息，通过与下位机的数据传递、进而指导烟包切割设置的加工作业。下图4所示的是检测平台采集数据并进行检测的环节。
图4 烟包切层霉变和杂质检测平台
2.2 烟包切层断面异物数据集PSDDS
本文使用烟包切层霉变和杂质检测平台所采集的图像构建了烟包切层断面异物数据集(Packet Slicing Defect Data Set，PSDDS)。异物包括 ：纸张、麻绳、铁块、煤烟等。经过图像融合后，共生成了4118张包含异物图片，其中共有4494个异物目标。如表1所示。
表1 PSDDS数据集类别分布表
3.1 实验平台搭建及参数设置
实验运行的系统环境为Ubantu18.04；
深度学习框架为Pytorch；
CPU为两颗12核2.2GHz E5-2650V4的处理器；
内存为 128G；
GPU为 4块12G显存NVIDIA TITANXP。利用GUDA10.2和cuDNN V7.6.5,来实现GPU加速运算。PSDDS数据集中的图片尺寸为320×320，epoch设置为 300，batch-Size根据模型的显存占用情况进行调节。
3.2 评价指标
模型以精准率 P（Precision）、召回率 R（Recall）和平均分类精准率mAP(mean Average Precision)作为网络模型的评价指标。P、R、mAP的计算公式如下所示：
式中，TP为被正确预测的正例数目，FP为被错误预测为正例的负例数目，FN为错误预测为负例的正例数目，N为检测的类别数，AP为各类比的检测精度
3.3 PSDDS试验结果与分析
3.3.1 消融实验
消融实验的重点是研究YOLO v5-MFF网络各模块的具体效果，结合三项创新性工作利用PSDDS数据集，进行了五个实验。实验一（E1）是YOLO v5L在PSDDS上的检测结果。实验二 (E2) 是 YOLO v5L+特征提取网络（CspdarkNet53+ResNet34）,在PSDDS上的检测结果。实验三(E3)是YOLO v5L+特征提取网络（Cspdarknet53+ ResNet34）+ACON类激活函数，在PSDDS上的检测结果。各实验的结果展示在表2中。
表2 各实验的检测结果
为了探究多特征提取网络、多阶段并行融合机制对检测能力的影响，本研究进行实验E1、E2的对比。分析实验结果可以发现使用多特征图提取网络、多阶段并行融合机制使网络的精准率提高了2.2%、召回率提高了2.5%、平均分类精准率提高1.5%。这充分说明了多特征提取网络、多阶段并行融合机制能够提高YOLO v5-MFF网络对小目标异物的检测能力。
为了探究使用ACON类激活函数增强网络表达能力的有效性，本研究进行实验E2、E3的对比。使用ACON类激活函数使算法的召回率提高了2.1%，平均分类精准率提高了0.4%。这表明使用ACON 激活函数，让数据决定激活函数的形式和激活与否，能够有效提高YOLO v5-MFF网络对烟包切层断面异物的检测精度。
使用多特征提取网络、多阶段并行融合机制、ACON类激活函数均会增加网络的推理时间，但受益于YOLO v5的快速推理能力，网络仍拥有较快的推理速度,处理单张图片最长时间为21.6ms。
3.3.2 YOLO v5-MFF与主流网络对比
为了验证网络综合的检测性能，对比了YOLO v5L、YOLO v5X、YOLO v3-SPP、Faster R-CNN 与 YOLO v5-MFF(YOLO v5L+特征提取网络(CspdarkNet53+ ResNet34)+ACON类激活函数+K-Means++)。实验结果如表3所示。
表3 不同网络的检测结果
对比YOLO v5L与YOLO v5-MFF的检测结果，YOLO v5-MFF的检测效果优于YOLO v5网络，这充分说明采用多特征提取网络、多阶段并行融合机制是可行的、普适的。YOLO v5-MFF网络检测召回率的大幅度提升，说明网络能够较好地检测出烟包切层断面中的小目标异物。由于模型复杂度的增加，造成了推理速度的降低，但YOLO v5-MFF预测单张图片仍只需21.6ms。
同时 YOLO v5-MFF 相较于 YOLO v3-SPP、Faster R-CNN，在精准率、召回率、平均分类精准率上都获得了明显的提升。这是YOLO v5-MFF的多特征提取、多阶段并行融合机制、ACON类激活函数共同作用的效果。综合来看，YOLO v5-MFF算法具有最优的检测精度，提高了对烟包切层断面中小目标异物的检测能力。
本研究提出一种烟包切层断面异物检测网络YOLO v5-MFF，提出了多特征提取网络、多阶段并行融合机制，使网络提取更多小目标异物的特征，提高了网络的检测能力。其次，引入ACON类激活函数，让数据来决定网络是否需要激活函数及激活函数的形式，同时构建了烟包切层断面异物数据集PSDDS。利用YOLO v5-MFF在PSDDS数据集上进行测试，其平均分类精确度达到了95.8%、精准率达到94.3%、召回率达到94.2%，相较于 YOLO v5分别提高了 1.9%、2.2%和 4.6%。同时YOLO v5-MFF对于烟包切层断面异物的检测效果也优于Faster R-CNN、YOLO v3-SPP等检测算法，适用于烟包切层断面异物检测。
猜你喜欢 烟包异物特征提取 食管异物不可掉以轻心中老年保健(2021年9期)2021-08-24自制异物抓捕器与传统异物抓捕器在模拟人血管内异物抓取的试验对比昆明医科大学学报(2020年12期)2021-01-26KEY G6型异物剔除机轴承损坏频次过高的分析及改进装备制造技术(2020年4期)2020-12-25烟包印刷纸盒粘连问题分析及应对策略印刷工业(2020年5期)2020-03-29霉变原料烟包信息追溯系统的设计与应用设备管理与维修(2019年17期)2019-10-26霉变原料烟包信息追溯系统的设计与应用设备管理与维修(2019年9期)2019-09-12基于Gazebo仿真环境的ORB特征提取与比对的研究电子制作(2019年15期)2019-08-27牛食道异物阻塞急救治疗方法兽医导刊(2019年1期)2019-02-21基于Daubechies(dbN)的飞行器音频特征提取电子制作(2018年19期)2018-11-14Bagging RCSP脑电特征提取算法自动化学报(2017年11期)2017-04-04本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0821/642808.html
