YOLOv4-tiny算法的融合模块在卷烟小包外观缺失检测中的应用.docx

? ? YOLOv4-tiny算法的融合模块在卷烟小包外观缺失检测中的应用 ? ? 杨超，李佳田*，张泽龙，陆大进，张兴忆，杨树青 YOLOv4-tiny算法的融合模块在卷烟小包外观缺失检测中的应用 杨超1，李佳田1*，张泽龙1，陆大进1，张兴忆1，杨树青2 1昆明理工大学国土资源工程学院，昆明 650093；2云南远足科技有限公司，昆明 650093 卷烟烟包外包装图案缺失检测是卷烟生产中的重要环节，目前常用的图案缺失检测方法普遍存在漏检率高、识别精度不够和速度慢等问题。因此本文提出了一种基于YOLOv4-tiny的烟包缺陷快速检测方法。该方法主要包括：（1）使用CSPDarknet53-tiny对图像特征进行提取。（2）通过添加多空间空洞卷积融合模块，获得丰富的上下文信息，增强感受野，从而提高模型的检测精度。（3）使用EIoU边框位置回归损失函数，提高烟盒图案识别预测框的精确率。本文方法与YOLOv4-tiny进行对比，实验结果表明，本文算法mAP值为97.35%，检测烟包外观的平均时间为17 ms，能够满足卷烟小包外观检测对时间和精确率的要求。相较于YOLOv4-tiny在mAP上提升了1.34%，在Average IoU上提升了3.68%，速度基本与YOLOv4-tiny持平，在保持快速检测的同时能够有效的提高精度。 YOLOv4-tiny；EIoU；图案检测；多空间空洞卷积融合模块 卷烟小包外观检测是烟包质检的关键环节，包装外观的质量问题会损害到企业的品牌形象和信誉，尤其是缺少“吸烟有害健康”等警示语[1]。减少有问题的烟包产品进入市场，是企业质量把控的重要一环。企业要求高端卷烟小包的外观缺陷率应≤1.50[2]。目前用于检测卷烟小包外观缺失的方法主要是模板匹配算法。模板匹配算法预先选好需要匹配的模板图像，在待检测图像上与模板图像进行匹配，确定相似度最大的位置，这种方法精度高，但是速度较慢。曾文艳 等[3]在模板匹配算法上进行了改进，减少相关系数的计算量，并利用OpenCV进行算法实现，提升了检测速度；孙海才等[4]提出了一种基于相关系数法的改进图像匹配算法，减少了检测时间。上述文献的模板匹配算法主要是通过滑窗的方式确定位置，每次滑窗要计算模板与样本图像的相关值，尺寸越大的样本图像或尺寸越小的目标图像，计算时间越长，并且伴随需要检测的目标增多，检测时间也会成倍增加。深度学习的目标检测方法为烟包图案缺失检测提供了新的途经。深度学习常用的目标检测方法主要分为two-stage检测算法和one-stage算法。two-stage检测算法先生成预选区域（region proposals），然后对候选区域进行分类，如RCNN[5]，Fast-RCNN[6]和Faster-RCNN[7]等。one-stage检测算法则不需要生成预选区域，直接确定目标的置信度和位置信息，主要代表有SSD[8]和YOLO[9]。考虑到时间成本和空间成本，one-stage类目标检测器大多数情况能够做到相同精度下用时更少。在目前工业目标检测中，轻量化的YOLOv3[10]和YOLOv4[11]被广泛使用，薛俊韬等[12]将YOLOv3的主干网络替换为MobileNet[13]，有效改善深度网络模型庞大以及计算复杂的问题，但是速度较慢。鞠默然等[14]人利用注意力机制来融合不同尺度的特征，对每个通道的特征进行权重分配，来学习不同通道间特征的相关性，具有更高的精度。武星等[15]设计了一种同构残差块串联的特征提取网络结构，简化特征图尺度，采用深度可分离卷积替换普通卷积。曹远杰等[16]采用GhostNet所构建的残差结构，降低了网路的参数量和计算量，加快了推理速度。上述方法都取得了不错的效果，为YOLOv4应用于小包图案检测提供了依据和参考，但以上算法的模型复杂，参数量大，在本文烟包外观图案缺失检测计算上算力过剩，仍有改进的空间。 当前烟包外观瑕疵检测中，存在着以下困难：①被检测物体由于受到光照等外部条件的影响，会使图像像素偏离真实值，从而产生误差，鲁棒性不强[3]；②现有目标检测算法在检测速度方面还不能完全满足在工业流水线上检测的要求[17]；③在数据集较少的情况下，现有算法对检测物体的定位还存在偏差。为此本文提出一种烟包外观图案缺失检测算法YOLOv4- Case。首先，使用CSPDarknet53-tiny作为算法的主干网络对样本进行特征提取；其次，添加多空间空洞卷积融合模块，对不同分辨率的特征图采样，获得更加丰富的语义信息和位置信息，增加感受野；最后，使用EIoU Loss作为损失函数，提高目标定位的精确率。该方法在不损失精度的条件下，提升了检测速度。 1 YOLOv4-Case算法设计 1.1 YOLOv4-tiny网络 为了提升检测的