在注塑齒輪生產(chǎn)過程中，由于溫度、注塑時間等因素影響，齒輪可能出現(xiàn)表面黑點、輪齒變形、輪齒缺失等缺陷。由于齒輪缺陷檢測過程往往十分復(fù)雜，檢測設(shè)備也較為昂貴，因此在實際生產(chǎn)中迫切需要對齒輪進行快速檢測和分析。傳統(tǒng)齒輪制造過程中的檢測方式以人工檢測為主，但是人工檢測不可避免地會出現(xiàn)錯檢、漏檢等問題。機器視覺檢測是一種非接觸式無損檢測，在高速、精細和重復(fù)的制造過程中更加可靠，與傳統(tǒng)的檢測方法相比，具有不可替代的優(yōu)越性。
陳碩等提出利用廣泛的 Canny 算子提取出待檢齒輪的輪廓，通過計算機求解出輪廓之間的距離，但該方法可能在提取輪廓時出現(xiàn)誤差且識別速度較低。郭冕等提出以模態(tài)分解模型將齒輪信號分解，并通過 BP 神經(jīng)網(wǎng)絡(luò)，實現(xiàn)微型塑料齒輪缺陷檢測，但該方法在齒輪信號除噪聲方面檢測識別精度低、魯棒性差。楊亞等采用 SURF 算法對于齒輪的特征進行匹配，獲取缺陷信息后采用 OSTU 算法對缺陷進行分割處理并分類，但是該方法不能很好的分類缺陷。JEON-GHYEON 等采用聲波頻率分析法，采用 CNN 模型進行分析缺陷，數(shù)據(jù)分析需要大量時間，導致檢測效率降低。仇嬌慧等提出一種改進的 YOLOv5 網(wǎng)絡(luò)模型，但該模型中的主干網(wǎng)絡(luò) C3 結(jié)構(gòu)以及添加的注意力機制結(jié)構(gòu)導致參數(shù)量上升、識別速度降低。
基于上述問題，本文提出一種改進的 YOLOv5s (即 VSD-YOLOv5s) 網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)模型使用輕量化 ShuffleNetv2 主干網(wǎng)絡(luò)，引入 SE 注意力機制及 DI-OU-NMS 方法，提升注塑齒輪缺陷檢測的識別精度與識別速度。
一、YOLOv5s 網(wǎng)絡(luò)模型結(jié)構(gòu)
YOLOv5 包含 4 個版本的目標檢測網(wǎng)絡(luò)模型，即 YOLOv5s、YOLOv5m、YOLOv51 和 YOLOv5x，模型的規(guī)模和訓練參數(shù)的數(shù)量在 4 個版本中依次增加，其中，YOLOv5s 網(wǎng)絡(luò)模型最快。考慮到缺陷檢測需要嚴格的實時性，本文以最簡單、最快的網(wǎng)絡(luò)模型 YOLOv5s 作為基準，來完成表面缺陷的在線檢測。YOLOv5s 的結(jié)構(gòu)由 4 部分組成，輸入端、Backbone 網(wǎng)絡(luò)、Neck 網(wǎng)絡(luò)、Prediction 輸出端，如圖 1 所示。輸入端采用自適應(yīng)圖像填充、自適應(yīng)錨框計算和 Mosaic 數(shù)據(jù)增強，以提升檢測的準確性; 在 Backbone 網(wǎng)絡(luò)中，使用了 Focus 模塊、C3 主干網(wǎng)絡(luò)模塊和卷積模塊。Focus 模塊主要用于切片操作，通過增加特征圖的維度來縮小特征圖的尺寸，同時保留圖像特征信息。C3 主干網(wǎng)絡(luò)模塊中的殘差結(jié)構(gòu)有效防止梯度消失，使得特征更加細致; Neck 網(wǎng)絡(luò)中主要包含 C3 網(wǎng)絡(luò)模塊、上采樣和下采樣過程，降低計算量，同時提高特征融合能力和信息保留度。Prediction 輸出端中使用 NMS 后處理方法篩選多個目標錨框，抑制無效信息，以提高識別準確性。
二、改進的 YOLOv5s 網(wǎng)絡(luò)模型
為了滿足注塑齒輪表面缺陷在線檢測的速度和識別精度要求，本文提出了一種 VSD-YOLOv5s 網(wǎng)絡(luò)模型，對 YOLOv5s 的結(jié)構(gòu)進行了修改，能夠檢測不規(guī)則和細小的齒輪缺陷。
將主干網(wǎng)絡(luò) C3 替換為 ShuffleNetV2
YOLOv5s 中主干網(wǎng)絡(luò) C3，如圖 2 所示，旨在更好地提取圖像的深層特征。C3 主要由 Bottleneck、Conv2d、BN + SiLU 激活函數(shù)組成，輸入通道分為兩個分支，通過兩個分支的卷積運算，將特征映射中的通道數(shù)減半。然后特征映射通過第二分支中的 Conv2d 層、BN 層和瓶頸層，并利用 Concat 層對兩個分支進行深度融合。最后，通過連續(xù)穿過 Conv2d 層和 BN 層生成模塊的輸出特征映射，特征映射的大小與主干網(wǎng)絡(luò) C3 的輸入大小相同。
YOLOv5s 主干特征提取網(wǎng)絡(luò)采用 C3 網(wǎng)絡(luò)結(jié)構(gòu)，帶來較大的參數(shù)量，識別速度較慢，應(yīng)用受限。因此本文將主干特征提取網(wǎng)絡(luò)替換為更輕量的 ShuffleNetV2 網(wǎng)絡(luò)結(jié)構(gòu)，以實現(xiàn)網(wǎng)絡(luò)模型的輕量化，提升識別速度和識別精度。
如圖 3 所示，本文使用先進的 ShuffleNetv2 單元，其中 Channel Split 操作將通道數(shù)平均分成兩部分，代替了原有的分組卷積結(jié)構(gòu)。每個分支中的卷積層輸入、輸出通道數(shù)均相同，其中一個分支不進行任何操作以減少基本單元數(shù)。針對 ShuffleNetv2 中單元塊的下采樣，不再采用 Channel Split，通過在每個分支中添加stride = 2 代替原有的 Channel Split 模塊以提高模型容量及檢測效率。最后使用 Concat、Channle Shuffle 代替原有的 Add、Re-LU 模塊以增加模型通道之間的信息交流。綜合上述改動，特征圖空間大小將減半，且使模型具有較高的模型容量和檢測效率，減小了模型的計算復(fù)雜度，降低了模型的內(nèi)存占用率，極大地提高了模型的計算效率。
引入 SE 注意力機制模塊
注意力機制是指重點關(guān)注檢測部分而忽略無關(guān)要素，SE 注意力機制模塊，如圖 4 所示。首先，對特征映射進行壓縮操作以獲得通道的全局特征; 然后，對全局特征進行激勵操作，以學習通道之間的關(guān)系，并獲取不同通道的權(quán)重; 最后，對原始特征映射進行乘法操作，得到最終的特征。這個機制有助于模型更加注重信息量最大的通道特征，同時抑制那些不重要的通道特征。
本文通過引入 SE 注意力機制模塊，以建立卷積特征通道之間的相互依賴性來提高網(wǎng)絡(luò)的表示能力。首先，輸入特征圖 X，讓其經(jīng)過 Ftr操作生成特征圖 U; 然后，進行 Squeeze 操作、Excitation 操作，Scale 操作。Squeeze 操作是一種壓縮操作，它將輸入圖像 的高度 H 和寬度 W 都壓縮為 1，但通道數(shù)不變的矩陣。通常使用全局平均“池化”操作來實現(xiàn)，以確保最終特征包含輸入圖像的所有信息。Excitation 操作對通過 Squeeze 操作生成的 1 × 1 × C 特征圖進行維度降低和恢復(fù)操作，使用全連接層獲取不同通道的權(quán)重，自動關(guān)注具有最高權(quán)重的通道。Scale 操作是一種簡單的加權(quán)運算操作，它將 Excitation 操作生成的特征圖與輸入特征圖通過 Sigmoid 激活函數(shù)進行 Channel 運算，得到輸出值。
將 NMS 改進為 DIOU-NMS
在 YOLOv5s 原有的 NMS 中，使用 IOU 度量來抑制冗余檢測框，IOU 的全稱為交并比，即表示為預(yù)測邊框 A(Prediction box) 和真實邊框 B(Ground truth box) 的交集和并集的比值。IOU 的計算公式為:
但 IOU 度量法并未將兩個框之間的中心點距離考慮在抑制標準之內(nèi)，此時模型檢測到的遺漏框和錯誤框的數(shù)量將會增加。考慮到以上情況，為提高模型檢測的準確性，本文使用 DIOU-NMS 方法，其計算函數(shù)方程可以定義為:
式中: Si 表示第 i 個檢測框?qū)?yīng)的置信度得分，RDIOU ( M，bi ) 表示基于 DIOU 的檢測框交叉比，M 表示置信度得分最高的檢測框，bi 表示剩余檢測框集合中的第 i 個檢測框，Nt 表示設(shè)定的閾值。本文 DIOU 損失函數(shù)的懲罰項可以定義為:
如圖 5 所示，c 是覆蓋兩個錨框的最小封閉框的對角線長度，d = ρ 2 ( b，bgt ) 是兩個錨框的中心點的距離。其中 b 和 bgt分別表示和的中心點，ρ 為歐氏距離，c 為覆蓋兩個框的最小包圍框的對角線長度。DIOU 損失函數(shù)可以定義為:
以此來看，DIOU 損失函數(shù)不是按外接矩形和并集面積的差值，而是同時最小化外接矩形的面積和兩框中心點的距離，這會使得網(wǎng)絡(luò)更傾向于移動邊界框的位置來減少損失函數(shù)。因此，考慮到影響邊界框檢測的 3 個幾何因素，即重疊區(qū)域、中心點距離和縱橫比，并在此基礎(chǔ)上將 DIOU-NMS 方法添加到本文的模型中，從而加快了模型的收斂速度，提高了模型的性能。
三、結(jié)果與分析
實驗環(huán)境: 在該實驗中使用的計算機中央處理單元(CPU 型號) 是 Intel(R) Core(TM) i7-12700F CPU@ 2.10 GHz，并且運行存儲器是 16 GB。圖形處理器 (GPU 型號) 為 NVIDIA GeForce RTX 1080 獨立顯卡，顯存為 8 GB。采用 64 位 Windows 10 操作系統(tǒng)作為軟件環(huán)境，PyCharm 作為開發(fā)平臺，PyTorch 作為深度學習框架，Python 作為編程語言，CUDA 11.3 版本并行計算框架作為開發(fā)平臺，如圖 7 所示。
實驗數(shù)據(jù)集共包含 2000 張分辨率為 640 × 640 的圖片，按照 8∶ 2 的比例劃分為數(shù)據(jù)集和驗證集。在訓練過程中，設(shè)置每批次訓練 16 張圖片，初始學習率為 0.003，IOU 閾值為 0.5，針對所有參照模型均按照這些參數(shù)訓練 300 個 Epoch。
數(shù)據(jù)集預(yù)處理: 采用自制的齒輪缺陷數(shù)據(jù)集，其中主要包括輪齒變形、輪齒缺失、表面黑點3 種情況，如圖 8 所示。運用 VSD-YOLOv5s 模型進行缺陷檢測，采用 Mosaic 增強方法和自適應(yīng)錨框方法對于數(shù)據(jù)集進行前期處理。
本文 VSD-YOLOv5s 模型的模型評估指標主要包括準確率(P) 、召回率(R) ，平均識別精度(MAP) 、識別速度(FPS) 。
式中: TP 表示正確識別齒輪缺陷，F(xiàn)P 表示對齒輪缺陷識別的錯誤分類，F(xiàn)N 表示不明齒輪缺陷，C 表示齒輪缺陷對象類別的數(shù)量，k 表示 IOU 閾值，N 表示閾值的 IOU 數(shù)量，P(k) 表示識別精度，R(k) 表示召回率。
如圖 9 所示，為了對 VSD-YOLOv5s 模型的檢測性能進行全面評估，本文采用 YOLOv5s 和 VSD-YOLOv5s 作為縱向比較模型、采用經(jīng)典的目標檢測模型 Fast- RCNN 作為橫向比較模型，設(shè)置相同的實驗參數(shù)，上述模型的檢測效果表 1 所示。
由表1 的實驗結(jié)果可知，VSD-YOLOv5s 的 MAP 達到 94.1%，準確率達到 95.1%，相較于另外 3 種模型有所提升，對各類表面缺陷具有良好的檢測效果，識別速度相較于 YOLOv5s，F(xiàn)PS 提高5 fps。因此，與 YOLOv5s，F(xiàn)ast-RC-NN 兩種模型相比，VSD-YOLOv5s 模型具有優(yōu)越的檢測性能，取得了最佳的檢測效果，能夠滿足在線缺陷檢測系統(tǒng)的較高識別精度需求。
本文將3 種模型在測試過程中產(chǎn)生的準確率以及召回率記錄并繪制 P-R 曲線圖，如圖 10 所示，通過 P-R 曲線我們可以看到 VSD-YOLOv5s 模型的性能優(yōu)于 Fast-RCNN 和 YOLOv5s。
為了驗證不同改進方法對 YOLOv5s 模型性能的影響，本文對多種改進方法進行了比較與討論，如表 2 所示。“√”表明網(wǎng)絡(luò)模型中加入此模塊，而“× ”表明網(wǎng)絡(luò)模型中沒有加入此模塊。原 YOLOv5s 模型的大小是 14.58 MB，F(xiàn)PS 為 70 fps。使用 ShuffleNetV2 模塊的輕量級 ShuffleNetV2-YOLOv5s 模型的大小減少到 7. 95 MB，F(xiàn)PS 提升到74 fps。結(jié)果表明，當在模型中加入 ShuffleNetV2 時，可達到模型輕量化的效果并提升識別速度; 單獨使用 SE 模塊時，YOLOv5s 模型的 MAP 從 91.2% 增加到 92.1% 。ShuffleNetV2-YOLOv5s 模型的 MAP 從 91.80% 增加到93.8% 。當SE 注意力機制、DIOU-NMS 以及 ShuffleNetV2 同時應(yīng)用時，相比于原模型，VSD-YOLOv5s 模型的識別準確率提升了 0. 9% ，識別精度提升了 1.7% ，識別速度提升了 5 fps， 模型的性能得到了全面改善，達到最優(yōu)。
四、結(jié)論
針對注塑齒輪缺陷檢測存在的問題，提出一種 VSD-YOLOv5s 的齒輪缺陷檢測輕量化網(wǎng)絡(luò)模型結(jié)構(gòu)，在改進后的模型架構(gòu)中，使用了輕量級的 ShuffleNetV2 模塊，為了準確識別注塑齒輪缺陷的不同種類，在模型中引入 SE 注意力機制，將 NMS 改進為 DIOU-NMS 方法加速模型的收斂，在不同測試集進行測試驗證 VSD-YOLOv5s 網(wǎng)絡(luò)模型的可行性，實驗結(jié)果表明，模型滿足在線檢測系統(tǒng)對高實時性、低漏檢率和低誤檢率的要求，結(jié)構(gòu)更簡化，復(fù)雜度更低，檢測識別精度更高。未來在模型的實際應(yīng)用中，將建立缺陷樣本庫，并及時收集和完善樣本庫，提升檢測效果。
參考文獻略.