遵义医科大学 陈锦秋 左安康

“爆珠”是指嵌在卷烟过滤嘴内的一颗液体小胶珠，它包裹了不同类型香料的液体，如果吸烟者在吸烟过程中将其捏爆，珠内液体流出，将会使得香烟的口感更丰富、香润。在卷烟爆珠的生产过程中，由于设备和工艺的影响，可能会生产出有着气泡、连体、带帽、过大过小等缺陷的不良品。为使得卷烟爆珠满足质量要求，需要进行缺陷检测，挑选出质量不合格的爆珠，缺陷检测是卷烟爆珠制造过程中一个必不可少的环节。

针对卷烟爆珠的“气泡”缺陷，本文利用爆珠工业生产过程中采集的爆珠图像数据集，构建基于YOLOv3 Tiny算法的缺陷检测模型，用于卷烟爆珠生产过程中的气泡缺陷检测。

1 卷烟爆珠缺陷检测系统

实现卷烟爆珠缺陷检测需要建立一套计算机视觉处理系统，系统由吸附杆、工业相机、图像处理单元以及电控系统组成。具体的实现流程为：首先将爆珠吸附于吸附杆上，然后由工业相机对吸附杆上的爆珠进行拍照，并将拍到的照片传输到图像处理单元，图像处理单元对爆珠照片进行分析，识别出不符合常规形状、颜色、大小的不良品，最后将信号传递给电控系统，通过高速脉冲电磁阀剔除不合格产品。图像处理单元是缺陷检测系统的核心，缺陷检测算法的识别率影响着最后分拣效果的好坏。

2 缺陷检测算法

2.1 算法的选择

传统的人工缺陷检测方法存在效率低、成本高、主观性强等缺点，并且容易出现误检、漏检等情况。将图像处理、模式识别等机器视觉技术应用到工业产品的缺陷检测上，是工业自动化的趋势。相比于传统的机器视觉方法，深度学习可以减少手动提取特征对识别精确度的影响，具有检测速度快、精确度高等特点，现已逐渐被应用于工业品缺陷检测。

深度学习中用于目标检测的算法大致可分为两类：一类是基于候选区域的目标检测算法，如R-CNN、Fast R-CNN、Faster R-CNN等；另一类是基于回归的目标检测算法，如SSD、YOLO等。基于候选区域的目标检测算法由区域提取和目标分类两步构成，首先需要将输入图像分割为多个候选区域，然后分别将每个候选区域送入神经网络进行分类，这种方法虽然检测精度较高，但是存在训练步骤复杂，检测速度较慢等问题。基于回归的目标检测算法去掉了产生候选区域这一步骤，将物体定位和目标分类问题转化为回归问题，将两个步骤合二为一，实现了端到端的训练，简化了训练过程，大大提高了检测速度。为了快速精准地分拣出带有“气泡”缺陷的爆珠，本文选择YOLOv3 Tiny算法来构建气泡缺陷检测模型。

2.2 YOLOv3 Tiny算法

YOLOv3 Tiny算法的模型主要由13层卷积层和6层最大池化层构成，采用的归一化方法为Batch Normalization，激活函数为LReLU函数。模型的网络结构如图1所示。

图1 YOLOv3 Tiny网络结构

在YOLOv3 Tiny的网络结构图中，Conv表示卷积层，Pool表示池化操作层，Upsample表示上采样操作，Concat表示张量拼接操作。上采样操作会扩大特征图的尺寸，张量拼接操作是在特征图的通道维度上进行连接。YOLOv3 Tiny模型利用2种不同尺寸的特征图进行目标检测，分别对输入图像的32倍降采样特征图和16倍降采样特征图进行目标检测。

3 气泡缺陷检测模型构建

3.1 实验数据

本实验的数据来源于某烟草企业，卷烟爆珠的直径在2mm-5mm范围内，通过工业相机对爆珠进行拍照，采集到100张爆珠图像，图像的分辨率为1600×1200，为减少模型的计算量，将原始数据分割为416×416的图像块作为实验数据，并使数据量由100张扩充到200张。

爆珠图像中包括了正常和缺陷两类爆珠，本实验构建的模型只针对爆珠的“气泡”缺陷。如图2所示，一个吸附杆上有5个爆珠，用红框标注的爆珠为有“气泡”缺陷的样本，其余的爆珠为正常样本。

图2 样本数据(一)

每张样本图像中都有5个爆珠，图像中的爆珠存在着两种情况：

（1）图像中没有缺陷爆珠，如图3所示，图像中的爆珠全为正常爆珠。

图3 样本数据(二)

（2）图像中有一个或多个缺陷爆珠，如图4所示，5个爆珠中有4个爆珠为“气泡”缺陷。

图4 样本数据(三)

通过观察发现，“气泡”缺陷爆珠有明显的纹理特征，在视觉上表现为黑色的“圆圈”，根据这一特征，我们利用标注工具LabelImg，对图像数据进行人工标注，以“defect”代表缺陷爆珠，实验数据集有200张图像数据，共标注了303个缺陷目标。

我们按照7:3的比例将实验数据集划分为训练集和测试集。训练集和测试集中正常爆珠和缺陷爆珠的数量如表1所示，训练集中包含140张图像数据，共有480个正常爆珠和220个缺陷爆珠；测试集中包含60张图像数据，共有217个正常爆珠和83个缺陷爆珠。

表1 正常爆珠和缺陷爆珠的数量

3.2 模型训练

本文基于Tensorflow框架训练YOLOv3 Tiny模型，具体的实验环境为：Cuda9.0加速，Nvidia GeForce GTX 1660Ti显卡，显卡内存为6G，CPU内存为16G，操作系统为CentOS7。

实验中的超参数设置如表2所示，根据模型的参数量和实验平台硬件资源情况，将批次大小设置为6；基于模型训练的调参经验，将学习率设置为0.001，训练迭代次数设置为100。

表2 超参数

模型在训练100次后，损失趋于平稳，本实验用模型训练100次时的权重进行目标检测。

将测试数据集的图像输入模型，模型在图像中画出预测框，并预测出目标类别和类别的置信度。将如图5所示的样本数据输入模型进行检测，得到的检测结果如图6所示。模型在输入样本中检测出3个有“气泡”缺陷的目标，在图像上分别用3个预测框标注，“气泡”缺陷目标的置信度分别为0.9、0.99、1。

图5 输入样本

图6 检测结果

3.3 模型性能评估

为了评估模型的检测性能，我们选取准确率（Accuracy）、精确率（Precision）、误检率（FPR）、漏检率（FNR）以及平均检测时间（Time）作为评价指标，计算公式如(1)-(5)所示。

其中，TP表示测试样本中被模型正确检测出的缺陷爆珠个数，FN表示测试样本中没有被检测出的缺陷爆珠个数，FP表示测试样本中被误检出的缺陷爆珠个数，TN表示测试样本中没有被误检成缺陷爆珠的正常爆珠个数。分别表示模型在第k个样本上开始检测和结束检测的时间，n表示样本数量。

本实验中，我们将置信度的阈值设为0.7，即当预测框的置信度超过0.7则为正确识别，不高于0.7则为错误识别。在测试数据集上进行试验，模型的检测结果如表3所示。

表3 模型检测结果

根据公式(1)-(5)得出模型的性能评估，如表4所示。

表4 模型性能评估

模型的准确率为97.36%，精确率为94.94%，误检率为1.79%，漏检率为5.06%，平均检测时间为45.31ms。从模型性能评估结果中可以看出，对于检测卷烟爆珠“气泡”缺陷，模型的准确率和精确率较高，误检率和漏检率较低，并且平均检测时间较少，达到了预期的检测效果。