基于注意力机制的白酒瓶盖缺陷检测算法*

基于注意力机制的白酒瓶盖缺陷检测算法*

刘竟成1，徐宏翔2，武宸2，韩琦2，陈国荣2，蒙仑2，钱鑫2，吴克鹏2

（1. 泸州职业技术学院，四川 646000，

2. 重庆科技学院 智能技术与工程学院，重庆 401331）

摘  要：目前，国内酿酒产业量日趋规模化，单条酿酒线日产酒量可达上万瓶，但在生产环节中，往往会出现瓶盖破损、变形、打旋、断点等缺陷。传统人工检测方法，不可避免的会忽略瓶盖的细微缺陷。因此，急需提出一种对产品封装位置进行全方位的智能检测方法，来及时取出不合格的产品并进行二次封装以避免产生质量问题。为解决以上问题，本文提出一种基于注意力机制的白酒瓶盖缺陷检测算法。首先，本算法引入空间注意力（BAM）和通道注意力（CAM）方法，以感知瓶盖在生产中所出现的细微缺陷。其次，将BAM和CAM融入到YOLOv3中，使模型能够自适应增强缺陷特征表达能力。最后，设计了一种加权损失函数来综合考量中心坐标误差、宽高坐标误差、置信度误差和分类误差来加速模型的收敛。实验结果证明，本算法在细微缺陷检测中，性能优于YOLOv3并具有更快的收敛速度和检测速度。

关键词：白酒；瓶盖缺陷检测；YOLO；注意力机制

0 引言

白酒瓶盖缺陷检测是白酒质量控制中一项关键环节。目前，白酒瓶盖缺陷检测方法仍处于人工检测阶段，由于白酒瓶盖缺陷存在种类繁多、细微等特点，人工检测方式不但费时耗力，且在检测过程中由于劳动强度大、疲劳等因素易出现漏检、错检等问题。随着深度学习的发展，越来越多研究人员希望通过智能检测的方法来解决上述问题。2018年，宋洁提出了一种检测医用瓶盖内表面缺陷污渍检测方法，采用非接触式的机器视觉检测方式替代肉眼检测实现自动化且高精度的检测效果。2020年，易非凡通过Canny边缘检测的方法来获取PE瓶盖中存在的微小缺陷，将Canny算子作用于PE瓶盖缺陷检测，实现对PE瓶盖边缘微小缺陷较精准检测。2021年，张超提出一种基于像素点测量的瓶盖检测算法来判断瓶盖封装状态。

近些年来，随着计算机视觉的迅速发展，图像检测方向越来越受到研究人员的关注。为了解决图像检测识别领域难题，YOLO、CenterNet、CBNet，DetectoRs等网络被相继提出。其中，YOLO是使用广泛且发展迅速的一种图像检测网络。考虑YOLO相比于其他网络具有检测精度高和运行速度快等优点，本文选取YOLOv3作为白酒瓶盖缺陷检测的基础网络。

1 模型设计题

1.1模型架构

本论文提出改进的YOLOv3网络对白酒瓶盖缺陷进行检测。目前，相较于其他检测模型而言，YOLOv3由于检测性能优良且稳定性好而被广泛应用。然而在白酒瓶盖缺陷检测过程中，对于白酒瓶盖所具有的多种缺陷，如果仅仅只使用YOLO算法，在识别微小划痕或者其他不明显的缺陷时，检测结果会出现精度低、误检，漏检等问题。为了提高模型对不明显缺陷的检测性能，本文使用一种改进的YOLO算法，该算法基于YOLOv3和卷积块注意力模块(Convolutional Block Attention Module, CBAM)。使用CBAM注意力机制目的是迫使网络进一步聚集微小划痕或是瓶盖扭曲的语义信息及位置从而提高检测精度。

YOLOv3整体架构主要组成部分包括有Darknetconv2d_BN_Leaky(DBL)]和Res。其中，DBL由最基本的卷积操作、BatchNorm和Leaky ReLu组成。Res是通过不同个数的DBL组成。在YOLOv3中通过拼接的方式将中间层和后面的某一层的上采样进行拼接。通过上述方式，特征映射的维度发生改变。除此之外，本文在两个残差模块中加入一个单元数目为二的残差模块[9]。引入残差网络的目的是在加深网络深度的同时防止梯度消失和梯度爆炸。YOLOv3的输出共有九种尺寸的先验框，在网络的输出结果中，每一个网络输出都能够获得三个不同尺寸的先验框。

1.2 CBAM注意力机制

CBAM是一种简单且高效的卷积神经网络注意力模块，由通道注意力和空间注意力两部分组成的，具体结构如图2所示。在通道注意力中，为了增强特征通道的表达能力，CBAM对获取的特征图在空间域上分别进行最大池化和平均池化操作。最后，再使用全连接层得出最后的通道注意力特征映射。空间注意力模块则是基于通道分别对输入特征进行最大池化和平均池化，之后将得到的两个池化操作结果进行通道维度上的合并。进一步地，将合并后的高维特征映射进行降维，最后生成空间注意力特征图。输入特征映射在经过通道和空间两个维度的计算后，随后嵌入YOLOv3网络模型中。在实验中，本文提出的基于改进的YOLOv3对细微的瓶盖缺陷也可以达到良好的检测效果。

2实验设计与分析

本论文采用的实验数据集来自天池酒瓶瑕疵检测数据集，数据集样本个数为4516。所有数据集图片中共有5882处部位标注。标注缺陷种类共十类，分别是

瓶盖破损、瓶盖变形、瓶盖坏边、瓶盖打旋、瓶盖断点、标贴歪斜、标贴起皱、标贴气泡、喷码正常，喷码异常。

本文提出的模型采用端到端的方式进行训练，在模型训练过程中，本文对超参数进行了初始设置。在实验中，本文选择batch size的值为32，迭代次数epoch设置为100。在对权值优化过程中使用Adam优化器，learning rate设置为0.001。

为了验证提出改进的YOLOv3检测性能，本论文采用酒瓶瑕疵检测数据集进行两次不同的测试。具体地，首先使用YOLOv3模型对喷码正常、瓶盖打旋、喷码异常、标贴歪斜、瓶盖断点、瓶盖变形、瓶盖破损、瓶盖坏变、标贴气泡及标题起皱共计10种瑕疵进行检测并利用平均精度(mean Average Precision,)进行性能评估。其次，本论文使用YOLOv3及CBAM注意力机制改进的YOLO模型对上述10种瑕疵进行检测并利用平均精度(mean Average Precision,)进行性能评估，mAP如公式1.7所示。

(1.7)

其中，实验结果如表2所示。改进地YOLOv3算法测试结果如图3所示，从结果看来，改进的算法在识别不同瓶盖缺陷时有更好地效果，说明注意力机制在识别缺陷过程中，起到了关键辅助检测作用。

3.总结

随着国内酿酒产业量日趋规模化，单条酿酒线日产酒量日渐增高的情况下，人们也越来越关注白酒的生产模式以及生产质量。在白酒的生产过程中，由于白酒瓶盖缺陷存在种类繁多、细微等特点，人工检测方式不但费时耗力，且在检测过程中由于劳动强度大、疲劳等因素易出现漏检、错检等问题。因此，对产品封装位置进行全方位的智能检测尤为重要。

本文将常见的白酒瓶盖缺陷问题分成十个类别，通过选取性能优良的YOLOv3，并在此基础上进行进一步改进实现白酒瓶盖缺陷智能检测。针对白酒瓶盖在实际生产过程中可能出现的缺陷等情况，本文提出一种基于注意力机制的改进YOLOv3实现白酒瓶盖缺陷智能检测。实验证明在结合CABM注意力的情况下，本论文所提出方法对白酒瓶盖缺陷检测精度实现进一步提升。在下一步的工作中，我们将考虑采用性能更优良的网络在减少训练时间的情况下进一步提升瑕疵检测精度。

参考文献

[1] 宋洁. 基于机器视觉的医用瓶盖检测系统的设计与应用[D].中国科学院大学,2018.

[2] 易非凡.Canny边缘检测算子在PE瓶盖视觉检测中的应用分析[J].信息记录材料,2020,21(08):130-132.

[3] 张超,贺霖龄.基于像素点测量的瓶盖检测算法[J].现代盐化工,2021,48(03):183-184.

————————

*基金项目：泸州市科学技术和人才工作局，“面向白酒微小杂质检测的多尺度融合深度学习网络研究”（编号2021-JYJ-92）；重庆科技学院硕士研究生创新计划项目（YKJCX2120827，YKJCX2120821，YKJCX2120824，YKJCX2120805）；中国山西省奖学金委员会资助的研究项目，项目编号：2020-139。