CN113112456A - 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法 - Google Patents

一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法 Download PDF

Info

Publication number
CN113112456A
CN113112456A CN202110317484.2A CN202110317484A CN113112456A CN 113112456 A CN113112456 A CN 113112456A CN 202110317484 A CN202110317484 A CN 202110317484A CN 113112456 A CN113112456 A CN 113112456A
Authority
CN
China
Prior art keywords
network
feature extraction
convolution
output
extraction network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110317484.2A
Other languages
English (en)
Other versions
CN113112456B (zh
Inventor
张昌凡
孟德志
王燕囡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202110317484.2A priority Critical patent/CN113112456B/zh
Publication of CN113112456A publication Critical patent/CN113112456A/zh
Application granted granted Critical
Publication of CN113112456B publication Critical patent/CN113112456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法。该方法首先通过参数重构并结构设计的MobileNetV3主干特征提取网络对输入样本进行轻量级特征提取；其次对增强特征提取网络进行深度可分离卷积结构设计以降低参数计算量；然后根据精度需求，创新了全路径聚合网络并引入通道注意力机制以提升增强特征提取网络对于目标特征的靶向表达；最后将设计的轻量化网络进行模型训练和精度测试，并对比了其它目标检测算法的性能以揭示本文方法的优越性。结果表明，本发明能够在成品缺陷检测上保持精度前提下大幅提升检测速度，满足实际生产需要。

Description

一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法
技术领域
本发明涉及一种检测方法，特别指一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法。
背景技术
目前，在高粘稠流质食品灌装生产线中，灌装成品的缺陷检测是必不可少的重要环节，而其中尤为重要的则是封盖和贴标的检测。在压盖环节，经过复杂的滚压过程后，缺陷产品随着时间的推移大程度会出现密封不严而导致产品提前变质，这就有可能会使得消费者因食用变质产品而受到身体伤害；而在贴标环节，商品的标签代表了该产品外观的好坏，这关系到产品的口碑和消费者的购买意愿。因此，对于灌装成品封盖和贴标的检测是很有必要的。
在现有研究中，已有许多学者提出了灌装成品缺陷的检测方法，并有部分机器视觉技术在灌装成品缺陷检测上得到了较好的应用，但由于其需要大量的实验来确定判定规则而导致检测方法的自适应性较差，并且无法使用单一标准来检测多类缺陷，因而极大增加了检测难度。在上述背景下，深度学习技术因在模型调优、特征提取、目标检测方面的优势而被我们逐渐推崇。自深度学习标志性算法AlexNet问世以来，在工业领域中将深度学习技术应用于产品缺陷检测即成为可能。但是深度学习分类模型一般只在单目标多类别检测上拥有较好的效果，而无法满足多目标、多类别的检测。因此，为了实现在灌装成品多缺陷目标、多类别的同时检测，深度学习目标检测算法便成为我们较好的选择。目标检测发展至今，已经在缺陷检测领域有所应用。但是目前在灌装产品缺陷检测领域依然鲜有研究。此外，我们也清楚的看到任何复杂算法在高性能设备加持下皆能实现快速检测，但与之增加的是指数级的成本投入，所以仅仅将现有的成熟模型应用至灌装成品检测上来是不具有现实意义的，因此在保持精度阈值的前提下对算法模型轻量化设计就尤为重要。所以本研究将着重于在具有较好精度目标检测算法基础上进行轻量化改进，以实现其在精度下降适中的范围内达到高速检测的目的。
发明内容
本发明针对现有灌装成品缺陷检测技术中，传统检测方案无法满足多目标、多类别、快速实时检测的问题，提供一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法，解决现有机器视觉技术无法同时多目标检测和现有目标检测算法检测速度慢的问题。
为实现上述目的，本发明采用以下技术方案：
一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法，包括以下步骤：
S1、建立灌装成品缺陷检测模型；
S2、建立灌装成品缺陷数据集；
S3、轻量化主干体征提取网络；
S4、重构增强特征提取网络；
S5、对灌装成品缺陷进行检测，输出缺陷检测结果。
在其中一个实施例中，所述步骤S1中灌装成品缺陷检测模型主要包含主干特征提取网络、增强特征提取网络、多尺度结果输出三个网络，另外还包含额外子网络即施加ECA机制的深度可分离卷积网络。
优选的，所述的主干特征提取网络主要进行输入图像样本的特征提取。其由普通卷积和bneck卷积构成，其中bneck卷积为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过SE-Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果。该网络进行特征提取之后即得到特征图输出①、特征图输出②、特征图输出③，其中特征图输出①和特征图输出②将进入增强提取网络中的2b，而特征图输出③将进入增强提取网络中的2a。
优选的，所述的增强特征提取网络主要对主干特征提取网络所获得的特征图进行重复利用、拼接和融合以增强目标特征的优质表达。其主要由SPP-Net(2a)和施加ECA机制的深度可分离全面路径聚合网络(2b)构成。其中，2a对特征图输出③利用1×1、5×5、9×9、13×13四种大小的池化核来进行空间金字塔池化操作，输出结果会与特征图输出①和特征图输出②共同输入至2b；而2b则对输入的特征图进行上采样和下采样，其中上采样和下采样的过程均由子网络子网络DSC-ECA卷积来实现。经过由2a和2b共同构成的增强特征提取网络的处理之后，在模型末端进行多尺度检测结果输出。
优选的，所述的多尺度结果输出即对增强特征提取网络的处理进行成品缺陷检测结果的输出，输出的结果分为结果输出Ⅰ、结果输出Ⅱ、结果输出Ⅲ。
优选的，所述的DSC-ECA卷积块主要用于2b中对特征图进行上采样和下采样。其具体结构为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过ECA-Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果。
在其中一个实施例中，所述步骤S2建立灌装成品缺陷数据集中包括图像采集和数据集制作两个部分。
优选的，图像采集由图像采集平台完成，该平台包括传送平台，设置在传送平台一侧的LED光源，对应LED光源设置在传送平台另一侧的光电传感器和CCD高速相机，以及用于图像存储和缺陷检测的计算机。
优选的，数据集制作是将图像采集中获得的数据经分类、整理、打标签后生成用于后续模型训练和精度测试的灌装成品缺陷数据集。
在其中一个实施例中，所述步骤S3轻量化主干特征提取网络中，针对传统YOLOv4主干特征提取网络中模型检测慢、参数计算冗余的问题，发明了参数重构的轻量级MobileNetV3主干特征提取网络。具体思路为：首先对主干特征提取网络设计深度可分离卷积结构；接着对网络进行参数重构，这其中包括输入、层间特征尺度以及输出等；最后对主干网络进行多尺度特征分离设计，使之输出三个不同尺度大小的特征图，用于后续增强特征网络的特征增强和融合复用。
在其中一个实施例中，所述步骤S4重构增强特征提取网络中，针对传统的YOLOv4目标检测算法的增强特征提取网络中模型参数计算量大，且轻量化后特征融合能力不足而导致模型精度下降的问题，发明了施加通道注意力机制的深度可分离全路径聚合网络(DSC-ECA-FPANet)。其具体包含三个子发明部分：(1)针对增强特征提取网络中PANet(PathAggregation Network)参数计算量大而导致特征融合效率低的问题，发明了深度可分离路径聚合网络(DSC-PANet)，具体是采用深度可分离卷积(Depthwise SeparableConvolutions，DSC)策略对PANet进行轻量化设计，将参数计算量较大的3×3的卷积进行深度分离卷积替换；(2)针对PANet特征融合能力不足而导致模型精度下降的问题，发明了全路径聚合网络(FullPath Aggregation Network，FPANet)，具体是充分考虑顶层特征与底层特征的跨越融合，建立所有特征层之间融合路径，以增强对于灌装缺陷目标特征的优质表达；(3)针对PANet因轻量化设计而导致特征提取能力降低的问题，发明了施加注意力机制的深度可分离卷积网络(DSC-ECA卷积块)，具体是在深度可分离卷积中引入ECA(Efficient Channel Attention)通道注意力机制，实现对于特征图不同通道特征重要性的预测，使之更加有针对性地对目标特征进行提取，进而增强轻量级模型的特征提取能力。
在其中一个实施例中，所述步骤S5灌装成品缺陷进行检测中，输入416×416的灌装成品样本图像，运用设计后的轻量化的YOLOv4模型进行主干特征提取、特征增强复用、最后输出多尺度的特征图作为分类的结果。
本发明的优点及有益效果：
在本发明检测方法下，轻量级YOLOv4模型能够实现对于高粘稠物料灌装成品缺陷的多目标、多类别的同时检测，极大的降低了产线检测设备的成本；对于模型主干特征提取网络和增强特征提取网络的重构设计，实现了模型精度与YOLOv4相差不大的前提下速度提升近3倍，极大满足了对于灌装成品缺陷高速检测的需要。
附图说明
图1为基于YOLOv4算法的轻量级灌装成品缺陷检测结构框图。
图2为图像采集平台结构示意图。
图3为MobileNetV3主干特征提取网络结构示意图。
图4为施加ECA机制的深度可分离全面路径聚合网络结构示意图。
图5为模型损失函数图。
图6为模型PR曲线图。
附图序号说明：
1、传送平台，2、LED光源，3、光电传感器，4、CCD高速相机，5、计算机。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被认为是“设置”或“连接”在另一个元件上，它可以是直接设置或连接在另一个元件上或者可能同时存在居中元件。
除非另有定义，本文中所使用的所有的技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。说明书中所使用的术语只是为了描述具体的实施目的，不是旨在于限制本发明。
实施例：
先建立轻量级灌装成品缺陷检测模型，如图1所示。灌装成品缺陷检测模型包含主干特征提取网络、增强特征提取网络、多尺度结果输出三个部分，另外还包含额外子网络即施加ECA机制的深度可分离卷积网络(DSC-ECA卷积块)。
其中主干特征提取网络主要进行输入图像样本的特征提取。其由普通卷积和bneck卷积构成，其中bneck卷积为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过SE-Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果。该网络进行特征提取之后即得到特征图输出①、特征图输出②、特征图输出③，其中特征图输出①和特征图输出②将进入增强提取网络中的2b，而特征图输出③将进入增强提取网络中的2a。
增强特征提取网络主要对主干特征提取网络所获得的特征图进行重复利用、拼接和融合以增强目标特征的优质表达。其主要由SPP-Net(2a)和施加ECA机制的深度可分离全面路径聚合网络(2b)构成。其中，2a对特征图输出③利用1×1、5×5、9×9、13×13四种大小的池化核来进行空间金字塔池化操作，输出结果会与特征图输出①和特征图输出②共同输入至2b；而2b则对输入的特征图进行上采样和下采样，其中上采样和下采样的过程均由子网络子网络DSC-ECA卷积来实现。经过由2a和2b共同构成的增强特征提取网络的处理之后，在模型末端进行多尺度检测结果输出。
多尺度结果输出即对增强特征提取网络的处理进行成品缺陷检测结果的输出，输出的结果分为结果输出Ⅰ、结果输出Ⅱ、结果输出Ⅲ。
DSC-ECA卷积块主要用于2b中对特征图进行上采样和下采样。其具体结构为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过ECA-Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果。
灌装成品缺陷数据集制作分为图像采集和数据集制作两部分。其中图像采集平台包含传送平台1、LED光源2、CCD高速相机3、光电传感器4以及用于图像存储和缺陷检测的计算机5，如图2所示。采集流程可描述为：光电传感器检测到传送带上的瓶身的信息，其将检测信息转换成电信号传给CCD相机，触发控制相机采集灌装完后产品的图像信息，接着相机将采集到的信息传入至计算机中保存，以用于后续的成品缺陷数据集的制作。之后就是将采集的数据进行分类、整理、打标签等操作以使之成为可用于训练和测试的灌装成品缺陷数据集。
对于主干特征提取网络，在深度可分离卷积网络MobileNetV3上进行参数重构，对网络的最后的三个综合卷积层进行多尺度特征图输出结构设计，即特征图输出①、特征图输出②、特征图输出③，以便于输出的结果后续导入增强特征网络中，其结构图如图3所示。
而对于增强特征提取网络，如图4所示。其主要改进点有三个部分：(1)在基础路径聚合网络PANet中将3×3的普通卷积进行轻量化设计，发明具有轻量级特性的深度可分离路径聚合网络(DSC-PANet)，以实现增强特征提取网络模型参数计算量的下降，进而使检测速度大幅提升；(2)在DSC-PANet基础上考虑顶层特征与底层特征的跨越融合，建立全路径的融合网络，发明深度可分离全路径聚合网络(DSC-FPANet)，以实现对于目标特征的优质表达；(3)在深度可分离卷积基础上施加ECA通道特征注意力机制，发明施加注意力机制的深度可分离卷积网络(DSC-ECA卷积块)，将DSC-ECA卷积块应用至DSC-FPANet中，增加对于不同通道特征重要性的预测，使其有针对性的提升缺陷目标的特征提取能力，进而提升模型精度。
将本发明的主干特征提取网络和增强特征提取网络进行结合，形成了以参数重构并结构设计的MobileNet V3为主干网络、以施加ECA通道注意力机制的深度可分离全路径聚合网络(DSC-ECA-FPANet)为增强网络的轻量化模型，在模型末端进行多尺度检测结果输出如结果输出Ⅰ、结果输出Ⅱ、结果输出Ⅲ。
最后在上述本研究所提出的轻量化模型上进行了模型训练与精度测试，并全面分析了所提模型的有效性。
实验与结果分析：
本研究的实验环境为为Ubuntu18.04操作系统，配置Anaconda的Python 3.7，NVIDIA RTX2070GPU，CUDA 10.1，cuDNN 7.6.5.32，使用了Keras库来进行程序编写。
进入训练过程后，数据分配上，本研究从数据集中拿出1000张样本用于训练，其中900张用于模型训练，100张用于交叉验证；而剩余200张样本将用于模型训练完成后的性能测试。训练方式上，鉴于本研究中采集数据量较少，不利于模型泛化能力的提升，因此总体上选择迁移学习的方式来对模型进行训练。我们首先采用VOC2007数据集对网络进行预训练，接着在正式训练过程导入预训练模型分段调优。参数设定上，输入数据大小为416×416，并且为了加快训练速度，我们对于前50个Epoach冻结主干特征提取网络，只对增强特征提取网络进行权重更新，此期间Batch size设置为8，初始学习率为0.001；而后的50个Epoach我们解冻backbone权重层进行全局网络优化，此期间Batch size设置为4，初始学习率为0.0001。
模型训练的实验结果可以用损失值(loss)曲线图来表示优劣，如图5所示。其中实线为训练集loss值，虚线为交叉验证集loss值。
由图5可以看到，模型的loss值随着Epoach的增加而逐渐收敛，最后基本趋于稳定，这表明模型的预测结果和真实结果在不断接近，预测的误差逐渐下降。此外，通过观察训练集和验证集曲线的吻合度，可以说明模型泛化能力达到了最佳状态。
模型训练完成之后即进入模型的测试阶段，模型对于灌装成品缺陷检测的实际精度效果可以用PR(Precision-Recall)曲线来评价其优劣，用剩余的200样本进行模型测试的PR曲线如图6所示。
在图6所示的PR曲线图中，可以直观的得出对于每种缺陷检测的AP值。整体来讲，本发明方法检测精度可达97.15％，可以满足实际检测需要。此外，我们也发现模型对于歪标、损伤标的缺陷检测精度略低，这可能是关于这两种缺陷的训练样本较少而导致模型对于个别缺陷泛化能力不足而导致。但综合考虑，也正是因为此类缺陷出现概率低而导致采集该类样本较少。因此，本模型对于成品缺陷检测仍具有较大的优势，可以满足实际灌装成品缺陷检测的需求。
本发明首先通过参数重构并结构设计的MobileNetV3主干特征提取网络对输入样本进行轻量级特征提取；其次对增强特征提取网络进行深度可分离卷积结构设计以降低参数计算量；然后根据精度需求，发明了全路径聚合网络并引入通道注意力机制以提升增强特征提取网络对于目标特征的靶向表达；最后将设计的轻量化网络进行模型训练和精度测试，并对比了其它目标检测算法的性能以揭示本文方法的优越性。结果表明，本发明能够在成品缺陷检测上保持精度前提下大幅提升检测速度，满足实际生产需要。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。

Claims (8)

1.一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于包括以下步骤：
S1、建立灌装成品缺陷检测模型；
S2、建立灌装成品缺陷数据集；
S3、轻量化主干体征提取网络；
S4、重构增强特征提取网络；
S5、对灌装成品缺陷进行检测，输出缺陷检测结果。
2.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S1灌装成品缺陷检测模型包括主干特征提取网络、增强特征提取网络和多尺度结果输出，所述增强特征提取网络还内置有施加ECA机制的深度可分离卷积子网络即DSC-ECA卷积块；
所述的主干特征提取网络主要进行输入图像样本的特征提取，其由普通卷积和bneck卷积构成；其中bneck卷积为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过SE-Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果；该网络进行特征提取之后即得到特征图输出①、特征图输出②、特征图输出③，其中特征图输出①和特征图输出②将进入增强提取网络中的2b，而特征图输出③将进入增强提取网络中的2a；
所述的增强特征提取网络主要对主干特征提取网络所获得的特征图进行重复利用、拼接和融合以增强目标特征的优质表达，其主要由SPP-Net即2a和施加ECA机制的深度可分离全面路径聚合网络2b构成；其中，2a对特征图输出③利用1×1、5×5、9×9、13×13四种大小的池化核来进行空间金字塔池化操作，输出结果会与特征图输出①和特征图输出②共同输入至2b；而2b则对输入的特征图进行上采样和下采样，其中上采样和下采样的过程均由子网络子网络DSC-ECA卷积来实现；经过由2a和2b共同构成的增强特征提取网络的处理之后，在模型末端进行多尺度检测结果输出；
所述的多尺度结果输出即对增强特征提取网络的处理进行成品缺陷检测结果的输出，输出的结果分为结果输出Ⅰ、结果输出Ⅱ、结果输出Ⅲ；
所述的DSC-ECA卷积块主要用于2b中对特征图进行上采样和下采样；其具体结构为：首先进行1×1的普通卷积，然后进行3×3的分离卷积后经过ECA-Net通道注意力机制网络，接着进行1×1点卷积后与输入相加得到最后输出结果。
3.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S2灌装成品缺陷数据集包括图像采集和数据集制作两个部分。
4.根据权利要求3所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于图像采集由图像采集平台完成，该平台包括传送平台，设置在传送平台一侧的LED光源，对应LED光源设置在传送平台另一侧的光电传感器和CCD高速相机，以及用于图像存储和缺陷检测的计算机。
5.根据权利要求3所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于数据集制作是将图像采集中获得的数据经分类、整理、打标签后生成用于后续模型训练和精度测试的灌装成品缺陷数据集。
6.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S3轻量化主干特征提取网络是对深度可分离卷积网络进行参数重构和多尺度特征输出结构设计，进而作为算法的轻量级主干特征提取网络。
7.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S4重构增强特征提取网络包含三个部分：(1)首先采用深度可分离卷积策略对PANet进行轻量化，设计了深度可分离路径聚合网络DSC-PANet；(2)其次在轻量化PANet基础上考虑顶层特征与底层特征的融合，设计轻量化的全路径聚合网络DSC-FPANet；(3)最后对轻量级的FPANet中引入ECA通道注意力机制，设计施加ECA注意力机制的深度可分离全路径聚合网络DSC-ECA-FPANet。
8.根据权利要求1所述的基于目标检测算法的浓稠食品灌装成品缺陷检测方法，其特征在于步骤S5对灌装成品缺陷进行检测和输入是指输入416×416的灌装成品样本图像，运用设计后的轻量化的YOLOv4模型进行主干特征提取、特征增强复用，最后输出多尺度的特征图作为分类的结果。
CN202110317484.2A 2021-03-25 2021-03-25 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法 Active CN113112456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110317484.2A CN113112456B (zh) 2021-03-25 2021-03-25 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110317484.2A CN113112456B (zh) 2021-03-25 2021-03-25 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法

Publications (2)

Publication Number Publication Date
CN113112456A true CN113112456A (zh) 2021-07-13
CN113112456B CN113112456B (zh) 2022-05-13

Family

ID=76711578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110317484.2A Active CN113112456B (zh) 2021-03-25 2021-03-25 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法

Country Status (1)

Country Link
CN (1) CN113112456B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537244A (zh) * 2021-07-23 2021-10-22 深圳职业技术学院 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置
CN113888477A (zh) * 2021-09-13 2022-01-04 浙江大学 网络模型的训练方法、金属表面缺陷检测方法及电子设备
CN114120019A (zh) * 2021-11-08 2022-03-01 贵州大学 一种轻量化的目标检测方法
CN115147375A (zh) * 2022-07-04 2022-10-04 河海大学 基于多尺度注意力的混凝土表面缺陷特征检测方法
CN115330754A (zh) * 2022-10-10 2022-11-11 楚大智能(武汉)技术研究院有限公司 玻璃瓶口缺陷检测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2591584C1 (ru) * 2015-05-19 2016-07-20 Открытое акционерное общество "Акционерная компания по транспорту нефти "Транснефть" (ОАО "АК "Транснефть") Способ оценки геометрических размеров дефектов стенки трубной секции и сварных швов по данным магнитного внутритрубного дефектоскопа с помощью универсальной нейросетевой модели, подходящей для дефектоскопов с различными диаметрами и магнитными системами
CN110826585A (zh) * 2019-07-22 2020-02-21 湖南工业大学 一种基于卷积神经网络的浓稠食品灌装流量状态检测方法
US20200292462A1 (en) * 2019-03-15 2020-09-17 Inventec (Pudong) Technology Corporation Surface defect detection system and method thereof
CN111986187A (zh) * 2020-08-26 2020-11-24 华中科技大学 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法
CN112257794A (zh) * 2020-10-27 2021-01-22 东南大学 一种基于yolo的轻量级的目标检测方法
CN112365478A (zh) * 2020-11-13 2021-02-12 上海海事大学 一种基于语义分割的电机换向器表面缺陷检测模型
CN112396002A (zh) * 2020-11-20 2021-02-23 重庆邮电大学 一种基于SE-YOLOv3的轻量级遥感目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2591584C1 (ru) * 2015-05-19 2016-07-20 Открытое акционерное общество "Акционерная компания по транспорту нефти "Транснефть" (ОАО "АК "Транснефть") Способ оценки геометрических размеров дефектов стенки трубной секции и сварных швов по данным магнитного внутритрубного дефектоскопа с помощью универсальной нейросетевой модели, подходящей для дефектоскопов с различными диаметрами и магнитными системами
US20200292462A1 (en) * 2019-03-15 2020-09-17 Inventec (Pudong) Technology Corporation Surface defect detection system and method thereof
CN110826585A (zh) * 2019-07-22 2020-02-21 湖南工业大学 一种基于卷积神经网络的浓稠食品灌装流量状态检测方法
CN111986187A (zh) * 2020-08-26 2020-11-24 华中科技大学 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法
CN112257794A (zh) * 2020-10-27 2021-01-22 东南大学 一种基于yolo的轻量级的目标检测方法
CN112365478A (zh) * 2020-11-13 2021-02-12 上海海事大学 一种基于语义分割的电机换向器表面缺陷检测模型
CN112396002A (zh) * 2020-11-20 2021-02-23 重庆邮电大学 一种基于SE-YOLOv3的轻量级遥感目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIE XIKUN 等: "Application of attention YOLOV4 algorithm in metal defect detection", 《IEEE XPLORE》 *
张昌凡 等: "基于LSTM-Attention 的高黏稠食品灌装流量检测", 《包装学报》 *
韩航迪 等: "基于改进Tiny-YOLOv3网络的航天电子焊点缺陷主动红外检测研究", 《仪器仪表学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537244A (zh) * 2021-07-23 2021-10-22 深圳职业技术学院 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置
CN113537244B (zh) * 2021-07-23 2024-03-15 深圳职业技术学院 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置
CN113888477A (zh) * 2021-09-13 2022-01-04 浙江大学 网络模型的训练方法、金属表面缺陷检测方法及电子设备
CN114120019A (zh) * 2021-11-08 2022-03-01 贵州大学 一种轻量化的目标检测方法
CN114120019B (zh) * 2021-11-08 2024-02-20 贵州大学 一种轻量化的目标检测方法
CN115147375A (zh) * 2022-07-04 2022-10-04 河海大学 基于多尺度注意力的混凝土表面缺陷特征检测方法
CN115330754A (zh) * 2022-10-10 2022-11-11 楚大智能(武汉)技术研究院有限公司 玻璃瓶口缺陷检测方法、装置、设备及存储介质
CN115330754B (zh) * 2022-10-10 2022-12-23 楚大智能(武汉)技术研究院有限公司 玻璃瓶口缺陷检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113112456B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN113112456B (zh) 一种基于目标检测算法的浓稠食品灌装成品缺陷检测方法
CN111369563B (zh) 一种基于金字塔空洞卷积网络的语义分割方法
CN109993082B (zh) 卷积神经网络道路场景分类与道路分割方法
CN111626355A (zh) 一种基于Unet++卷积神经网络的地震数据初至拾取方法
CN112541503A (zh) 基于上下文注意力机制和信息融合的实时语义分割方法
CN113159051A (zh) 一种基于边缘解耦的遥感图像轻量化语义分割方法
CN113221911B (zh) 一种基于双重注意力机制的车辆重识别方法及系统
CN113610822B (zh) 一种基于多尺度信息融合的表面缺陷检测方法
CN110298843B (zh) 基于改进DeepLab的二维图像部件分割方法及应用
CN111222396A (zh) 一种全天候多光谱行人检测方法
CN114445430B (zh) 轻量级多尺度特征融合的实时图像语义分割方法及系统
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN112434723B (zh) 一种基于注意力网络的日/夜间图像分类及物体检测方法
CN110517272B (zh) 基于深度学习的血细胞分割方法
CN111738114B (zh) 基于无锚点精确采样遥感图像车辆目标检测方法
CN112270366A (zh) 基于自适应多特征融合的微小目标检测方法
CN108564582B (zh) 一种基于深度神经网络的mri脑肿瘤图像自动优化方法
CN114187442A (zh) 图像处理方法、存储介质、电子设备及图像处理装置
CN116434012A (zh) 一种基于边缘感知的轻量型棉铃检测方法及系统
Lee et al. Prediction of defect coffee beans using CNN
Yildiz et al. Hybrid image improving and CNN (HIICNN) stacking ensemble method for traffic sign recognition
CN117593623A (zh) 基于改进YOLOv8n模型的轻量化车辆检测方法
CN115861861B (zh) 一种基于无人机配电线路巡检的轻量级验收方法
CN117197663A (zh) 基于长距离依赖机制的多层融合图片分类方法及系统
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant