基于深度学习的磁环表面缺陷检测算法
基于深度學習的磁環表面缺陷檢測算法
人工智能技術與咨詢?
來源：《?人工智能與機器人研究》?，作者羅菁等
關鍵詞:?缺陷檢測；深度學習；磁環；YOLOv3；
摘要:?在磁環的生產制造過程中，常常由于生產環境、制造工藝等因素，難免會使磁環表面出現各種類型的缺陷。針對傳統人工檢測低效、耗時、檢測精度低的缺點，本文提出了一種基于YOLOv3的磁環表面缺陷檢測方法。實驗結果表明，YOLOv3的平均識別精度達到了96.19%，單張圖片檢測速度達到了24.46 ms，該方法在磁環缺陷檢測上有一定的先進性和有效性。
1. 引言
磁環是呈圓柱形的徑向磁體，生活中廣泛應用在電子定時器、汽車制造以及儀表器件等行業的各類電器裝置，它的質量直接影響所在裝置的性能。但是在目前的生產過程中，由于原料組成、加工工藝和設備條件的影響，磁環表面不可避免地會出現一些加工缺陷，如缺口、污點等，這些缺陷會影響到磁環的使用壽命和性能。目前，磁環表面一些常見的缺陷主要由有一定經驗的工人檢測，用肉眼觀察磁環的表面是否有缺陷。這種檢測方法效率低，容易出現視覺疲勞，造成誤差?[1]。
為了克服人工缺陷檢測的不足，很多人提出了各種表面缺陷檢測方法，可以分為兩類：傳統的機器視覺檢測方法和深度學習檢測方法。李雪琴等?[2] 提出了一種非下采樣輪廓域自適應閾值表面的磁瓦缺陷自動檢測方法。林麗君等 [3] 提出了一種結合圖像加權信息熵和小波模極大值的磁瓦表面裂紋檢測算法。這些方法對于特定缺陷具有速度快、精度高的優點，但受光照和人工的影響較大。
近年來，隨著深度學習的廣泛應用，已在目標檢測?[4] 領域取得了一系列成果，在工業檢測領域得到了很大的應用。目前，廣泛應用的深度學習目標檢測算法可分為單階段檢測算法和兩階段檢測算法。單階算法直接生成對象的類別概率和位置坐標值，其代表性算法為SSD [5] 和YOLO [6] [7] [8] 網絡。兩階段算法將檢測分為兩個階段，首先生成候選區域，然后對候選區域進行分類。代表性算法有R-CNN [9] 及其改進算法Fast R-CNN [10] 和Faster R-CNN [11] 等。
一般情況下，兩階段算法在準確度上有優勢，而單階段算法在檢測的速度上有優勢。由于單階段算法在速度上更有優勢，所以更受到工程化的青睞。本文也將使用YOLOv3網絡對磁環表面缺陷進行檢測，為了提升檢測速度和精度使用k-means聚類方法重新選取先驗框，保證檢測的實時性。
2. 檢測算法
2.1. YOLOv3網絡
YOLOv3是在YOLO和YOLOv2算法的改進基礎上，主要用于圖像目標檢測、視頻目標檢測、攝像機實時目標檢測等方面。它將目標檢測問題轉化為邏輯回歸問題，首先將輸入圖像劃分為S ′ S個網格，若待檢測圖片中的目標中心點落在某個網格內，則該網格負責對應的目標，從而達到更快的檢測速度。之后每個網格將會預測B個邊界框及其本身的置信度，并且該網格需要給出負責預測的邊界框是屬于第i個類別的概率。
YOLOv3使用Darknet53網絡結構作為提取圖像特征的骨干網絡，其主要由一系列的1 ′ 1、3 ′ 3卷積層構成。它借鑒了ResNet (Residual Network)的做法，在各層之間建立快捷鏈路，通過適當的躍層連接，解決了網絡逐步深化時模型難以優化的問題，這樣做可以利用到更多的圖像淺層特征信息。YOLOv3摒棄了在YOLOv2中采用的pass-through結構，而是使用了特征金字塔網絡(Feature Pyramid Network, FPN)的多尺度檢測方法，然后結合殘差網絡將圖像轉換為三種不同尺度的特征圖，分別來檢測大、中、小三個類型的物體，在此基礎上進行分類和位置回歸，這大大改善了原始YOLO網絡的檢測準確率。YOLOv3的具體架構如圖1所示。
Figure 1. YOLOv3 network structure
圖1. YOLOv3結構圖
2.2. K-Means聚類初始化錨框
初始的YOLO算法采用的是回歸的方式來預測邊界框的坐標值。為高效地預測不同尺度目標的邊界框，Faster R-CNN算法中最先提出了錨框機制，即事先選取一組大小各異的矩形框作為選取目標時的參照物，之后通過預測目標框的偏移量來代替直接預測出的坐標，合適的anchor取值能夠有效地提高檢測任務的精度與速度。受該思想啟發，YOLOv3中也引入了錨框機制，通過k-means聚類的方法獲得錨框集合。YOLOv3算法中默認的anchor是通過VOC20類與COCO80類數據集聚類得到的，錨點框維度的比例并不適用于磁環缺陷檢測。由于磁環圖像中缺陷區域的大小不同，為了使檢測算法能夠更快、更準確地進行檢測，本文使用k-means聚類方法針對磁環數據集生成初始錨框。與通常使用的K均值的歐式距離不同，在目標檢測任務中，聚類的目的是使錨框與標注真值的IOU值盡可能大，因此將IOU用作測量標準。度量函數的公式如下：
centroid表示簇的中心，box表示樣本，IOU (box, centroid)表示簇的中心框和聚類框的交并比。IOU越大，距離越小。按照上述方法，在磁環數據集中使用k-means算法重新對標簽信息進行聚類分析，得到的9組anchor值為：(28, 27)、(27, 54)、(53, 30)、(43, 55)、(68, 45)、(46, 87)、(64, 69)、(99, 56)、(84, 98)。這些錨點按從小到大的順序分配給三個尺度的特征圖，其中尺度較大的使用較小的錨點框，并且每個網格都需要計算三個預測框。
2.3. 檢測過程
YOLOv3提出了一種新的特征提取網絡Darknet53，它的主要優點是用步幅為2的卷積層代替了池化層來完成對特征圖的下采樣，同時在每個卷積層后面增加了批量歸一化處理，激活函數采用LeakyRelu，避免了梯度消失和過擬合問題。在對磁環圖像進行檢測的過程中，采用了3個不同尺度的特征圖來進行位置與類別預測，有效地提高了目標檢測的準確率。
首先，YOLOv3網絡將輸入圖片縮放到416 ′ 416大小，再將原圖像劃分為S ′ S個網格。每個網格負責預測中心落入該網格的對象，然后計算出3個預測框。將待檢測的目標類別數記為C，則每個預測框會輸出5 + C個值，其中5表示了預測邊界框的信息屬性：中心點坐標(x, y)、框的寬高尺寸(w, h)以及置信度(confidence)。預測時采用直接預測相對位置的方法，邊界框坐標計算公式為：
Figure 2. The position and size of the actual target box relative to the preset box
圖2. 實際目標框相對于預設框的位置和大小
YOLOv3算法首先將輸入圖片縮放到固定大小，然后利用Darknet53網絡對圖片的特征進行提取，接著將特征向量送往特征金字塔結構中進行多尺度預測，最后根據置信分數的大小，對預測出的邊界框采用非極大值抑制(NMS)進行篩選，以消除重復檢測獲得最終的預測結果。
3. 實驗結果及分析
3.1. 實驗平臺
本文實驗在Window10環境下完成，計算機內存為16G，CPU為Inter Core i7 9700 3.0GHz，GPU為GTX2070，顯存為8GB，深度學習框架為Darknet，編譯環境為Visual Studio 2019 C/C++語言。并同時安裝了CUDA10.0和cudnn7.5以支持GPU的使用。
3.2. 數據集
本文數據集由工業相機對磁環進行拍攝，每張圖片包含一個磁環，每個磁環上有一到多處缺陷。圖片采集設備為維視圖像技術有限公司產出的型號為MV-EM500M/C的CMOS工業相機，通過設備共采取1080張磁環圖像。
實驗一共使用了800張圖像進行訓練，280張圖像作為測試集，其中400張訓練圖為缺口圖像，400張訓練圖為污點圖像，140張測試圖為缺口圖像，140張測試圖為污點圖像。缺陷圖像的檢測任務與分類任務不同，需要手動標注出圖片中缺陷位置的坐標，本文中通過labelImg軟件來進行缺陷位置的標注。
3.3. 模型訓練
在模型訓練階段，將動量(Momentum)設置為0.9、權值衰減系數設置(Decay)為0.0005、批尺寸(Batch size)為64，使用小批量隨機梯度下降進行優化，學習率(Learning rate)為0.001，在訓練過程中保存訓練日志和訓練權重，從訓練日志中提取出loss值畫圖，將loss穩定時的權重作為最終權重對磁環圖像進行缺陷檢測。
損失函數圖如圖3所示，橫坐標代表迭代次數，在訓練次數達到7000次時，各參數變化基本穩定，損失函數收斂曲線也趨于平緩，網絡的訓練結果比較理想。
Figure 3. The convergence of the loss function
圖3. 損失函數曲線圖
3.4. 測試結果及分析
為驗證本文方法有效性，需要分析檢測的結果。檢測效果的評價指標主要有單類精確率(Precision, P)、召回率(Recall, R)、平均精確率(mean average precision, mAP)和單張圖片平均檢測時間(time)，具體公式如下：
上式中，TP表示將缺陷目標預測為缺陷目標，FP表示將其他缺陷或背景預測為缺陷目標，FN表示將缺陷目標預測為其他缺陷或背景，gap和stain分別代表對于缺口和污點的檢測精確率，實驗所獲得的結果如表1所示。
由表1的實驗檢測結果可以看出，使用YOLOv3網絡訓練之后，在磁環缺陷測試集上的平均檢測精度達到了96.19%。在使用相同的訓練模型進行檢測時，測試數據集中不同缺陷類別的測試效果也有一定的差別。當采用訓練好的模型進行檢測時，每張圖片的檢測時間平均需要花費24.46 ms，且識別的準確率較高。實驗結果表明，YOLOv3網絡模型可以有效地對磁環表面缺陷進行快速和準確的檢測，可滿足工業現場的實時性需求。采用YOLOv3算法訓練完畢之后，部分磁環缺陷檢測的結果如圖4所示。
| 方法 | Class | P | mAP | R | Time/ms |
| YOLOv3 | gap | 0.9464 | 0.9619 | 0.95 | 24.46 |
| Stain | 0.9774 |
Table 1. Statistical table of experimental results
表1. 實驗結果統計表
Figure 4. Magnetic ring defect detection results
圖4. 磁環檢測效果圖
4. 結論
隨著深度學習的不斷發展和廣泛應用，一些目標檢測算法在工業檢測領域取得很大成果。本文將YOLOv3算法應用到磁環的表面缺陷檢測中，實驗結果表明，YOLOv3的檢測準確率和檢測速度均能滿足工業需求，具有實際的應用價值。未來的研究工作將會集中在兩個方面：一是優化YOLOv3算法模型，使之降低計算量從而提升檢測速度，以方便嵌入式設備上的使用需求；二是增加學習樣本的數量，并提高樣本圖片的質量，進一步提高缺陷的檢測精度。
我們的服務類型
公開課程
人工智能、大數據、嵌入式? ? ? ? ? ? ??? ?? ?
內訓課程
普通內訓、定制內訓? ? ? ? ? ? ? ?? ??? ? ??
項目咨詢
技術路線設計、算法設計與實現（圖像處理、自然語言處理、語音識別）
總結
以上是生活随笔為你收集整理的基于深度学习的磁环表面缺陷检测算法的全部內容，希望文章能夠幫你解決所遇到的問題。
