图1. 卷纸包装缺陷检测算法模块

YOLOv5s检测模型网络结构如图1所示，主要由主干网络(backbone)、颈部网络(neck)，检测头(head)三部分组成。其中主干网络主要由Focus、CSP和SPP构成用于特征提取，颈部网络主要由特征金字塔网络和路径聚合网络组成，将不同尺度的特征图进行融合，以提高目标检测的精度。检测头则对每个目标的位置、类别和置信度进行回归，从而完成目标检测任务。

在卷纸包装缺陷检测中，外包装种类繁多，同时不合格产品与合格产品之间可能存在较小的差异性，为了进一步提高检测精度，使模型能够更加适应当前检测任务。对检测模型进行优化，优化主要包括四个部分：1) 在主干提取网络融入卷积注意力模块(CBAM)。2) 在颈部网络中融入自适应空间特征融合模块。3) 在检测头部分引入Decouple模块对目标检测任务进行分解。4) 引入损失函数αIoU对边界框损失进行优化。下面将对各个部分进行阐述。

卷纸包膜种类繁多且样式多变，合格产品与不合格产品之间差异性较小，此外部分不合格产品突出的透明薄膜受光照影响在图像中表现不明显，因此在特征提取网络中添加卷积注意力模块 ‎[ 14 ] 以提高模型的特征提取能力。从不同样式的包装中提取出缺陷的共性，并为其分配更大的权重，提升模型的学习能力，在特征提取网络添加的位置如图2所示。

图2. 添加CBAM结构图

卷积注意力模块是一种用于增强卷积神经网络特征提取能力的模块，它可以结合通道和空间两个维度的注意力机制，自适应地调整输入特征图的权重，从而突出有用的特征，抑制无关的特征。它可以嵌入任何卷积神经网络中，在不增加太多计算开销和参数量的情况下，提高网络在各种视觉任务上的性能 ‎[ 15 ] 。卷积注意力模块包括两个子模块：通道注意力模块和空间注意力模块。整体CBAM模块如图3所示，首先通过一个通道注意力模块得到通道加权结果，再经过一个空间注意力模块，最终得到输出结果。

图3. 空间通道注意力图

通道注意力模块的原理是利用全局池化操作来获取输入特征图中每个通道的全局信息，然后通过一个共享的全连接层来学习每个通道的重要性权重，从而提升特征的表达能力。对输入特征图进行全局平均池化和全局最大池化，得到两个向量，分别表示每个通道的平均值和最大值。这两种池化操作可以捕获不同的信息，平均池化可以反映每个通道在整个空间上的程度，最大池化可以反映每个通道在某些区域上的显著性。然后，将这两个向量分别通过一个共享的全连接层得到两个向量。随后，将这两个向量相加，并通过一个sigmoid激活函数，得到通道注意力权重。最后将该向量与输入特征图按元素相乘，得到经过通道注意力调整后的输出特征图。这个过程是自适应的，可以根据输入图像的不同部分进行调整，从而获取更具有区分性的特征。通道注意力结构图如图4所示。其数学表达式如式1所示。

M C ( F ) = σ ( M L P ( A v g p o o l ( F ) ) + M L P ( max P o o l ( F ) ) (1)

其中 M C ( F ) 表示通道注意力权重，σ表示sigmoid激活函数，MLP表示多层感知机用于共享参数，AvgPool和maxPool分别表示平均池化和最大池化，F表示输入特征图。

图4. 通道注意力图

同样，空间注意力机制通过对特征图在通道维度上进行压缩，得到两个一维向量，分别是平均值池化和最大池化的结果。然后将这两个向量拼接起来，再经过一个卷积层和一个sigmoid函数，得到一个空间注意力图M_S。最后，将空间注意力图与原始特征图相乘，得到加权后的特征图。空间注意结构图如图5所示，其数学表达式如式2所示。

图5. 空间注意力结构

M S ( F ) = σ ( f 7 × 7 ( A v g p o o l ( F ′ ) ; max P o o l ( F ′ ) ) ) (2)

其中 f 7 × 7 表示卷积核大小为7 × 7的卷积核。SAM模块则通过在空间维度上自适应地对特征进行加权，提高特征的局部感受野，从而增强空间信息的表示能力。对于一张图像来说，通道注意力可以自适应地调整每个通道的权重，从而突出图像中重要的内容。空间注意力可以自适应地加权每个空间位置的特征，从而突出感兴趣的区域，并抑制背景信息的干扰，进而提高检测模型的性能。

在目标检测模型中结合高层的语义信息和低层的特征，使得模型不仅能学习到低层次的纹理特征，还能学习到高级的语义信息，如单阶段多目标检测算法SSD首先在多级金字塔特征上检测目标，它重用网络前馈中计算出的多尺度特征图来预测不同尺寸的对象。YOLOv5s颈部结构只是简单地将不同层级的特征层调进行相加，这样会忽略了不同尺度特征之间的差异，导致融合后的特征图质量下降和噪声增加，影响检测效果 ‎[ 16 ] 。本文引入了自适应空间特征融合模块 ‎[ 17 ] (ASFF)，可以根据不同位置和不同尺度的目标对象自适应地调整不同层级特征之间的权重分配，从而避免空域冲突并提高检测精度。具体来说，对于某个层级的特征图，首先将其他层级的特征图调整为相同的分辨率，并简单地将它们相加得到一个初始融合特征图。在每个空间位置，利用一个可微分的网络模块来学习不同尺度特征图的空间重要性权重，并将它们加权相加得到融合后的特征图。例如，如果某个位置上携带了矛盾或冲突的信息，则这些信息会被赋予较低的权重；如果某个位置上携带了更多有助于区分目标类别或位置的信息，则这些信息会被赋予较高的权重。这样就可以有效地抑制不一致性问题，并增强目标检测性能。通过这种方式，ASFF可以自适应地融合不同尺度的特征图，使得模型更加灵活和鲁棒，其结构如图6所示。

图6. ASFF模块

ASFF模块以来自FPN三个层级的特征x₁、x₂、x₃作为输入，分别与自适应权重系数 α i j l 、 β i j l 、 γ i j l 相乘得到新的融合特征。其数学表达式如公式3所示。

{ o u t = x 1 × α i j l + x 2 × β i j l + x 3 × γ i j l α i j l + β i j l + γ i j l = 1 α i j l = e λ α i j l e λ α i j l + e λ β i j l + e λ γ i j l (3)

其中 e λ α i j l 、 e λ β i j l 、 e λ γ i j l 分表为三个特征图的控制参数， α i j l 、 β i j l 、 γ i j l 是经过归一化函数得到的，因此它

们的和是1。因为采用相加的方式，所以需要相加时的特征大小相同，且通道数也要相同，因此本文将不同层的特征上采样或下采样至7 × 7大小，并调整通道数为256。

目标检测是一个需要同时定位和分类目标的任务，在定位和分类子任务中，两者关注和感兴趣的特征各不相同，分类更侧重于类别相关的特征，而定位更侧重于与边界框的位置坐标匹配的特征。因此，如果使用同一个特征图进行分类和定位，效果往往不理想。对于分类任务而言，类似于全连接层的分类头更具有优势。而对于定位子任务而言，由于需要知道目标的具体空间位置，并在边界框上计算IoU值，此时，卷积操作更占优势。

本文引入Decouple head ‎[ 18 ] 来提升YOLOv5在卷纸缺陷中的检测效果。Decouple模块如图7所示，其以ASFF模块的输出作为输入，经过两个3 × 3卷积得到三个分支后，分别使用1 × 1卷积对每个分支进行降维，最上面的分支用于预测对应像素的类别概率；中间分支于计算预测框的回归参数；最下面的分支用来预测边界框内是否存在目标。

图7. Decopule模块

目标检测回归和定位的基础是边界框回归，YOLOv5原始模型所使用的边界框损失函数为GIoU，但在目标框被预测框包含时，GIoU会完全退化成IoU，无法有效评价边界框的回归效果，如图8所示，a、b、c三种情况的GIoU相同，但是回归效果不一致，这会导致网络收敛变慢。其中b > a > c。

图8. GIoU回归情况

因此本文引入了αIoU ‎[ 19 ] 作为边界框损失函数，该损失函数在现有的IoU损失函数中引入加权因子，用于控制IoU损失对总损失函数的贡献，计算公示如式4所示。

L α − IoU = 1 − IoU α α (4)

其中α是一个大于0的功率参数，可以通过调整功率参数使模型探测器获得更高的回归精度，提升检测模型的鲁棒性。因为上式中的α是一个正常数，所以上式可以简化为式5：

L α − I o U = { − log ( IoU ) α → 0 1 − IoU α 其 他 (5)

本文将其与CIoU函数相结合作为卷纸包装检测模型的边界框损失函数，其公示如式6所示。相当于在CIoU损失函数中引入加权因子惩罚项，使检测模型能够更加关注于高IoU目标，进而提高边界框回归的精度，同时能够加快模型的收敛速度。

L α − C I o U = 1 − IoU α + ρ 2 ( b , b g t ) c 2 + ( β v ) α (6)

式中IoU表示预测框和真实框之间的重叠度， ρ 2 ( b , b g t ) 表示中心点之间的欧式距离，c表示预测框和真实框最包装围框的对角线长度，β是一个正权衡参数，用来控制长宽比惩罚项v的权重，v是一个长宽比惩罚项，用来度量预测框和真实框之间长宽比差异，α是一个大于0的功率参数。

本文使用的数据集是在卷纸包装现场拍摄的，主要用于检测卷纸包装缺陷。数据集中的部分图像是由工业相机MV-GE231GC-T-CL和定焦镜头MV-LD4-6M-G拍摄的，部分是由手机拍摄的。采集后的图像由人工进行标注，生成对应的xml文件。数据集共包含10416张标注图像，其中训练集8332张，测试集2084张。每张图像中可能有多个检测目标(多个标签)。检测包装共分为7个类别，分别为：正常包装(good)、卷纸侧倒(dao)、顶部不良(ding)、顶部露白(lu)、侧面拖纸(tuo)、未包装(bai)、侧面不良(ce)。标注示例如图9所示。

图9. 标注示例

为了提高模型的鲁棒性，在训练之前，对部分训练图像数据进行了随机数据增强，同时根据数据增强的方法调整了图片对应的标签。采用的数据增强方法包括：随机翻转、随机图像缩放和色彩抖动。

本文使用的软件环境：Ubuntu 18.04、CUDA 11.5；硬件环境：GPU是NVIDIAGetForce RTX 3090 24 G，CPU是至强金牌Xeon-E5 5118 2.3 GHz。

不同的训练策略可能带来不一样的训练效果。YOLOV5也根据不同的任务提出了不同的训练策略。本文参考了YOLOv5的训练预热策略，batch_size设置为16，初始化学习率为0.01，学习率在第150个epoch学习率线性增加至0.1，在第150至300个epoch内学习率以余弦方式递减至0.01。目标检测可以理解为回归与分类，本文沿用的YOLOv5自动调整锚框策略，唯一不同的是最小锚框在原有的基础上放大了2倍，因为卷纸包装一般较大，过小的锚框在本文并不适用，其他训练策略在YOLOv5的基础上没有做改动。

本文采用准确率(P)，召回率(R)，IoU阈值大于0.5到0.95步长为0.05的mAP平均值(mAP@50:5:95)，每秒模型可处理的帧数(FPS)，模型大小对各个模型的综合性能进行分析。其中P表示预测准确的结果占所有预测结果的比率，R表示预测准确的结果占正样本的比例，P、R、mAP@50:5:95越高代表模型的检测性能越好，FPS越高说明模型的检测速度越快，模型大小越小则说明模型的参数越少便于部署到实际生产中。P、R和F1的计算式如式(7)-(9)所示：

P = TP TP+FP × 100 % (7)

P = TP TP+FN × 100 % (8)

F 1 = 2 × P × R P + R (9)

式中TP (True Positives)代表边界框被正确预测的卷纸数量，FP (False Positives)代表不是卷纸但被预测为卷纸的数量，FN (False Negatives)代表是卷纸但没有检测出来的数量。

在计算mAP (mean Average Precision)时，首先需要对每个类别单独绘制Precision-Recall曲线。接着，通过计算Precision-Recall曲线下的积分(即AP)，得到该类别的平均精度。最后，对所有类别的AP求算术平均，就是mAP。

图10. 可视化结果

实验过程中，我们将部分测试结果进行了可视化，结果如图10所示。我们将卷纸包装分为以下七类，具体有未包装(如图10(a)所示)、包装后卷纸倒下(如图10(b)所示)、正常包装(如图10(c)所示)、侧面不良问题(如图10(d)所示)，顶部包装问题(如图10(e)所示)，侧面拖纸问题如图10(f)和图10(h)所示，顶部露白问题(如图10(g)所示)。从图中可以看出，本文提出的方法基本能识别出常见的卷纸包装缺陷类别。

为了验证模型的有效性，接下来将本文设计的模型均与单阶段目标检测网络进行对比，分别是YOLOv3、SDD及李志诚等人提出的卷纸包装检测算法，从多个维度上进行对比并对结果进行分析。在卷纸包装数据集上进行实验，对比实验结果如表1所示。

其中YOLOv3和iYOLOv3的图片输入分辨率为608 × 608。目标检测任务的核心任务可以概括为识别物体的类别、物体的位置。由表1可知，与其他单阶段检测模型相比，在准确率P、平均准确率mAP和F1值上均取得了最优的结果。与原始模型相比，改进后的YOLOv5的P和mAP分别提升了2.1%和3.8%，帧率FPS值虽然低于原始模型，但是仍然能够达到较高的帧率，这可能是因为在原始模型的基础上集成了多个模块，增加了一定的计算量，使得帧率有所下降。相比于李志诚等人提出的iYOLOv3卷纸包装缺陷算法，本文所提出的FYOLOv5在准确率和平均准确率上分别提升了4.1%和5.8%，数据集数量也有所提升，数据集中所包含的缺陷种类也增加了两种，能够检测的卷纸包装缺陷更加全面。

表1. 卷纸包装缺陷检测模型性能测试结果

表2. 不同模块对模型检测性能的影响

为了验证各个模块的有效性，我们系统分析了不同模块组合对各个评价指标的影响。其中表中“√”表示在网络模型中添加了该模块，“×”表示在网络模型中未使用该模块，ASFF表示自适应空间特征融合模块，CBAM表示卷积注意力块，De表示Decouple模块，αIoU表示αIoU损失函数。

由表2可知，通过对比第1、2组实验可知，Decouple模块降低了模型处理问题的难度，给mAP值带来了0.3%的提升，但也提升了模型的计算量，使模型检测速度下降了7 frames/s。通过对比第2、3组实验可知，αIoU损失函数的引入增强了模型的鲁棒性，在预测框定位时更加精准，给检测模型带来了mAP值0.2%的提升，略微提升了模型的检测速度。通过对比3、4组实验可知，添加了卷积注意力模块后，模型mAP值提升了1.5%，这说明卷积注意力模块能够帮助模型更好地关注到一些重要特征，提升模型的特征提取能力。通过对比4、5组实验可知，自适应空间特征融合的引入，使得模型能从多个尺度学习到不同缺陷的特征，给mAP值0.8%的提升。综合以上模块的改进，相比于原始检测模型的mAP值提升了3.8%，检测速度达到了71 frames/s，满足实际检测需求。因此，改进后的FYOLOv5模型能够较好的适用于卷纸包装缺陷检测。