基于工业互联技术的胶料质量缺陷检测模型构建分析

喻朝新　郭松涛　郭佳哲

摘 要：针对胶料质量缺陷检测主要采用灰度理论的门限和阈值控制思路，其只能够满足在理想工况条件下的清晰图像识别，且性能较差，然而在工业互联网时代微电子智能制造领域用到的各类固体胶、密封胶等材料的复杂化与快速化给胶料的缺陷识别带来了巨大的挑战。研究基于工业互联技术进行改进，具体包括增加预测特征层、结合K-means++聚类锚框并引入增强CAM和相似度量方式。实验分析表明，S-YOLOv5s在测试集上IoU阈值平均精度提升了4.92%，同时在S-YOLOv5s网络推理时使用soft NMS的非极大值抑制的方法使提升了近3.2%。

关键词：工业互联技术;胶料质量缺陷;YOLOv5s; 小目标

中图分类号：TQ314;TP391文献标志码：A文章编号：1001-5922（2023）06-0019-04

Research on rubber defect identification and detection based on industrial interconnection technology

YU Chaoxin1，GUO Songtao2，GUO Jiazhe1

（1.China Mobile GBA Innovation Institue，Guangzhou 510630，China2.China Mobile Group Guangdong Co.，Ltd.，Guangzhou 510630，China）

Abstract：At present，the threshold and threshold control ideas of gray theory are mainly used for rubber defect recognition，which can only meet the requirements of clear image recognition under ideal working conditions，and its performance is poor. However，the complexity and rapidity of intelligent manufacturing in the era of Industrial Internet have brought huge challenges to rubber defect recognition. This article is based on industrial interconnection technology for improvement，including adding predictive feature layers，combining K-means++clustering anchor boxes，and introducing enhanced CAM and similarity measurement methods. Experimental analysis shows that S-YOLOv5s has an increased IoU threshold average accuracy of 4.92% on the test set，while using soft NMS's non maximum suppression method in S-YOLOv5s network inference resulted in an increase of nearly 3.2%.

Key words：industrial interconnection technology;rubber defect;YOLOv5s;small target

工業互联网是第4次工业革命的核心基石，因此在微电子智能制造领域胶料作为元器件粘合密封的主要原材料，其品质对最终的产品质量起到了至关重要的影响。近年在通用对象目标检测技术方面已经取得了实质性的发展，但针对小目标的方面的研究一直进展缓慢，即使是最先进的目标检测器，对小型目标的检测效果依然不太理想。在工业互联网领域中，智能制造的原材料质量保证是产业赋能的基础条件，在工业生产中胶料质量的检测，即缺陷识别小目标检测同样是一个突出的问题，它对智能制造领域的推进起着重要的影响［1-3］。提出了融合Sobel算子的胶料毛刺检测算法，它主要是通过门限控制和区域生长、分离方法提高胶料图像边缘的定位精度和降低噪声干扰［4］。针对胶料图像缺陷特征信息不突出的情况，提出了基于直方图区域划分的阈值分割算法［5］。上述算法虽然在一定程度上解决了胶料在理想工况下的大部分类型缺陷检测，但针对于工业互联网行业而言，随着制造技术的升级，胶料的使用场景愈加微观化和迅速，这造成胶料缺陷识别工况条件严苛且对识别性能的高需求等。因此基于工业互联技术提出了小目标预测、锚框重聚类、增强CAM和相似度度量等改进策略，旨在满足复杂背景下胶料缺陷的快速识别。

1 工业互联网中胶料图像缺陷检测分析

在工业互联网的智能制造领域，胶料缺陷的类型上而言一般包括杂质、撕裂、孔洞和毛边等，从识别领域的定义可以认为是小目标检测，小目标主要的特点是像素占比少，同时除了一般目标检测中常见的定位不准确、遮挡等问题外，在小目标任务中也存在一些典型问题，主要包括目标信息丢失、噪声干扰、边界框受扰动影响大以及训练样本不足等［6］。

（1）目标信息丢失。目前基于卷识神经网络（CNN）的主流目标检测器通常包含一个主要特征提取网络和检测头，检测头根据特征提取网络的输出进行决策。事实证明，这种模式是有效的，并取得了前所未有的成功。然而，特征提取网络利用多级下采样对噪声进行滤波，逐步降低特征图的分辨率，从而不可避免地丢失了目标的信息。这种信息的丢失一般不会影响大中型目标的检测性能，因而最终它们的主要特征信息仍然保留了下来。但这对小目标来说确是致命的，因为检测头很难在高度结构化的特征上给出准确的预测，其中小目标的微弱信号几乎消失了[7-9];

（2）噪声干扰。小目标往往具有较低的分辨率和较差的外觀质量，因此很难从中识别出有效的特征。同时，小目标的区域特征容易受到背景和其他实例的干扰，进一步给学习的特征引入噪声，进而影响后续网络的检测;

（3）边界框受扰动影响大。定位作为检测的主要任务之一，在大多数检测模型中被视为回归问题，定位精度通常用交并比IoU来度量。然而，定位小目标比定位大目标困难。如图1所示，A为真实框，小物体的预测框在对角线方向上2个像素的微小扰动（B）会导致IoU的从100%下降到25%;而中型和大型物体的IoU分别下降到51%和68%。与此同时，更大的4个像素扰动（C）进一步加剧了这种情况，小目标IoU下降到了4%。由此可见，小对象受边界框扰动的影响大得多[10-13]；

（4）训练样本不足。正负样本匹配是训练高性能检测器关键的一步。然而，当涉及到小物体时，事情就变得更难了。具体来说，小实例占用相当小的区域，并且与锚框的重叠区域有限。这极大地挑战了传统的标签分配策略，这些策略一般是基于与真实框的重叠情况来匹配正负样本，导致在训练过程中为小目标分配的正样本不足。

针对上述4点问题，文中基于YOLOv5识别算法进行小目标预测、锚框重聚类、增强CAM和相似度度量等改进。

2 工业互联网下YOLOv5胶料图像缺陷检测算法

2.1 增加小目标的预测特征层

由K-means++聚类的结果生成新的锚框如表1所示。对比原YOLOv5算法，改进后的YOLOv5s-T新增了针对小目标特征层P2的3个锚框：（6，6）、（9，7）、（7，16），它比原算法中的锚框尺度更小，有利于捕捉更小的目标。

目前主流的目标检测算法都采取了基于IoU的度量方式，比如正负样本匹配、定位损失计算、mAP精度评估、非极大值抑制（NMS）等过程中，IoU都是重要的衡量指标。而相比于普通目标，小目标的IoU对扰动非常敏感。如图2所示，在同样3个像素扰动下，普通目标IoU从0.85降到了0.51；而小目标的IoU从0.51降到了0.04，这种敏感会使网络对胶料缺陷小目标的检测精度大幅下降[14-18]。

对于胶料缺陷检测的小目标而言，预测边界框的位置受目标尺寸影响较大，目标中心定位比边界框贴合度更为重要，因而基于IoU的度量方式不适合小目标。为了更好地度量小目标，提出了一种新的度量标准，用Wasserstein距离来度量边界框与真实框的相似度，以取代标准的IoU。具体来说，首先将边界框建模为二维高斯分布，边界框中心像素的权重最高，像素的重要性从中心到边界逐渐降低［19-20］。边界框二维高斯分布的概率密度函数为：

S-YOLOv5s为融合所有上述改进点后的模型，相比于原YOLOv5s模型，S-YOLOv5s在精度上有了大幅提升，在测试集上IoU阈值为0.5时的平均精度提升了4.92%;IoU阈值为0.5～0.95时的平均精度均值提升了3.03%。另外，在S-YOLOv5s网络推理时使用soft NMS的非极大值抑制的方法使提升了近3.2%。主要是因为数据集中的目标重叠程度也较高。但相比NMS，soft NMS耗时大大增加，使得检测速度FPS从192降低到了19 s。

3.2 多场景对比

实际的胶料缺陷识别环境复杂多变，工业互联网下的智能制造也必须克服天气、光照等环境条件变化。下面各图展示了多个场景下原YOLOv5s模型和改进后的S-YOLOv5s模型的检测效果对比。

3.2.1 快速进料条件下的缺陷检测

图4展示了快速进料下缺陷检测效果对比。

从图4可以看出，对于原始图像中的多个胶料缺陷目标，YOLOv5s算法未检测出来，漏检率较高;而改进后的S-YOLOv5s算法显著降低了漏检率。

3.2.2 弱光照环境下胶料缺陷检测

光照的强弱不仅会影响检测摄像头对生产实景的拍摄质量，同时还会对胶料缺陷色彩特征的表达产生干扰。图5展示了弱光照环境下的检测情况对比。

弱光照环境对小目标检测算法的鲁棒性是一种考验，通过图中的对比同样发现无论是检测精度还是漏检情况，改进后的算法都优于原算法。

通过多场景对比可以看出，在胶料缺陷目标数据集上，改进的算法比原YOLOv5s算法检测效果普遍更好。

4 结语

基于工业互联网智能制造场景下的胶料缺陷识别问题，首先分析了胶料缺陷识别问题的定性，即小目标检测的研究背景。基于工业互联技术在原有网络结构上增加了小目标预测特征层P2来提取浅层的小目标特征信息，并利用K-means++聚类算法重新聚类生成4个特征层的4组锚框。此外，通过引入CAM模块向PAN结构注入上下信息来增强小目标的语义信息，用基于归一化Wasserstein距离的定位损失取代基于IoU的损失函数，缓解了小目标偏移敏感性问题。最终形成了针对胶料缺陷检测算法S-YOLOv5s。同时以自建数据集为基础构建了胶料缺陷目标数据集并进行了对比实验。优化后的S-YOLOv5s模型在数据集上的检测精度提升了4.92%，提升了3.03%，并且各个类比的检测精度和召回率均有提升，说明了改进后的S-YOLOv5s算法在胶料缺陷检测优于原YOLOv5s算法。

【参考文献】

［1］李艳红，陈宏书，郑建龙，等.高分子材料疲劳行为的研究［J］.化学推进剂与高分子材料，2008（2）：54-57.

［2］鲍中村.NR/SSBR并用胶疲劳微观机理的研究［D］.青岛：青岛科技大学，2013.

［3］苏俊杰，崔雪静，姜瑞玉，等.未填充天然橡胶屈挠疲劳微观破坏发展机理分析［J］.弹性体，2018，28（2）：31-35.

［4］罗俊.基于改进Sobel算子的胶料表面缺陷识别方法的研究［D］.哈尔滨：东北林业大学，2020.

［5］戴京.图像局部不变特征提取技术研究及其应用［D］.大连：大连理工大学，2019.

［6］王勇，张伟，高锐，等.基于YOLOv4的结构用锯材表面缺陷识别［J］.林业工程学报，2021，6（4）：120-126.

［7］李宝昭.基于匹配的图像识别算法的应用研究［D］.广州：广东工业大学，2007.

［8］周俊宇，陈岳，骆国铭，等. 基于非线性优化的储能系统调度方法［J］. 微型电脑应用，2021，37（11）： 94-96.

［9］肖建斌，国继红，邹志德. 不同补强体系胶料疲劳断裂性能的研究［J］. 橡胶工业，2000，8（10）： 584-587.

［10］易贞弟. 基于机器视觉的零件表面缺陷检测技术研究［D］.沈阳：沈阳理工大学，2015.

［11］张立新.基于表面缺陷检测的金属图像识别［J］.粘接，2019，40（8）：121-123.

［12］王道累，刘易腾，杜文斌，等.基于级联孪生密集网络的金属表面缺陷检测方法［J］.计算机辅助设计与图形学学报，2022，34（6）：946-952.

［13］张东岭.基于图像处理的机械材料缺陷检测技术研究［J］.粘接，2022，49（6）：39-43.

［14］王权顺，吕蕾，黄德丰，等.基于改进YOLOv4算法的苹果叶部病害缺陷检测研究［J］.中国农机化学报，2022，43（11）：182-187.

［15］郭瑞. 基于机器视觉的曲边玻璃缺陷检测［D］.烟台：烟台大学，2019.

［16］郭劼，孔晶. 皮革表带防水性能测试方法设计及其应用研究［J］. 合成材料老化与应用. 2022，51（4）： 57-58.

［17］胡秀兵. 基于机器视觉的藥片检测系统研究［D］.天津：天津工业大学，2018.

［18］徐佳乐，黄丹平，廖世鹏，等.基于线扫描技术的轴承表面缺陷检测方法研究［J］.中国测试，2022，48（11）：88-94.

［19］高新波，莫梦竟成，汪海涛，等. 小目标检测研究进展［J］. 数据采集与处理，2021，36（3）：27-28.

［20］贾瑛.胶料表面用先进计算机视觉检测技术的粘性测量研究［J］. 粘接， 2021，48（11）：102-105.

收稿日期：2023-01-11；修回日期：2023-04-11

作者简介：喻朝新（1973-），男，硕士，高级工程师，研究方向：IT云计算；E-mail：yucxiin583@sina.com。

引文格式：喻朝新，郭松涛，郭佳哲.基于工业互联技术的胶料质量缺陷检测模型搭建分析[J].粘接，2023，50（6）：19-22.