基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于LightYOLO_CBAM网络模型的冻饺表面缺陷实时检测方法


[0001]本专利技术涉及一种冷冻食品检测
，尤其涉及冻饺表面缺陷实时检测方法
。

技术介绍

[0002]随着科技的发展和生活节奏的加快，传统的食品制作过程复杂已不能满足当前快节奏的生活需求，而速冻食品因其方便
、
快捷
、
营养丰富等优点，深受消费者的青睐，尤其是年轻人和城市的工薪阶层，它不仅节省了大量的烹饪时间，还满足了人们对生活多样化的需求
。
[0003]速冻食品分为速冻米面制品
、
速冻火锅料和速冻其它制品三大类
。
我国速冻米面制品占速冻食品比例超过
50
％，速冻火锅料和速冻其它制品所占比例分别为
33.3
％
、14.3
％
。
速冻米面制品又细分为水饺
、
汤圆
、
粽子
、
油条等，其中速冻水饺的销售额占整个速冻米面制品销售额的
50
％，其产量和销售量在相关食品中也位居前列
。
[0004]速冻水饺是在
‑
30℃
左右的环境中冻结，在
‑
20℃
到
‑
18℃
的低温状态下包装
、
流通和销售
。
速冻水饺在生产过程中会因为设备
、
技术以及工艺的不稳定性，某些饺子表面会产生缺陷，这些表面缺陷严重影响了饺子的外观质量
、
食用口感以及饺子内部微生物的含量
(
破口后外部生物容易进入饺子内部
)。
因此，在包装之前需要对冻饺的外观进行检测，避免不合格产品流入市场
。
[0005]同时，对冻饺表面缺陷检测数据进行挖掘
、
分析，有利于企业在相关设备
、
技术以及工艺方面的改善升级
。
目前，速冻食品企业对速冻水饺表面缺陷检测主要还是采用人工检测的方式
。
工人需要穿戴专业的保暖工作服，通过手眼配合在
‑
18℃
的环境下进行冻饺的缺陷检测并进行手工剔除，主要存在以下问题：
[0006](1)
由于冻饺输送带运行速度高，人工检出率很低，一般低于
30
％；
[0007](2)
对工人的熟练程度要求较高；
[0008](3)
人工检测存在主观性，标准很难实现统一，容易出现误检；
[0009](4)
工人劳动强度大，由于视觉疲劳容易引起漏检；
[0010](5)
工人长时间在低温环境下工作，容易影响身体健康
。
[0011]清华大学天津高端装备研究院洛阳先进制造产业研发基地的专利“一种水饺视觉检测方法及系统”公开了一种基于深度学习的的检测方法，该方法基于已有的算法，采用标注后的图像进行训练以得到缺陷检测模型，未能根据检测水饺的需要改良算法，检测精度有待提高，检测时对于饺子与背景
(
传送带
)
的色差要求较高，该专利说明书第
24
段记载的内容，也表明如果饺子与背景
(
传送带
)
的色差不大，图像不容易正确分割识别
。
该专利为了更好地将缺陷与水饺进行区分，需要采用彩色相机，并且是精度为
0.2
毫米
/
像素的工业相机，对于光源等也有严格的要求，整体设备成本较高
。
[0012]本专利技术的技术思路在于通过对现有算法进行有针对性的改进，降低对硬件的要求，在相同硬件条件下相比现有算法具有更准确的识别性能
。
[0013]YOLOv4
是一种流行的目标检测模型，由骨干网络
(Backbone)、
融合层
(Neck)
和检
测头
(Head)
组成
。
[0014]融合层
(Neck)
中具有
SPP
层，用于解决输入图像尺寸不一致的问题，提高模型的感受野，增强模型对目标的理解能力
。
[0015]YOLOv4
的处理过程是：被检测的图像作为输入传递至骨干网络，骨干网络对图像进行特征提取，得到提取后的特征图
。
骨干网络提取的特征图传递给融合层，融合层将不同层级和不同尺度的特征图进行融合，捕捉不同尺度的目标信息，生成融合后的特征图
。
融合后的特征图传递给检测头，检测头对融合后的特征图进行进一步处理，生成目标的边界框和类别概率，输出识别结果，包括目标的类别和位置信息
。
[0016]本专利技术的目的，是对
YOLOv4
目标检测模型的骨干网络
、
融合层以及检测头分别进行改进，在冻饺表面缺陷的识别中降低对检测硬件的要求，提高识别性能
。

技术实现思路

[0017]本专利技术的目的在于提供一种基于的冻饺表面缺陷实时检测方法，对
YOLOv4
深度网络结构进行改进优化，冻饺表面缺陷的识别中提高识别准确率
。
[0018]为实现上述目的，本专利技术的基于
LightYOLO_CBAM
网络模型的冻饺表面缺陷实时检测方法按以下步骤进行：
[0019]第一步骤是制作标注数据集，在标注数据集的每张图像当中，标注出每个冻饺的位置及类别；
[0020]第二步骤是数据预处理，对图像进行尺寸缩放和数据增强；
[0021]第三步骤是针对冻饺表面缺陷实时检测，构建
LightYOLO_CBAM
网络模型；
[0022]第四步骤是对
LightYOLO_CBAM
网络模型进行训练；
[0023]第五步骤是保存
LightYOLO_CBAM
网络模型；
[0024]第六步骤是使用
LightYOLO_CBAM
网络模型针对通过摄像装置输入的冻饺图像进行表面缺陷实时检测
。
[0025]第一步骤中，人工使用开源深度学习标注工具
LabelImg
对速冻水饺图像进行标注；
[0026]标注出每个冻饺的位置具体是在标注数据集的每张图像当中，对每个冻饺使用
LabelImg
工具栏中的矩形框标注将该冻饺所在的区域标注出来；
[0027]标注类别时，对于冻饺预设七个类，分别为
Normal、Leak、Broken_belly、Broken_ends、Crack、Adhesion
以及
Malformation
，
[0028]人工对每个冻饺附注标签以区分冻饺类别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
LightYOLO_CBAM
网络模型的冻饺表面缺陷实时检测方法，其特征在于按以下步骤进行：第一步骤是制作标注数据集，在标注数据集的每张图像当中，标注出每个冻饺的位置及类别；第二步骤是数据预处理，对图像进行尺寸缩放和数据增强；第三步骤是针对冻饺表面缺陷实时检测，构建
LightYOLO_CBAM
网络模型；第四步骤是对
LightYOLO_CBAM
网络模型进行训练；第五步骤是保存
LightYOLO_CBAM
网络模型；第六步骤是使用
LightYOLO_CBAM
网络模型针对通过摄像装置输入的冻饺图像进行表面缺陷实时检测
。2.
根据权利要求1所述的基于
LightYOLO_CBAM
网络模型的冻饺表面缺陷实时检测方法，其特征在于：第一步骤中，人工使用开源深度学习标注工具
LabelImg
对速冻水饺图像进行标注；标注出每个冻饺的位置具体是在标注数据集的每张图像当中，对每个冻饺使用
LabelImg
工具栏中的矩形框标注将该冻饺所在的区域标注出来；标注类别时，对于冻饺预设七个类，分别为
Normal、Leak、Broken_belly、Broken_ends、Crack、Adhesion
以及
Malformation
，人工对每个冻饺附注标签以区分冻饺类别，形成标注数据集，最后保存标注好的文件
。3.
根据权利要求2所述的基于
LightYOLO_CBAM
网络模型的冻饺表面缺陷实时检测方法，其特征在于：第二步骤中，对图像进行尺寸缩放具体是：对采集的速冻水饺各图像以相同比例缩放其宽高，用
RGB
为
128
的颜色填充，最终缩放后的各图像的宽高具有相同尺寸且图像画面内容不产生形变；第二步骤中，对图像进行数据增强具体是：采用
Mosaic
数据增强方法，随机抽取四张图像进行拼接组合成一张新的图像，新图像中包含对应的标签信息；对图像进行数据增强分为三步：第一是：随机从标注数据集中抽取四张图像，第二是：分别对四张图像进行翻转和缩放，再将四张处理后的图像放在四个原尺寸画布的左上
、
左下
、
右上和右下四个位置；第三是：将四张图像中的图片区域截取下来并拼接成一张新的图像，四张图像的标签信息也重新计算合并入新图像的标签信息
。4.
根据权利要求3所述的基于
LightYOLO_CBAM
网络模型的冻饺表面缺陷实时检测方法，其特征在于：第三步骤具体是：对现有的
YOLOv4
目标检测模型进行改造，包括：
①
针对骨干网络即
Backbone
，将
MobileNetv1
作为
LightYOLO_CBAM
网络模型的骨干网络即
Backbone
，其核心是深度可分离卷积；
②
针对融合层即
Neck
，使用标准卷积和深度可分离卷积交替堆叠模块
CD_3
和
CD_5
相应替换
PANet
中连续标准卷积模块
CBL
×3和
CBL
×5，作为
LightYOLO_CBAM
网络模型的融合层
即
Neck
；
③
针对融合层即
Neck
，使用
Softpool
构建
SPP
层；
④
针对检测头即
Head
，保留
YOLOv4
目标检测模型中原有的
YOLO Head52
×
52
模块和
YOLO Head26
×
26
模块，再添加
YOLO Head104
×
104
模块，删除
YOLO Head13
×
13
模块，但保留
13
×
13
特征图，
104
×
104、52
×
52
...

【专利技术属性】
技术研发人员：费致根，李培婷，姚雷，肖艳秋，王才东，曹宁，郑华栋，代利国，赵斌斌，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：