基于YOLOv3算法的多行紐扣計數

李 彥，朱凌云

(1.東華大學信息科學與技術學院，上海 201620；2.數字化紡織服裝技術教育部工程研究中心，上海 201620)

0 引言

對生產線的紐扣進行計數是紐扣生產流程中非常重要的步驟，而現在依然有許多紐扣生產廠采用人工計數的方法。即便是自動計數，一般也是采用機械計數、定位計量、光學計數等方法，由排隊裝置排列出一個個紐扣，在傳送帶上進行計數。姚暢[1]設計了一種采用3路傳輸的大批量紐扣排隊與分揀設備，分揀速度較高但結構較為復雜。楊海洋[2]提出了一種粗略人群計數方法，能夠實現流量預測。王杰[3]采用改進的Vibe目標檢測算法實現鉆桿計數。

近年來，卷積神經網絡(convolutional neural network，CNN)得到了很大程度的發展[4-6]。你只看一次(you only look once,YOLO)是一種端到端的目標檢測算法,其在檢測速度與效率上都有不錯的表現[7-10]。強恩超等[11]提出基于YOLOv3的闖紅燈行人數統計系統設計，驗證了在計數方面的可實現性，但計數算法不適用于目標太密集的情況。

為了保證基于YOLOv3檢測后紐扣計數的高適應性和準確性，本文提出了基于YOLOv3算法的多通道紐扣計數，通過類似軟件防抖的方式消除由YOLOv3算法帶來的定位誤差影響。采用多通道計數，提高計數效率。采用K-means++算法對紐扣標簽進行聚類分析,以確定最優的檢測框寬高值。

1 YOLOv3算法

YOLOv3采用端到端的檢測方法，并將圖像劃分為S×S的網格，判斷目標中心點是否位于該網格內，從而實現多目標檢測。該算法在檢測速度上具有很大的優勢，同時可滿足較高的檢測準確度。

2 數據集擴增

針對紐扣數據集單一以及制作大量數據集標簽困難的問題，對數據集進行擴增，有利于提高檢測效率并減少不必要的時間開支。因為紐扣自身是較為對稱的結構，本文對紐扣進行旋轉操作，可以避免不必要的信息損失。對已打標簽的紐扣圖像以及標簽作旋轉操作(60°、90°、120°、150°、210°、240°以及300°旋轉，即數據集變為原來的8倍)，并對旋轉后的空白處作填零處理。不同角度的旋轉圖像如圖1所示。

圖1 不同角度的旋轉圖像Fig.1 Rotated images at different angles

3 紐扣計數方法

目前，紐扣自動計數依然主要采用光學設備。隨著機器視覺技術的發展，將有更多的工業產品采用機器視覺的方法計數。本文設計了基于YOLOv3的多行紐扣計數方法，可以準確地實現多行密集紐扣計數。

3.1 單通道紐扣計數

對于傳送帶上單行傳輸的紐扣，因為紐扣穿過圖像上任意一條豎線的次數為1，可以借此來判斷傳送帶上跑過紐扣的數量。但使用YOLOv3算法來進行定位，存在一定的定位誤差，極易造成計數誤差。因此，本文對此進行改變，并且使用了如圖2所示的單通道計數矩形框。

圖2 單通道計數矩形框Fig.2 Single channel counting rectangle

單通道紐扣計數的步驟如下。

①將采集到的圖像送入YOLOv3網絡,對紐扣進行檢測與定位。

②獲取檢測到的紐扣矩形框中心點坐標，并判斷其是否位于矩形框內。當連續3次以上檢測到紐扣中心坐標位于矩形框，置紐扣標志位為1；當連續2次及以上未檢測到中心點位于矩形框的紐扣，置該標志位為0。

③當標志位為下降沿，即標志位由1變為0時，紐扣數目加1。

基于軟件消抖的思想，通過多次檢測box中心點位于矩形框的紐扣，能夠降低由于YOLOv3算法漏檢造成的錯誤計數風險。

3.2 多通道紐扣計數

對于傳送帶上密集多行傳輸的紐扣，使用YOLOv3算法對其定位，并提出了一種多通道的紐扣計數方法。其實現步驟如下。

①設定K值(K值為可同時檢測的通道數)，初始化K條橫向通道為封閉并設定寬度，初始化豎向通道為開啟并設定寬度。

②設定所有橫向通道的mask位(用于判斷是否檢測到紐扣)為0。

③獲取YOLOv3檢測到的預測框及其對應的中心點。

④得到所有中心點位于豎向通道內的預測框，判斷這些預測框是否位于已開放的橫向通道內。若是，則該通道mask位置為1；否則，置一封閉橫向通道為開放，其mask位為1，設該通道位置為該中心點。

⑤根據mask位，對所有已開放的橫向通道采用單通道計數方法，連續兩次橫向通道mask為0，則置該橫向通道為封閉。

⑥回到步驟②，處理下一張圖像。

4 試驗與分析

4.1 紐扣數據集標簽制作

紐扣數據集制作的效果，會在一定程度上影響算法檢測的效果。為了與實際的檢測情形保持一致，使用運動的紐扣圖片作為數據集。同時，因為紐扣矩形框標簽制作的效率問題，采用單行紐扣圖片作為訓練集，以LabelImg軟件制作標簽。試驗表明，采用該方法檢測多行紐扣，也能達到很高的檢測效率。

4.2 試驗環境配置與模型訓練結果

本文采用的試驗設備CPU與顯卡分別為i5 9400F與GTX 1060 6g，操作系統為Ubuntu 18.04。模型訓練結果如圖3所示。由LOSS曲線可以看出，在模型進行2 000次的batches迭代后，模型LOSS基本穩定，并且維持在0.1以下，說明已基本擬合。由IOU曲線可以看出，模型IOU基本接近于1，說明矩形框擬合得很好。

圖3 模型訓練結果Fig.3 Model training results

4.3 基于YOLOv3算法的紐扣計數性能分析

由IOU曲線與LOSS曲線可以得出，YOLOv3算法模型已基本擬合。而在對該檢測系統的測試過程中，該算法對一幀圖片的運行時間約為0.07s，能夠實現紐扣的快速檢測。

本文針對紐扣進行實時計數檢測。該算法完成了紐扣計數，能夠檢測傳送帶上是否有紐扣，以及傳送帶是否處于正常速度運行狀態。試驗結果表明，該算法能夠實現對紐扣的定位以及準確計數，并能夠進行實時故障監測，說明該算法具有可行性與實用性，性能也能達到要求。

5 結論

本文基于YOLOv3算法，結合多通道計數與類似軟件消抖的方法，提出了一種多通道紐扣計數方法。在數據集方面，對紐扣圖像集進行擴增，提高了檢測效率和減少了不必要的時間開支。在試驗方面，該算法能夠實現紐扣的準確計數與簡單的故障檢測，并且能夠達到較好的實時性。該檢測系統能夠運用于生產線，提高了檢測效率與正確率，減輕了工人的勞動強度。下一步工作是在計數的同時，實現紐扣的表面瑕疵檢測，以進一步提高工作效率。