基于機器視覺的快遞包裝破損檢測

文/朱闖 孫慶峰 駱雙龍 王仁君

1.引言

傳統人工識別破損包裝的方法，已無法滿足發展的需要，在智慧物流體系的建設中，快遞包裝箱破損檢測受到各大物流企業的重視。包裝破損是影響服務質量的重要因素，對快遞包裝破損檢測方法進行研究，有利于提高破損檢測速度及工作效率，企業能夠及時作出相關處理，減少賠付，避免運輸資源浪費，提高客戶滿意度，提升服務質量。有利于實現快遞寄遞流程可跟蹤、隱患可發現、責任可追溯等目標。有較高的應用價值,可作為工業自動檢測裝備研制的重要理論依據。

2.基于機器視覺的快遞包裝破損檢測方法

本文采用Canny[1-2]邊緣檢測與改進的YOLOv5[3-4]目標檢測算法相結合的方法實現快遞包裝破損檢測。在實際中快遞包裝破損區域復雜多樣，一處破損常常導致著整個箱體的變形，或箱體多處破損。因此給YOLOv5模型的檢測帶來很大的難度，為此在模型中引入Canny邊緣檢測，盡可能保留破損特征，對圖片數據進行處理。為提高YOLOv5模型的檢測精度，在原有模型的基礎上引入ECA[5-6]（Efficient Channel Attention M odule）注意力機制改進模型。

2.1 邊緣檢測算法

在機器視覺領域，邊緣檢測算法的應用極為廣泛，Canny算子是由澳洲科學家John F.Canny開發的邊緣檢測算法之一。該算法的檢測效果好能夠盡可能多地標示出實際邊緣，且對噪音的標示率低，響應小，定位效果佳，能夠極其接近圖像中的實際邊緣。（1）高斯濾波。在邊緣檢測器中，必須使用濾波器來改善與噪聲有關的邊緣檢測器的性能，使用高斯濾波，對抑制或消除服從正態分布的噪聲非常有效，因此常其用來平滑圖像，濾除噪音。大多數濾波器會因為過度追求降噪而導致邊緣強度的損失，使檢測效果不佳，因此需要綜合考量降低噪音與增強邊緣之間的關系。在邊緣檢測算法中使用高斯濾波主要在于其能夠在消除圖像噪音影響的同時，很大程度上能有效保留邊緣信息。（2）計算梯度和方向。綜合考慮精度與效率，在計算圖像中每個像素點的梯度與方向時選用Sobel[7-8]算子。在圖像邊緣檢測算法中Sobel算子實用性很高，對噪音具有平滑作用，其抗噪聲能力很強，用途較多，效率較高，能夠提供較為精確的邊緣方向信息。且Sobel邊緣檢測算法簡單，在破損包裝檢測中應用能有夠滿足其效率要求。（3）非極大值抑制。在邊緣檢測算法中，在獲得梯度的方向和大小之后，應用非極大值抑制去除那些非邊界上的點。具體指沿著像素的梯度方向對相鄰的兩個像素進行比較，保留局部最大值以得到細化邊緣的同時抑制非局部最大值的所有值。邊緣檢測算法中對噪音的響應影響著使用性能，非極大值抑制能夠消除檢測過程中雜散響應，排除非邊緣像素，獲得細化的邊緣。（4）雙閾值算法。在實際應用中，Canny邊緣檢測算法的閾值選取對檢測結果的影響很大，因此需要通過多次實驗根據給定輸入圖像的內容確定兩個閾值，低閾值T1，高閾值T2。在完成非極大值抑制后，圖片依舊包含噪音或其他影響因素導致的假邊界影響邊緣檢測算法的結果。通過雙閾值算法，確定兩個閾值，抑制小于低閾值的邊緣像素梯度值。

2.2 改進YOLOv5目標檢測算法

YOLOv5作為一種One-stage檢測器，具有計算量小、識別速度快等優點。為滿足快遞包裝箱破損檢測的要求，使用一種改進的YOLOv5模型，通過添加ECA注意力機制，優化網絡結構，增強感受，提取更加豐富的目標特征，增強模型的特征提取能力。ECANet[9-10]主要對SENet[11-12]模塊進行了一些改進，能夠在不增加過多參數和計算成本的情況下，有效地增強網絡的表征能力。通過ECA模塊和自適應選擇一維卷積核大小的方法，從而實現了性能上的提優。

3.實驗與結果分析

目前國內外對快遞包裝破損檢測的研究還較少，由于機器視覺應用范圍廣、任務多樣，各類不同包裝的破損圖像特征與檢測參數之間難以統一，因此針對不同研究對象需建立合適的數據集。本文采用自建的快遞包裝箱破損數據集，數據集含有2872張標注圖片，其中訓練集含有2296張，取576張圖片作為測試集檢測訓練效果。

3.1 實驗設計

為了驗證本文提出的Canny邊緣檢測與改進YOLOv5目標檢測算法相結合的包裝破損檢測方法的可靠性與真實性，分別對yolov5檢測算法、canny邊緣檢測與YOLOv5目標檢測算法及canny邊緣檢測與改進YOLOv5檢測算法三種算法進行對比實驗。三種檢測算法分別對數據集進行處理，其中canny邊緣檢測算法對破損與完好兩種不同類型的快遞包裝箱的處理結果如圖1所示，從左到右依次為經過檢測算法中形態學處理后的圖片、邊緣檢測算法的結果、邊緣檢測算法實現原圖破損邊緣顯示。

圖1 邊緣檢測算法處理的圖片

圖2 各模型檢測精度結果對比圖

3.2 實驗環境

實驗在w indow s10操作系統中進行，環境配置為python3.8、pytorch1.11.0，服務器配置為Intelcore i7-7700、16G內存，顯卡為NVIDIAGTX1060 6G顯存。實驗參數保持默認使用的學習率、循環率、學習率動量等。batch size受硬件限制設置為8，epochs經實驗設置為150足以保證所有數據在最后都處于收斂階段。

3.3 實驗結果評估

實驗結果以兩種評價指標來評估三種不同模型的檢測精度，精確率（Precision，P），預測結果是正類的概率，即查準率。召回率（Recall，R），所有真實目標中，模型預測正確的目標比例，即查全率。三種算法模型的評價指標見表1：

表1 各模型評價指標表

由表4可知，本文提出的canny邊緣檢測與改進yolov5目標檢測算法相結合的方法，對快遞包裝破損檢測的效果最好，能夠達到想要的檢測效果。為更直觀地反映三種模型的檢測精度，檢測結果對比圖如下：

4.結論

以破損快遞包裝檢測為研究對象，基于機器視覺提出關于Canny邊緣檢測算法與改進YOLOv5目標檢測算法融合從而實現快遞包裝檢測的方法。利用自建的快遞包裝圖片數據集，對三種不同的算法進行實驗，對比實驗結果，得出Canny邊緣檢測算法與改進YOLOv5目標檢測算法的融合使得檢測精度與性能明顯更為優越，在稍損檢測速度的情況下，極大的提高了檢測精度，說明了該方法對快遞包裝破損檢測的可靠性與真實性。