基于YOLOv5的工藝品包裝箱缺陷檢測

摘要：包裝箱是商品流通過程中的重要保障之一，針對(duì)跨國運(yùn)輸?shù)耐赓Q(mào)工藝品，確保外包裝紙箱外觀整潔無破損、變形和污漬是極其必要的。文章提出了一種全新的包裝箱缺陷檢測解決方案，將目標(biāo)檢測技術(shù)應(yīng)用于國內(nèi)外貿(mào)物流倉庫；通過在物流倉庫進(jìn)行實(shí)際考察拍攝，自制數(shù)據(jù)集，分別訓(xùn)練YOLOx、YOLOv4、YOLOv5模型。通過檢測結(jié)果對(duì)比得出，YOLOv5為檢測效果最準(zhǔn)確、效率最高的模型，平均精度均值（Mean Average Precision， mAP）為90.3%，平均精度（Average Precision，AP）值最大，每秒檢測幀數(shù)（Frames Per Second，F(xiàn)PS）值可滿足實(shí)際應(yīng)用需求。

關(guān)鍵詞：YOLOv5；工藝品包裝箱；深度學(xué)習(xí)；缺陷檢測

中圖分類號(hào)：TP181文獻(xiàn)標(biāo)志碼：A

0 引言

隨著中國工藝品產(chǎn)業(yè)的迅速發(fā)展，工藝品外貿(mào)企業(yè)正面臨著日益嚴(yán)格的出口標(biāo)準(zhǔn)和質(zhì)量要求的挑戰(zhàn)。這一挑戰(zhàn)并非僅停留在產(chǎn)品本身的質(zhì)量，還涉及整個(gè)供應(yīng)鏈環(huán)節(jié)，尤其是物流包裝箱的質(zhì)量問題對(duì)于保護(hù)易損工藝品至關(guān)重要。工藝品通常因?yàn)槠涮厥庑远资艿竭\(yùn)輸過程中的振動(dòng)、碰撞等影響，因此，出口企業(yè)必須在包裝箱的完整度上下足功夫。損壞的包裝箱會(huì)導(dǎo)致客戶不滿，給企業(yè)造成形象和經(jīng)濟(jì)上的損失。隨著國際形勢日漸緊張，國家之間的政治與經(jīng)濟(jì)矛盾越來越嚴(yán)重，刺激了全球貿(mào)易保護(hù)主義行為的出現(xiàn)，中國集裝箱與貨物的出口標(biāo)準(zhǔn)越來越嚴(yán)格［1］。例如：物流包裝箱上存在缺陷［2］，國外倉庫將直接拒收，國內(nèi)外貿(mào)工藝品公司需承擔(dān)高昂的退回運(yùn)費(fèi)，或直接造成商品損耗。

本文通過對(duì)物流倉庫的走訪調(diào)查，歸納出外貿(mào)工藝品包裝箱缺陷可分為破損、污漬、彎折3類［3］，若無法及時(shí)檢測，繼續(xù)有此類缺陷的包裝箱運(yùn)輸至國外，將會(huì)給外貿(mào)公司帶來巨大損失。目前，國內(nèi)大多物流倉庫依然采用傳統(tǒng)人工目視檢測的方法對(duì)包裝箱缺陷進(jìn)行檢測，受光線昏暗、人員疲勞等因素影響，效果一直不佳。因此，本文采用目標(biāo)檢測的方法對(duì)包裝箱的缺陷處進(jìn)行高效、準(zhǔn)確識(shí)別。

近年來，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域取得了突破［4］，因?yàn)槠鋵?duì)光線、形變等不確定變量的魯棒性強(qiáng)，故可應(yīng)用于目標(biāo)檢測方面。適用于目標(biāo)檢測的YOLO系列算法已經(jīng)多次迭代［5］，YOLOv5延續(xù)了先前YOLO系列算法的模型結(jié)構(gòu)，在YOLOv4的基礎(chǔ)上降低了模型大小，具有更快的推理速度和更高的檢測精度，模型更加簡潔，滿足物流倉庫對(duì)于缺陷檢測的準(zhǔn)確性和速度的要求，可以減少誤檢漏檢，提高檢測效率，適用于包裝箱缺陷檢測。因此，本文采用基于YOLOv5的目標(biāo)檢測方法對(duì)包裝箱的缺陷處進(jìn)行高效、準(zhǔn)確識(shí)別。通過對(duì)YOLOx、YOLOv4、YOLOv5這3種模型進(jìn)行訓(xùn)練對(duì)比［6］，將本文實(shí)驗(yàn)結(jié)果數(shù)據(jù)指標(biāo)進(jìn)行對(duì)比，選擇最合適的模型應(yīng)用于實(shí)際物流包裝箱缺陷檢測。

1 缺陷檢測模型

1.1 YOLO模型

2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等［7］提出了一種單階段（one-stage）的目標(biāo)檢測網(wǎng)絡(luò)，將其取名為YOLO（You Only Look Once）。YOLO 的核心思想是把目標(biāo)檢測轉(zhuǎn)變成一個(gè)回歸問題，利用整張圖作為網(wǎng)絡(luò)的輸入，僅經(jīng)過一個(gè)神經(jīng)網(wǎng)絡(luò)，得到bounding box（邊界框）的位置及其所屬的類別。

1.2 YOLOv5模型

YOLOv5作為一種單階段目標(biāo)檢測算法，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其核心結(jié)構(gòu)包括輸入端、骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)（NECK）和檢測頭（HEAD）4個(gè)關(guān)鍵部分。輸入端負(fù)責(zé)自適應(yīng)縮放輸入圖像、歸一化和增強(qiáng)，以確保模型對(duì)于不同尺寸和特征的輸入圖像都能夠有良好的適應(yīng)性，并增加訓(xùn)練數(shù)據(jù)的多樣性。骨干網(wǎng)絡(luò)則負(fù)責(zé)提取圖像特征，通過一系列卷積層逐漸將圖像信息抽象和提煉，以便后續(xù)處理。頸部網(wǎng)絡(luò)的設(shè)計(jì)旨在增強(qiáng)網(wǎng)絡(luò)的多樣性和魯棒性，可能采用注意力機(jī)制、跳躍連接等方式，幫助網(wǎng)絡(luò)更好地捕捉圖像中的關(guān)鍵信息。檢測頭完成多目標(biāo)的分類預(yù)測，通過一系列的卷積和全連接層整合提取到的特征，得到目標(biāo)的類別和位置信息。綜合來看，YOLOv5的每個(gè)部分在整體目標(biāo)檢測任務(wù)中都扮演著不可或缺的角色，共同構(gòu)成了一個(gè)高效準(zhǔn)確的目標(biāo)檢測系統(tǒng)。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集制作

現(xiàn)階段還沒有公開的高質(zhì)量包裝缺陷數(shù)據(jù)集，因此為達(dá)到研究目的，本文通過實(shí)地拍攝方式，采集2463張包裝箱缺陷圖像，如圖2所示，將缺陷分為破損、污漬、彎折3種。

在收集的圖片中，每張至少包含一處破損類型，至少有一個(gè)破損點(diǎn)。采集后對(duì)缺陷類型進(jìn)行分類整合，按照形狀和成因?qū)⑹占娜毕莘譃椴煌N類。本文使用Labelimg工具對(duì)包裝缺陷進(jìn)行標(biāo)記和分類。

2.2 實(shí)驗(yàn)平臺(tái)及環(huán)境

本實(shí)驗(yàn)軟硬件配置如表1所示。

3 實(shí)驗(yàn)結(jié)論與分析

在保證試驗(yàn)環(huán)境不變的情況下，本文使用相同訓(xùn)練集對(duì)YOLOx、YOLOv4、YOLOv5進(jìn)行訓(xùn)練；完成訓(xùn)練后，使用相同測試集對(duì)效果指標(biāo)進(jìn)行測試，對(duì)3個(gè)模型的AP、mAP、FPS值進(jìn)行對(duì)比。

評(píng)估目標(biāo)檢測算法性能的關(guān)鍵指標(biāo)，如AP、mAP和FPS。這些指標(biāo)對(duì)于評(píng)估模型在識(shí)別紙箱外觀缺陷方面的效果至關(guān)重要。評(píng)估過程不僅需要考慮模型在不同缺陷類型上的表現(xiàn)，還應(yīng)考慮模型在不同條件的魯棒性，以確保其在實(shí)際場景中的可靠性。針對(duì)性能評(píng)估，本文采用測試集進(jìn)行測試，以模擬實(shí)際生產(chǎn)環(huán)境中的各種情況。評(píng)估過程應(yīng)關(guān)注模型的誤檢率和漏檢率，確保模型既能準(zhǔn)確地識(shí)別缺陷，又能避免誤檢或漏檢重要缺陷；還應(yīng)全面細(xì)致地對(duì)目標(biāo)檢測算法在紙箱外觀缺陷識(shí)別方面的指標(biāo)進(jìn)行評(píng)估，以確保其在實(shí)際應(yīng)用中的有效性和可靠性。下面對(duì)比以上3個(gè)指標(biāo)。

AP用于評(píng)價(jià)模型對(duì)某類缺陷識(shí)別的準(zhǔn)確率，AP值VAP的計(jì)算方法如式（1）所示。

mAP用于衡量模型中存在多種目標(biāo)時(shí)的檢測性能，mAP值VmAP的計(jì)算方法如式（2）所示。

其中，N代表缺陷的種類，在本實(shí)驗(yàn)中N表示破損、污漬、彎折3種不同缺陷，將3種缺陷的AP值求平均數(shù)可得到mAP值。mAP值越大，則表明模型對(duì)紙箱3種類別缺陷檢測效果越好。

FPS值代表每秒檢測圖片的數(shù)量，如果FPS值越高，則表示模型的檢測速度越快。但是，檢測速度通常與識(shí)別準(zhǔn)確率相反，需要將二者做到平衡，才能夠更好地應(yīng)用于實(shí)際生產(chǎn)。

YOLOv5模型訓(xùn)練后檢測結(jié)果如圖3所示。通過AP指標(biāo)對(duì)檢測性能進(jìn)行對(duì)比，分析結(jié)果如圖4所示。由圖4可知：YOLOv5的AP值最高。

不同模型性能對(duì)比結(jié)果如表2所示。由表可知：YOLOv5的mAP值最大，對(duì)紙箱3種類別缺陷檢測效果最佳；3種方法的FPS值均可滿足實(shí)際檢測速度的要求。

本文分析3種目標(biāo)檢測算法得出的結(jié)果，對(duì)實(shí)驗(yàn)結(jié)果的AP、mAP和FPS指標(biāo)進(jìn)行匯總。分析可知：YOLOv5對(duì)包裝箱的3種外觀缺陷檢測效果最好，可以在實(shí)際檢測中發(fā)揮重要作用。

本文通過推理對(duì)比結(jié)果可以得出以下結(jié)論：采用YOLOv5目標(biāo)檢測模型在多個(gè)關(guān)鍵指標(biāo)上顯著提升了性能，包括mAP、FPS等。這些結(jié)果清晰地展示了YOLOv5在包裝箱缺陷檢測中相較于YOLOv4和YOLOx模型所具備的卓越性能，為其在復(fù)雜計(jì)算任務(wù)中的應(yīng)用提供了顯著的優(yōu)勢。本研究在物流包裝箱缺陷檢測方面展現(xiàn)了可應(yīng)用性，可有效杜絕環(huán)境因素和人為因素的影響，提供高效準(zhǔn)確的檢測結(jié)果。

4 結(jié)語

本文使用實(shí)際收集的缺陷數(shù)據(jù)制作數(shù)據(jù)集，將YOLOx、YOLMhG7a0PH0k7p/PYsl1zigSkzywEby9oNlL4bI9/FlqQ=Ov4、YOLOv5 3種模型進(jìn)行訓(xùn)練，通過對(duì)比數(shù)據(jù)和效果可知：YOLOv5可以更加高效準(zhǔn)確地識(shí)別包裝箱上的缺陷，受環(huán)境影響較小，相比于傳統(tǒng)的人工目視檢測法，能夠提示檢測效率，節(jié)省檢測時(shí)間；保證了外貿(mào)公司出口商品包裝箱的完整性，節(jié)省退回運(yùn)費(fèi)，減少商品損耗，為公司效益提供保障；在檢測包裝箱缺陷方面，YOLOv5表現(xiàn)良好。但是YOLOv5模型仍存在不足之處，例如：光線昏暗時(shí)可能出現(xiàn)漏檢、誤檢等現(xiàn)象，后續(xù)研究將繼續(xù)優(yōu)化模型，擴(kuò)充數(shù)據(jù)集，設(shè)計(jì)更為完備的硬件環(huán)境，提升檢測的準(zhǔn)確性與實(shí)用性。

參考文獻(xiàn)

［1］鄭浩.新冠肺炎疫情下工藝品企業(yè)出口貿(mào)易策略研究［D］.福州：福建農(nóng)林大學(xué)，2021.

［2］王立軍，劉慧華.物流過程中瓦楞紙箱的抗壓及振動(dòng)損傷評(píng)價(jià)［J］.天津造紙，2021（2）：39-43.

［3］王旭.基于角點(diǎn)與分塊模板匹配的印刷品文字缺陷圖像檢測方法［D］.天津：天津理工大學(xué)，2023.

［4］葉卓勛，劉妹琴，張森林.基于輕量化深度學(xué)習(xí)網(wǎng)絡(luò)的工業(yè)環(huán)境小目標(biāo)缺陷檢測［J］.控制與決策，2023（5）：1231-1238.

［5］LI Y， HUANG H， CHEN Q， et al. Research on a product quality monitoring method based on multi scale PP-YOLO［J］. IEEE Access， 2021（9）： 80373-80387.

［6］金彬，解祥新.基于改進(jìn)YOLOv4的葡萄葉片病害檢測與識(shí)別算法［J］.無線互聯(lián)科技，2023（18）：129-132.

［7］相陽，陳曉靜.基于AI的交通流狀態(tài)智能檢測與擁堵態(tài)勢分析［J］.江蘇科技信息，2023（15）：54-57，61.

Craft box defect detection based on YOLOv5

Abstract： Packaging boxes are one of the important guarantees in the circulation process of goods， for the foreign trade handicrafts transported across borders， it is extremely necessary to ensure that the appearance of the outer packaging box is clean and free of damage， deformation and stains. This article proposes a brand-new packaging box defect detection solution， applying target detection technology to domestic and foreign trade logistics warehouses for the first time. By photographing through actual inspections in logistics warehouses， a dataset is made， and YOLOx， YOLOv4， YOLOv5 models are respectively trained. By comparing the test results， it can be concluded that YOLOv5 is the most accurate and efficient model for detection. Its mean average precision is 90.3%， average precision value is max， the frames per second value can meet actual application needs.

Key words： YOLOv5; crafts packaging box; deep learning; defect detection