[发明专利]一种基于YOLOV5网络的香烟小包外观缺陷检测方法

说明书

本发明公开一种基于YOLOV5网络的香烟小包外观缺陷检测方法，属于缺陷检测领域。具体包括如下步骤：S1、采集香烟小包四个工位的原始图像；S2、在采集到的原始图像中，进行缺陷样本标注，形成缺陷样本集；S3、将缺陷样本集数据增强并划分；S4、构建YOLOV5网络，利用迁移学习训练网络，获取最优网络模型参数；S5、完成样本预测，进行后续动作。本发明将YOLOV5网络应用至香烟小包外观缺陷检测，自动识别各种外观缺陷，处理速度快，检测精度高。

技术领域

本发明涉及一种基于YOLOV5网络的香烟小包外观缺陷检测方法，属于缺陷检测领域。

背景技术

随着科技的发展，烟企均采用智能化设备对香烟进行高速自动化包装。在此过程中不可避免的出现瑕疵产品，例如香烟小包出现拉线错牙、破损、翻包、变形等情况，进而严重影响企业的品牌形象，降低消费者的满意度，对其竞争力产生负面影响。因而，很多企业均采用抽检的方法对香烟包装质量进行监控，此方法存在随机性，不利于质量的追溯。目前，烟业采用的香烟外观缺陷检测手段主要是依赖传统的机器视觉方法，即人工设置数个检测框，根据香烟的颜色、图案或者纹理等设计特征，建立合格品的模板，将待测产品与模板进行对比，超过设定的阈值即为不良品。此种方法可以有效的实现烟包外观检测，识别率和处理速度均满足生产需求。但是此种方法需要人工设置检测框，因而对经验依赖较大，参数调整繁琐界面不够友好，用户难上手，只能处理已知位置的缺陷，灵活性较差。近年来，基于深度学习方法在目标检测识别领域展现出巨大的优越性。深度学习方法无需人工设计特征，可以自主识别小包外观缺陷特征，能够有效克服光照或传输时抖动等因素的影响。近年来，基于区域建议的深度网络模型如R-CNN、Fast RCNN、Faster RCNN等，被成功应用至工业检测现场，但此类网络模型处理速度较低，不能满足高速传输的烟包外观检测的实时性要求。针对上述问题，本发明将YOLOV5网络应用至香烟小包外观缺陷检测，自动识别各种外观缺陷，处理速度快，检测精度高。

发明内容

本发明的目的在于提出一种基于YOLOV5网络的香烟小包外观缺陷检测方法，已解决现有的检测方法处理速度较低，不能满足高速传输的烟包外观检测的实时性要求等问题。

一种基于YOLOV5网络的香烟小包外观缺陷检测方法，所述基于YOLOV5网络的香烟小包外观缺陷检测方法包括以下步骤：

S1、采集香烟小包四个工位的原始图像；

S2、在采集到的原始图像中，进行缺陷样本标注，形成缺陷样本集；

S3、将缺陷样本集数据增强并划分；

S4、构建YOLOV5网络，利用迁移学习训练网络，获取最优网络模型参数；

S5、完成样本预测，进行后续动作。

进一步的，在S1中，具体的，当高速传送装置上运行的香烟到达光电传感器位置时，触发四个工位的工业相机动作，从正面、俯视、左侧面以及右侧面采集香烟小包的原始图像，采集的图像尺寸为640*480。

进一步的，在S2中，具体的，利用LabelImg工具对香烟小包外观中出现的各类缺陷样本进行标记，获取缺陷的位置信息，类别均设置为defect类，进行缺陷标注的每类缺陷样本数据量不低于300张。

进一步的，缺陷样本的类别包括破损、翻包、翻盖和变形。

进一步的，在S3中，具体的，对烟包图像通过随机翻转、随机裁剪、随机缩放、随机排布的方式进行拼接，完成标注数据集的扩充，按照固定的比例将增强后的数据集划分为训练集、验证集和测试集三类。