基于深度学习的复合薄膜气泡智能检测技术研究

基于深度学习的复合薄膜气泡智能检测技术研究

引用

CSDN

1.

https://blog.csdn.net/checkpaper/article/details/144628791

复合薄膜在包装材料中占据重要地位，但生产过程中产生的气泡缺陷会影响其质量和性能。本文基于深度学习技术，提出了一种智能检测方案，通过改进YOLOv5算法并结合注意力机制，实现了高精度、高效率的气泡检测。

数据集构建与预处理

在复合薄膜的生产过程中，气泡缺陷是一个常见的问题，这些气泡可能会影响包装材料的质量和性能。为了有效检测这些气泡，首先需要构建一个高质量的数据集。本研究中，通过软包装生产企业收集了大量复合薄膜气泡的图像，并进行了预处理。预处理过程包括对原始图像进行切分，以减小图像尺寸至更适合YOLOv5网络输入的大小。此外，根据气泡的特征将其分为三个类别：cluster（聚集型）、big（大型）和small（小型），这有助于解决由于气泡大小和形状不同带来的特征提取难题。

为了提升模型性能，还采用了多种数据增强技术，如旋转、翻转和颜色抖动等，经过多次实验验证，发现数据增强显著提升了模型的mAP@0.5（平均精度均值）指标，相比未增强的数据提高了19.7%。针对不同的实验需求，构建了三个不同的数据集：全数据集包含22589张图片，子数据集随机抽取了1500张用于快速测试，原数据集则有3227张图片。这三个数据集按照6:2:2的比例随机分配为训练集、验证集和测试集，确保了数据分布的合理性。

改进YOLOv5算法及其优化

为了提高气泡检测的精度和效率，基于YOLOv5算法进行了多方面的改进。首先，比较了两种常用的优化器——SGD（随机梯度下降）和Adam对于复合薄膜气泡数据集的适应性。实验结果显示，在当前的应用场景下，SGD优化器表现更佳，能够将mAP@0.5提升至94.3%，表明其更适合处理这类特定任务。

接着，引入了注意力机制来进一步改善模型性能。具体来说，分别尝试了SE（Squeeze-and-Excitation）、CBAM（Convolutional Block Attention Module）、ECA（Efficient Channel Attention）和CA（Coordinate Attention）四种注意力机制，并将它们添加到YOLOv5网络的不同位置，如Backbone模块中的SPPF层之前或C3结构内部。实验结果证明，将CA注意力机制嵌入C3结构可以最大程度地提升模型性能，使得mAP@0.5达到了95.1%。

最后，为了实现模型轻量化，引入了Ghost Net这一轻量级网络架构。通过一系列实验探索了Ghost Net与带有注意力机制的模型融合的可能性，特别是在子数据集上的五组实验，评估了不同组合方式下的效果。最终确定了一个名为YOLOv5-C3CA-Ghostnet-D的新算法模型，它不仅保持了较高的检测精度，而且模型体积从原来的13.7MB缩小到了11.7MB，实现了显著的轻量化。

模型应用与性能评估

利用上述方法建立的YOLOv5-C3CA-Ghostnet-D模型被应用于实际的复合薄膜气泡检测任务中。使用全数据集对该模型进行了全面训练，结果显示，该模型在检测复合薄膜气泡方面表现出色，准确率达到91.8%，召回率为90.1%，而平均精度均值更是高达95.3%。更重要的是，当用生产现场采集的真实气泡图片测试时，模型依然能够准确识别出所有的气泡，且置信度非常高。

此外，该模型还展示了出色的实时性，平均检测速度达到每秒84帧（FPS），远超工业标准要求，足以满足在线检测的需求。因此，这项研究表明，基于深度学习的方法可以在不牺牲精度的前提下大幅提高复合薄膜气泡检测的速度和可靠性，为相关行业提供了有效的技术支持。

MATLAB代码示例

以下是MATLAB代码示例，用于加载预训练模型并执行预测：

% MATLAB代码示例，用于加载预训练模型并执行预测
clear; clc;
close all;
% 加载预训练的YOLOv5模型
net = yolov5('yolov5s', 'WeightsFile', 'path/to/weights/file');
% 设置图像路径
imageFolder = 'path/to/image/folder';
imds = imageDatastore(imageFolder, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
% 遍历所有图像文件
for i = 1:length(imds.Files)
    % 读取图像
    img = imread(imds.Files{i});
    
    % 执行预测
    [bboxes, scores, labels] = detect(net, img);
    
    % 绘制边界框和标签
    detectedImg = insertObjectAnnotation(img, 'rectangle', bboxes, cellstr(labels));
    
    % 显示结果图像
    imshow(detectedImg);
    title(sprintf('Image: %d, Detected Objects: %d', i, length(bboxes)));
    
    % 如果需要保存检测结果
    % imwrite(detectedImg, ['output_', num2str(i), '.jpg']);
end
% 定义辅助函数用于绘制混淆矩阵
function plotConfusionMatrix(actualLabels, predictedLabels)
    cm = confusionchart(actualLabels, predictedLabels);
    title(cm, 'Confusion Matrix');
end
% 示例：计算并绘制混淆矩阵
actualLabels = categorical({'cluster'; 'big'; 'small'; 'cluster'; 'big'});
predictedLabels = categorical({'cluster'; 'big'; 'small'; 'small'; 'big'});
plotConfusionMatrix(actualLabels, predictedLabels);
% 定义辅助函数用于评估模型性能
function evaluateModelPerformance(detections, groundTruth)
    % 计算TP, FP, TN, FN等指标
    % 此处省略具体实现细节
    
    % 输出性能指标
    disp('Model Performance:');
    disp(['Precision: ', num2str(precision)]);
    disp(['Recall: ', num2str(recall)]);
    disp(['F1 Score: ', num2str(f1Score)]);
end
% 示例：评估模型性能
% detections 和 groundTruth 是假定的检测结果和真实标签
evaluateModelPerformance(detections, groundTruth);
% 以下代码段展示如何创建自定义数据增强函数
function augmentedImage = augmentImage(image)
    % 定义数据增强操作，例如随机旋转、缩放、翻转等
    % 此处仅作示意，实际应用中应根据需求调整参数
    tform = randomAffine2d('XTranslation', [-50, 50], 'YTranslation', [-50, 50], ...
                           'Rotation', [-30, 30], 'Scale', [0.8, 1.2]);
    augmentedImage = imwarp(image, tform, 'FillValues', mean(image(:)));
end
% 应用数据增强到单个图像
originalImage = imread('path/to/single/image.jpg');
augmentedImage = augmentImage(originalImage);
% 显示原始图像和增强后的图像对比
figure;
subplot(1, 2, 1); imshow(originalImage); title('Original Image');
subplot(1, 2, 2); imshow(augmentedImage); title('Augmented Image');