基于机器视觉的卷纸包装检测模型设计

针对卷纸包装检测效率低、人工成本高的问题,本研究基于机器视觉设计了一个卷纸包装检测模型,并命名为F-YOLOv4。首先利用工业相机在卷纸包装过程中采集目标图像,并人工标注制作成数据集;随后基于YOLOv4构建卷纸包装检测模型,通过引入轻量级的混合通道注意力模块,以强化重要特征同时避免背景噪声的引入;并设计了残差上采样模块以提升上采样的效果;最后在检测头部分,将不同分辨率的特征进行了融合以丰富特征图信息。研究结果表明,F-YOLOv4模型的准确率为97.53%,高于原始模型1.97%,检测速度为129 f/s,模型大小为39.7 MB。F-YOLOv4模型能够有效解决卷纸包装问题,为企业降低用人成本,提高生产效率。

基于注意力机制和多尺度特征融合的卷纸包装缺陷检测算法

本文针对卷纸包装缺陷检测问题,提出了一种基于注意力机制和多尺度特征融合的卷纸包装缺陷检测算法FYOLOv5。该方法具有以下特点:以轻量级的YOLOv5s模型为骨干网络结构,在特征提取网络引入卷积注意力模块,提升模型对卷纸缺陷关键特征的提取能力。在颈部网络引入自适应空间特征融合模块,提高模型多尺度特征融合能力,使模型对高层的语义信息以及对底层的轮廓、形状和颜色等视觉信息利用更加充分。在检测头部分利用Decouple模块对目标检测任务进行分解,使模型更易优化。最后,使用αIoU损失函数优化当真实框与预测框重合时的IoU计算退化问题。本文采集并标注了卷纸包装缺陷检测数据集,并在该数据集上进行实验。实验结果表明,改进后的检测模型准确率达到了95.3%,高于原始模型2.1%,同时推理速度能够满足卷纸包装的检测需求。