1、文章编号：1671-7872(2023)02-0166-07基于轻量级卷积神经网络的注油孔检测算法孟瑞1a,1b，卢宗远1a，丛英浩2(1.安徽工业大学 a.机械工程学院，b.工程研究院,安徽 马鞍山 243032；2.上海梅山钢铁股份有限公司,江苏 南京 210039)摘要：为解决当前注油机器人目标检测算法对现场适应性弱、识别率低等问题，通过改进 YOLOv5 算法，提出一种新的注油孔检测算法 YOLOv5-S。将 ShuffleNetv2 用于图像的特征提取，通过调整输入图像的分辨率以及扩大部分基本单元中深度卷积核尺寸，确保算法既具有轻量级网络结构又具有高精度的检测水平；采集不同工况下注油
2、孔的图像，将其分类并标注，采用YOLOv5-S，YOLOv5，YOLOv3-tiny 算法对其进行训练实验，验证提出算法的有效性。结果表明：YOLOv5-S 在注油孔数据集上的检测精度保持在 99.4%，与原算法相比，其模型容量压缩了 77%，检测速度提升了 11.7 F/s。本文提出的检测算法在工控机算力和存储资源有限的条件下具备良好的识别准确率和检测速度。关键词：轻量级卷积神经网络；机器视觉；目标检测；注油孔中图分类号：O 436文献标志码：Adoi：10.12415/j.issn.16717872.22230Oil Injection Hole Detection Algorithm B
3、ased on Lightweight ConvolutionNeural NetworkMENG Rui1a,1b,LU Zongyuan1a,CONG Yinghao2(1.a.School of Mechanical Engineering,b.Engineering Research Institute,Anhui University of Technology,Maanshan 243032,China;2.Shanghai Meishan Iron and Steel Limited by Share Ltd,Nanjing 210039,China)Abstract：In or
4、der to solve the problems of weak adaptability and low recognition rate of current target detectionalgorithm for oil injection robots,a new oil injection hole detection algorithm YOLOv5-S was proposed byimproving YOLOv5 algorithm.ShuffleNetv2 was used as the feature extraction of the image,the resol
5、ution of theinput image was adjusted,and the depth convolution kernel size in some basic units was expanded to ensure that thealgorithm has both a lightweight network structure and a high-precision detection level.The collected oil injectionhole images under different working conditions were classif
6、ied and labeled,and YOLOv5-S,YOLOv5,YOLOv3tiny algorithms were used to train them to verify the effectiveness of the proposed algorithm.The results show thatthe detection accuracy of YOLOv5-S on the oil injection hole dataset remains at 99.4%.Compared with the originalalgorithm,its model capacity is
7、 reduced by 77%,and the detection speed is increased by 11.7 F/s.The detectionalgorithm proposed in this paper has good recognition accuracy and detection speed under the condition of limitedcomputing power and storage resources of industrial computer.Keywords：lightweight convolutional neural networ
8、k;machine vision;object detection;oil injection hole 收稿日期：2022-09-05基金项目：国家自然科学基金项目(51605005)；安徽省高校自然科学重点基金项目(KJ2020A0244)作者简介：孟瑞(1982)，男，山东济南人，高级实验师，硕士生导师，主要研究方向为多学科优化设计与机器人系统开发、机械故障诊断。引文格式：孟瑞，卢宗远，丛英浩.基于轻量级卷积神经网络的注油孔检测算法 J.安徽工业大学学报(自然科学版)，2023，40(2):166-172，190.Vol.40 No.2安 徽 工 业 大 学 学 报 (自然科学版)第 4
9、0 卷 第 2 期April2023J.of Anhui University of Technology(Natural Science)2023 年4 月 烧结机台车在作业的整个过程中，台车轴承经受着高温、重载等恶劣的工况，轴承在缺少润滑的状态下磨损加剧，经常出现损坏，严重影响台车的使用寿命，进而影响烧结生产稳定运行。为确保烧结机台车车轮的良好润滑状态，目前使用一种机器视觉的跟踪注油系统控制机器人自动为车轮注油。其中常采用全局阈值分割、数学形态学、边缘特征提取、霍夫圆检测等传统机器视觉检测算法来定位注油孔1。传统检测算法快速便捷，但易受光照、灰尘、油污等现场因素的干扰，导致检测的准确率不高
10、；此外，人工设计的特征与分类器的主观选择也影响识别的准确率。对于表面整洁的注油孔，采用阈值分割和霍夫圆检测等传统机器视觉算法可快速准确地检测到其坐标；但对于注油后的油孔因表面常留有黄油油渍，且油渍分布不规则，采用传统机器视觉检测算法很难准确检测注油孔位置。与传统机器视觉检测算法相比，卷积神经网络作为深度学习领域的重要分支，在处理图像数据时采用卷积神经网络提取特征，特征表达及泛化能力优于人工设计的特征2。随着计算机视觉与深度学习技术在工业机器人领域的广泛应用，深度卷积神经网络(deep convolutional neural networks，DCNN)在视觉机器人中突显出巨大优势。深度学习检
11、测算法主要分为两种，一种是两阶段目标检测算法，主要有 RCNN(region withCNN feature)、Fast RCNN、Faster RCNN35等，先由网络获取目标区域候选框，再通过 RCNN 进行分类。赵卫东等6使用 Faster RCNN 作为电表字符缺陷分步检测算法，在检测每张图像耗时 0.6 s 的情况下，准确率达 99.9%。然而两阶段目标检测中生成候选区域步骤占用大量资源，导致检测速度慢。与之相比，以SSD(single shot multibox detector)7、YOLO89等为代表的单阶段目标检测算法，只需一次提取特征即可实现目标检测，检测速度快。李维刚等1
12、0通过调整 YOLOv3 算法结构，融合浅层与深层特征形成新的大尺度检测图层，在 NEUDET 数据集上的检测精度较原 YOLOv3 算法提高了 11%，检测速度保持在 50 F/s；卢艳东等11提出一种改进的 YOLOv3-tiny 轻量级轨道紧固件检测算法，采用具有反向残差的线性瓶颈结构为主干，采用深度可分离卷积检测头部，改进的 YOLOv3-tiny 检测精度达 98.81%，检测速度达25 F/s。上述算法中通过使用改进的卷积神经网络完成不同尺度目标的检测。对于注油机器人等工业流水线类机器人，检测的目标尺度相对固定、检测难度较低，但对检测的实时性要求较高；且机器人部署平台性能有限，当前
13、深度学习模型冗余度较大无法充分发挥检测效果。鉴于此，基于 YOLOv5 算法，提出一种改进的轻量级检测算法 YOLOv5-S，采用 ShuffleNetv2 作为特征提取部分并调整输入图像分辨率和深度卷积核尺寸，以期机器人在工控机算力和存储资源有限时也具备良好的识别率和检测速度。1网络构建 1.1YOLOv5 网络结构YOLO 系列算法是目前使用最多的一种单阶段目标检测算法，当前最新版本为 YOLOv5，结构如图 1。YOLOv5 对应 4 个模型，分别是 v5s，v5m，v5l 和 v5x。YOLOv5s 模型相对简洁、训练速度快，其他版本模型都是在 YOLOv5s 模型的基础上对结构进行加
14、深与加宽的。文中选用模型最小的 YOLOv5s。YOLOv5 分为三部分，具体为特征提取、FPN 与 YOLO Head。将输入的图像缩放至规定尺寸后，在主干网络中进行特征提取，获取 3 个有效特征层用于下一步网络的构建；FPN 为 YOLOv5 的加强特征提取网络，主干网络输出的 3 个有效特征层通过 FPN 进行特征融合，结合不同尺度的特征信息进行特征加强；YOLOHead 是 YOLOv5 的分类器与回归器。通过主干网络和 FPN 获得 3 个加强的有效特征层，每个特征层的特征图都有宽、高和通道数，此时特征图可看作特征点的集合，每个特征点的特征数即为通道数。每个特征点由 YOLO Hea
15、d 判断是否有目标物体与其对应。因此，YOLOv5 算法目标检测流程为特征提取、特征加强、预测特征点对应的目标。1.2ShuffleNetv2 网络结构Ma 等12将 ShuffleNetv2 作为一个有效的分类网络，同时提出 4 条实用准则：1)当卷积层输入输出特征通道数相等时，内存访问量(memory access cost，MAC)最小，模型速度最快；2)卷积的分组运算增加 MAC，以减慢模型速度；第 2 期孟瑞，等：基于轻量级卷积神经网络的注油孔检测算法167 3)模型中的分支数越少，模型速度越快；4)元素操作的时间消耗远大于触发器中反映的值，应尽量减少元素操作。基于上述 4 个标准，
16、文中提出 ShuffleNetv2 网络结构，如表 1。在 ShuffleNetv2 网络模型中，主要结构是中间的 3 个 stage，每个 stage 中 ShuffleNetv2 的下采样单元均重复 1 次，ShuffleNetv2 基本单元重复次数分别为 3，7，3。图 2(a)为 ShuffleNetv2 的基本单元，输入的特征通道被平分后分别进入 2 个分支卷积，再将输出进行堆叠操作，特征图通过基本单元的操作后大小和通道数不变。图 2(b)为 Shuffle-Netv2 的下采样单元，将输入的特征通道复制 2 份直接进入 2 个分支，特征图尺寸通过下采样单元的操作后变小，输出的通道数增加 1 倍。对于 ShuffleNetv2结构，在边缘设备部署时具有较低的延时及较好的泛化性能。为实现在更低计算资源的嵌入式场景中使用，或在轻量级检测框架中作为网络的特征提取部分，需对 ShuffleNetv2 进行优化。表 1 ShuffleNetv2 网络结构Tab.1ShuffleNetv2 network structure特征层输出卷积核 步长 重复 输出通道数Image2242243