在注塑齿轮生产过程中，由于温度、注塑时间等因素影响，齿轮可能出现表面黑点、轮齿变形、轮齿缺失等缺陷。由于齿轮缺陷检测过程往往十分复杂，检测设备也较为昂贵，因此在实际生产中迫切需要对齿轮进行快速检测和分析。传统齿轮制造过程中的检测方式以人工检测为主，但是人工检测不可避免地会出现错检、漏检等问题。机器视觉检测是一种非接触式无损检测，在高速、精细和重复的制造过程中更加可靠，与传统的检测方法相比，具有不可替代的优越性。
陈硕等提出利用广泛的 Canny 算子提取出待检齿轮的轮廓，通过计算机求解出轮廓之间的距离，但该方法可能在提取轮廓时出现误差且识别速度较低。郭冕等提出以模态分解模型将齿轮信号分解，并通过 BP 神经网络，实现微型塑料齿轮缺陷检测，但该方法在齿轮信号除噪声方面检测识别精度低、鲁棒性差。杨亚等采用 SURF 算法对于齿轮的特征进行匹配，获取缺陷信息后采用 OSTU 算法对缺陷进行分割处理并分类，但是该方法不能很好的分类缺陷。JEON-GHYEON 等采用声波频率分析法，采用 CNN 模型进行分析缺陷，数据分析需要大量时间，导致检测效率降低。仇娇慧等提出一种改进的 YOLOv5 网络模型，但该模型中的主干网络 C3 结构以及添加的注意力机制结构导致参数量上升、识别速度降低。
基于上述问题，本文提出一种改进的 YOLOv5s (即 VSD-YOLOv5s) 网络模型。该网络模型使用轻量化 ShuffleNetv2 主干网络，引入 SE 注意力机制及 DI-OU-NMS 方法，提升注塑齿轮缺陷检测的识别精度与识别速度。
一、YOLOv5s 网络模型结构
YOLOv5 包含 4 个版本的目标检测网络模型，即 YOLOv5s、YOLOv5m、YOLOv51 和 YOLOv5x，模型的规模和训练参数的数量在 4 个版本中依次增加，其中，YOLOv5s 网络模型最快。考虑到缺陷检测需要严格的实时性，本文以最简单、最快的网络模型 YOLOv5s 作为基准，来完成表面缺陷的在线检测。YOLOv5s 的结构由 4 部分组成，输入端、Backbone 网络、Neck 网络、Prediction 输出端，如图 1 所示。输入端采用自适应图像填充、自适应锚框计算和 Mosaic 数据增强，以提升检测的准确性; 在 Backbone 网络中，使用了 Focus 模块、C3 主干网络模块和卷积模块。Focus 模块主要用于切片操作，通过增加特征图的维度来缩小特征图的尺寸，同时保留图像特征信息。C3 主干网络模块中的残差结构有效防止梯度消失，使得特征更加细致; Neck 网络中主要包含 C3 网络模块、上采样和下采样过程，降低计算量，同时提高特征融合能力和信息保留度。Prediction 输出端中使用 NMS 后处理方法筛选多个目标锚框，抑制无效信息，以提高识别准确性。
二、改进的 YOLOv5s 网络模型
为了满足注塑齿轮表面缺陷在线检测的速度和识别精度要求，本文提出了一种 VSD-YOLOv5s 网络模型，对 YOLOv5s 的结构进行了修改，能够检测不规则和细小的齿轮缺陷。
将主干网络 C3 替换为 ShuffleNetV2
YOLOv5s 中主干网络 C3，如图 2 所示，旨在更好地提取图像的深层特征。C3 主要由 Bottleneck、Conv2d、BN + SiLU 激活函数组成，输入通道分为两个分支，通过两个分支的卷积运算，将特征映射中的通道数减半。然后特征映射通过第二分支中的 Conv2d 层、BN 层和瓶颈层，并利用 Concat 层对两个分支进行深度融合。最后，通过连续穿过 Conv2d 层和 BN 层生成模块的输出特征映射，特征映射的大小与主干网络 C3 的输入大小相同。
YOLOv5s 主干特征提取网络采用 C3 网络结构，带来较大的参数量，识别速度较慢，应用受限。因此本文将主干特征提取网络替换为更轻量的 ShuffleNetV2 网络结构，以实现网络模型的轻量化，提升识别速度和识别精度。
如图 3 所示，本文使用先进的 ShuffleNetv2 单元，其中 Channel Split 操作将通道数平均分成两部分，代替了原有的分组卷积结构。每个分支中的卷积层输入、输出通道数均相同，其中一个分支不进行任何操作以减少基本单元数。针对 ShuffleNetv2 中单元块的下采样，不再采用 Channel Split，通过在每个分支中添加stride = 2 代替原有的 Channel Split 模块以提高模型容量及检测效率。最后使用 Concat、Channle Shuffle 代替原有的 Add、Re-LU 模块以增加模型通道之间的信息交流。综合上述改动，特征图空间大小将减半，且使模型具有较高的模型容量和检测效率，减小了模型的计算复杂度，降低了模型的内存占用率，极大地提高了模型的计算效率。
引入 SE 注意力机制模块
注意力机制是指重点关注检测部分而忽略无关要素，SE 注意力机制模块，如图 4 所示。首先，对特征映射进行压缩操作以获得通道的全局特征; 然后，对全局特征进行激励操作，以学习通道之间的关系，并获取不同通道的权重; 最后，对原始特征映射进行乘法操作，得到最终的特征。这个机制有助于模型更加注重信息量最大的通道特征，同时抑制那些不重要的通道特征。
本文通过引入 SE 注意力机制模块，以建立卷积特征通道之间的相互依赖性来提高网络的表示能力。首先，输入特征图 X，让其经过 Ftr操作生成特征图 U; 然后，进行 Squeeze 操作、Excitation 操作，Scale 操作。Squeeze 操作是一种压缩操作，它将输入图像 的高度 H 和宽度 W 都压缩为 1，但通道数不变的矩阵。通常使用全局平均“池化”操作来实现，以确保最终特征包含输入图像的所有信息。Excitation 操作对通过 Squeeze 操作生成的 1 × 1 × C 特征图进行维度降低和恢复操作，使用全连接层获取不同通道的权重，自动关注具有最高权重的通道。Scale 操作是一种简单的加权运算操作，它将 Excitation 操作生成的特征图与输入特征图通过 Sigmoid 激活函数进行 Channel 运算，得到输出值。
将 NMS 改进为 DIOU-NMS
在 YOLOv5s 原有的 NMS 中，使用 IOU 度量来抑制冗余检测框，IOU 的全称为交并比，即表示为预测边框 A(Prediction box) 和真实边框 B(Ground truth box) 的交集和并集的比值。IOU 的计算公式为:
但 IOU 度量法并未将两个框之间的中心点距离考虑在抑制标准之内，此时模型检测到的遗漏框和错误框的数量将会增加。考虑到以上情况，为提高模型检测的准确性，本文使用 DIOU-NMS 方法，其计算函数方程可以定义为:
式中: Si 表示第 i 个检测框对应的置信度得分，RDIOU ( M，bi ) 表示基于 DIOU 的检测框交叉比，M 表示置信度得分最高的检测框，bi 表示剩余检测框集合中的第 i 个检测框，Nt 表示设定的阈值。本文 DIOU 损失函数的惩罚项可以定义为:
如图 5 所示，c 是覆盖两个锚框的最小封闭框的对角线长度，d = ρ 2 ( b，bgt ) 是两个锚框的中心点的距离。其中 b 和 bgt分别表示和的中心点，ρ 为欧氏距离，c 为覆盖两个框的最小包围框的对角线长度。DIOU 损失函数可以定义为:
以此来看，DIOU 损失函数不是按外接矩形和并集面积的差值，而是同时最小化外接矩形的面积和两框中心点的距离，这会使得网络更倾向于移动边界框的位置来减少损失函数。因此，考虑到影响边界框检测的 3 个几何因素，即重叠区域、中心点距离和纵横比，并在此基础上将 DIOU-NMS 方法添加到本文的模型中，从而加快了模型的收敛速度，提高了模型的性能。
三、结果与分析
实验环境: 在该实验中使用的计算机中央处理单元(CPU 型号) 是 Intel(R) Core(TM) i7-12700F CPU@ 2.10 GHz，并且运行存储器是 16 GB。图形处理器 (GPU 型号) 为 NVIDIA GeForce RTX 1080 独立显卡，显存为 8 GB。采用 64 位 Windows 10 操作系统作为软件环境，PyCharm 作为开发平台，PyTorch 作为深度学习框架，Python 作为编程语言，CUDA 11.3 版本并行计算框架作为开发平台，如图 7 所示。
实验数据集共包含 2000 张分辨率为 640 × 640 的图片，按照 8∶ 2 的比例划分为数据集和验证集。在训练过程中，设置每批次训练 16 张图片，初始学习率为 0.003，IOU 阈值为 0.5，针对所有参照模型均按照这些参数训练 300 个 Epoch。
数据集预处理: 采用自制的齿轮缺陷数据集，其中主要包括轮齿变形、轮齿缺失、表面黑点3 种情况，如图 8 所示。运用 VSD-YOLOv5s 模型进行缺陷检测，采用 Mosaic 增强方法和自适应锚框方法对于数据集进行前期处理。
本文 VSD-YOLOv5s 模型的模型评估指标主要包括准确率(P) 、召回率(R) ，平均识别精度(MAP) 、识别速度(FPS) 。
式中: TP 表示正确识别齿轮缺陷，FP 表示对齿轮缺陷识别的错误分类，FN 表示不明齿轮缺陷，C 表示齿轮缺陷对象类别的数量，k 表示 IOU 阈值，N 表示阈值的 IOU 数量，P(k) 表示识别精度，R(k) 表示召回率。
如图 9 所示，为了对 VSD-YOLOv5s 模型的检测性能进行全面评估，本文采用 YOLOv5s 和 VSD-YOLOv5s 作为纵向比较模型、采用经典的目标检测模型 Fast- RCNN 作为横向比较模型，设置相同的实验参数，上述模型的检测效果表 1 所示。
由表1 的实验结果可知，VSD-YOLOv5s 的 MAP 达到 94.1%，准确率达到 95.1%，相较于另外 3 种模型有所提升，对各类表面缺陷具有良好的检测效果，识别速度相较于 YOLOv5s，FPS 提高5 fps。因此，与 YOLOv5s，Fast-RC-NN 两种模型相比，VSD-YOLOv5s 模型具有优越的检测性能，取得了最佳的检测效果，能够满足在线缺陷检测系统的较高识别精度需求。
本文将3 种模型在测试过程中产生的准确率以及召回率记录并绘制 P-R 曲线图，如图 10 所示，通过 P-R 曲线我们可以看到 VSD-YOLOv5s 模型的性能优于 Fast-RCNN 和 YOLOv5s。
为了验证不同改进方法对 YOLOv5s 模型性能的影响，本文对多种改进方法进行了比较与讨论，如表 2 所示。“√”表明网络模型中加入此模块，而“× ”表明网络模型中没有加入此模块。原 YOLOv5s 模型的大小是 14.58 MB，FPS 为 70 fps。使用 ShuffleNetV2 模块的轻量级 ShuffleNetV2-YOLOv5s 模型的大小减少到 7. 95 MB，FPS 提升到74 fps。结果表明，当在模型中加入 ShuffleNetV2 时，可达到模型轻量化的效果并提升识别速度; 单独使用 SE 模块时，YOLOv5s 模型的 MAP 从 91.2% 增加到 92.1% 。ShuffleNetV2-YOLOv5s 模型的 MAP 从 91.80% 增加到93.8% 。当SE 注意力机制、DIOU-NMS 以及 ShuffleNetV2 同时应用时，相比于原模型，VSD-YOLOv5s 模型的识别准确率提升了 0. 9% ，识别精度提升了 1.7% ，识别速度提升了 5 fps， 模型的性能得到了全面改善，达到最优。
四、结论
针对注塑齿轮缺陷检测存在的问题，提出一种 VSD-YOLOv5s 的齿轮缺陷检测轻量化网络模型结构，在改进后的模型架构中，使用了轻量级的 ShuffleNetV2 模块，为了准确识别注塑齿轮缺陷的不同种类，在模型中引入 SE 注意力机制，将 NMS 改进为 DIOU-NMS 方法加速模型的收敛，在不同测试集进行测试验证 VSD-YOLOv5s 网络模型的可行性，实验结果表明，模型满足在线检测系统对高实时性、低漏检率和低误检率的要求，结构更简化，复杂度更低，检测识别精度更高。未来在模型的实际应用中，将建立缺陷样本库，并及时收集和完善样本库，提升检测效果。
参考文献略.