基于自编码器的白酒玻璃包装标签缺陷检测.pdfVIP

摘要

近年来，随着白酒产品质量以及防伪要求的提高，白酒玻璃包装的质量检测已经成

为了生产制造过程中的一个关键环节，确保玻璃包装标签的无缺陷是生产企业不可忽视

的重要环节。针对现有研究在面对酒瓶标签缺陷检测时存在的不足，提出了一种结合目

标检测、对比学习的图像分割缺陷检测方法，论文具体研究内容如下：

（1）针对玻璃材料在成像时出现的不同程度光斑，导致检测结果极易受到此类非

检测区域的干扰，从而出现误检的问题，采用简化后的YOLOv5s来定位出待检测区域，

通过生成的检测区域掩码排除非检测区域对检测结果的影响。

（2）针对标签漏印等小尺寸缺陷在特征提取过程中存在的目标信息丢失，导致难

以检测的问题，首先通过特征提取网络将输入图像转化为特征图，然后对不同尺度的特

征图进行融合，使特征图包含更多不同尺度的信息，从而提升了微小缺陷检测的准确率。

（3）针对标签缺陷类型多样，导致在应对未知缺陷时无法有效的检测，鲁棒性较差

的问题，采用了对比学习的思想来比较正样本与负样本的差异，利用自编码器来重建修

复输入的特征，通过输入前后的差来定位出缺陷位置，提高了模型在应对未知缺陷时的

鲁棒性。

（4）针对自编码器模型复杂度高，难以满足工业自动化高效率检测要求的问题，采

用深度可分离卷积与PConv（PartialConvolution）替代自编码器中原有的普通卷积结构，

再通过剪枝对模型进行稀疏化。通过算法的实时性分析可知，对模型进行轻量化改进后，

模型的平均推理速度提升了46%。

（5）最后再利用TensorRT对训练好的模型进一步优化，得到针对特定硬件优化后

的推理引擎文件，在运行时通过反序列化推理引擎文件完成模型在Windows端与Linux

端的部署推理。

所提方法增强了模型的抗干扰能力，极大的降低了非检测区域的误检问题；通过特

征提取与融合，微小缺陷的漏检得以改善；在面对未知缺陷时，网络模型能够检测出未

经训练的缺陷样本，使得网络具有较好的鲁棒性。实验结果表明，模型在四种数据集上

的平均F1Score达到了0.980。经过网络轻量化的改进，模型大小降至25.8MB，参数量

相比轻量化前减少了60.4%，极大的降低了模型的大小以及参数量。经过TensorRT加

速后，模型在RTX3090与JetsonOrinNX上的平均推理速度分别达到了35FPS与31FPS，

满足了实时检测的要求。

关键词：标签缺陷检测；目标检测；图像分割；对比学习；算法部署

Abstract

Inrecentyears,withtheimprovementofliquorproductqualityandanti-counterfeiting

requirements,qualityinspectionofglasspackagingforliquorhasbecomeakeyaspectinthe

productionprocess,ensuringflawlessglasspackaginglabelsisanimportantaspectthat

productionenterprisescannotignore.Toaddresstheshortcomingsinexistingresearchfor

detectingdefectsinliquorbottlelabels,amethodcombiningobjectdetectionandcontrastive

learningforimagesegmentationdefectdetectionisproposed.Thespecificresearchcontentof

thepaperisasfollows:

(1)Inresponsetotheinterferencecausedbyvaryingdegreesoflightspotswhenimaging

glassmaterials,leadingtothesuscepti