基于YOLOV5实现包装箱纸板破损缺陷检测

纸板对于我们来说再熟悉不过了，基本上每天都要与各种类型的纸板打交道，尤其是节日的时候，各种快递各种纸盒的拆个不停，纸箱的纸板在生产、制造、运输等等各个环节容易出现破损等问题，想要基于AI技术自动实现破损缺陷纸板的及时自动发现还是很有必要的。本文主要就是想尝试基于目标检测模型的方式来尝试构建破损缺陷问题检测模型，首先看下效果图：

同样，这里沿用的是经典的轻量级yolov5s模型，对应的yaml文件如下：

#Parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

#Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

#Head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

这里待检测的目标对象只有一类就是破损缺陷，任何纸板表面的破损、抓痕、撕裂等均属于待检测的问题对象。

简单看下这里拍摄到的数据：

VOC格式的标注数据集：

YOLO格式的标注数据集：

默认执行100次的epoch计算，日志输出如下所示：

训练完成结果数据目录如下所示：

可视化推理如下：

上传图像：

推理检测：