摘要：采用Yolov5对玻璃瓶盖进行缺陷检测，做到工业落地部署，该任务相对来说在工业界较为简单，性能也能够满足客户要求，做到漏判≤0.01%，误报≤0.5%，交付成功；
1. 工业缺陷检测简介
在工业生产中，质量保证是一个很重要的话题， 因此在生产中细小的缺陷需要被可靠的检出。工业异常检出旨在从正常的样本中检测异常的、有缺陷的情况。工业异常检测主要面临的挑战：
1）难以获取大量异常样本 2）正常样本和异常样本差异较小 3）异常的类型不能预先得知
这些挑战使得很难使用传统的分类算法训练，需要提出特殊的方法来应对处理。
1.数据集介绍
挑战
•在玻璃瓶生产过程中，由于加工工艺的复杂性，无法避免产生各种的缺陷产品，给产品质量带来严重隐患。
• 为了提高产品出厂的品质，厂家通常依靠大量的人工检查来挑除废品。
但人工检查速度慢，需要占用大量的人力、物力资源和场地资源，而且人眼长时间工作后，极易出现疲劳和疏忽的情况，无法高效保证产品质量。
• 玻璃瓶缺陷类型细微，且易反光，增加检测难度。
缺陷类型：cap
数据集数量：125张
1.1 通过split_train_val.py得到trainval.txt、val.txt、test.txt
代码语言：javascript复制# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='Annotations', type=str, help='input xml label path')
#数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 0.9
train_percent = 0.8
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath '/trainval.txt', 'w')
file_test = open(txtsavepath '/test.txt', 'w')
file_train = open(txtsavepath '/train.txt', 'w')
file_val = open(txtsavepath '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] 'n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()1.2 通过voc_label.py得到适合yolov5训练需要的
代码语言：javascript复制# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val']
classes = ["cap"] # 改成自己的类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] box[1]) / 2.0 - 1
y = (box[2] box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
#difficult = obj.find('Difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) " " " ".join([str(a) for a in bb]) 'n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('labels/'):
os.makedirs('labels/')
image_ids = open('ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
list_file = open('%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path '/images/%s.jpgn' % (image_id))
convert_annotation(image_id)
list_file.close()2.基于yolov5的瓶盖缺陷识别
2.1配置 bottleneck.yaml
代码语言：javascript复制train: ./data/bottleneck/trainval.txt
val: ./data/bottleneck/test.txt
# number of classes
nc: 1
# class names
names: ["gap"]2.2 修改yolov5s_bottleneck.yaml
代码语言：javascript复制# YOLOv5
