OIL:面向工业变速输送线的闭环周期批量自适应目标检测框架

《Sensors》:OIL: A Closed-Loop Periodic Batch Adaptation Framework for Object Detection on Industrial Variable-Speed Conveyor Lines

【字体: 大 中 小 】 时间:2026年08月29日 来源:Sensors 4.0

编辑推荐:

  摘要翻译:针对工业输送带速度变化引起的运动模糊及目标检测性能退化问题,本文提出OIL,一种闭环周期批量自适应框架。首先,该框架采用集成全局注意力机制(GAM)的YOLOv8检测器,并使用由检测置信度与相邻帧预测边界框时间一致性构成的分类指数权重(CIW)。其次

  
摘要翻译:针对工业输送带速度变化引起的运动模糊及目标检测性能退化问题,本文提出OIL,一种闭环周期批量自适应框架。首先,该框架采用集成全局注意力机制(GAM)的YOLOv8检测器,并使用由检测置信度与相邻帧预测边界框时间一致性构成的分类指数权重(CIW)。其次,根据CIW及其组成指标将检测结果划分为三个区间:区间A(CIW低于0.3)、区间B(CIW介于0.3与0.5之间)和区间C(CIW高于0.5)。区间A的结果视为负样本,区间B的结果视为模糊样本,区间C的结果视为正样本。正样本用于训练候选模型,模糊样本存储在缓冲区并在后续周期中重新评估,负样本则排除在当前模型更新之外。最后,当累积的正样本数量达到预设阈值时,系统利用基线数据和新采集样本训练候选模型,并在固定的手动标注评估集上与当前部署模型进行比较。仅当候选模型整体性能提升时才进行部署,否则执行回滚。在煤流输送线上的实验表明,在25倍速度下,将OIL引入YOLOv8+GAM相比未使用OIL的相同检测器,召回率提升了34.3个百分点。在5倍至25倍的可变速度实验中,召回率保持在64.3%以上,表明所提框架能够有效抑制高速运行条件下的漏检。
论文解读:OIL:面向工业变速输送线的闭环周期批量自适应目标检测框架

一、研究背景与问题

工业生产线的自动化与智能化对提升制造效率和产品质量至关重要。目标检测技术作为机器视觉的核心支撑,已在生产线缺陷检测、状态监控和过程优化中得到广泛应用。然而,工业场景中的目标检测仍面临多重挑战:输送带速度变化易引发运动模糊,削弱边缘和纹理等关键特征,导致误检与漏检;工业数据集常存在类别不平衡、标注成本高、标签不一致等问题;环境因素如相机抖动、皮带振动、光照不均以及硬件资源限制,进一步降低了检测系统的鲁棒性。尽管已有多种注意力机制和去模糊算法被提出,但传统去模糊预处理方法计算开销大,难以满足实时在线检测需求,且对严重退化图像无法可靠恢复细节。同时,现有自适应学习方法多针对一般域偏移问题,依赖充足的目标域数据或预定义策略,难以适应工业生产线中由物理因素导致的数据分布变化。因此,亟需一种能够自动评估新采集样本并动态更新检测模型的高效在线自适应框架。

二、研究内容与主要结论

针对上述问题,研究人员提出了OIL,一种闭环周期批量自适应框架,用于工业变速输送线上的目标检测。该框架以YOLOv8n为基线检测器,在骨干网络中引入全局注意力机制(GAM),并设计了基于分类指数权重(CIW)的三级样本分类策略,以及基于综合性能指标的条件式模型更新与回滚机制。实验在煤流输送线平台上进行,覆盖5倍至25倍五种输送带速度条件。结果表明,在25倍高速条件下,YOLOv8+GAM+OIL相比YOLOv8+GAM,召回率提升34.3个百分点,mAP50提升19.2个百分点,mAP50–95提升10.3个百分点;在5倍至25倍变速实验中,召回率始终保持在64.3%以上。该研究证明了闭环周期批量自适应方法能够有效利用新采集样本适应高速运动条件,抑制运动模糊导致的漏检,同时通过回滚策略防止模型持续退化,为工业动态场景下的目标检测提供了一种可行的在线自适应方案。论文发表在《Sensors》。

三、主要关键技术方法

研究人员采用的关键技术方法包括:(1)基于YOLOv8改进的检测网络,在骨干网络中加入全局注意力机制(GAM),通过通道注意力和空间注意力联合建模,增强动态条件下的特征表征能力;(2)基于CIW的在线样本筛选与三级分类方法,CIW由检测置信度与相邻帧预测框的时间一致性IoU加权构成,将新采集样本划分为正样本、模糊样本和负样本;(3)闭环周期批量训练与条件式模型更新策略,当累积正样本达到300个时触发一个批量训练周期,候选模型在固定人工标注评估集上与当前部署模型比较,仅当综合性能提升时才部署,否则回滚。实验平台包括螺旋给料机、输送带、CCD工业相机、白色环形光源、PLC控制器和喷雾降尘装置;基线数据集在5倍速度下采集,包含800张训练图像、200张测试图像和100张验证图像,均为人工标注,涵盖清晰煤块、模糊煤块和无煤背景样本。

四、研究结果

1. CIW阈值敏感性分析:通过测试多组上下阈值组合,在相同条件下比较召回率、mAP50和mAP50–95。阈值组合(0.3,0.5)取得最高召回率和mAP50,尽管其mAP50–95并非最高,但研究更关注高速工况下的漏检抑制,因此确定0.3和0.5分别为CIW分类的下限和上限阈值。

2. 核心模块消融实验:以YOLOv8为基线,依次引入GAM、CIW引导的三级样本管理策略以及基于综合性能指标F的模型更新与回滚机制,在固定多速度评估集上比较性能。结果表明各模块均对整体性能有贡献,完整组合取得最优结果。十次重复训练实验的召回率均值为0.643,标准差极小,验证了模型训练稳定性。

3. 不同速度条件下的对比实验:在5倍至25倍速度下比较YOLOv8、YOLOv8+GAM、YOLOv8+OIL和YOLOv8+GAM+OIL。单用GAM在低速下可提升特征表征能力,但高速下适应性有限,20倍速度时YOLOv8+GAM的召回率、mAP50和mAP50–95相比YOLOv8分别下降7.2、4.7和5.4个百分点。引入OIL后,YOLOv8+OIL在25倍速度下相比YOLOv8召回率提升21.4个百分点;YOLOv8+GAM+OIL在25倍速度下相比YOLOv8+GAM召回率提升34.3个百分点。可视化结果进一步显示,完整模型在目标定位完整性、检测置信度和小目标识别方面表现最佳。

4. 回滚策略有效性分析:对比有无回滚策略的模型更新效果。无回滚策略时,从5倍到25倍速度,召回率从0.809持续下降至0.571;引入回滚策略后,召回率从15倍至25倍速度稳定维持在0.643,证明回滚策略能拒绝无效更新,防止召回率持续下降。

5. 过拟合测试:在25倍固定速度下连续进行五个批量学习周期。YOLOv8+OIL在第一个周期后达到最优性能,YOLOv8+GAM+OIL在第二个周期后达到最佳检测结果;继续增加训练周期,模型性能不再提升并可能出现过拟合。结果表明OIL不需要持续批量训练,应根据模型性能变化动态调整训练策略。

五、讨论与结论

讨论部分指出,实际工业中输送带速度通常从5倍逐步增至25倍,速度升高导致运动模糊和特征分布变化,检测性能下降。闭环周期批量自适应虽能使模型适应新速度条件,但直接更新可能导致过拟合或误差累积,因此必须引入回滚策略。实验证实,无回滚策略会引发性能持续退化,而回滚策略能够稳定模型更新过程。此外,连续在线更新存在固有过的拟合风险,在速度稳定且召回率不再提升时应终止批量学习,必要时从初始模型状态重新启动自适应过程。研究还讨论了视频帧间隔采样的潜在改进方向,但因可能延长样本积累时间、削弱适应性时效性,当前框架未予采用。

研究结论部分可概括为:所提方法是一种针对变速生产线目标检测的高精度闭环周期批量自适应方法,能够缓解输送带速度变化引起的性能退化。首先,基于改进的YOLOv8方法实现更准确的检测特征提取;其次,通过定义不同置信度区间构造闭环周期批量自适应模型的新样本,有效解决目标检测样本短缺问题;最后,基于检测结果和效率实施模型更新策略,实现模型的快速更新与部署。在5倍至25倍速度变化实验中,该方法召回率保持在0.643以上;在25倍速度下,相比YOLOv8+GAM网络,召回率从0.300提升至0.643,mAP50从0.616提升至0.808,mAP50–95从0.368提升至0.471。实验结果表明,该方法在变速煤流检测场景中取得了显著性能提升,尤其在25倍速度下效果突出。当前实验仍仅限于单类煤检测和最高25倍速度,需要在更高速度、复杂光照、粉尘、遮挡和多类条件下进一步验证。未来工作将把该方法扩展到轻量化部署和多模态集成,并使用涵盖粉尘、不同光照、遮挡和复杂背景的更多样化数据集,以进一步评估框架的鲁棒性和泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号