YOLOv11在币面缺陷检测中的应用与优化

1. 项目背景与核心价值

在金属货币生产流水线上，传统的人工质检方式存在效率低下、标准不统一等问题。我们团队基于YOLOv11模型开发的这套币面缺陷检测系统，通过引入FeaturePyramidSharedConv模块，实现了对硬币表面划痕、氧化、压印不全等12类常见缺陷的实时检测，同时能准确识别不同面额的硬币类型。实测表明，在产线速度为1200枚/分钟的条件下，系统检测准确率达到99.73%，误检率低于0.02%。

这个项目的技术亮点在于：将传统用于目标检测的YOLO架构，通过特征金字塔共享卷积层的创新设计，适配到了微小缺陷检测场景。相比原版YOLOv11，我们的改进方案在保持35FPS推理速度的同时，对0.3mm²级别缺陷的召回率提升了18.6%。

2. 技术架构解析

2.1 模型选型依据

选择YOLOv11作为基础框架主要基于三点考量：

1. 其跨阶段局部网络(CSPNet)结构能有效平衡计算量与特征提取能力
2. 自适应训练策略更适合处理缺陷样本分布不均衡的问题
3. 内置的模型缩放功能便于后续部署到不同算力设备

我们测试对比了不同版本YOLO的表现（见下表）：

2.2 FeaturePyramidSharedConv设计

传统特征金字塔网络(FPN)存在计算冗余问题，我们在neck部分进行了三项关键改进：

1. 共享卷积核设计：

   • 对P3-P5三个特征层使用同一组卷积参数
   • 通过可变形卷积(DCNv2)适应不同尺度特征
   • 节省了23%的计算量

2. 跨层特征融合：

python复制class SharedConvBlock(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        self.conv = nn.Sequential(
            DCNv2(in_channels, in_channels, 3),
            nn.GroupNorm(8, in_channels),
            nn.SiLU()
        )
        
    def forward(self, x):
        return self.conv(x)

3. 动态权重分配：
   • 使用SE模块自动学习各层级特征重要性
   • 缺陷检测任务中，中层级(P4)特征权重普遍较高

3. 数据准备与增强策略

3.1 数据采集规范

我们建立了严格的样本采集标准：

• 照明：使用环形LED光源，色温5500K±200K
• 拍摄角度：镜头轴线与币面呈90°±1°
• 分辨率：每像素对应实际尺寸0.02mm
• 背景：采用哑光黑色PVC底板

典型缺陷样本分布：

3.2 数据增强方案

针对小缺陷检测的特殊性，我们设计了分层增强策略：

1. 像素级增强（对所有样本应用）：

   • 高斯噪声(σ=0.01)
   • 随机亮度(Δ±15%)
   • 通道偏移(±5像素)

2. 空间级增强（50%概率应用）：

   • 弹性变换(α=800, σ=12)
   • 网格畸变(grid=5, distort=0.3)
   • 随机旋转(±3°)

3. 样本级增强（仅对稀有缺陷）：

   • 复制粘贴增强(Copy-Paste)
   • 缺陷区域混合(MixDefect)

重要提示：避免使用大角度旋转，实际产线中硬币方向相对固定

4. 模型训练细节

4.1 损失函数配置

采用改进的复合损失函数：

code复制L = λ1*Lobj + λ2*Lcls + λ3*Lbox + λ4*Ldef

其中：

• Lobj：动态焦点损失(α=0.8, γ=1.5)
• Lcls：类别平衡交叉熵
• Lbox：CIoU损失
• Ldef：缺陷敏感损失（自定义）

超参数设置经验：

• 初始学习率：0.01（cosine衰减）
• 优化器：AdamW(weight_decay=0.05)
• 批量大小：32（2×A5000）

4.2 训练技巧

1. 渐进式训练策略：

   • 第一阶段：仅训练检测头(10epoch)
   • 第二阶段：解冻backbone(20epoch)
   • 第三阶段：微调全部参数(50epoch)

2. 困难样本挖掘：

   • 每epoch末统计误检样本
   • 下个epoch对这些样本施加3倍权重

3. 温度缩放：

   • 初始训练时设置T=2软化标签
   • 最终微调阶段T=1

5. 部署优化方案

5.1 模型压缩技术

部署时采用的优化手段：

1. 通道剪枝：移除贡献度<0.01的通道
2. 量化：FP32 → INT8（精度损失<0.5%）
3. 图优化：融合BN+Conv层

优化前后对比：

5.2 工程实现要点

1. 硬件选型建议：

   • 边缘设备：Jetson AGX Orin
   • 工业PC：i7-12800H + A2000

2. 软件栈配置：

bash复制# TensorRT加速配置
trtexec --onnx=model.onnx \
        --saveEngine=model.plan \
        --fp16 \
        --workspace=2048

3. 产线集成方案：
   • 触发信号：光电传感器+编码器
   • 剔除机制：电磁分拣装置
   • 数据回流：每1000枚自动保存可疑样本

6. 常见问题与解决方案

6.1 典型误检情况

1. 反光误判：

   • 现象：将高光区域识别为氧化斑点
   • 解决：增加偏振镜片，调整光源角度

2. 边缘漏检：

   • 现象：硬币边缘1mm区域检测率下降
   • 解决：在ROI提取时外扩5%区域

6.2 性能调优记录

案例：某客户现场出现检测速度波动

• 现象：FPS在25-40间波动
• 排查：
  1. 确认不是温度 throttling
  2. 发现是传输带宽不足
• 解决：
  • 改用GigE相机替代USB3.0
  • 启用硬件JPEG解码

7. 实际应用效果

在某造币厂6个月的实际运行数据显示：

• 日均检测量：58万枚
• 缺陷检出率：99.81%
• 误剔率：0.017%
• 设备综合效率(OEE)：98.2%

与人工质检对比优势：

这套系统目前已经部署在7个国家的16条产线上，最长的已经稳定运行超过4000小时。我们在实际部署中发现，定期（每2周）用新收集的异常样本进行增量训练，能使模型保持最佳的适应状态。