黃開坤，徐 興

（南華大學(xué)機(jī)械工程學(xué)院，衡陽 421001）

0 引言

藥品質(zhì)量檢測是醫(yī)藥領(lǐng)域十分重要且不可缺少的環(huán)節(jié)，在保障人民健康、社會安全穩(wěn)定方面起著重要作用。在醫(yī)藥生產(chǎn)領(lǐng)域，人們對藥片的品質(zhì)追求不斷提高，藥片生產(chǎn)的各個環(huán)節(jié)都受到嚴(yán)格的管制。藥片生產(chǎn)過程中難免出現(xiàn)缺陷次品，嚴(yán)重影響產(chǎn)品質(zhì)量，在藥片包裝之前進(jìn)行有效的剔除，是保證藥片品質(zhì)的關(guān)鍵步驟。

傳統(tǒng)人工檢測方法效率低，不確定因素影響大。隨著技術(shù)水平的不斷提升，機(jī)器視覺檢測技術(shù)應(yīng)用于很多行業(yè)領(lǐng)域。藥物質(zhì)量檢測技術(shù)一般包括人工檢測、激光檢測、機(jī)器視覺檢測等［1］，其中基于機(jī)器視覺的醫(yī)療檢測包括經(jīng)典傳統(tǒng)檢測［2-3］和深度學(xué)習(xí)檢測［4-5］。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是在圖像處理領(lǐng)域優(yōu)異的神經(jīng)網(wǎng)絡(luò)［6］，長期以來是圖像識別領(lǐng)域的核心算法之一，比傳統(tǒng)圖像處理算法具有更強大的特征學(xué)習(xí)能力。在機(jī)器視覺缺陷檢測應(yīng)用領(lǐng)域，越來越多的檢測方法從經(jīng)典的圖像處理和機(jī)器學(xué)習(xí)轉(zhuǎn)到深度學(xué)習(xí)［7］。

本文提出改進(jìn)后的GhostNet 網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)模型進(jìn)行了進(jìn)一步的壓縮，保證網(wǎng)絡(luò)在取得較高的分類精度的同時達(dá)到更少的參數(shù)量和計算量，更少的內(nèi)存占用與計算消耗。在網(wǎng)絡(luò)模型中引入ECA注意力機(jī)制模塊，并分別與原始網(wǎng)絡(luò)、主流輕量化神經(jīng)網(wǎng)絡(luò)進(jìn)行性能對比分析。

1 GhostNet網(wǎng)絡(luò)

GhostNet 網(wǎng)絡(luò)是華為2020 年提出的分類網(wǎng)絡(luò)［8］。該研究提出了一個新的Ghost 模塊，通過廉價操作來生成更多的特征圖，在壓縮網(wǎng)絡(luò)的同時確保分類準(zhǔn)確性，降低模型參數(shù)，利用Ghost模塊構(gòu)建Ghost bottleneck 結(jié)構(gòu)，利用Ghost瓶頸結(jié)構(gòu)疊加主干神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1.1 Ghost卷積模塊

GhostNet 是以MobileNet 系列為基礎(chǔ)的改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)，從圖像特征冗余的角度出發(fā)，避免了大量計算量和參數(shù)量去生成這些相似特征圖，并用一系列簡單的線性操作來生成特征圖。操作過程如圖1所示。

圖1 Ghost Module模塊

Ghost 模塊首先通過普通卷積對輸入特征圖進(jìn)行特征濃縮，將輸入特征圖X∈RC×H×W壓縮為M通道的特征圖Y′ ∈RH′×W′×M，其中C是輸入通道數(shù)，卷積運算為

公式*為卷積運算，b為偏置項，f'∈Rc×k×k×m為卷積核大小為k的卷積核，M≤N，保證輸出通道數(shù)小于輸入通道數(shù)，對原始特征進(jìn)行必要的特征濃縮。此過程的參數(shù)量P1和計算量F1分別為

保證最后獲得N個特征圖，對Y′特征圖進(jìn)行簡單的線性運算，來生成S個Ghost 特征圖。線性操作為圖1中的Φ1,Φ2,…,Φk，線性運算為逐層的深度可分離卷積，卷積核大小k'，Identity為恒等映射。M次線性運算能夠得到M(S- 1)的輸出通道數(shù)，參數(shù)量P2和計算量F2為

總共得到的輸出通道數(shù)為N=M×S，最終輸出即N個特征圖。

Ghost Bottleneck 是由Ghost Module 組成的瓶頸結(jié)構(gòu)，參考ResNet 中的基本殘差塊［9］，構(gòu)成了多個卷積層和殘差結(jié)構(gòu)，并用Ghost 模塊代替普通卷積模塊。Ghost 瓶頸分為兩部分，分別是主干部分和殘差邊部分，結(jié)構(gòu)如圖2所示。

圖2 Ghost瓶頸結(jié)構(gòu)

圖2（a）步長stride=1，包含兩個Ghost 模塊，首先增加通道數(shù)，接下來減少網(wǎng)絡(luò)通道數(shù)并連接到殘差路徑。圖2（b）步長stride=2，在兩個Ghost 模塊之間加入深度可分離卷積進(jìn)行特征層的寬高壓縮。

1.2 整體網(wǎng)絡(luò)模塊分析

GhostNet 網(wǎng)絡(luò)主干由Ghost 瓶頸模塊疊加而成，借鑒了MobileNetV3［10］的基本結(jié)構(gòu)的優(yōu)勢。網(wǎng)絡(luò)第一層為16 通道的卷積層，然后由多個瓶頸模塊構(gòu)成，依據(jù)輸入特征圖的大小分為不同的階段，不同階段的末位瓶頸模塊步長為2，其它步長都為1。最后經(jīng)過全局平均池化層、卷積層和全連接層對輸出進(jìn)行分類。

在G-bneck 瓶頸模塊加入了通道注意力機(jī)制（Squeeze-and-Excitation，SE）［11］模塊。SE 機(jī)制模塊網(wǎng)絡(luò)架構(gòu)圖如圖3所示。首先對輸入進(jìn)來的特征層進(jìn)行全局平均池化，接著通過兩次全連接，再進(jìn)行一次Sigmod 將值固定到0～1 之間，獲得輸入特征每一個通道的權(quán)值，最后將權(quán)值乘上原始輸入特征層，得到新的加權(quán)后的特征圖。

圖3 SE注意力機(jī)制網(wǎng)絡(luò)架構(gòu)

2 改進(jìn)GhostNet網(wǎng)絡(luò)模型設(shè)計

2.1 網(wǎng)絡(luò)模型的優(yōu)化

GhostNet 網(wǎng)絡(luò)模型在公開數(shù)據(jù)集上進(jìn)行的測試，類別數(shù)量達(dá)1000 類，而此藥片完整性分類任務(wù)數(shù)據(jù)集為類別數(shù)量較小的6類，藥片特征并非復(fù)雜多樣的圖案特征，減少輸出層的分類數(shù)量classes，減半整體網(wǎng)絡(luò)的通道數(shù)。網(wǎng)絡(luò)模型復(fù)雜會造成過擬合風(fēng)險，去掉網(wǎng)絡(luò)結(jié)構(gòu)中的重復(fù)操作層，進(jìn)一步減少網(wǎng)絡(luò)的參數(shù)量。添加Dropout 層［12］，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，當(dāng)訓(xùn)練數(shù)據(jù)量較小，模型復(fù)雜度較高時，模型在訓(xùn)練集上的準(zhǔn)確率較高，在測試集上的準(zhǔn)確率相對較低，出現(xiàn)了過擬合，為了提高模型的泛化能力，在全連接前添加Dropout 層，丟棄一些神經(jīng)元，減少神經(jīng)元之間的相互作用，提高網(wǎng)絡(luò)模型分類精度。

2.2 引入ECANet模塊

ECANet 是一個非常輕量級的即插即用模塊［13］，可以提高神經(jīng)網(wǎng)絡(luò)架構(gòu)的性能，結(jié)構(gòu)如

圖4 所示。ECA 模塊可以被看作是SE 模塊的改進(jìn)版，SENet采用的降維操作會對通道注意力機(jī)制產(chǎn)生負(fù)面作用。卷積具有良好的跨通道信息獲取能力，輕量ECA 模塊是將SE 模塊的全連接層替換成卷積核大小為k 的1D 卷積進(jìn)行學(xué)習(xí)，避免了降維，有效地實現(xiàn)了跨通道交互。卷積核大小可由通道維數(shù)的非線性映射自適應(yīng)確定，如公式（6）所示。

在通道維數(shù)C 給出時，卷積核大小k便可由公式（7）得到：

圖4 ECA模塊結(jié)構(gòu)圖

2.3 優(yōu)化后的網(wǎng)絡(luò)模型

優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)如表1所示，首先通過第一層Conv2d3x3，將輸入特征轉(zhuǎn)換為包含8 個卷積核的標(biāo)準(zhǔn)卷積層，壓縮了網(wǎng)絡(luò)，降低了參數(shù)量。中間為一系列的瓶頸層。接著通過全局平均池化層和卷積層將特征圖轉(zhuǎn)化為100維特征向量，并進(jìn)行最終分類。將原網(wǎng)絡(luò)的SENet替換為輕量化ECANet，保留原網(wǎng)絡(luò)主要特征提取G-bneck 模塊，在全連接層FC 網(wǎng)絡(luò)之前添加Dropout 層，提升模型的分類準(zhǔn)確性。表中Exp表示增大比率，Out表示輸出通道數(shù)，ECA 為注意力機(jī)制模塊，Str為步長，cls為分類數(shù)量。

表1 改進(jìn)后的GhostNet網(wǎng)絡(luò)結(jié)構(gòu)

3 實驗方案與結(jié)果分析

3.1 實驗環(huán)境配置

本次實驗在Windows10環(huán)境下，采用python語言，在pycharm2020.2 版本編程環(huán)境下進(jìn)行，在Anaconda中創(chuàng)建python虛擬環(huán)境，python版本為3.8；利用Keras、Pytorch深度學(xué)習(xí)架構(gòu)，使用cuda11.4提升模型訓(xùn)練和推理的速度。實驗設(shè)備為：GPU 為RTX 3090，顯存24 G；CPU 為Intel（R）Xeon（R）Silver 4210R CPU@2.40 GHz。

3.2 數(shù)據(jù)集及模型訓(xùn)練

實驗數(shù)據(jù)集是由工業(yè)相機(jī)MV-CE120-10UC拍攝所得，根據(jù)生產(chǎn)廠商提供的散裝藥片和相關(guān)指導(dǎo)制作殘缺藥片，藥片總共分為6 種類別，包括污染、破損、完好、粗糙、劃痕、斑點。藥片圖像總共為3360 張，每個類別為560 張，部分藥片樣本如圖5所示。

圖5 部分藥片圖樣示例

為提高網(wǎng)絡(luò)模型的泛化能力，避免出現(xiàn)過擬合風(fēng)險，對數(shù)據(jù)集進(jìn)行增強操作，增加數(shù)據(jù)集數(shù)量［14］。增加后的圖像共12000 張，將打亂后的數(shù)據(jù)集分為70%的訓(xùn)練集、15%的驗證集和15%的測試集。原始特征圖片的大小為800 ×800 × 3。 送入網(wǎng)絡(luò)圖片大小為224 × 224 × 3，初始學(xué)習(xí)率為0.001，Batch Size大小為32，使用Adam優(yōu)化器訓(xùn)練，迭代次數(shù)（epoch）為50代。

3.3 評價指標(biāo)

從圖像分類評價指標(biāo)方法出發(fā)，對模型的分類精度、運算量、參數(shù)量等進(jìn)行評估。

模型分類精度（Precision），表示預(yù)測出來準(zhǔn)確結(jié)果占所有預(yù)測結(jié)果的準(zhǔn)確率，分類精度越高說明模型預(yù)測能力越強。

其中，TP表示正樣例中分類為正樣例的數(shù)量，F(xiàn)P表示標(biāo)簽是負(fù)樣例中分類為正樣例的數(shù)目。模型運算量常用FLOPs 來表示，浮點運算量即為計算量，是用來表示模型的計算復(fù)雜度。

模型參數(shù)量parameters，是用來表示模型內(nèi)部總的參數(shù)量，衡量模型所消耗內(nèi)存的大小，參數(shù)越大所占用的內(nèi)存就越大。

3.4 模型評估

為了驗證改進(jìn)后的網(wǎng)絡(luò)模型性能的優(yōu)異，并與原始網(wǎng)絡(luò)模型進(jìn)行性能比較，從藥片分類精度、模型參數(shù)量、模型運算量方面進(jìn)行對比，如表2所示。

表2 網(wǎng)絡(luò)評價指標(biāo)對比

由實驗結(jié)果可知，原始網(wǎng)絡(luò)模型參數(shù)約為改進(jìn)后GhostNet 模型的4.5 倍，計算量約為改進(jìn)后的3倍，改進(jìn)后的網(wǎng)絡(luò)模型精度與原始網(wǎng)絡(luò)相差僅為0.04%，在大量減少網(wǎng)絡(luò)模型參數(shù)的前提下，保持較高的模型精度。優(yōu)化后的網(wǎng)絡(luò)模型在訓(xùn)練過程中的精度和損失曲線如圖6所示。

圖6 改進(jìn)后的網(wǎng)絡(luò)訓(xùn)練曲線

從圖6 能夠看到網(wǎng)絡(luò)模型共訓(xùn)練50 代，隨著訓(xùn)練次數(shù)的增加收斂速度更快，在迭代40 代后曲線上升趨勢漸漸平緩，整個過程中未出現(xiàn)過擬合。結(jié)果表明，改進(jìn)后的GhostNet 網(wǎng)絡(luò)模型具有較高的分類精度。

3.5 不同網(wǎng)絡(luò)結(jié)構(gòu)對比實驗

在相同實驗條件下，為了驗證改進(jìn)的網(wǎng)絡(luò)模型的性能，與主流輕量化神經(jīng)網(wǎng)絡(luò)Mobile-NetV、ShuffleNetV2［15］和EfficientNet［16］進(jìn)行對比實驗，結(jié)果如表3所示。

表3 不同網(wǎng)絡(luò)評價指標(biāo)對比

由實驗結(jié)果得知，改進(jìn)后的GhostNet 網(wǎng)絡(luò)模型的精度高于其它網(wǎng)絡(luò)，權(quán)重模型大小僅為1.8 MB，明顯低于其它輕量化網(wǎng)絡(luò)模型，運算速率也相應(yīng)提高，計算量和參數(shù)量明顯降低，說明改進(jìn)網(wǎng)絡(luò)模型具有更高的分類精度，更少的參數(shù)量和計算量。

4 結(jié)語

在藥片分類實際應(yīng)用中，在提高分類精度的同時，保證更低的網(wǎng)絡(luò)存儲空間占用和功能消耗，使得輕量化神經(jīng)網(wǎng)絡(luò)模型更容易在移動端或嵌入式設(shè)備上存儲和計算。實驗過程中，采用藥片分類數(shù)據(jù)集對模型進(jìn)行訓(xùn)練和測試，對數(shù)據(jù)集增強處理，壓縮網(wǎng)絡(luò)模型通道數(shù)，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，降低參數(shù)量和計算量，引入ECA注意力機(jī)制。實驗結(jié)果表明，改進(jìn)后的網(wǎng)絡(luò)模型具有更低的參數(shù)量與運算量，模型權(quán)重文件僅為1.8MB，能夠取得的分類精度為98.85%，參數(shù)量和計算量低于原始網(wǎng)絡(luò)；網(wǎng)絡(luò)模型分類精度高于其它輕量化神經(jīng)網(wǎng)絡(luò)，取得較優(yōu)的分類性能。