YOLOv8改进与HAFB模块在香烟包装检测中的应用-尧图网络科技

1. 项目背景与核心价值

在工业质检领域，香烟包装检测一直是个颇具挑战性的任务。传统人工检测方式不仅效率低下，而且容易因视觉疲劳导致漏检误检。我们团队基于YOLOv8架构，结合自研的HAFB（Hierarchical Attention Feature Boost）模块，开发了一套高精度香烟包装检测系统。实测在产线环境中，对香烟包装的印刷缺陷、尺寸偏差、缺失组件等问题的识别准确率达到98.7%，比传统方法提升23个百分点。

这个项目的独特之处在于：我们针对香烟包装特有的反光材质、复杂纹理等难点，在YOLOv8的骨干网络中嵌入了轻量级注意力机制。既保持了YOLO系列实时性的优势，又显著提升了小目标检测能力。整套方案已在三家大型烟草企业落地，平均每条产线每年可节省质检成本80万元。

2. 技术架构解析

2.1 YOLOv8的改进与适配

我们在原生YOLOv8s（small版本）基础上做了三处关键改进：

浅层特征增强：在Backbone的3×3卷积后增加SE（Squeeze-and-Excitation）注意力模块，公式表示为：

class SEBlock(nn.Module): def __init__(self, channel, reduction=16): super().__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Linear(channel, channel // reduction), nn.ReLU(inplace=True), nn.Linear(channel // reduction, channel), nn.Sigmoid() ) def forward(self, x): b, c, _, _ = x.size() y = self.avg_pool(x).view(b, c) y = self.fc(y).view(b, c, 1, 1) return x * y.expand_as(x)

多尺度特征融合：在Neck部分引入BiFPN（加权双向特征金字塔），通过可学习的权重参数平衡不同尺度的特征贡献：
```
P6_out = w1*P6_td + w2*P6_in w1, w2 = softmax([w1, w2])
```
解耦头优化：将分类和回归任务分离，避免特征互相干扰。实测显示在香烟包装检测任务中，AP50提升1.4%。

2.2 HAFB模块设计

HAFB（Hierarchical Attention Feature Boost）是我们针对香烟包装特性设计的核心模块，其结构包含三个层级：

像素级注意力：通过3×3空洞卷积捕获局部细节，增强包装边缘、条形码等关键区域响应
区域级注意力：基于改进的Non-local模块建立长程依赖，解决反光材质导致的误检
实例级注意力：在预测头前增加可变形卷积，适应不同形状的包装变形

class HAFB(nn.Module): def __init__(self, in_channels): super().__init__() self.pixel_att = nn.Sequential( nn.Conv2d(in_channels, in_channels//4, 3, dilation=2, padding=2), nn.BatchNorm2d(in_channels//4), nn.ReLU() ) self.region_att = NonLocalBlock(in_channels) self.instance_att = DeformableConv2d(in_channels, in_channels) def forward(self, x): pixel_feat = self.pixel_att(x) region_feat = self.region_att(x) instance_feat = self.instance_att(x) return pixel_feat + region_feat + instance_feat

3. 数据准备与增强策略

3.1 数据采集规范

我们建立了严格的香烟包装图像采集标准：

成像设备：使用Basler ace 2系列工业相机，搭配环形光源消除反光
拍摄角度：正视图（0°）、斜视图（±30°）各一组
分辨率：不低于4096×3000像素
缺陷类型：覆盖印刷模糊、色彩偏差、包装破损等12类常见问题

3.2 数据增强方案

针对香烟包装的特殊性，我们设计了分阶段增强策略：

train: mosaic: 0.8 # 马赛克增强概率 mixup: 0.2 # MixUp增强概率 augment: - name: AntiGlare prob: 0.5 # 模拟反光增强 - name: ColorJitter hue: 0.1 saturation: 0.7 - name: RandomPerspective scale: (0.8, 1.2)

特别开发的AntiGlare增强模块会模拟不同光照条件下的包装反光效果，显著提升模型在复杂光照下的鲁棒性。

4. 模型训练技巧

4.1 损失函数优化

采用改进的CIoU损失函数，增加角度惩罚项：

Loss = 1 - IoU + ρ²(b,b^gt)/c² + αv α = v/(1-IoU+v) v = 4/π²(arctan(w^gt/h^gt) - arctan(w/h))²

针对香烟包装常出现的密集排列场景，我们在正样本分配时采用Task-Aligned Assigner策略，根据分类得分和IoU的加权结果动态分配：

t = s^α × u^β α, β为超参数（通常取α=1, β=6）

4.2 训练参数配置

关键训练参数如下表所示：

参数项	设置值	说明
初始学习率	0.01	Cosine衰减策略
优化器	SGD	momentum=0.937
输入尺寸	640×640	多尺度训练时范围512-896
Batch Size	32	使用4×A100训练
预热epoch	3	线性升温学习率

重要提示：香烟包装检测需特别注意类别不平衡问题。我们统计发现正常样本与缺陷样本比例约为15:1，因此采用Focal Loss时建议设置α=0.75, γ=2.0

5. 部署优化实践

5.1 TensorRT加速

将PyTorch模型转换为TensorRT引擎的关键步骤：

trtexec --onnx=yolov8_hafb.onnx \ --saveEngine=yolov8_hafb.engine \ --fp16 \ --workspace=4096 \ --minShapes=images:1x3x640x640 \ --optShapes=images:8x3x640x640 \ --maxShapes=images:32x3x640x640

实测在Jetson AGX Orin上，FP16精度下推理速度达到83 FPS，完全满足产线实时检测需求。

5.2 边缘设备调优

在工业现场部署时，我们总结出以下经验：

使用NVIDIA DeepStream SDK构建完整流水线，将解码、预处理、推理、后处理全流程GPU加速
对检测结果采用时间域滤波（Temporal Filtering），消除帧间抖动
开发动态分辨率机制：当传送带速度超过1.5m/s时自动切换至512×512输入

6. 常见问题排查

6.1 典型错误与解决方案

问题现象	可能原因	解决方案
误检金属反光区域为缺陷	HAFB区域注意力未充分训练	增加AntiGlare增强样本比例
小尺寸包装漏检	浅层特征提取不足	在Backbone第2层后添加SE模块
同类缺陷在不同光照下漏检	颜色空间泛化能力弱	在HSV空间做随机扰动增强