飲料生產(chǎn)過程中，飲料灌裝液位精度受灌裝設備的硬件狀況和定量灌裝控制系統(tǒng)控制策略的影響會出現(xiàn)瓶裝飲料液位高度波動。影響因素通常有飲料的液體特性及飲料內的固態(tài)成分、灌裝設備故障、自動補償控制系統(tǒng)調控策略等，因而灌裝作業(yè)中瓶裝飲料會出現(xiàn)灌裝液位差。灌裝后的液位高度檢測可以幫助廠家確保質量、控制成本，長期出現(xiàn)灌裝過量會造成原料需求量增加，企業(yè)利潤減少；缺量飲料流入市場，會造成企業(yè)的信譽損失，從而影響消費者消費決策。通過液位檢測可以反饋生產(chǎn)設備狀態(tài)，出現(xiàn)大量灌裝高度不合格飲料時，及時反饋錯誤，設備根據(jù)反饋信號及時調整參數(shù)修正錯誤，保障生產(chǎn)安全，提高生產(chǎn)效率。
瓶裝飲料液位檢測依賴光電傳感器發(fā)出視覺檢測程序觸發(fā)“開關”，配合壓力傳感器測量、電容式傳感器等對灌裝液位進行檢測，自機器視覺檢測技術應用后，在大部分PET飲料瓶質量檢測、灌裝后液位檢測多采用光電傳感器觸發(fā)檢測開關，配合圖像處理算法構成檢測系統(tǒng)。早期基于Opencv液位識別方法識別速度較慢，目前多數(shù)以光電傳感器作為液位檢測圖像處理程序的觸發(fā)器。
隨著機器視覺技術的成熟，目前機器視覺識別速度已能達到高速生產(chǎn)檢測的要求。使用機器視覺在飲料生產(chǎn)中作為檢測觸發(fā)程序，不僅可以降低檢測系統(tǒng)硬件使用量，集成化檢測系統(tǒng)，還能快速對檢測內容定位和調度檢測程序，并且可以簡化檢測系統(tǒng)設備結構，彌補傳感器冗雜的系統(tǒng)硬件布局缺點，提高系統(tǒng)效率和可靠性。飲料生產(chǎn)線視覺檢測系統(tǒng)背景較為簡單，因而更容易區(qū)分檢測目標，圖像中信息量少，配合圖像處理方法識別液位高度也就越快。本研究在YOLOv7基礎上參考飲料生產(chǎn)中飲料瓶質量檢測和飲料液位檢測方法，設計整套系統(tǒng)在背光照明的條件下實現(xiàn)瓶裝飲料液位檢測的快速識別和定位，并驗證了識別速度與識別準確率，為實現(xiàn)高速液位檢測提供識別模型，并快速定位液位區(qū)域，為液位高度檢測程序提供觸發(fā)指令，取代光電傳感器作為檢測程序的觸發(fā)器。
待采集的飲料瓶放置于傳送帶上，傳送帶寬25 cm；傳送帶一側設置CMOS傳感器海威工業(yè)相機，型號為MV-CE060-10UC,8 mm焦距鏡頭，采集圖像分辨率為3 072像素×2 048像素；另一側正對攝像頭設置背光板，背光板尺寸30 cm×60 cm，可滿足市場上大部分300～650 m L飲料瓶的高度，以此模擬生產(chǎn)的環(huán)境，其實際布局如圖1所示。在采集圖像試驗臺上采集不同類型瓶裝飲料液位。為獲得更好的液位特征完善識別模型，采集時以量筒測量后確定的飲料標準凈含量液位面為高度參考面，采集了俯視、平視和仰視3個視角的圖像作為學習樣本，采集圖像如圖2所示。
采集PET瓶裝飲料分類如圖3所示，將采集PET瓶類型分為透明瓶透明液位、透明瓶有色液位、深色透明瓶、表面粗糙瓶、直頸瓶、淺色透明瓶、白色不透明瓶和瓶頸不規(guī)則瓶8類。8種瓶分別采集有標簽有蓋、有標簽無蓋、無標簽有蓋和無標簽無蓋4小類樣本。每種類型飲料瓶基于飲料瓶形狀過渡對液位進行高度分段，據(jù)此條件作為液位高度變量。
由于生產(chǎn)線生產(chǎn)速度不同，多瓶飲料排列間隔也不同，為模擬生產(chǎn)時多瓶排列情況，將多瓶飲料不同間距排列從緊密到稀松分為4種間隔：緊密、間距2～3 cm、間距5～6 cm和間距8～12 cm，如圖4所示。
由于YOLOv7網(wǎng)絡中默認識別的80類可識別目標包含飲料瓶，因而只需驗證該模型在經(jīng)過訓練后能夠正常識別和正確框定液位即可滿足識別要求。在對采集的部分樣本標注后，通過400輪次的訓練，訓練后驗證效果如圖5所示。
將采集的原始圖像篩選出無殘影的圖像，對圖像采取如下方式修改，增強模型對圖像識別準確性。
擴充采集樣本，模擬暗光與背光亮度過高，偏色處理模擬顏色失真，改變明度，圖6a為隨機選取圖像改變色相、飽和度和明度權重的樣本圖像。模糊圖像，從選取的圖像中隨機選取圖像，模擬實際應用中拍攝出現(xiàn)異常的情況，增加高斯、椒鹽和乘法噪聲；部分虛化圖像模擬鏡頭有霧氣。圖6b分別為加高斯、椒鹽、乘法噪聲和虛化的樣本圖像。
為進一步驗證模型復雜圖片識別能力，選取部分旋轉與加馬賽克處理，圖6c是瓶裝飲料原始圖像旋轉和馬賽克處理的樣本圖像。
已驗證YOLOv7能夠正常且準確識別和框定液位，通過改進YOLOv7結構（圖7），使得該算法更加適用于瓶裝飲料液位識別與框定，在實際生產(chǎn)檢測中與檢測程序更加契合。
YOLOv7基于空間金字塔池化結構（Spatial Pyramid Pooling,SPP），通過跨階段局部網(wǎng)絡CSPNet結構設計的一種SPPCSPC的空間金字塔池化結構
YOLOv7采用CIo U損失函數(shù)，其縱橫比權重不明確，其公式中參數(shù)反映的是長寬比差異，而不是寬高分別與其置信度的真實差異，在訓練后得到模型檢測液位時會因為瓶中傾斜液位而出現(xiàn)檢測框偏移較大，因而改進為SIo U公式。
角度計算如圖9所示，其他計算如下。
式中LossSIoU-總體損失函數(shù)
Io U-預測框與真實框交集和并集比值
Δ-距離損失
Ω-形狀損失
Λ-角度損失
A-面積
B-真實框
BGT-預測框
（bcxgt,bcygt）-真實框中心坐標
（bcx,bcy）-預測框中心坐標
cw、ch-真實框與預測框最小外接矩形的寬和高
c hc-真實框和預測框中心點的高度差
σc-真實框和預測框中心點的距離
w、h-預測框的寬和高
wgt、hgt-真實框的寬和高
θ-形狀損失關注程度，值為4
SIo U損失函數(shù)考慮了期望回歸之間的向量夾角，即角度損失Λ，還包括距離損失Δ、形狀損失Ω、Io U損失。方向框的角度會影響回歸，引入了角度損失Λ使得預測框快速地移動到最近地最近角度的軸，隨后模型將嘗試首先在X或Y軸做預測（以最接近者為準），然后沿著相關軸繼續(xù)接近。采用SIo U作為損失函數(shù)相等的訓練輪次下精度更高，添加角度懲罰進一步限制距離損失，有效地減少了損失的總自由度。
使用處理后的圖像作為訓練數(shù)據(jù)集，采用YOLOv7模塊，400次迭代，每8個樣本作為一個批處理單元（Batch size）。以多類別平均精度m AP、準確率（預測為正樣本實際為正的概率）Precision、損失值Loss及召回率Recall（實際為正的樣本中被預測為正樣本的概率），作為模型評價指標；以平均精度m AP和檢測時間t作為已訓練好的模型的主要評價指標。訓練配置如表1所示。
標注數(shù)據(jù)集，標注圖像共2 477幅，單瓶樣本中，無色透明瓶755幅、有色透明瓶463幅、不透明白色瓶150幅、表面粗糙瓶240幅；多瓶排列樣本269幅。修改HSV權值樣本100幅、旋轉樣本100幅、加馬賽克100幅、加噪點150幅及虛化樣本150幅。按照4∶1∶1的比例分配為訓練集、驗證集和測試集。
改進后的損失函數(shù)曲線如圖10所示。模型損失函數(shù)曲線在前50輪損失值下降較快后開始收斂，300輪之后損失值變化較小，并且損失值較小，可以確定損失函數(shù)有效。
為驗證改進后的YOLOv7飲料生產(chǎn)線關鍵目標檢測模型的識別性能，對模型的測試集做分類驗證。
(1）將分配好的含所有類別圖像的測試集圖像做混合測試，驗證模型性能。
(2）測試集分類驗證，將分類好的測試集圖像樣本、改變HSV權值的樣本、馬賽克模糊和加噪聲3類識別驗證，并對以上識別結果框定區(qū)域進行人工評估。
將同樣的訓練集分別在原YOLOv7和改進后的YOLOv7模型上訓練。使用二者訓練后的模型與本研究改進后的YOLOv7訓練好的最好權值模型在測試集上驗證。選取測試項為飲料瓶、液位識別精度、總體識別精度和平均精度，結果如表2所示，改進后的模型飲料液位識別精度為96.3%，比未改進模型94.5%高1.8個百分點，模型占用71.3 MB存儲空間。平均識別時間10.7 ms，非極大值抑制時間1.4 ms，平均識別框定時間12.1 ms。
進一步測試模型在暗光、色彩失真條件下模型的可靠性和檢測的準確性，選取暗光和修改色相、飽和度、亮度和全圖馬賽克（馬賽克核為15×15）的圖片各30張，包含多瓶排列樣本和空瓶，分別使用原算法和改進的YOLOv7訓練后得到的最好的模型中測試得到結果如表3和圖11所示。
由表3和圖11可知，在暗光、馬賽克、修改飽和度和改變色調的條件下模型沒有出現(xiàn)漏檢且液位定位準確。
在實際生產(chǎn)過程，因為相機過熱、線路不穩(wěn)定等因素會出現(xiàn)部分采集樣本出現(xiàn)噪點，因而為驗證模型穩(wěn)定性，分別選取30張加了高斯、椒鹽和乘法噪點的樣本圖像實測模型的抗噪點能力，包含多瓶排列樣本和空瓶，檢測結果如表4和圖12所示。通過實測，模型對于出現(xiàn)噪點的樣本同樣能準確識別，并且液位框定位置準確；增加噪點的樣本仍能準確識別并定位液位位置，對含氣泡液位也能正確識別。
(1）提出的基于YOLOv7網(wǎng)絡模型單幅圖像關鍵目標識別時間10.7 ms及非極大值抑制（NMS）處理時間1.4 ms，識別并定位平均耗時12.1 ms，模型占71.3 MB存儲空間。證明該模型對飲料關鍵檢測目標識別與定位的可行性，替換傳統(tǒng)傳感器作為瓶裝飲料液位高度檢測的圖像識別程序的觸發(fā)器，可實現(xiàn)實時的檢測觸發(fā)。
(2）識別模型可實時輸出識別框的像素位置數(shù)據(jù)，圖像處理程序根據(jù)框位置可直接從圖像中截取識別目標進行基于圖像處理的實時識別。
(3）對多種處理后圖像的試驗驗證表明，該模型具有抗干擾檢測能力，并且在暗光、顏色失真、加噪點和混合多類飲料且多噪點情況下也能識別目標，能夠對多種飲料瓶液位識別。
