基于智能光源控制的工業(yè)品缺陷檢測(cè)裝置

摘要：在工業(yè)生產(chǎn)中，工藝流程緊密相連且技術(shù)要求高，細(xì)微變化易引發(fā)產(chǎn)品缺陷，降低良品率。團(tuán)隊(duì)研發(fā)的智能光源控制質(zhì)檢裝置，利用級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)和優(yōu)化的YOLOv8模型，加速并精確檢測(cè)表面缺陷。同時(shí)，裝置結(jié)合智能光源調(diào)控技術(shù)，能發(fā)射多種波長(zhǎng)光線，適應(yīng)不同工業(yè)品的檢測(cè)需求，從而確保高效、精確、快速的缺陷識(shí)別和分類，提升產(chǎn)品質(zhì)量及生產(chǎn)效率。

關(guān)鍵詞：智能光源工業(yè)品缺陷質(zhì)檢裝置深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型

中圖分類號(hào)：TP3文獻(xiàn)標(biāo)志碼：A

IndustrialProductDefectDetectionDeviceBasedonIntelligentIlluminantControl

CHENWeixunHUWenjunMENGSiming

GuangzhouRailwayPolytechnic，Guangzhou，GuangdongProvince，511300China

Abstract：Inindustrialproduction，theprocessflowiscloselyconnectedandhashightechnicalrequirements.Minorchangescaneasilycauseproductdefectsandreducetheyieldrate. TheintelligentilluminantcontrolqualityinspectiondevicedevelopedbytheteamutilizesacascadedneuralnetworkandanoptimizedYOLOv8modeltoaccelerateandaccuratelydetectsurfacedefects.Meanwhile，combinedwithintelligentilluminantcontroltechnology，thedevicecanemitmultiplewavelengthsoflight，adapttothedetectionneedsofdifferentindustrialproducts，therebyensuringefficient，accurate，andfastdefectidentificationandclassification，improvingproductqualityandproductionefficiency.

KeyWords：Intelligentilluminant;Industrialproductdefectqualityinspectiondevice;Deeplearning;ConvolutionalNeuralNetworkModel

隨著數(shù)字經(jīng)濟(jì)的迅猛發(fā)展，中國(guó)正步入數(shù)字經(jīng)濟(jì)發(fā)展的全面加速階段，成為推動(dòng)經(jīng)濟(jì)增長(zhǎng)的新引擎[1]。在此過程中，產(chǎn)業(yè)數(shù)字化作為關(guān)鍵的發(fā)展機(jī)遇，通過應(yīng)用數(shù)字技術(shù)，傳統(tǒng)產(chǎn)業(yè)實(shí)現(xiàn)了產(chǎn)出增加與效率提升。特別是在中國(guó)，產(chǎn)業(yè)數(shù)字化規(guī)模由2015年的13.8萬(wàn)億元增長(zhǎng)至2020年的31.7萬(wàn)億元，顯著體現(xiàn)了數(shù)字化轉(zhuǎn)型的積極成效[2]。此外，“中國(guó)數(shù)字經(jīng)濟(jì)100強(qiáng)”企業(yè)的總營(yíng)收接近2021年全國(guó)GDP的十分之一，數(shù)字經(jīng)濟(jì)規(guī)模已高達(dá)50.2萬(wàn)億元，占GDP的比重增至41.5%[3]，彰顯了數(shù)字經(jīng)濟(jì)在國(guó)民經(jīng)濟(jì)中的重要地位。

工業(yè)品市場(chǎng)作為數(shù)字經(jīng)濟(jì)的重要組成部分，近年來呈現(xiàn)出快速增長(zhǎng)的態(tài)勢(shì)，展現(xiàn)出強(qiáng)勁的發(fā)展勢(shì)頭。同時(shí)，隨著工業(yè)品B2B市場(chǎng)的融資增加和投資集中度的提升，規(guī)模較大、建立良性盈利模式的頭部平臺(tái)成為投資方的青睞對(duì)象。

在日益發(fā)展的工業(yè)化生產(chǎn)中，工業(yè)品質(zhì)檢的準(zhǔn)確性和可靠性對(duì)保證產(chǎn)品質(zhì)量、維護(hù)企業(yè)聲譽(yù)、提升生產(chǎn)效率等方面具有重要意義。工業(yè)質(zhì)檢作為生產(chǎn)管理的重要環(huán)節(jié)和產(chǎn)品質(zhì)量安全的“守護(hù)者”，其意義在于確保產(chǎn)品符合國(guó)家的相關(guān)規(guī)定和大眾消費(fèi)者的需求，并在其預(yù)期應(yīng)用中可靠運(yùn)行。以芯片制造行業(yè)為例，質(zhì)檢錯(cuò)誤可能導(dǎo)致產(chǎn)品質(zhì)量問題、企業(yè)聲譽(yù)受損、生產(chǎn)效率降低和安全隱患等嚴(yán)重后果。因此，工業(yè)質(zhì)檢在確保產(chǎn)品質(zhì)量、保障企業(yè)利益和滿足市場(chǎng)需求方面發(fā)揮著不可替代的作用。

1裝置運(yùn)行流程

在當(dāng)代的工業(yè)制造領(lǐng)域，精密的質(zhì)量監(jiān)控系統(tǒng)扮演著舉足輕重的角色，其融合了尖端的智能光源調(diào)節(jié)技術(shù)和前沿的圖像解析算法，旨在提供一種高效且精準(zhǔn)的工業(yè)產(chǎn)品表面瑕疵檢測(cè)解決方案，為實(shí)現(xiàn)智能光源控制下的高效工業(yè)品缺陷檢測(cè)這個(gè)目標(biāo)，將智能光源動(dòng)態(tài)調(diào)節(jié)采集圖像識(shí)別缺陷系統(tǒng)分為5個(gè)階段。

<！--[if ！supportLists]-->1.1<！--[endif]-->初始階段

系統(tǒng)啟動(dòng)智能光源選擇機(jī)制，依據(jù)待檢工業(yè)產(chǎn)品的特定屬性和潛在缺陷模式，自動(dòng)甄選最優(yōu)的照明方案。系統(tǒng)配置的光源種類繁多，包括環(huán)形、背光、條形、同軸光源等，均能投射出多角度、多色譜的光束，以增強(qiáng)物體的三維輪廓，消除陰影干擾，并滿足多樣化的檢測(cè)需求。智能光源控制系統(tǒng)能夠輸出特定波長(zhǎng)的光線，實(shí)現(xiàn)對(duì)各種工業(yè)產(chǎn)品照明條件的精細(xì)調(diào)節(jié)，從而顯著提升圖像采集的質(zhì)量。

<！--[if ！supportLists]-->1.2<！--[endif]-->圖像采集階段

配備的高分辨率工業(yè)級(jí)攝像頭承擔(dān)著捕捉被照射工業(yè)品圖像的職責(zé)。圖像采集模塊在設(shè)計(jì)時(shí)綜合考量了光源的均勻度、光譜屬性、對(duì)比度、照射角度、照明策略等關(guān)鍵因素，確保了采集圖像的質(zhì)量和檢測(cè)的精確度。這些圖像隨后被實(shí)時(shí)傳輸至工業(yè)品質(zhì)檢軟件平臺(tái)，準(zhǔn)備進(jìn)行深入分析。

<！--[if ！supportLists]-->1.3<！--[endif]-->軟件分析階段

系統(tǒng)部署了一套基于層疊神經(jīng)網(wǎng)絡(luò)架構(gòu)的工業(yè)品表面瑕疵快速檢測(cè)算法模型。該模型的初級(jí)網(wǎng)絡(luò)采用輕量級(jí)圖像分類網(wǎng)絡(luò)ResNet-tiny，其功能是對(duì)圖像進(jìn)行初步篩查，判斷是否存在瑕疵。隨后，改進(jìn)版的目標(biāo)檢測(cè)YOLOv8網(wǎng)絡(luò)接管任務(wù)，對(duì)疑似瑕疵區(qū)域進(jìn)行精確的定位和識(shí)別。系統(tǒng)還融入了創(chuàng)新的輕量型動(dòng)態(tài)卷積算法ODConv，該算法通過引入多維動(dòng)態(tài)注意力機(jī)制和并行處理策略，極大地提升了模型在特征提取方面的計(jì)算效率和靈活性。

<！--[if ！supportLists]-->1.4<！--[endif]-->自動(dòng)化檢測(cè)階段

隨著工業(yè)產(chǎn)品在傳送帶上的移動(dòng)，系統(tǒng)進(jìn)行連續(xù)的圖像采集，并實(shí)時(shí)對(duì)產(chǎn)品的材質(zhì)、形狀和尺寸進(jìn)行智能識(shí)別。在完成初步識(shí)別后，系統(tǒng)依據(jù)采集到的特征數(shù)據(jù)，智能選擇第二級(jí)光源，并在該光源下進(jìn)行更為精細(xì)的圖像采集和瑕疵特征提取。繼而，系統(tǒng)將執(zhí)行一系列復(fù)雜的數(shù)據(jù)處理流程，包括但不限于瑕疵特征的檢測(cè)、分類、數(shù)據(jù)傳輸、反饋匯總與信息存儲(chǔ)。

<！--[if ！supportLists]-->1.5<！--[endif]-->智能化與自適應(yīng)學(xué)習(xí)階段

系統(tǒng)整體架構(gòu)強(qiáng)調(diào)自動(dòng)化和智能化，能夠自主完成產(chǎn)品的缺陷識(shí)別、定位和檢測(cè)任務(wù)，大幅減少了人工干預(yù)，降低了操作誤差和檢測(cè)成本。此外，系統(tǒng)內(nèi)嵌的機(jī)器學(xué)習(xí)和人工智能技術(shù)，使檢測(cè)過程具備自我學(xué)習(xí)和優(yōu)化的能力，隨著時(shí)間的推移，檢測(cè)的精確度和效率將不斷提升。

因此，產(chǎn)品一旦進(jìn)入系統(tǒng)，即通過結(jié)合智能光源、傳送帶、吸附式機(jī)械臂以及智能小車的精密協(xié)作，便可迅速完成自動(dòng)檢測(cè)任務(wù)。隨后，合格產(chǎn)品會(huì)被自動(dòng)分類至相應(yīng)類別，而檢測(cè)不合格的產(chǎn)品則依據(jù)缺陷類型進(jìn)行分類，這一流程均在吸附式機(jī)械臂與智能小車的共同作用下無縫執(zhí)行。

<！--[if ！supportLists]-->2<！--[endif]-->裝置硬件設(shè)計(jì)

基于智能光源控制的工業(yè)品缺陷質(zhì)檢裝置的硬件部分如圖1所示。在圖像采集階段，系統(tǒng)集成的智能化光源調(diào)控技術(shù)會(huì)微調(diào)光源特性，如均勻性、光譜組成、對(duì)比度與照明角度，以適應(yīng)多樣化的工業(yè)品檢測(cè)需求，進(jìn)而升級(jí)圖像質(zhì)量以及提升辨識(shí)的精確性。硬件質(zhì)檢模塊不僅實(shí)時(shí)校準(zhǔn)至最優(yōu)光源配置及高分辨率攝像設(shè)備設(shè)定，還加固了檢測(cè)過程的可靠性和穩(wěn)定性，確保高質(zhì)量圖像數(shù)據(jù)的獲取，為后續(xù)軟件分析奠定基礎(chǔ)。分揀環(huán)節(jié)上，系統(tǒng)創(chuàng)新融合了吸附式機(jī)械臂與智能小車，吸附式機(jī)械臂的靈活動(dòng)作配合小車的敏捷移動(dòng)，顯著增強(qiáng)了作業(yè)速度與靈活性，有效應(yīng)對(duì)分揀復(fù)雜產(chǎn)品。此系統(tǒng)能自主辨別缺陷位置，借助吸附式機(jī)械臂的精確定位執(zhí)行高效分揀，再搭配智能小車，不僅消減了人為誤差，還實(shí)現(xiàn)了成本節(jié)約，持續(xù)推動(dòng)檢測(cè)效能的躍升。

<！--[if ！supportLists]-->2.1<！--[endif]-->功能模塊介紹

就功能而言，系統(tǒng)主要可以分為5個(gè)模塊，分別為圖像采集模塊、模型訓(xùn)練模塊、工業(yè)品硬件質(zhì)檢模塊、工業(yè)品軟件質(zhì)檢模塊和后臺(tái)數(shù)據(jù)管理模塊。各模塊具體的使用方法分述如下。

2.1.1圖像采集模塊

圖像采集模塊主要由高清工業(yè)攝像頭模組組成，同時(shí)要求攝像頭模組提供可供獲取視頻流的SDK組件。使用時(shí)，需要先將攝像頭安裝到適合拍攝各種不同排列的芯片的位置，并將攝像頭通過網(wǎng)線連接到后臺(tái)服務(wù)器，以供實(shí)時(shí)從攝像頭前端獲取包含集裝號(hào)的視頻流。

2.1.2模型訓(xùn)練模塊

該模塊主要訓(xùn)練用于定位工業(yè)品表面缺陷位置的YOLOv8[4]目標(biāo)識(shí)別模型和用于分類圖像中是否包含有缺陷工業(yè)品的輕量級(jí)CNN[5]模型。具體來說，需要首先從后臺(tái)由前端攝像頭拍攝的視頻流中導(dǎo)出包含工業(yè)品的圖像，為了識(shí)別的準(zhǔn)確性，導(dǎo)出的含工業(yè)品目標(biāo)的圖像統(tǒng)一為jpg格式。并對(duì)每一張工業(yè)品圖像進(jìn)行兩類標(biāo)注，即圖像種類標(biāo)注，以及圖像中工業(yè)品缺點(diǎn)位置標(biāo)注（如圖2所示）。該過程需要人工手動(dòng)完成。工業(yè)品圖像標(biāo)注可以借助標(biāo)注工具lableImg完成。將目標(biāo)圖片輸入lableImg，手動(dòng)框出工業(yè)品表面缺陷所在位置，并保存標(biāo)注的結(jié)果，此時(shí)軟件lableImg會(huì)生產(chǎn)一個(gè)與圖片同名的txt文件，保存的txt文件形式如下。

前面的0代表只有一類，有兩行代表有兩個(gè)目標(biāo)。后面是目標(biāo)在圖片中的位置信息。前面兩個(gè)數(shù)字代表中心點(diǎn)位置，像素點(diǎn)/圖片尺寸；后兩位代表寬高，像素/圖片尺寸。

2.1.3產(chǎn)品硬件

該模塊主要用于對(duì)圖像的高質(zhì)量采集。在圖像采集方面，硬件模塊采用了先進(jìn)的智能光源控制技術(shù)，首先在選用光源時(shí)綜合考慮到光源的均勻性、光譜特性、對(duì)比度、照射角度、照明方式等因素，因此本產(chǎn)品采用LED光源，通過控制系統(tǒng)使得能夠提供不同波長(zhǎng)的光線，以適應(yīng)不同的檢測(cè)需求。為了更加快速、準(zhǔn)確地檢測(cè)工業(yè)品表面的缺陷，在硬件質(zhì)檢模塊的輸入端配置了高清工業(yè)級(jí)攝像頭負(fù)責(zé)對(duì)工業(yè)樣品的圖像采集。所采集的工業(yè)品圖像會(huì)傳輸?shù)焦I(yè)品質(zhì)檢軟件平臺(tái)，同時(shí)硬件質(zhì)檢模塊可對(duì)智能光源和高清工業(yè)級(jí)攝像頭進(jìn)行動(dòng)態(tài)調(diào)節(jié)，以確保檢測(cè)過程中的穩(wěn)定性和準(zhǔn)確性。在分揀方面，硬件質(zhì)檢模塊采用吸附式機(jī)械臂聯(lián)合智能小車進(jìn)行分揀，通過智能小車在不同的工業(yè)品質(zhì)檢區(qū)域之間移動(dòng)，配合機(jī)械臂手眼結(jié)合的坐標(biāo)點(diǎn)轉(zhuǎn)化對(duì)經(jīng)過軟件質(zhì)檢模塊處理后的工業(yè)品完成高穩(wěn)定、高效率的自動(dòng)化分揀任務(wù)。

2.1.4質(zhì)檢模塊

該模塊主要用于對(duì)工業(yè)品分類和缺陷檢測(cè)[6]。質(zhì)檢模塊當(dāng)中部署了本產(chǎn)品提出的基于級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的工業(yè)品表面缺陷快速檢測(cè)模型（如圖3所示），可對(duì)圖像中的工業(yè)品缺陷進(jìn)行檢測(cè)和識(shí)別。模型的第一級(jí)網(wǎng)絡(luò)為輕量級(jí)圖像分類網(wǎng)絡(luò)ResNet-tiny，可識(shí)別出圖像中是否存在有缺陷的工業(yè)品；第二級(jí)網(wǎng)絡(luò)為目標(biāo)檢測(cè)網(wǎng)絡(luò)，采用改進(jìn)的YOLOv8算法對(duì)圖像中的工業(yè)品缺陷進(jìn)行精準(zhǔn)的檢測(cè)和定位。通過輕量級(jí)分類網(wǎng)絡(luò)先對(duì)工業(yè)品圖像進(jìn)行分類以減少目標(biāo)檢測(cè)網(wǎng)絡(luò)的調(diào)用，從而提高工業(yè)品硬件質(zhì)檢這一步驟的效率。

2.1.5后臺(tái)數(shù)據(jù)管理模塊

后臺(tái)數(shù)據(jù)管理模塊采用自動(dòng)化的方式，首先將前端攝像頭捕捉到的視頻流傳到服務(wù)器，然后后臺(tái)數(shù)據(jù)管理模塊調(diào)用程序從數(shù)據(jù)流中取出工業(yè)品圖像并保存為jpg格式。

<！--[if ！supportLists]-->3<！--[endif]-->基于YOLOv8的工業(yè)品缺陷檢測(cè)

本文采用YouOnlyLookOncev8（YOLOv8）[7]模型來快速且準(zhǔn)確地識(shí)別工業(yè)產(chǎn)品的缺陷。在模型中，采用輕量型動(dòng)態(tài)卷積算法ODConv，通過并行策略引入一種多維注意力機(jī)制以對(duì)卷積核空間的4個(gè)維度學(xué)習(xí)更靈活的注意力，令模型減少計(jì)算量兼具高精度和高效率，ODConv算法的基本原理是對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）中卷積層的設(shè)計(jì)進(jìn)行創(chuàng)新。在傳統(tǒng)的CNN中，每個(gè)卷積層通常使用固定的、靜態(tài)的卷積核來提取特征。相較之下，ODConv引入了一種動(dòng)態(tài)的、多維的注意力機(jī)制，對(duì)卷積核的設(shè)計(jì)進(jìn)行了全面的改進(jìn)。下面詳細(xì)介紹其原理。

（1）多維動(dòng)態(tài)注意力機(jī)制。ODConv的核心創(chuàng)新是其多維動(dòng)態(tài)注意力機(jī)制。傳統(tǒng)的動(dòng)態(tài)卷積通常只在卷積核數(shù)量這一個(gè)維度上實(shí)現(xiàn)動(dòng)態(tài)性，即通過對(duì)多個(gè)卷積核進(jìn)行加權(quán)組合以適應(yīng)不同的輸入特征。ODConv則進(jìn)一步擴(kuò)展了這一概念，它不僅在卷積核數(shù)量上動(dòng)態(tài)調(diào)整，還涉及卷積核的其他3個(gè)維度：空間大小、輸入通道數(shù)、輸出通道數(shù)。所以O(shè)DConv與傳統(tǒng)的動(dòng)態(tài)卷積相比，能夠更精細(xì)地適應(yīng)輸入數(shù)據(jù)的特征，從而提高特征提取的結(jié)果。（2）并行策略。ODConv采用并行策略學(xué)習(xí)不同維度上的注意力。這種策略允許網(wǎng)絡(luò)在更加高效地處理每個(gè)維度的特征時(shí)，確保各維度之間的互補(bǔ)性和協(xié)同作用。（3）最后在模型中優(yōu)化損失函數(shù)CIoU為具有動(dòng)態(tài)非單調(diào)FM的WIoUv3，可以聚焦于普通質(zhì)量的錨框，并提高檢測(cè)器的整體性能。

上述模塊的配置使得YOLOv8可用于快速且準(zhǔn)確地識(shí)別出工業(yè)產(chǎn)品上的缺陷。

<！--[if ！supportLists]-->4<！--[endif]-->結(jié)語(yǔ)

本文針對(duì)工業(yè)品質(zhì)檢流程，設(shè)計(jì)了一種智能光源控制的缺陷檢測(cè)裝置，專門適用于特定工業(yè)品的質(zhì)檢。裝置分為硬件和軟件兩部分：硬件設(shè)計(jì)模塊選型與設(shè)計(jì)，軟件覆蓋平臺(tái)、編程語(yǔ)言選擇、圖像處理模塊、關(guān)鍵技術(shù)創(chuàng)新。通過調(diào)研，裝置的圖像采集環(huán)節(jié)精心采用了相機(jī)和鏡頭，以滿足功能需求。

采用智能光源技術(shù)搭配高清工業(yè)攝像頭采集了訓(xùn)練和測(cè)試所需的工業(yè)品樣本圖像，并進(jìn)行人工標(biāo)注，利用ResNet-tiny模型和改進(jìn)的YOLOv8模型，并進(jìn)行訓(xùn)練和參數(shù)調(diào)優(yōu)，實(shí)現(xiàn)了工業(yè)品表面缺陷自動(dòng)質(zhì)檢的目的。最后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析，證明了所提出裝置的可行性和優(yōu)越性。

參考文獻(xiàn)

<！--[if ！supportLists]-->[1]<！--[endif]-->賈玉成，張俊yut0RI5Z9GT10u2yrDUr8MGxyIhc+rPSTM0pIr+JqAo=彥.母國(guó)數(shù)字經(jīng)濟(jì)優(yōu)勢(shì)推動(dòng)數(shù)字企業(yè)對(duì)外直接投資的機(jī)制和效應(yīng)[J].深圳大學(xué)學(xué)報(bào)（人文社會(huì)科學(xué)版），2024，41（2）：76-86.

<！--[if ！supportLists]-->[2]<！--[endif]-->趙雨涵，楊飛洋，宋旭光，等.中國(guó)產(chǎn)業(yè)數(shù)字化規(guī)模測(cè)算與路徑分析[J].宏觀經(jīng)濟(jì)研究，2024（5）：74-88.

<！--[if ！supportLists]-->[3]<！--[endif]-->馬斌斌，豆媛媛，賀舒琪，等.中國(guó)數(shù)字經(jīng)濟(jì)與旅游產(chǎn)業(yè)融合發(fā)展的時(shí)空特征及驅(qū)動(dòng)機(jī)制[J].經(jīng)濟(jì)地理，2023，43（6）：192-201.

<！--[if ！supportLists]-->[4]<！--[endif]-->InUIA，MIFUNEY，NISHIMOTOH，etal.DetectionofElbowOCDintheUltrasoundImagebyArtificialIntelligenceUsingYOLOv8[J].AppliedSciences，2023，13（13）：7623.

<！--[if ！supportLists]-->[5]<！--[endif]-->郭欣羽.淺談深度學(xué)習(xí)發(fā)展脈絡(luò)及其現(xiàn)狀[J].湖北經(jīng)濟(jì)學(xué)院學(xué)報(bào)（人文社會(huì)科學(xué)版），2024，21（3）：65-68.

<！--[if ！supportLists]-->[6]<！--[endif]-->王宇航，張凱兵.基于改進(jìn)YOLOv5的PCB缺陷檢測(cè)方法[J].湖北工程學(xué)院學(xué)報(bào)，2023，43（6）：59-65.

<！--[if ！supportLists]-->[7]<！--[endif]-->楊江，孫福才，趙培江，等.基于機(jī)器視覺的PCB缺陷檢測(cè)關(guān)鍵技術(shù)研究[J].黑龍江工業(yè)學(xué)院學(xué)報(bào)（綜合版），2024，24（2）：110-115.