銅桿智能檢測算法分析與系統(tǒng)實(shí)現(xiàn)

摘" 要：智能檢測銅桿質(zhì)量，在檢測系統(tǒng)中起到重要作用。該文設(shè)計(jì)一個基于網(wǎng)絡(luò)架構(gòu)（VGG、Resnet和MobileNet）的深度學(xué)習(xí)框架，用于銅桿質(zhì)量檢測。此外，受到MobileNet架構(gòu)的啟發(fā)，還提出一種實(shí)時檢測深度學(xué)習(xí)框架，用于高效的自動檢測，檢測結(jié)果準(zhǔn)確率在90%以上。另外，基于現(xiàn)有的銅桿檢測數(shù)據(jù)集和Django與Vue框架開發(fā)第一套銅桿智能檢測系統(tǒng)。該系統(tǒng)實(shí)現(xiàn)銅桿類別管理，自動檢測管理，這是目前在銅桿檢測行業(yè)首次使用基于MobileNet神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)的智能管理系統(tǒng)。

關(guān)鍵詞：銅桿檢測；智能制造；深度學(xué)習(xí)；人工智能；智能檢測系統(tǒng)

中圖分類號：TP391" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2095-2945（2025）03-0041-04

Abstract： Intelligent testing of the quality of copper rods plays an important role in the testing system. This paper designs a deep learning framework based on network architectures（VGG， Resnet， and MobileNet） for copper rod quality inspection. In addition， inspired by the MobileNet architecture， a real-time detection deep learning framework for efficient automatic detection， with detection results accuracy of more than 90%. In addition， the first intelligent copper rod inspection system was developed based on existing copper rod inspection datasets and based on Django and Vue frameworks. The system realizes copper rod category management and automatic inspection management. This is the first time in the copper rod inspection industry that an intelligent management system based on the MobileNet neural network model has been implemented.

Keywords： copper rod inspection; intelligent manufacturing; deep learning; artificial intelligence; intelligent inspection system

銅桿的質(zhì)量檢測是一個備受關(guān)注的研究課題。近年來，還有許多工作著眼于基于檢查和探索的檢測[1-3]。傳統(tǒng)方法，如AdaBoost和SVMe[4-5]，已經(jīng)被用來進(jìn)行智能檢測和分割。然而，在過去的幾年中，CNN架構(gòu)，如Alexnet[6]、VGG[7]、Resnet[8-9]，在物體檢測和分類方面[10]表現(xiàn)出了出色的性能，因此它們自然具有在各種智能制造質(zhì)量檢測任務(wù)中進(jìn)行智能檢測的潛力。

1" 研究動機(jī)

智能制造系統(tǒng)已經(jīng)徹底改變了制造業(yè)，提高了效率、質(zhì)量和靈活性。智能制造的一個至關(guān)重要的方面是自動檢測系統(tǒng)，它在確保產(chǎn)品質(zhì)量和一致性方面發(fā)揮著關(guān)鍵作用。本節(jié)旨在探討智能制造自動檢測系統(tǒng)開發(fā)背后的研究動機(jī)。

傳統(tǒng)的檢測方法通常具有勞動密集、容易出錯和耗時的劣勢。降低制造成本是全球各行業(yè)關(guān)注的重要問題。隨著工業(yè)4.0和物聯(lián)網(wǎng)（IoT）的發(fā)展，自動檢測系統(tǒng)可以生成大量數(shù)據(jù)。這些數(shù)據(jù)可以實(shí)時分析，用于數(shù)據(jù)驅(qū)動決策，使制造商能夠識別趨勢、預(yù)測維護(hù)需求并優(yōu)化流程[11-12]。

2" 設(shè)計(jì)方案

論文設(shè)計(jì)方案，主要分為4大模塊，分別是人工采集數(shù)據(jù)及數(shù)據(jù)預(yù)處理模塊、異常檢測與深度學(xué)習(xí)模塊、品牌廠家組合優(yōu)化數(shù)學(xué)模型和Django網(wǎng)站系統(tǒng)實(shí)現(xiàn)模塊，如圖1所示。

人工采集數(shù)據(jù)及數(shù)據(jù)預(yù)處理模塊：人工記錄銅桿檢測，包括檢測和記錄銅桿的特征數(shù)據(jù)。異常檢測與深度學(xué)習(xí)模塊：在模型設(shè)計(jì)中引入異常檢測技術(shù)，使模型能夠自動識別銅桿上的異常點(diǎn)或不尋常的模式。深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的融合，在模型內(nèi)部結(jié)合深度學(xué)習(xí)。品牌廠家組合優(yōu)化數(shù)學(xué)模型模塊：通過提出基于啟發(fā)式算法的組合優(yōu)化模型，實(shí)現(xiàn)銅桿質(zhì)量的最優(yōu)化。Django 網(wǎng)站系統(tǒng)對前3個模塊進(jìn)行工程化，實(shí)現(xiàn)銅桿檢測錄入、AI檢測分析、品牌廠家優(yōu)化功能。

3" 模型

3.1" 人工采集數(shù)據(jù)及數(shù)據(jù)預(yù)處理

手動記錄銅桿特征數(shù)據(jù)：檢測銅桿并手動記錄特征數(shù)據(jù)，特征集記錄為F，包括外徑、F值、氧含量、伸長率檢測、扭轉(zhuǎn)檢測、外觀探傷檢測、銅粉檢測、伸長率、抗拉強(qiáng)度、試樣情況、小傷、中傷、大傷、外觀等級和氧化膜厚度。這可以通過測量工具和目視檢查來完成。記錄特征數(shù)據(jù)到Excel文件，逐月存儲。

為每個月創(chuàng)建一個新的工作表xlsi，以便按月存儲數(shù)據(jù)。手動輸入每個月的數(shù)據(jù)到相應(yīng)的工作表中。每個月重復(fù)記錄和分析過程，重復(fù)上述過程，將新的數(shù)據(jù)手動記錄到新的工作表中，得到按月統(tǒng)計(jì)的數(shù)據(jù)集xls={xls1，…，xlsn}，并執(zhí)行相同的分析步驟。

3.2" 異常檢測與深度學(xué)習(xí)模塊

選擇與銅桿檢測相關(guān)的特征，其中一些特征對銅桿質(zhì)量預(yù)測沒有太大的幫助，排除在特征集之外，得到候選特征集F'。對于不同類型的特征，進(jìn)行不同的變換。根據(jù)銅桿檢測準(zhǔn)確率，F(xiàn)1結(jié)果，通過原始特征的組合、差異、比率創(chuàng)建新的特征Fn={F1，…，F(xiàn)n}，并添加到候選特征集F'中，得到最終特征集Ft，其中Ft=F'∪Fn，如圖2所示，最左側(cè)模塊即是輸入到異常檢測與深度學(xué)習(xí)模型的最終特征集。

逐月輸入數(shù)據(jù)Dmonth到模型中，該模型受到MobileNet神經(jīng)網(wǎng)絡(luò)模型啟發(fā)[13]。MobileNet是一種輕量級卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，特別適用于移動設(shè)備和嵌入式系統(tǒng)上的計(jì)算資源受限的深度學(xué)習(xí)任務(wù)。MobileNet采用深度可分離卷積，這種卷積操作可以顯著減少模型的參數(shù)數(shù)量，從而降低內(nèi)存和計(jì)算需求。同時，盡管MobileNet非常輕量，但它在圖像分類和目標(biāo)檢測等任務(wù)上表現(xiàn)出色，這使得它適合用于具有多分類結(jié)果的異常檢測任務(wù)。據(jù)此特點(diǎn)非常適合用于智能制造車間，實(shí)時快速預(yù)測銅桿檢測。

選用MobileNetV1，并進(jìn)行微調(diào)，調(diào)整后模型的網(wǎng)絡(luò)結(jié)構(gòu)包含8個卷積層，每一層都包含多個卷積核，每個卷積核會生成一個特征圖。每個特征圖的尺寸和深度（神經(jīng)元節(jié)點(diǎn)數(shù)）會根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)而變化。使用的激活函數(shù)是ReLU（Rectified Linear Unit），用于引入非線性。模型的末尾通常包含一個全局平均池化層（Global Average Pooling），然后是一個全連接層，用于生成分類結(jié)果。全連接層的神經(jīng)元數(shù)量匹配銅桿檢測結(jié)果分類數(shù)Cn，使用Softmax激活函數(shù)來將網(wǎng)絡(luò)輸出映射到概率分布，以確定輸入樣本具體的銅桿檢測類別。

從多分類銅桿檢測結(jié)果cn中進(jìn)一步輸出二分類結(jié)果，判斷是否為廢桿。使用一個包含三層全連接網(wǎng)絡(luò)的子模塊來完成二分類任務(wù)。網(wǎng)絡(luò)模型是輕量級結(jié)構(gòu)，通過三層網(wǎng)絡(luò)會逐層編碼多分類結(jié)果，最終輸出二分類結(jié)果。具體來說，第一全連接層的輸入層是多分類結(jié)果Cn，其維度等于多分類類別數(shù)N，第一層選擇一個較小的64個神經(jīng)元數(shù)量，激活函數(shù)選擇ReLU。第二全連接層輸入層，再次減少神經(jīng)元的數(shù)量為32個，減少模型的復(fù)雜性并提高泛化性能。激活函數(shù)仍然選擇ReLU。第三全連接層的輸入層是最終輸出層，只有2個神經(jīng)元。這2個神經(jīng)元對應(yīng)于二分類問題中的2個類別，一個表示“廢桿”（positive class），另一個表示“非廢桿”（negative class），激活函數(shù)使用Sigmoid 激活函數(shù)，它將輸出映射到[0，1]的范圍內(nèi)，用于表示概率。

3.3" 品牌廠家組合優(yōu)化數(shù)學(xué)模型

為了實(shí)現(xiàn)銅桿質(zhì)量的最優(yōu)化，本研究提出了一個基于啟發(fā)式算法的組合優(yōu)化模型。目標(biāo)函數(shù)F（x）設(shè)計(jì)為綜合評估銅桿的氧含量、電阻率、扭轉(zhuǎn)、延伸率和銅粉品質(zhì)。假設(shè)有n種不同品牌的電解銅，每種銅的混合比例表示為xi，其中i=1，2，…，n，則目標(biāo)函數(shù)可以表示為

式中：O（x）、R（x）、T（x）、E（x）和P（x）分別表示氧含量、電阻率、扭轉(zhuǎn)、延伸率和銅粉品質(zhì)的函數(shù)，W1到W5是這些因素的權(quán)重系數(shù)。

約束條件為

xi=1，

式中：xi≥0，對于所有i=1，2，…，n。

以上表示混合銅的比例總和必須為1，且每種銅的比例不得為負(fù)。

本模型將采用遺傳算法（GA）進(jìn)行求解。遺傳算法是一種模仿自然選擇和遺傳學(xué)原理的搜索啟發(fā)式算法，適用于解決此類優(yōu)化問題。

3.4" Django網(wǎng)站系統(tǒng)實(shí)現(xiàn)模塊

使用SimpleUI框架創(chuàng)建用戶界面，后端開發(fā)使用Django框架創(chuàng)建項(xiàng)目和應(yīng)用，設(shè)置數(shù)據(jù)庫連接和配置。定義數(shù)據(jù)庫模型，如圖3所示。

4" 評估

訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型所使用服務(wù)器配置：NVIDIA GeForce GPU，配備32核CPU，Intel的Xeon系列處理器，256 G內(nèi)存。輸入近兩年、按照月維度劃分Excel銅桿檢測數(shù)據(jù)到模型中，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。使用PyTorch編碼實(shí)現(xiàn)模型，模型訓(xùn)練，模型評估等。

4.1" 月維度銅桿多分類結(jié)果

如圖4（a）所示，評估模型在銅桿檢測任務(wù)中的性能，在2022年6月準(zhǔn)確率為0.91，精確度為0.97，召回率為0.91，F(xiàn)1分?jǐn)?shù)為0.94。模型在多分類銅桿檢測任務(wù)中表現(xiàn)出色，并且在不同月份之間的性能變化較小，如圖4（b）（c）所示。

4.2" 月維度銅桿是否為廢桿預(yù)測分析

如圖5（a）所示，2022年6月是否為廢桿的二分類分析結(jié)果，準(zhǔn)確率為0.94，表示模型在該月的預(yù)測中正確分類的比例為94%；精確度為0.88，表示模型在將銅桿預(yù)測為廢桿時的準(zhǔn)確性為88%；召回率為0.94，表示模型成功捕獲到實(shí)際為廢桿的銅桿的比例為94%，F(xiàn)1分?jǐn)?shù)為0.91。2022年12月、2023年1月的預(yù)測結(jié)果如圖5（b）（c）所示。

4.3" 天維度銅桿預(yù)測分析

如圖6所示，分析了2022年6月15日、6月16日、6月17日3天的銅桿預(yù)測準(zhǔn)確率，整體結(jié)果比較出色。

4.4" 銅桿檢測系統(tǒng)性能評估分析

前端設(shè)計(jì)使用SimpleUI框架創(chuàng)建用戶界面，提供了美觀的配色方案和布局風(fēng)格。使用HTML和CSS設(shè)計(jì)了清晰的頁面結(jié)構(gòu)和樣式，確保用戶友好的界面。JavaScript用于實(shí)現(xiàn)交互功能，包括表單驗(yàn)證和數(shù)據(jù)動態(tài)加載。平均頁面加載時間為0.8 s。

5" 結(jié)論

本文提出了一個綜合性的智能制造自動檢測系統(tǒng)，該系統(tǒng)致力于提高銅桿檢測的效率、準(zhǔn)確性和可靠性。設(shè)計(jì)方案包括4大核心模塊，分別是人工采集數(shù)據(jù)及數(shù)據(jù)預(yù)處理模塊、異常檢測與深度學(xué)習(xí)模塊、品牌廠家組合優(yōu)化數(shù)字模型以及Django網(wǎng)站系統(tǒng)實(shí)現(xiàn)模塊。這4個模塊的協(xié)同工作使得系統(tǒng)能夠滿足銅桿檢測管理的需求，并為用戶提供了全方位的支持和解決方案。

本設(shè)計(jì)方案為智能制造自動檢測系統(tǒng)的開發(fā)和應(yīng)用提供了一個全面且具有競爭力的解決方案。系統(tǒng)的模塊化設(shè)計(jì)和技術(shù)融合展現(xiàn)了創(chuàng)新思維和工程實(shí)踐。

參考文獻(xiàn)：

[1] LU W H， LI Y L， WANG S J， et al. Improvements of 3D Object Detection with Part-based Models[J].Acta Automatica Sinica，2012，38（4）：497-506.

[2] 周德強(qiáng)，潘萌.鐵磁性構(gòu)件缺陷的脈沖渦流[J].儀器儀表學(xué)報(bào)，2017，38（6）：1498-1505，2017.

[3] FANG F， LI， GU Y， et al.A Novel Hybrid Approach for Crack Detection[J].Pattern Recognition，2020，107：107474.

[4] PARVARDEH， HOOMAN， HUNG， et al. Automated Crack Detection on Concrete Bridges[J].IEEE transactions on automation science and engineering： a publication of the IEEE Robotics and Automation Society，2016，13（2）：591-599.

[5] PRATEEK P， KRISTIN J. D， NENAD G. Automated crack detection on concretebridges[J].Automation in Construction， 2019，99：52-58.

[6] KRIZHEVSKY I S A， HINTON G E.Imagenetclassificationwith deep convolutional neural networks[J].In Advances in Neu-ral Information Processing Systems（NeurIPS），2012：1097-1105.

[7] SIMONYAN K， ZISSERMAN A. Very deep convolutional net-works for large-scale image recognition[J].The International Con-ference on Learning Representations（ICLR），2014

[8] HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning forimage recognition[J]. In Proceedings of the IEEE conference on Computer Vision and Pattern Recognition（CVPR），2016：770-778.

[9] XIE S N，GIRSHICK R， DOLLAR， et al. Aggregated residual transformations for deep neural networks[J].In Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition（CVPR），2017：1492-1500.

[10] SAKIB S A，" ATIKUR R S M， Tzu-Liang （Bill）.A deep learning approachfor automated anomaly detection in additive manufacturing[J].Robotics and Computer-Integrated Manufacturing，2020，63：101918.

[11] TANG S N， YUAN S Q， ZHU Y. Deep learning-based intelligent fault diagnosisand prognosis for manufacturing processes： A review[J].Journalof Manufacturing Systems，2021，59，213-230.

[12] MICHELA P， ROBERTO M S. Deep learning-based automaticvisual inspection for surface defects in industrial applications：A comprehensive review[J].Engineering Applications of ArtificialIntelligence，2021，105：104577.