基于人工智能的磁芯產品缺陷檢測與分類技術

俞永方 吳玨 雷明根 吳顯德

（1.浙江華是科技股份有限公司 浙江省杭州市 311100 2.浙江理工大學 浙江省杭州市 310000）

磁芯產品廣泛用于通訊、計算機、家用電器及消費類電子（如電視機、游戲機、液晶顯示器）等領域的硬件電路板、開關電源、變壓器、電感器等，伴隨計算機性能的提高和網絡通信技術的發展，各種磁芯材料也層出不窮。

目前，磁芯產品缺陷（如崩缺、爆點、漏鍍、暗孔、暗裂等）大多數都是依靠人工眼睛分辨，由于磁芯非常小（幾個毫米），而有些缺陷更是極其細微，幾乎達到人眼分辨效率極限，加上疲勞也都會產生一定的錯檢漏檢[1]。機器輔助檢測目前國內產品也存在一些問題，主要表現為機器檢查磁芯時很不穩定，有時檢測出的合格率可達70%，但一次檢出率僅有40%，還有30%沒能被一次性檢出；機器在檢查磁芯時不能測量磁芯各部分的尺寸；一種型號的機器只能檢查幾種磁芯，不能檢查多種磁芯或其他的產品如電阻、電感等。

隨著人工智能技術的興起，其相關技術也開始廣泛應用到產品缺陷檢測中[2-3]。本文在對人工智能技術進行深入研究后，提出基于人工智能的磁芯產品缺陷檢測與分類研究方案，并且在硬軟件上進行集成實現。首先構建基于人工智能的磁芯產品缺陷檢測構架體系；其次，提出目標定位和缺陷檢測算法，基于圖像處理與分析，并編程實現；再次，研究檢測系統與自動控制系統的協調機制；最后，驗證本文檢測與分類研究方案的預期功能。

1 磁芯產品缺陷檢測與分類的整體機制

本研究方案主要分為光學系統、人工智能系統、自動控制系統、機械分揀系統四大模塊。系統軟硬件主要包括光源、鏡頭、工業相機、圖像采集卡、控制機構、計算機和專門開發的應用軟件組成，用于檢測每個磁芯的外觀和尺寸測量等參數。光學系統主要包括光源、鏡頭和相機，主要用于采集高精度磁芯產品圖像，光學系統環境如圖1。

人工智能架構及核心算法是本研究方案的核心，利用現有的人工智能開發平臺，設計實現深度學習的神經網絡模型，使系統從原來的基于參數調節的圖像分析及缺陷匹配模式，轉變成通過自動訓練模型并實現圖像標記，從而降低系統調試難度并極大提高缺陷檢測準確率。自動控制系統在完成所有的圖像采集和圖像處理工作之后，輸出圖像處理的結果，并進行動作（如報警、剔除、位移、暫停等），再通過人機界面顯示生產信息，然后在型號、參數發生改變時對系統進行切換和修改工作。機械系統主要實現分類功能。研究方案總體架構如圖2。

2 基于人工智能的磁芯產品缺陷檢測與分類

2.1 圖像采集與處理

方案利用光學系統模塊對磁芯產品圖像進行采集。光學系統的成像效果非常關鍵，缺陷對比度是否明顯，最終決定整體系統的檢測效果，而且不同材質的磁芯、不同缺陷檢測需求，光學成像方案也不同。根據人工智能算法的特點和磁芯產品缺陷（如崩缺、爆點、漏鍍、暗孔、暗裂等）特征，我們采用色彩信息豐富的彩色成像方案，由彩色工業相機+彩色補光LED 燈+彩色底底燈做背景構成，經過反復調試實驗，獲得一組對合金粉材質的裸磁成像效果優秀的參數集，取得較高質量的磁芯圖像，同時采用PC 作為處理平臺。依托PC 處理平臺，處理速度快，可運行復雜的圖像處理算法，可帶多個相機，可根據用戶要求自行開發處理程序和用戶界面。

圖1：光學系統環境

圖2：研究方案總體架構圖

圖3：機械分揀系統圖

PC 的作用是執行圖像處理及分析軟件，調用根據檢測功能所特殊設計的一系列圖像處理及分析算法模塊，對圖像數據進行復雜的計算和處理，最終得到系統設計所需要的信息，然后通過與之相連接的外部設備如顯示器、網絡、打印機、報警器、各種控制信號以各種形式輸出檢測結果及響應。

2.2 基于人工智能的磁芯產品缺陷檢測算法及實現

磁芯產品缺陷檢測采用深度學習模型Faster R-CNN。Faster R-CNN 是區域生成網絡（RegionProposal Network，RPN）和Fast R-CNN 的結合，其使用RPN 來替代傳統Fast R-CNN 中的Selective Search 方法獲得候選區域，并用來訓練Fast R-CNN。

RPN 是一個全卷積網絡，以任意大小的圖像作為輸入，最后輸出一組矩形候選區域，每個候選區域都有其評分。RPN 網絡通過滑動窗口的方式實現候選區域的選擇，在每個滑動窗口的位置都生成n 個候選窗口（不同尺寸，不同寬高比），對于每個候選窗口，提取其特征，用于檢測和識別。檢測僅區分候選區域內的特征是前景還是背景，識別則將目標位置定位的更加精確。

Fast R-CNN 將圖像和一組候選缺陷圖像塊作為輸入。網絡首先用多個卷積和最大池層處理整個圖像以產生一個卷積特征圖。然后，對每個候選缺陷圖像塊，從特征映射中提取固定長度的特征向量。每個特征向量被輸入一系列完全連接層（Fully Connected，FC），最終輸出到兩個輸出層：一個是Softmax 的分類得分，一個是Bounding-Box 窗口回歸。利用窗口得分進行非極大值抑制，剔除重疊候選區域，最終得到回歸修正后的得分最高的窗口，即為最后的缺陷圖像塊。

實際操作過程分為訓練和識別兩個階段。訓練階段是把訓練庫中的每個樣本分別輸入到Faster R-CNN 進行訓練，直到網絡不再變化。識別時，向訓練之后的網絡輸入樣本圖像，網絡最終返回一個缺陷圖像塊的窗口信息。

2.3 磁芯產品分類

具體如表1 所示。

磁芯產品分類主要利用自動控制系統和機械分揀系統實現，機械分揀系統硬件環境如圖3。

磁芯產品經過人工上料后，經過圓形振動盤后，經過直振導軌后，經導向裝置后，到圓形玻璃盤后，經光纖傳感器后，依次控制6 個攝像頭對物件進行拍照后，經基于人工智能的磁芯產品缺陷檢測算法計算處理識別物件好壞后，告訴控制板后，控制板根據計算機判別后的結果控制對應的電磁閥動作，將相應好壞的物料吹到對應的料盒中。主要工作流程圖如圖4。

3 實驗與討論

本研究方案基于人工智能技術實現圖像采集、圖像處理，最終完成對磁芯產品的缺陷檢查及自動分類，整個過程做到了自動化、數字化、無人化。

本文對相同一組材料（1000 枚）完成檢測，先后采用傳統人工檢查和本系統檢查識別，分別記錄所用時間和結果。結果見表2。依據表2 中的數據可知，本文檢測技術的效率最高，其時耗僅為15s，檢測正確率高達99%；而傳統機制的時耗為48s，檢測正確率只有68%。

依據上述實驗結果可知，本文所提研究方案的識別精度比傳統機制要高，而所用時間卻要少于傳統機制。

4 結束語

為了解決當前人工檢查方式無法在效率和精度上滿足現代工業磁芯產品生產檢查需求的問題，本文提出了基于人工智能的磁芯產品缺陷檢測與分類系統，并在軟硬件上進行整合實現。首先在硬件進行實驗，篩選出最合適的相機、光源等視覺設備，然后經過打光方式的反復實驗，建立起一個能夠采集出高對比度的采集平臺。然后利用人工智能算法實現對缺陷的定位、識別，完成視覺檢查，最后加入自動控制系統和機械分揀系統，能夠滿足現代工程的實際需求．實驗結果表明：與傳統的人工檢查方式相比，本研究方案具有更好的精度和更高的效率。

表1：磁芯產品分類

表2：測試結果

圖4：工作流程圖