基于深度學(xué)習(xí)的零件質(zhì)量缺陷檢測(cè)在制造業(yè)中的應(yīng)用研究

黃成榮

摘 要：主要介紹了基于深度學(xué)習(xí)技術(shù)的零件加工質(zhì)量缺陷檢測(cè)在制造業(yè)中的應(yīng)用。傳統(tǒng)的零件檢測(cè)方法存在檢測(cè)精度不高、人工干預(yù)較多等問(wèn)題，而基于深度學(xué)習(xí)技術(shù)的零件加工質(zhì)量缺陷檢測(cè)方法可以有效地解決這些問(wèn)題，提高產(chǎn)品質(zhì)量和生產(chǎn)效率。文章以曲軸生產(chǎn)過(guò)程中兩側(cè)孔內(nèi)部鐵屑?xì)埩舻臋z測(cè)為例，詳細(xì)介紹了基于YOLOv5深度學(xué)習(xí)框架的自動(dòng)化視覺(jué)檢測(cè)系統(tǒng)方案。該系統(tǒng)使用PLC觸發(fā)軟件控制相機(jī)拍攝兩側(cè)孔內(nèi)部圖像，通過(guò)深度學(xué)習(xí)模型識(shí)別孔內(nèi)是否存在鐵屑?xì)埩簦⒔Y(jié)果展示并保存在界面上，最終反饋給PLC合格與不合格信號(hào)。采用深度學(xué)習(xí)模型，可以快速、準(zhǔn)確地完成檢測(cè)任務(wù)，并且能夠進(jìn)行追溯和分析。文章還對(duì)比了傳統(tǒng)目視檢查方案和基于深度學(xué)習(xí)的檢測(cè)方案的優(yōu)缺點(diǎn)，并提出了硬件工裝設(shè)計(jì)和優(yōu)化建議?？傮w來(lái)說(shuō)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)在制造業(yè)領(lǐng)域具有高效性、準(zhǔn)確性、靈活性和可靠性等優(yōu)勢(shì)，能夠幫助企業(yè)提高生產(chǎn)效率、降低成本，并且提高產(chǎn)品質(zhì)量和安全性。該研究為零件目標(biāo)檢測(cè)領(lǐng)域的深入應(yīng)用提供了借鑒和參考，也為其他工業(yè)自動(dòng)化、智能安防和自動(dòng)駕駛等領(lǐng)域的應(yīng)用提供了啟示。

關(guān)鍵詞：深度學(xué)習(xí) 零件目標(biāo)檢測(cè) YOLOv5 零件加工質(zhì)量缺陷 制造業(yè)

1 前言

零件加工質(zhì)量缺陷檢測(cè)是制造業(yè)中一個(gè)重要的問(wèn)題，對(duì)于提高產(chǎn)品質(zhì)量和生產(chǎn)效率具有關(guān)鍵作用。但是，傳統(tǒng)的零件檢測(cè)方法往往需要大量的人工干預(yù)，且存在檢測(cè)精度不高的問(wèn)題。近年來(lái)，深度學(xué)習(xí)技術(shù)的快速發(fā)展為零件目標(biāo)檢測(cè)提供了新的機(jī)遇?；谏疃葘W(xué)習(xí)技術(shù)的零件加工質(zhì)量缺陷檢測(cè)方法可以減少人工干預(yù)，提高檢測(cè)精度，加速零件加工流程，從而提高生產(chǎn)效率[1]。

2 簡(jiǎn)介

作為目標(biāo)檢測(cè)領(lǐng)域的主流方法，YOLOv5在實(shí)時(shí)性和準(zhǔn)確率等方面的表現(xiàn)十分出色。YOLOv5官方代碼中，給出的目標(biāo)檢測(cè)網(wǎng)絡(luò)中一共有4個(gè)版本，分別是YOLO5s、YOLO5m、YOLO5l、YOLO5x四個(gè)模型。

圖１展示了YOLOv5目標(biāo)檢測(cè)算法的整體框圖。對(duì)于一個(gè)目標(biāo)檢測(cè)算法而言，我們通常可以將其劃 分為4個(gè)通用的模塊，具體包括：輸入端、Backbone、Neck、Prediction。

輸入端：輸入端表示輸入的圖片。該網(wǎng)絡(luò)的輸入圖像大小為608*608，該階段通常包含一個(gè)圖像預(yù)處理階段，即將輸入圖像縮放到網(wǎng)絡(luò)的輸入大小，并進(jìn)行歸一化等操作。

在網(wǎng)絡(luò)訓(xùn)練階段， YOLOv5使用Mosaic數(shù)據(jù)增強(qiáng)操作提升模型的訓(xùn)練速度和網(wǎng)絡(luò)的精度；并提出了一種自適應(yīng)錨框計(jì)算與自適應(yīng)圖片縮放方法。

Backbone：基準(zhǔn)網(wǎng)絡(luò)通常是一些性能優(yōu)異的分類器種的網(wǎng)絡(luò)，該模塊用來(lái)提取一些通用的特征表示。

Neck：Neck網(wǎng)絡(luò)通常位于基準(zhǔn)網(wǎng)絡(luò)和頭網(wǎng)絡(luò)的中間位置，利用它可以進(jìn)一步提升特征的多樣性及魯棒性。

Prediction：用來(lái)完成目標(biāo)檢測(cè)結(jié)果的輸出。針對(duì)不同的檢測(cè)算法，輸出端的分支個(gè)數(shù)不盡相同，通常包含一個(gè)分類分支和一個(gè)回歸分支。YOLOv5利用GIOU_Loss來(lái)代替Smooth L1 Loss函數(shù)，從而進(jìn)一步提升算法的檢測(cè)精度。[2，3]。

目前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)已經(jīng)取得了重大突破，如YOLO、Faster R-CNN等算法已成為業(yè)界主流。近年來(lái)，國(guó)內(nèi)外學(xué)者們對(duì)基于深度學(xué)習(xí)的自動(dòng)化視覺(jué)檢測(cè)系統(tǒng)也做了大量研究。例如，中國(guó)的九州通公司提出了一種基于深度學(xué)習(xí)的零件目標(biāo)檢測(cè)系統(tǒng)，該系統(tǒng)可以實(shí)現(xiàn)對(duì)復(fù)雜零件的檢測(cè)，提高了生產(chǎn)效率和產(chǎn)品質(zhì)量。美國(guó)的Stratom公司開(kāi)發(fā)了一種能夠自動(dòng)化檢測(cè)衛(wèi)星部件的目標(biāo)檢測(cè)系統(tǒng)，可以大幅提高檢測(cè)效率和準(zhǔn)確性?？偟膩?lái)說(shuō)，目前基于深度學(xué)習(xí)的自動(dòng)化視覺(jué)檢測(cè)系統(tǒng)已經(jīng)得到了廣泛應(yīng)用和深入研究。

3 基于深度學(xué)習(xí)的零件目標(biāo)檢測(cè)應(yīng)用案例

3.1 背景

在曲軸生產(chǎn)過(guò)程中，需要加工左右兩側(cè)深孔，并且在加工螺紋的過(guò)程中會(huì)產(chǎn)生大量的鐵屑。這些鐵屑需要經(jīng)過(guò)清洗機(jī)清洗，但是由于清洗不徹底，很容易留下一些鐵屑?xì)埩簟Ｄ壳?，通常采用下線員工進(jìn)行目視檢查兩側(cè)孔是否有殘留鐵屑。然而，這種方法存在許多缺點(diǎn)，容易漏檢和錯(cuò)檢，從而導(dǎo)致質(zhì)量缺陷。

3.2 現(xiàn)有技術(shù)方案存在的缺陷：

1）目視檢查的連續(xù)性較低，員工容易疲勞導(dǎo)致漏檢和錯(cuò)檢；根據(jù)實(shí)際應(yīng)用數(shù)據(jù)顯示，員工目視檢查的連續(xù)時(shí)間一般不超過(guò)30分鐘，之后漏檢和錯(cuò)檢率就會(huì)顯著增加。

2）目視檢查數(shù)據(jù)無(wú)法追溯，無(wú)法做到品質(zhì)管理及分析；傳統(tǒng)的目視檢查方法無(wú)法完全記錄零件的檢測(cè)結(jié)果和圖片，難以實(shí)現(xiàn)精確追溯和分析。

3）曲軸孔較深，目視檢查不充分，容易造成質(zhì)量缺陷逃逸；由于孔深或角度等限制，員工無(wú)法充分地檢測(cè)孔內(nèi)是否有殘留鐵屑，容易造成某些質(zhì)量缺陷逃逸，影響產(chǎn)品質(zhì)量穩(wěn)定性。

4）員工目視檢查需要檢測(cè)兩端孔，浪費(fèi)時(shí)間，人機(jī)工程不友好，人力成本高；員工需要同時(shí)檢查兩端孔，效率低下，且長(zhǎng)時(shí)間的視覺(jué)工作對(duì)員工的身心健康也會(huì)產(chǎn)生消極影響。

3.3 基于深度學(xué)習(xí)的零件目標(biāo)檢測(cè)方案

針對(duì)現(xiàn)有技術(shù)方案存在的缺陷，我們開(kāi)發(fā)了基于Python和深度學(xué)習(xí)框架的自動(dòng)化視覺(jué)檢測(cè)系統(tǒng)，該系統(tǒng)能夠有效地解決上述問(wèn)題。具體的方案如下：

1）自主設(shè)計(jì)合適的硬件工裝：我們選擇了具有良好光學(xué)性能的同軸遠(yuǎn)心鏡頭和點(diǎn)光源進(jìn)行設(shè)計(jì)，這樣可以清晰地拍攝曲軸兩端孔內(nèi)部特征，解決了兩端孔較深給檢查帶來(lái)的困難。

2）采用YOLOv5檢測(cè)檢測(cè)孔鐵屑：我們采用YOLOv5目標(biāo)檢測(cè)算法，該算法具有快速、準(zhǔn)確的特點(diǎn)，并且能夠處理小目標(biāo)，非常適合進(jìn)行零件目標(biāo)檢測(cè)[4]。

首先需要先下載好YOLOv5深度學(xué)習(xí)框架代碼，根據(jù)不同的場(chǎng)景收集相應(yīng)的缺陷圖片，本例主要是收集曲軸孔存在鐵屑的圖片，圖片數(shù)據(jù)集越多越好，然后使用專門標(biāo)注軟件labelimg進(jìn)行圖片標(biāo)注，步驟如下：

①首先新建文件夾，其中JPEGImages用來(lái)存放你要用于訓(xùn)練的照片，照片最好按序命名，Annotations用于存放標(biāo)注完的標(biāo)簽。

②用labelimg打開(kāi)JPEGImages文件夾內(nèi)圖片，在圖中框選出需要識(shí)別的特征，并且輸入該特征的標(biāo)記（即名稱）。

③將結(jié)果保存到Annotations文件夾，這時(shí)在文件夾可以看到一個(gè)XML文件，用于后續(xù)模型訓(xùn)練。

模型訓(xùn)練完后，系統(tǒng)調(diào)用相機(jī)SDK獲取曲軸孔照片后，將照片保存到本地進(jìn)行存檔和識(shí)別。接著，系統(tǒng)讀取剛剛獲取到的照片，首先對(duì)照片進(jìn)行一些圖像處理，然后調(diào)用訓(xùn)練好的模型，識(shí)別曲軸孔內(nèi)是否存在鐵屑，并輸出合格或不合格信號(hào)。采用深度學(xué)習(xí)模型，可以快速、準(zhǔn)確地完成檢測(cè)任務(wù)。

4）提升傳統(tǒng)檢查方式：新檢測(cè)系統(tǒng)能夠?qū)z測(cè)結(jié)果和圖片自動(dòng)統(tǒng)計(jì)并保存下來(lái)，便于后續(xù)進(jìn)行零件精確追溯和不良品分析；同時(shí)，也避免了目視檢查的漏檢和錯(cuò)檢問(wèn)題，顯著提高了產(chǎn)品的合格率和質(zhì)量穩(wěn)定性，降低了人力成本和質(zhì)量風(fēng)險(xiǎn)。

3.4 效果

1）該系統(tǒng)通過(guò)機(jī)器視覺(jué)取代員工目視檢查，降低了員工操作節(jié)拍，提高生產(chǎn)自動(dòng)化率。

2）零件質(zhì)量缺陷探測(cè)能力提高，從PFMEA分析，探測(cè)能力由目視檢查7提高為100%視覺(jué)檢查4，有效降低了由于零件錯(cuò)裝導(dǎo)致的質(zhì)量風(fēng)險(xiǎn)；

3）使用了深度學(xué)習(xí)框架，根據(jù)該運(yùn)用場(chǎng)景，訓(xùn)練相應(yīng)的模型，使得識(shí)別結(jié)果更加迅速、準(zhǔn)確，基于深度學(xué)習(xí)的視覺(jué)檢測(cè)技術(shù)已經(jīng)廣泛應(yīng)用于生產(chǎn)現(xiàn)場(chǎng)中，提高了生產(chǎn)效率的同時(shí)，也降低了視覺(jué)應(yīng)用成本，擁有良好的應(yīng)用前景。

4 總結(jié)

在制造業(yè)中，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)具有以下優(yōu)勢(shì)：

1）高效性：相比傳統(tǒng)的目標(biāo)檢測(cè)方法，基于深度學(xué)習(xí)的方法可以更快地處理大量數(shù)據(jù)，減少人工干預(yù)，提高生產(chǎn)效率。

2）準(zhǔn)確性：基于深度學(xué)習(xí)的方法可以有效地避免誤判和漏檢，提高檢測(cè)的準(zhǔn)確性。

3）靈活性：基于深度學(xué)習(xí)的方法可以適應(yīng)各種不同場(chǎng)景和應(yīng)用需求，無(wú)需人工調(diào)整參數(shù)或重新訓(xùn)練模型。

4）可靠性：基于深度學(xué)習(xí)的方法可以自動(dòng)化處理大量數(shù)據(jù)，并且可以在長(zhǎng)時(shí)間使用后保持穩(wěn)定性和精度。

因此，在制造業(yè)中使用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)可以幫助企業(yè)提高生產(chǎn)效率、降低成本，并且提高產(chǎn)品質(zhì)量和安全性。

本篇論文通過(guò)對(duì)零件目標(biāo)檢測(cè)領(lǐng)域的深入研究，提出了一種基于深度學(xué)習(xí)的自動(dòng)化檢測(cè)方案。該方案可以顯著提高檢測(cè)效率和準(zhǔn)確性，實(shí)現(xiàn)自動(dòng)化檢測(cè)和數(shù)據(jù)統(tǒng)計(jì)，有望在制造業(yè)等領(lǐng)域得到廣泛應(yīng)用。此外，在具體實(shí)現(xiàn)方面，本文提出了數(shù)據(jù)收集和預(yù)處理、模型選擇和訓(xùn)練、圖像處理和目標(biāo)檢測(cè)、結(jié)果展示和反饋等四個(gè)主要步驟，給出了詳細(xì)的技術(shù)路線和實(shí)驗(yàn)結(jié)果。最后，針對(duì)一些特殊零件檢測(cè)任務(wù)，還提出了相應(yīng)的硬件工裝設(shè)計(jì)和優(yōu)化建議，有一定的借鑒意義。

參考文獻(xiàn)：

[1]王鑫.基于深度學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障識(shí)別[J].裝備制造技術(shù)，2021（09）：229-232.

[2]陳露萌，曹彥彥，黃民，謝鑫鋼.基于改進(jìn)YOLOv5的火焰檢測(cè)方法[J/OL].計(jì)算機(jī)工程：1-17[2023-03-29].

[3]黎學(xué)飛，童晶，陳正鳴，包勇，倪佳佳.基于改進(jìn)YOLOv5的小目標(biāo)檢測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（12）：242-250.

[4]于志斌，胡泓.基于YOLO算法與機(jī)器視覺(jué)的晶圓片表面缺陷檢測(cè)研究[J].新型工業(yè)化，2021，11（12）：114-117.