基于智能光源控制的工業品缺陷檢測裝置

摘要：在工業生產中，工藝流程緊密相連且技術要求高，細微變化易引發產品缺陷，降低良品率。團隊研發的智能光源控制質檢裝置，利用級聯神經網絡和優化的YOLOv8模型，加速并精確檢測表面缺陷。同時，裝置結合智能光源調控技術，能發射多種波長光線，適應不同工業品的檢測需求，從而確保高效、精確、快速的缺陷識別和分類，提升產品質量及生產效率。

關鍵詞：智能光源工業品缺陷質檢裝置深度學習卷積神經網絡模型

中圖分類號：TP3文獻標志碼：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

隨著數字經濟的迅猛發展，中國正步入數字經濟發展的全面加速階段，成為推動經濟增長的新引擎[1]。在此過程中，產業數字化作為關鍵的發展機遇，通過應用數字技術，傳統產業實現了產出增加與效率提升。特別是在中國，產業數字化規模由2015年的13.8萬億元增長至2020年的31.7萬億元，顯著體現了數字化轉型的積極成效[2]。此外，“中國數字經濟100強”企業的總營收接近2021年全國GDP的十分之一，數字經濟規模已高達50.2萬億元，占GDP的比重增至41.5%[3]，彰顯了數字經濟在國民經濟中的重要地位。

工業品市場作為數字經濟的重要組成部分，近年來呈現出快速增長的態勢，展現出強勁的發展勢頭。同時，隨著工業品B2B市場的融資增加和投資集中度的提升，規模較大、建立良性盈利模式的頭部平臺成為投資方的青睞對象。

在日益發展的工業化生產中，工業品質檢的準確性和可靠性對保證產品質量、維護企業聲譽、提升生產效率等方面具有重要意義。工業質檢作為生產管理的重要環節和產品質量安全的“守護者”，其意義在于確保產品符合國家的相關規定和大眾消費者的需求，并在其預期應用中可靠運行。以芯片制造行業為例，質檢錯誤可能導致產品質量問題、企業聲譽受損、生產效率降低和安全隱患等嚴重后果。因此，工業質檢在確保產品質量、保障企業利益和滿足市場需求方面發揮著不可替代的作用。

1裝置運行流程

在當代的工業制造領域，精密的質量監控系統扮演著舉足輕重的角色，其融合了尖端的智能光源調節技術和前沿的圖像解析算法，旨在提供一種高效且精準的工業產品表面瑕疵檢測解決方案，為實現智能光源控制下的高效工業品缺陷檢測這個目標，將智能光源動態調節采集圖像識別缺陷系統分為5個階段。

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

系統啟動智能光源選擇機制，依據待檢工業產品的特定屬性和潛在缺陷模式，自動甄選最優的照明方案。系統配置的光源種類繁多，包括環形、背光、條形、同軸光源等，均能投射出多角度、多色譜的光束，以增強物體的三維輪廓，消除陰影干擾，并滿足多樣化的檢測需求。智能光源控制系統能夠輸出特定波長的光線，實現對各種工業產品照明條件的精細調節，從而顯著提升圖像采集的質量。

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

配備的高分辨率工業級攝像頭承擔著捕捉被照射工業品圖像的職責。圖像采集模塊在設計時綜合考量了光源的均勻度、光譜屬性、對比度、照射角度、照明策略等關鍵因素，確保了采集圖像的質量和檢測的精確度。這些圖像隨后被實時傳輸至工業品質檢軟件平臺，準備進行深入分析。

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

系統部署了一套基于層疊神經網絡架構的工業品表面瑕疵快速檢測算法模型。該模型的初級網絡采用輕量級圖像分類網絡ResNet-tiny，其功能是對圖像進行初步篩查，判斷是否存在瑕疵。隨后，改進版的目標檢測YOLOv8網絡接管任務，對疑似瑕疵區域進行精確的定位和識別。系統還融入了創新的輕量型動態卷積算法ODConv，該算法通過引入多維動態注意力機制和并行處理策略，極大地提升了模型在特征提取方面的計算效率和靈活性。

<！--[if ！supportLists]-->1.4<！--[endif]-->自動化檢測階段

隨著工業產品在傳送帶上的移動，系統進行連續的圖像采集，并實時對產品的材質、形狀和尺寸進行智能識別。在完成初步識別后，系統依據采集到的特征數據，智能選擇第二級光源，并在該光源下進行更為精細的圖像采集和瑕疵特征提取。繼而，系統將執行一系列復雜的數據處理流程，包括但不限于瑕疵特征的檢測、分類、數據傳輸、反饋匯總與信息存儲。

<！--[if ！supportLists]-->1.5<！--[endif]-->智能化與自適應學習階段

系統整體架構強調自動化和智能化，能夠自主完成產品的缺陷識別、定位和檢測任務，大幅減少了人工干預，降低了操作誤差和檢測成本。此外，系統內嵌的機器學習和人工智能技術，使檢測過程具備自我學習和優化的能力，隨著時間的推移，檢測的精確度和效率將不斷提升。

因此，產品一旦進入系統，即通過結合智能光源、傳送帶、吸附式機械臂以及智能小車的精密協作，便可迅速完成自動檢測任務。隨后，合格產品會被自動分類至相應類別，而檢測不合格的產品則依據缺陷類型進行分類，這一流程均在吸附式機械臂與智能小車的共同作用下無縫執行。

<！--[if ！supportLists]-->2<！--[endif]-->裝置硬件設計

基于智能光源控制的工業品缺陷質檢裝置的硬件部分如圖1所示。在圖像采集階段，系統集成的智能化光源調控技術會微調光源特性，如均勻性、光譜組成、對比度與照明角度，以適應多樣化的工業品檢測需求，進而升級圖像質量以及提升辨識的精確性。硬件質檢模塊不僅實時校準至最優光源配置及高分辨率攝像設備設定，還加固了檢測過程的可靠性和穩定性，確保高質量圖像數據的獲取，為后續軟件分析奠定基礎。分揀環節上，系統創新融合了吸附式機械臂與智能小車，吸附式機械臂的靈活動作配合小車的敏捷移動，顯著增強了作業速度與靈活性，有效應對分揀復雜產品。此系統能自主辨別缺陷位置，借助吸附式機械臂的精確定位執行高效分揀，再搭配智能小車，不僅消減了人為誤差，還實現了成本節約，持續推動檢測效能的躍升。

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

就功能而言，系統主要可以分為5個模塊，分別為圖像采集模塊、模型訓練模塊、工業品硬件質檢模塊、工業品軟件質檢模塊和后臺數據管理模塊。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攝像頭模組組成，同時要求攝像頭模組提供可供獲取視頻流的SDK組件。使用時，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，并將攝像頭通過網線連接到后臺服務器，以供實時從攝像頭前端獲取包含集裝號的視頻流。

2.1.2模型訓練模塊

該模塊主要訓練用于定位工業品表面缺陷位置的YOLOv8[4]目標識別模型和用于分類圖像中是否包含有缺陷工業品的輕量級CNN[5]模型。具體來說，需要首先從后臺由前端攝像頭拍攝的視頻流中導出包含工業品的圖像，為了識別的準確性，導出的含工業品目標的圖像統一為jpg格式。并對每一張工業品圖像進行兩類標注，即圖像種類標注，以及圖像中工業品缺點位置標注（如圖2所示）。該過程需要人工手動完成。工業品圖像標注可以借助標注工具lableImg完成。將目標圖片輸入lableImg，手動框出工業品表面缺陷所在位置，并保存標注的結果，此時軟件lableImg會生產一個與圖片同名的txt文件，保存的txt文件形式如下。

前面的0代表只有一類，有兩行代表有兩個目標。后面是目標在圖片中的位置信息。前面兩個數字代表中心點位置，像素點/圖片尺寸；后兩位代表寬高，像素/圖片尺寸。

2.1.3產品硬件

該模塊主要用于對圖像的高質量采集。在圖像采集方面，硬件模塊采用了先進的智能光源控制技術，首先在選用光源時綜合考慮到光源的均勻性、光譜特性、對比度、照射角度、照明方式等因素，因此本產品采用LED光源，通過控制系統使得能夠提供不同波長的光線，以適應不同的檢測需求。為了更加快速、準確地檢測工業品表面的缺陷，在硬件質檢模塊的輸入端配置了高清工業級攝像頭負責對工業樣品的圖像采集。所采集的工業品圖像會傳輸到工業品質檢軟件平臺，同時硬件質檢模塊可對智能光源和高清工業級攝像頭進行動態調節，以確保檢測過程中的穩定性和準確性。在分揀方面，硬件質檢模塊采用吸附式機械臂聯合智能小車進行分揀，通過智能小車在不同的工業品質檢區域之間移動，配合機械臂手眼結合的坐標點轉化對經過軟件質檢模塊處理后的工業品完成高穩定、高效率的自動化分揀任務。

2.1.4質檢模塊

該模塊主要用于對工業品分類和缺陷檢測[6]。質檢模塊當中部署了本產品提出的基于級聯神經網絡的工業品表面缺陷快速檢測模型（如圖3所示），可對圖像中的工業品缺陷進行檢測和識別。模型的第一級網絡為輕量級圖像分類網絡ResNet-tiny，可識別出圖像中是否存在有缺陷的工業品；第二級網絡為目標檢測網絡，采用改進的YOLOv8算法對圖像中的工業品缺陷進行精準的檢測和定位。通過輕量級分類網絡先對工業品圖像進行分類以減少目標檢測網絡的調用，從而提高工業品硬件質檢這一步驟的效率。

2.1.5后臺數據管理模塊

后臺數據管理模塊采用自動化的方式，首先將前端攝像頭捕捉到的視頻流傳到服務器，然后后臺數據管理模塊調用程序從數據流中取出工業品圖像并保存為jpg格式。

<！--[if ！supportLists]-->3<！--[endif]-->基于YOLOv8的工業品缺陷檢測

本文采用YouOnlyLookOncev8（YOLOv8）[7]模型來快速且準確地識別工業產品的缺陷。在模型中，采用輕量型動態卷積算法ODConv，通過并行策略引入一種多維注意力機制以對卷積核空間的4個維度學習更靈活的注意力，令模型減少計算量兼具高精度和高效率，ODConv算法的基本原理是對傳統的卷積神經網絡（ConvolutionalNeuralNetwork，CNN）中卷積層的設計進行創新。在傳統的CNN中，每個卷積層通常使用固定的、靜態的卷積核來提取特征。相較之下，ODConv引入了一種動態的、多維的注意力機制，對卷積核的設計進行了全面的改進。下面詳細介紹其原理。

（1）多維動態注意力機制。ODConv的核心創新是其多維動態注意力機制。傳統的動態卷積通常只在卷積核數量這一個維度上實現動態性，即通過對多個卷積核進行加權組合以適應不同的輸入特征。ODConv則進一步擴展了這一概念，它不僅在卷積核數量上動態調整，還涉及卷積核的其他3個維度：空間大小、輸入通道數、輸出通道數。所以ODConv與傳統的動態卷積相比，能夠更精細地適應輸入數據的特征，從而提高特征提取的結果。（2）并行策略。ODConv采用并行策略學習不同維度上的注意力。這種策略允許網絡在更加高效地處理每個維度的特征時，確保各維度之間的互補性和協同作用。（3）最后在模型中優化損失函數CIoU為具有動態非單調FM的WIoUv3，可以聚焦于普通質量的錨框，并提高檢測器的整體性能。

上述模塊的配置使得YOLOv8可用于快速且準確地識別出工業產品上的缺陷。

<！--[if ！supportLists]-->4<！--[endif]-->結語

本文針對工業品質檢流程，設計了一種智能光源控制的缺陷檢測裝置，專門適用于特定工業品的質檢。裝置分為硬件和軟件兩部分：硬件設計模塊選型與設計，軟件覆蓋平臺、編程語言選擇、圖像處理模塊、關鍵技術創新。通過調研，裝置的圖像采集環節精心采用了相機和鏡頭，以滿足功能需求。

采用智能光源技術搭配高清工業攝像頭采集了訓練和測試所需的工業品樣本圖像，并進行人工標注，利用ResNet-tiny模型和改進的YOLOv8模型，并進行訓練和參數調優，實現了工業品表面缺陷自動質檢的目的。最后對實驗結果進行了分析，證明了所提出裝置的可行性和優越性。

參考文獻

<！--[if ！supportLists]-->[1]<！--[endif]-->賈玉成，張俊yut0RI5Z9GT10u2yrDUr8MGxyIhc+rPSTM0pIr+JqAo=彥.母國數字經濟優勢推動數字企業對外直接投資的機制和效應[J].深圳大學學報（人文社會科學版），2024，41（2）：76-86.

<！--[if ！supportLists]-->[2]<！--[endif]-->趙雨涵，楊飛洋，宋旭光，等.中國產業數字化規模測算與路徑分析[J].宏觀經濟研究，2024（5）：74-88.

<！--[if ！supportLists]-->[3]<！--[endif]-->馬斌斌，豆媛媛，賀舒琪，等.中國數字經濟與旅游產業融合發展的時空特征及驅動機制[J].經濟地理，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.淺談深度學習發展脈絡及其現狀[J].湖北經濟學院學報（人文社會科學版），2024，21（3）：65-68.

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

<！--[if ！supportLists]-->[7]<！--[endif]-->楊江，孫福才，趙培江，等.基于機器視覺的PCB缺陷檢測關鍵技術研究[J].黑龍江工業學院學報（綜合版），2024，24（2）：110-115.