銅桿智能檢測算法分析與系統實現

摘" 要：智能檢測銅桿質量，在檢測系統中起到重要作用。該文設計一個基于網絡架構（VGG、Resnet和MobileNet）的深度學習框架，用于銅桿質量檢測。此外，受到MobileNet架構的啟發，還提出一種實時檢測深度學習框架，用于高效的自動檢測，檢測結果準確率在90%以上。另外，基于現有的銅桿檢測數據集和Django與Vue框架開發第一套銅桿智能檢測系統。該系統實現銅桿類別管理，自動檢測管理，這是目前在銅桿檢測行業首次使用基于MobileNet神經網絡模型實現的智能管理系統。

關鍵詞：銅桿檢測；智能制造；深度學習；人工智能；智能檢測系統

中圖分類號：TP391" " " 文獻標志碼：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

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

1" 研究動機

智能制造系統已經徹底改變了制造業，提高了效率、質量和靈活性。智能制造的一個至關重要的方面是自動檢測系統，它在確保產品質量和一致性方面發揮著關鍵作用。本節旨在探討智能制造自動檢測系統開發背后的研究動機。

傳統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關注的重要問題。隨著工業4.0和物聯網（IoT）的發展，自動檢測系統可以生成大量數據。這些數據可以實時分析，用于數據驅動決策，使制造商能夠識別趨勢、預測維護需求并優化流程[11-12]。

2" 設計方案

論文設計方案，主要分為4大模塊，分別是人工采集數據及數據預處理模塊、異常檢測與深度學習模塊、品牌廠家組合優化數學模型和Django網站系統實現模塊，如圖1所示。

人工采集數據及數據預處理模塊：人工記錄銅桿檢測，包括檢測和記錄銅桿的特征數據。異常檢測與深度學習模塊：在模型設計中引入異常檢測技術，使模型能夠自動識別銅桿上的異常點或不尋常的模式。深度學習與傳統機器學習的融合，在模型內部結合深度學習。品牌廠家組合優化數學模型模塊：通過提出基于啟發式算法的組合優化模型，實現銅桿質量的最優化。Django 網站系統對前3個模塊進行工程化，實現銅桿檢測錄入、AI檢測分析、品牌廠家優化功能。

3" 模型

3.1" 人工采集數據及數據預處理

手動記錄銅桿特征數據：檢測銅桿并手動記錄特征數據，特征集記錄為F，包括外徑、F值、氧含量、伸長率檢測、扭轉檢測、外觀探傷檢測、銅粉檢測、伸長率、抗拉強度、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。記錄特征數據到Excel文件，逐月存儲。

為每個月創建一個新的工作表xlsi，以便按月存儲數據。手動輸入每個月的數據到相應的工作表中。每個月重復記錄和分析過程，重復上述過程，將新的數據手動記錄到新的工作表中，得到按月統計的數據集xls={xls1，…，xlsn}，并執行相同的分析步驟。

3.2" 異常檢測與深度學習模塊

選擇與銅桿檢測相關的特征，其中一些特征對銅桿質量預測沒有太大的幫助，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，進行不同的變換。根據銅桿檢測準確率，F1結果，通過原始特征的組合、差異、比率創建新的特征Fn={F1，…，Fn}，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，最左側模塊即是輸入到異常檢測與深度學習模型的最終特征集。

逐月輸入數據Dmonth到模型中，該模型受到MobileNet神經網絡模型啟發[13]。MobileNet是一種輕量級卷積神經網絡（CNN）架構，特別適用于移動設備和嵌入式系統上的計算資源受限的深度學習任務。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數量，從而降低內存和計算需求。同時，盡管MobileNet非常輕量，但它在圖像分類和目標檢測等任務上表現出色，這使得它適合用于具有多分類結果的異常檢測任務。據此特點非常適合用于智能制造車間，實時快速預測銅桿檢測。

選用MobileNetV1，并進行微調，調整后模型的網絡結構包含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（神經元節點數）會根據網絡的結構而變化。使用的激活函數是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，用于生成分類結果。全連接層的神經元數量匹配銅桿檢測結果分類數Cn，使用Softmax激活函數來將網絡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果cn中進一步輸出二分類結果，判斷是否為廢桿。使用一個包含三層全連接網絡的子模塊來完成二分類任務。網絡模型是輕量級結構，通過三層網絡會逐層編碼多分類結果，最終輸出二分類結果。具體來說，第一全連接層的輸入層是多分類結果Cn，其維度等于多分類類別數N，第一層選擇一個較小的64個神經元數量，激活函數選擇ReLU。第二全連接層輸入層，再次減少神經元的數量為32個，減少模型的復雜性并提高泛化性能。激活函數仍然選擇ReLU。第三全連接層的輸入層是最終輸出層，只有2個神經元。這2個神經元對應于二分類問題中的2個類別，一個表示“廢桿”（positive class），另一個表示“非廢桿”（negative class），激活函數使用Sigmoid 激活函數，它將輸出映射到[0，1]的范圍內，用于表示概率。

3.3" 品牌廠家組合優化數學模型

為了實現銅桿質量的最優化，本研究提出了一個基于啟發式算法的組合優化模型。目標函數F（x）設計為綜合評估銅桿的氧含量、電阻率、扭轉、延伸率和銅粉品質。假設有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，則目標函數可以表示為

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、延伸率和銅粉品質的函數，W1到W5是這些因素的權重系數。

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。

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

3.4" Django網站系統實現模塊

使用SimpleUI框架創建用戶界面，后端開發使用Django框架創建項目和應用，設置數據庫連接和配置。定義數據庫模型，如圖3所示。

4" 評估

訓練神經網絡模型所使用服務器配置：NVIDIA GeForce GPU，配備32核CPU，Intel的Xeon系列處理器，256 G內存。輸入近兩年、按照月維度劃分Excel銅桿檢測數據到模型中，訓練神經網絡模型。使用PyTorch編碼實現模型，模型訓練，模型評估等。

4.1" 月維度銅桿多分類結果

如圖4（a）所示，評估模型在銅桿檢測任務中的性能，在2022年6月準確率為0.91，精確度為0.97，召回率為0.91，F1分數為0.94。模型在多分類銅桿檢測任務中表現出色，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果，準確率為0.94，表示模型在該月的預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測為廢桿時的準確性為88%；召回率為0.94，表示模型成功捕獲到實際為廢桿的銅桿的比例為94%，F1分數為0.91。2022年12月、2023年1月的預測結果如圖5（b）（c）所示。

4.3" 天維度銅桿預測分析

如圖6所示，分析了2022年6月15日、6月16日、6月17日3天的銅桿預測準確率，整體結果比較出色。

4.4" 銅桿檢測系統性能評估分析

前端設計使用SimpleUI框架創建用戶界面，提供了美觀的配色方案和布局風格。使用HTML和CSS設計了清晰的頁面結構和樣式，確保用戶友好的界面。JavaScript用于實現交互功能，包括表單驗證和數據動態加載。平均頁面加載時間為0.8 s。

5" 結論

本文提出了一個綜合性的智能制造自動檢測系統，該系統致力于提高銅桿檢測的效率、準確性和可靠性。設計方案包括4大核心模塊，分別是人工采集數據及數據預處理模塊、異常檢測與深度學習模塊、品牌廠家組合優化數字模型以及Django網站系統實現模塊。這4個模塊的協同工作使得系統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。

本設計方案為智能制造自動檢測系統的開發和應用提供了一個全面且具有競爭力的解決方案。系統的模塊化設計和技術融合展現了創新思維和工程實踐。

參考文獻：

[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，潘萌.鐵磁性構件缺陷的脈沖渦流[J].儀器儀表學報，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.