摘要：在工業(yè)生產(chǎn)中，工藝流程緊密相連且技術要求高，細微變化易引發(fā)產(chǎn)品缺陷，降低良品率。團隊研發(fā)的智能光源控制質(zhì)檢裝置，利用級聯(lián)神經(jīng)網(wǎng)絡和優(yōu)化的YOLOv8模型，加速并精確檢測表面缺陷。同時，裝置結(jié)合智能光源調(diào)控技術，能發(fā)射多種波長光線，適應不同工業(yè)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(chǎn)品質(zhì)量及生產(chǎn)效率。

關鍵詞：智能光源工業(yè)品缺陷質(zhì)檢裝置深度學習卷積神經(jīng)網(wǎng)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(shù)字經(jīng)濟的迅猛發(fā)展，中國正步入數(shù)字經(jīng)濟發(fā)展的全面加速階段，成為推動經(jīng)濟增長的新引擎[1]。在此過程中，產(chǎn)業(yè)數(shù)字化作為關鍵的發(fā)展機遇，通過應用數(shù)字技術，傳統(tǒng)產(chǎn)業(yè)實現(xiàn)了產(chǎn)出增加與效率提升。特別是在中國，產(chǎn)業(yè)數(shù)字化規(guī)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(xiàn)了數(shù)字化轉(zhuǎn)型的積極成效[2]。此外，“中國數(shù)字經(jīng)濟100強”企業(yè)的總營收接近2021年全國GDP的十分之一，數(shù)字經(jīng)濟規(guī)模已高達50.2萬億元，占GDP的比重增至41.5%[3]，彰顯了數(shù)字經(jīng)濟在國民經(jīng)濟中的重要地位。

工業(yè)品市場作為數(shù)字經(jīng)濟的重要組成部分，近年來呈現(xiàn)出快速增長的態(tài)勢，展現(xiàn)出強勁的發(fā)展勢頭。同時，隨著工業(yè)品B2B市場的融資增加和投資集中度的提升，規(guī)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(fā)展的工業(yè)化生產(chǎn)中，工業(yè)品質(zhì)檢的準確性和可靠性對保證產(chǎn)品質(zhì)量、維護企業(yè)聲譽、提升生產(chǎn)效率等方面具有重要意義。工業(yè)質(zhì)檢作為生產(chǎn)管理的重要環(huán)節(jié)和產(chǎn)品質(zhì)量安全的“守護者”，其意義在于確保產(chǎn)品符合國家的相關規(guī)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(yè)為例，質(zhì)檢錯誤可能導致產(chǎn)品質(zhì)量問題、企業(yè)聲譽受損、生產(chǎn)效率降低和安全隱患等嚴重后果。因此，工業(yè)質(zhì)檢在確保產(chǎn)品質(zhì)量、保障企業(yè)利益和滿足市場需求方面發(fā)揮著不可替代的作用。

1裝置運行流程

在當代的工業(yè)制造領域，精密的質(zhì)量監(jiān)控系統(tǒng)扮演著舉足輕重的角色，其融合了尖端的智能光源調(diào)節(jié)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(yè)產(chǎn)品表面瑕疵檢測解決方案，為實現(xiàn)智能光源控制下的高效工業(yè)品缺陷檢測這個目標，將智能光源動態(tài)調(diào)節(jié)采集圖像識別缺陷系統(tǒng)分為5個階段。

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

系統(tǒng)啟動智能光源選擇機制，依據(jù)待檢工業(yè)產(chǎn)品的特定屬性和潛在缺陷模式，自動甄選最優(yōu)的照明方案。系統(tǒng)配置的光源種類繁多，包括環(huán)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(tǒng)能夠輸出特定波長的光線，實現(xiàn)對各種工業(yè)產(chǎn)品照明條件的精細調(diào)節(jié)，從而顯著提升圖像采集的質(zhì)量。

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

配備的高分辨率工業(yè)級攝像頭承擔著捕捉被照射工業(yè)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(zhì)量和檢測的精確度。這些圖像隨后被實時傳輸至工業(yè)品質(zhì)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(tǒng)部署了一套基于層疊神經(jīng)網(wǎng)絡架構(gòu)的工業(yè)品表面瑕疵快速檢測算法模型。該模型的初級網(wǎng)絡采用輕量級圖像分類網(wǎng)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(wǎng)絡接管任務，對疑似瑕疵區(qū)域進行精確的定位和識別。系統(tǒng)還融入了創(chuàng)新的輕量型動態(tài)卷積算法ODConv，該算法通過引入多維動態(tài)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(yè)產(chǎn)品在傳送帶上的移動，系統(tǒng)進行連續(xù)的圖像采集，并實時對產(chǎn)品的材質(zhì)、形狀和尺寸進行智能識別。在完成初步識別后，系統(tǒng)依據(jù)采集到的特征數(shù)據(jù)，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(tǒng)將執(zhí)行一系列復雜的數(shù)據(jù)處理流程，包括但不限于瑕疵特征的檢測、分類、數(shù)據(jù)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(tǒng)整體架構(gòu)強調(diào)自動化和智能化，能夠自主完成產(chǎn)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(tǒng)內(nèi)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(yōu)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(chǎn)品一旦進入系統(tǒng)，即通過結(jié)合智能光源、傳送帶、吸附式機械臂以及智能小車的精密協(xié)作，便可迅速完成自動檢測任務。隨后，合格產(chǎn)品會被自動分類至相應類別，而檢測不合格的產(chǎn)品則依據(jù)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(zhí)行。

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

基于智能光源控制的工業(yè)品缺陷質(zhì)檢裝置的硬件部分如圖1所示。在圖像采集階段，系統(tǒng)集成的智能化光源調(diào)控技術會微調(diào)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(yè)品檢測需求，進而升級圖像質(zhì)量以及提升辨識的精確性。硬件質(zhì)檢模塊不僅實時校準至最優(yōu)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(wěn)定性，確保高質(zhì)量圖像數(shù)據(jù)的獲取，為后續(xù)軟件分析奠定基礎。分揀環(huán)節(jié)上，系統(tǒng)創(chuàng)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(yè)速度與靈活性，有效應對分揀復雜產(chǎn)品。此系統(tǒng)能自主辨別缺陷位置，借助吸附式機械臂的精確定位執(zhí)行高效分揀，再搭配智能小車，不僅消減了人為誤差，還實現(xiàn)了成本節(jié)約，持續(xù)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(tǒng)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(yè)品硬件質(zhì)檢模塊、工業(yè)品軟件質(zhì)檢模塊和后臺數(shù)據(jù)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(yè)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(wǎng)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(yè)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(yè)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(yè)品的圖像，為了識別的準確性，導出的含工業(yè)品目標的圖像統(tǒng)一為jpg格式。并對每一張工業(yè)品圖像進行兩類標注，即圖像種類標注，以及圖像中工業(yè)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(yè)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(yè)品表面缺陷所在位置，并保存標注的結(jié)果，此時軟件lableImg會生產(chǎn)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(shù)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(chǎn)品硬件

該模塊主要用于對圖像的高質(zhì)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(chǎn)品采用LED光源，通過控制系統(tǒng)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(yè)品表面的缺陷，在硬件質(zhì)檢模塊的輸入端配置了高清工業(yè)級攝像頭負責對工業(yè)樣品的圖像采集。所采集的工業(yè)品圖像會傳輸?shù)焦I(yè)品質(zhì)檢軟件平臺，同時硬件質(zhì)檢模塊可對智能光源和高清工業(yè)級攝像頭進行動態(tài)調(diào)節(jié)，以確保檢測過程中的穩(wěn)定性和準確性。在分揀方面，硬件質(zhì)檢模塊采用吸附式機械臂聯(lián)合智能小車進行分揀，通過智能小車在不同的工業(yè)品質(zhì)檢區(qū)域之間移動，配合機械臂手眼結(jié)合的坐標點轉(zhuǎn)化對經(jīng)過軟件質(zhì)檢模塊處理后的工業(yè)品完成高穩(wěn)定、高效率的自動化分揀任務。

2.1.4質(zhì)檢模塊

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

2.1.5后臺數(shù)據(jù)管理模塊

后臺數(shù)據(jù)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(shù)據(jù)管理模塊調(diào)用程序從數(shù)據(jù)流中取出工業(yè)品圖像并保存為jpg格式。

<！--[if ！supportLists]-->3<！--[endif]-->基于YOLOv8的工業(yè)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(yè)產(chǎn)品的缺陷。在模型中，采用輕量型動態(tài)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(tǒng)的卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetwork，CNN）中卷積層的設計進行創(chuàng)新。在傳統(tǒng)的CNN中，每個卷積層通常使用固定的、靜態(tài)的卷積核來提取特征。相較之下，ODConv引入了一種動態(tài)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(tài)注意力機制。ODConv的核心創(chuàng)新是其多維動態(tài)注意力機制。傳統(tǒng)的動態(tài)卷積通常只在卷積核數(shù)量這一個維度上實現(xiàn)動態(tài)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(shù)量上動態(tài)調(diào)整，還涉及卷積核的其他3個維度：空間大小、輸入通道數(shù)、輸出通道數(shù)。所以ODConv與傳統(tǒng)的動態(tài)卷積相比，能夠更精細地適應輸入數(shù)據(jù)的特征，從而提高特征提取的結(jié)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(wǎng)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(xié)同作用。（3）最后在模型中優(yōu)化損失函數(shù)CIoU為具有動態(tài)非單調(diào)FM的WIoUv3，可以聚焦于普通質(zhì)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(yè)產(chǎn)品上的缺陷。

<！--[if ！supportLists]-->4<！--[endif]-->結(jié)語

本文針對工業(yè)品質(zhì)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(yè)品的質(zhì)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(chuàng)新。通過調(diào)研，裝置的圖像采集環(huán)節(jié)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(yè)攝像頭采集了訓練和測試所需的工業(yè)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(shù)調(diào)優(yōu)，實現(xiàn)了工業(yè)品表面缺陷自動質(zhì)檢的目的。最后對實驗結(jié)果進行了分析，證明了所提出裝置的可行性和優(yōu)越性。

參考文獻

<！--[if ！supportLists]-->[1]<！--[endif]-->賈玉成，張俊yut0RI5Z9GT10u2yrDUr8MGxyIhc+rPSTM0pIr+JqAo=彥.母國數(shù)字經(jīng)濟優(yōu)勢推動數(shù)字企業(yè)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(chǎn)業(yè)數(shù)字化規(guī)模測算與路徑分析[J].宏觀經(jīng)濟研究，2024（5）：74-88.

<！--[if ！supportLists]-->[3]<！--[endif]-->馬斌斌，豆媛媛，賀舒琪，等.中國數(shù)字經(jīng)濟與旅游產(chǎn)業(yè)融合發(fā)展的時空特征及驅(qū)動機制[J].經(jīng)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(fā)展脈絡及其現(xiàn)狀[J].湖北經(jīng)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(yè)學院學報（綜合版），2024，24（2）：110-115.