1引言

陶瓷產(chǎn)品在生產(chǎn)過程中會出現(xiàn)各種缺陷，不僅影響產(chǎn)品的美觀性，還可能影響其使用性能，但是傳統(tǒng)的陶瓷產(chǎn)品缺陷檢測方法主要依賴于人工檢查，但這種方法存在耗時、低效和易受人為因素影響的問題。隨著信息技術(shù)發(fā)展，在電子技術(shù)支持下運(yùn)用檢測算法能夠提高檢測效率，對算法進(jìn)行優(yōu)化還可以更加精準(zhǔn)識別陶瓷產(chǎn)品缺陷，對于提高檢測效果具有積極作用。

2陶瓷產(chǎn)品缺陷檢測采集流程

在陶瓷產(chǎn)品生產(chǎn)與加工過程中，常見的缺陷包括裂紋、黑點(diǎn)和表面凹凸等問題。陶瓷產(chǎn)品表面一般比較平滑，但由于產(chǎn)品特性仍有凸起部位，該部位會反射外界光照，產(chǎn)生表面反光，且難以完全避免，給陶瓷產(chǎn)品缺陷檢測帶來了困難。要對陶瓷產(chǎn)品展開無損檢測，必須獲得高質(zhì)量的全方位圖像，并利用相應(yīng)算法與模型對其展開分析與識別。陶瓷產(chǎn)品缺陷檢測采集流程如圖1所示。

3目標(biāo)檢測算法基礎(chǔ)

3.1卷積神經(jīng)網(wǎng)絡(luò)

目標(biāo)檢測需要從整個圖像中獲取物體的全部信息，并識別出物體的具體位置，并對物體進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種面向2D圖像數(shù)據(jù)的端到端的學(xué)習(xí)方法，它采用多個網(wǎng)絡(luò)層對特征圖進(jìn)行卷積操作，將特征信息抽取為一個特定的對象，并在此基礎(chǔ)上利用損失函數(shù)及優(yōu)化方法對其進(jìn)行訓(xùn)練。其中，卷積神經(jīng)網(wǎng)絡(luò)通過對多層卷積網(wǎng)絡(luò)進(jìn)行多層卷積，使其能夠有效地獲取圖像中的紋理、邊緣和形狀等信息；而上層的卷積網(wǎng)絡(luò)利用其龐大的感知野（（ReceptiveField），能夠獲取更多的語義信息。在對卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練的同時，可以對卷積核的權(quán)值不斷更新。卷積運(yùn)算本質(zhì)上是線性變換的一種，因此，僅依賴卷積運(yùn)算層層堆疊的卷積神經(jīng)網(wǎng)絡(luò)在本質(zhì)上是處理線性關(guān)系的，然而計算機(jī)視覺領(lǐng)域的核心任務(wù)，如圖像分類和目標(biāo)檢測，本質(zhì)上都是復(fù)雜的非線性問題。為提高卷積神經(jīng)網(wǎng)絡(luò)對缺陷檢測等非線性問題的處理能力，可以引入非線性變換性質(zhì)的激活函數(shù)，例如sigmoid、ReLU、LeakyRelu等。

3.2YOLOv5算法

YOLOv5是一種基于深度學(xué)習(xí)的目標(biāo)檢測算法，是YOLO系列算法的第五個版本，由Ultralytics公司在2020年發(fā)布。其核心思想是將輸入的圖像分成多個網(wǎng)格，并在每個網(wǎng)格上預(yù)測目標(biāo)的位置、類別和置信度。相較于之前的版本，YOLOv5在模型結(jié)構(gòu)、訓(xùn)練策略和性能指標(biāo)等方面進(jìn)行了顯著改進(jìn)，實(shí)現(xiàn)了速度與精度的雙重提升。

YOLOv5通過mosaic數(shù)據(jù)增強(qiáng)和CSPs結(jié)構(gòu)增強(qiáng)等技術(shù)，實(shí)現(xiàn)了多尺度上下文信息的融合。mosaic的數(shù)據(jù)強(qiáng)化算法是在數(shù)據(jù)庫中隨意選擇4張圖像，然后對4張圖像進(jìn)行縮放，然后將4張圖像按四個方向進(jìn)行拼接。基于mosaic數(shù)據(jù)增強(qiáng)的圖像能夠在單個訓(xùn)練樣本中融入多角度的上下文信息，從而顯著提升了模型在復(fù)雜多變場景下的精準(zhǔn)識別能力。同時，在mosaic圖像增強(qiáng)的過程中，不完整對象常常被截除，這一特性進(jìn)一步增強(qiáng)了模型對不完整對象的判別能力。CSP將特征層劃分為兩個層次，分別對特征層進(jìn)行抽取，而不需要對其進(jìn)行任何處理。這種算法在保持了深度學(xué)習(xí)模型的稠密連接特性的基礎(chǔ)上，降低了梯度信息的冗余性，提高了算法的運(yùn)算速度。在FPN結(jié)構(gòu)中，采用自上而下的特性聚合策略，PAN結(jié)構(gòu)采用自下而上的特性聚合策略。PAN結(jié)構(gòu)基于網(wǎng)絡(luò)結(jié)構(gòu)的多個位置進(jìn)行融合，以實(shí)現(xiàn)對多層次上下文信息的融合，該方法不但可以用于物體識別與自標(biāo)檢測，而且可以用于實(shí)例分割任務(wù)。

4基于分水嶺約束和邊緣連接的圖像分割算法

4.1圖像分割算法流程

基于分水嶺約束和邊緣連接的圖像分割算法，可以解決圖像分割中邊緣不連續(xù)和封閉性問題，同時保持對微弱邊緣的良好響應(yīng)。分水嶺算法是一種基于形態(tài)學(xué)的圖像分割方法，模擬了地理學(xué)中的分水嶺概念，在圖像處理中，分水嶺算法通過計算圖像的梯度圖像，將局部極小值點(diǎn)視為“山谷”，而區(qū)域邊界則對應(yīng)于“山脊線”。邊緣連接技術(shù)通過邊緣檢測算法獲取初始邊緣圖像，并對其進(jìn)行斷點(diǎn)檢測和距離連接，以獲取斷裂邊緣的搜索初始點(diǎn)。利用分水嶺算法得到的超分割邊緣圖作為搜索路徑，采用局部梯度最大的方法進(jìn)行搜索，以連接斷裂邊緣并獲取邊緣封閉輪廓。該算法的優(yōu)點(diǎn)在于能夠快速提取圖像中邊緣封閉區(qū)域，適用于多種環(huán)境場景，并具去坑好的三遷件和移枯件

階段1：獲取初始邊緣圖 提取錨點(diǎn)

輸入圖像→灰度化高斯濾波 梯度圖 錨點(diǎn)連接 初始邊緣圖像素方向

選取標(biāo)記點(diǎn) 提取斷點(diǎn)+

分水嶺處理超分割邊緣圖一邊緣鏈接 邊緣圖 缺陷檢測 結(jié)果圖

階段2：分水嶺約束和邊緣連接

該算法處理流程為，先對彩色圖像進(jìn)行灰度化、高斯濾除等預(yù)處理，再利用索貝爾算子求解梯度圖，得到對應(yīng)的錨固點(diǎn)圖和方向圖，并通過錨節(jié)點(diǎn)連通得到初始邊界圖。然后，利用基于標(biāo)號的分水嶺算法對圖像進(jìn)行分割，并根據(jù)邊界的連接獲得輪廓，并通過最小外接矩陣長寬判別，完成疵點(diǎn)的自動識別。圖像分割算法總體流程如圖2所示。

4.2圖像分割算法實(shí)現(xiàn)

理想條件下，邊界提取必須是清晰、連續(xù)且準(zhǔn)確的一個像素寬度的邊界。首先采用高斯濾波、灰度濾波等方法對圖像進(jìn)行預(yù)處理，再利用Sobel算子提取圖像的梯度信息，然后提取錨節(jié)點(diǎn)及各像素的方位信息，并將錨點(diǎn)連接得到多個高品質(zhì)邊界。利用CUDA技術(shù)可以將復(fù)雜的計算過程并行化，從而提高整個算法的運(yùn)行效率。圖像預(yù)處理主要是對圖像進(jìn)行灰度變換和高斯去噪。灰度化采用加權(quán)平均的方法，由于人眼對各種色彩的敏感性各不相同，對藍(lán)光的敏感度較低，對綠光的敏感度較高，所以在求整幅圖像灰度值時，采用不同權(quán)值對三條通道展開加權(quán)平均。利用高斯濾波法對圖像濾波，既能消除噪聲，又能使圖像更加平滑，具有較好的通用性。

采用分水嶺算法，將標(biāo)記定位圖片上的局部極值點(diǎn)，對高斯濾波后的圖像進(jìn)行特征提取，并將其與分水嶺算法相結(jié)合，形成一種基于邊緣連接的超分割邊緣圖。斷點(diǎn)位置可以根據(jù)初始邊緣得出，以斷點(diǎn)為起點(diǎn)，采用邊界搜尋方法，結(jié)合方向信息與超分割邊緣圖，獲得多個閉合的邊界輪廓，實(shí)現(xiàn)目標(biāo)區(qū)域分割。圖像的弱邊緣信息能夠保留在超分割邊緣圖上，有助于查找斷裂邊緣，以每一個像素為圓心遍歷梯度圖，如果八個鄰域內(nèi)像素的梯度值低于這個圓心像素的梯度，就把它當(dāng)作一個標(biāo)記。再把經(jīng)過高斯濾波處理的圖像與標(biāo)記一起輸入到超分割邊緣圖中，將其作為路徑，用于搜索斷裂邊緣，最后提取并檢測出裂紋。采用圖像分割算法對多個閉合邊界進(jìn)行分割，計算出最小外接矩形及縱橫比設(shè)定，如果符合一般裂縫缺陷的縱橫比，則可以判定陶瓷產(chǎn)品存在裂紋。針對陶瓷產(chǎn)品裂紋的特點(diǎn)，將陶瓷產(chǎn)品的裂縫縱橫比設(shè)為6，當(dāng)圖像中出現(xiàn)符合裂縫縱橫比的輪廓時，說明有裂縫存在。

5基于YOLOv5的缺陷檢測算法

5.1算法網(wǎng)絡(luò)結(jié)構(gòu)

陶瓷產(chǎn)品缺陷種類繁多，傳統(tǒng)算法難以覆蓋所有缺陷?；谏疃染矸e神經(jīng)網(wǎng)絡(luò)能夠有效地挖掘出具有較強(qiáng)的語義信息的特征，無需進(jìn)行大規(guī)模特征挖掘，且具有較強(qiáng)計算能力。YOLOv5是一種高效的目標(biāo)檢測算法，采用單階段檢測框架，將目標(biāo)檢測視為回歸問題，直接預(yù)測目標(biāo)的邊界、類別和置信度。相比于其他目標(biāo)檢測算法，YOLOv5在保證高精度的同時，具有更快的檢測速度和更強(qiáng)的實(shí)時性能?；赮OLOv5s的陶瓷產(chǎn)品缺陷檢測算法，通過影像采集設(shè)備獲取信息，并在此基礎(chǔ)上建立擴(kuò)展數(shù)據(jù)集，包含待檢測物體的圖像及其對應(yīng)的標(biāo)注信息，通常使用矩形框來表示缺陷區(qū)域的位置。Yolov5的網(wǎng)絡(luò)結(jié)構(gòu)包括輸入端、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)以及頭部網(wǎng)絡(luò)四部分。

輸入端主要包括Mosaic數(shù)據(jù)增強(qiáng)、圖像尺寸處理和自適應(yīng)錨框計算等模塊。Mosaic數(shù)據(jù)增強(qiáng)是指任意選擇4幅圖像進(jìn)行拼接獲得一幅新圖像，從而提高訓(xùn)練樣本的種類與數(shù)量。對新圖像的任意剪切、縮放等操作，使模型能夠更好地學(xué)習(xí)到更多變化與細(xì)節(jié)，從而增強(qiáng)模型的穩(wěn)健性與泛化性。YOLOv5使用了一種單一維度探測的方式，即在輸入端必須對圖像進(jìn)行維度調(diào)整，使其達(dá)到一定尺寸。該算法能夠根據(jù)自標(biāo)在訓(xùn)練區(qū)域內(nèi)的大小及分布情況，自動計算出適當(dāng)錨框架尺寸及尺度，與人工設(shè)定錨框架尺寸及尺度相比，具有更高效率與精度。

主干網(wǎng)絡(luò)負(fù)責(zé)對輸入數(shù)據(jù)進(jìn)行特征提取。YOLOv5骨干網(wǎng)采用CSPDarknet53體系結(jié)構(gòu)，由三級結(jié)構(gòu)組成，并利用CSP模塊將前、后兩層的特性圖進(jìn)行關(guān)聯(lián)，提高了特征的利用率。主干網(wǎng)絡(luò)還包括Focus和SPPF模塊，使用Focus結(jié)構(gòu)對圖像進(jìn)行分層處理，可以有效地防止圖像下采樣時的信息損失，將局部與整體特征相結(jié)合，有效地提升模型對不同尺寸物體的探測能力。

頸部網(wǎng)絡(luò)采用PAN模塊實(shí)現(xiàn)多尺度特征圖融合，該模塊是屬于一種多尺度特征融合模塊，可以將不同尺度的特征圖進(jìn)行融合，可以提高模型對小目標(biāo)的檢測能力。將FPN與PAN結(jié)合，能夠有效地將主干網(wǎng)絡(luò)提取的高層語義特征與低層細(xì)節(jié)特征進(jìn)行融合，增強(qiáng)模型對不同尺度缺陷的檢測能力。FPN通過自頂向下的路徑，將高層特征逐步傳遞并與低層特征進(jìn)行融合，而PAN則通過自底向上的路徑，進(jìn)一步增強(qiáng)特征融合的效果，使得模型能夠更好地捕捉到陶瓷產(chǎn)品表面微小的缺陷特征。

頭部網(wǎng)絡(luò)融合特征圖并輸出邊緣框與類別概率，使檢測模型能力得到提升。采用多個檢測頭分別處理不同尺度的目標(biāo)，每個檢測頭都會獨(dú)立地預(yù)測目標(biāo)的類別、邊界框位置和置信度，這些檢測頭通過共享頸部網(wǎng)絡(luò)的特征信息，并結(jié)合各自獨(dú)特的卷積層和池化層，實(shí)現(xiàn)對不同尺度缺陷的精準(zhǔn)檢測。

5.2算法改進(jìn)

為了提高算法檢測精度，在原有的Yolov5架構(gòu)基礎(chǔ)上，將頸部網(wǎng)絡(luò)模塊抽樣層從2次采樣增加到3次，并將新的采樣層與主干網(wǎng)絡(luò)中的CSP-1模塊引出特征層相結(jié)合，再由CoordAtt和CSP2_1模塊引出小目標(biāo)檢測層。小目標(biāo)檢測層通過增大原圖中的單元格數(shù)目增加錨點(diǎn)量，從而提高原圖預(yù)測精度。注意力機(jī)制實(shí)質(zhì)上是對屬性進(jìn)行加權(quán)處理，使得模型更針對預(yù)設(shè)目標(biāo)，從而減少無用信息干擾，CA注意力機(jī)制既包含信道信息，又包含方位信息，具有很強(qiáng)的靈活性，可用于輕量化的網(wǎng)絡(luò)環(huán)境。CA注意力機(jī)制是一種輕量級的注意力機(jī)制，旨在增強(qiáng)模型對輸入數(shù)據(jù)的空間結(jié)構(gòu)理解。與傳統(tǒng)的通道注意力機(jī)制不同，CA在通道注意力中嵌人了位置信息，從而更好地在空間上進(jìn)行關(guān)注。它通過1D池化操作分別在水平方向和垂直方向上聚合特征，生成兩個包含位置信息的方向感知特征圖，并結(jié)合這兩個特征圖生成兩個方向上的注意力權(quán)重，分別作用于輸人特征圖的水平方向和垂直方向，實(shí)現(xiàn)方向感知和位置敏感的注意力增強(qiáng)。在3次采樣以及引出小目標(biāo)檢測層后，利用CA注意力機(jī)制，進(jìn)一步增強(qiáng)對陶瓷產(chǎn)品缺陷的識別能力，從而提高對非顯著性缺陷的識別率。

6結(jié)語

利用電子技術(shù)可以提取陶瓷產(chǎn)品缺陷特征，能夠大幅提高缺陷檢測效率，利用分水嶺算法和邊緣檢測算法可以準(zhǔn)確檢測出陶瓷產(chǎn)品開裂缺陷，運(yùn)用基于YOLOv5的缺陷檢測算法可以明顯提升檢測精度。在YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)中添加小目標(biāo)檢測層以及CA注意力機(jī)制，還可以進(jìn)一步優(yōu)化小目標(biāo)缺陷檢測效果，實(shí)現(xiàn)陶瓷產(chǎn)品缺陷實(shí)時檢測。

參考文獻(xiàn)

[1]丁偉利，張志鵬，雷子琦，等.深度學(xué)習(xí)陶瓷表面缺陷檢測算法研究[J].電子測量與儀器學(xué)報，2023，37（11）：161-169.

[2]汪韓蕾，周鵬，陳立云，等.基于改進(jìn)YOLOV5算法的氮化硅陶

瓷球表面缺陷檢測[J]無損探傷 2025，49（01）：10-15+38.

[3]胡海寧，黃雷陽，楊洪剛，等.改進(jìn)YOLOv8n的輕量型蜂窩陶瓷

缺陷檢測算法[J].激光與光電子學(xué)進(jìn)展，2024，61（22）：160-169.

[4]朱永紅，吳松濤.基于改進(jìn)的YOLOv8n瓷磚缺陷檢測與分類

方法[J].陶瓷學(xué)報，2024，45（06）：1255-1264.

[5]潘金晶，曾成，張晶，等.基于改進(jìn)YOLOv5的陶瓷表面缺陷檢

測算法[J].現(xiàn)代信息科技，2024，8（13）：70-75.