基于人工智能的信息化产品检验检测技术研究

邱辉

摘要：随着信息技术的快速发展，信息化产品已经渗透到人们生活的各个方面。近年来，人工智能技术特别是深度学习，已经在诸多领域展现出强大的能力，将人工智能技术应用于信息化产品的检验、检测是研究的重要方向之一。本文尝试将卷积神经网络ResNet-50应用于智能手机显示组件的检测过程中，通过实例研究，验证了所采用方法的有效性，该技术在信息化产品检测中的应用有望进一步推动信息化产品的智能化发展，具有广阔前景。

关键词：人工智能；信息化产品；坏点检测；卷积神经网络

引言

从智能手机、计算机到各种嵌入式设备，这些产品在社会发展和人们日常生活中起着重要的作用。然而，随着技术日趋复杂和设备功能增加，确保这些产品的质量和性能成为一个严峻的挑战。传统的信息化产品检验技术往往依赖于手动测试和固定模式的自动化测试，这些方法在面对日益复杂的产品和快速变化的技术环境时显得力不从心。

近年来，人工智能技术特别是深度学习，已经在诸多领域展现出强大的能力。从图像识别、自然语言处理到复杂的决策支持系统，人工智能正在重塑我们的世界。在检验检测领域，人工智能已经被成功应用于医疗影像分析、工业制造中的质量控制以及食品安全检测等多个领域，取得了令人瞩目的成果。然而，将人工智能应用于信息化产品的检验检测还存在许多挑战[1]。本研究旨在探索如何有效地将深度学习技术应用于信息化产品的检验检测，以提高检测的准确性、效率和自动化程度。我们相信，这一研究不仅能为信息化产品制造商提供有力的技术支持，还将为整个社会带来巨大的经济和社会效益。

1. 信息化产品检测需求与挑战

信息化产品是指那些利用现代信息技术设计、制造和使用的产品，通常都具有数据处理、传输和存储功能[2]。这类产品包括但不限于计算机、手机、智能穿戴设备、网络设备等，旨在提供便捷、高效的信息服务，满足人们在生活和工作中对信息的需求。由于信息化产品与人们日常生活和工作紧密关联，其性能、稳定性、安全性等都受到广大用户和制造商的高度关注。因此，对这些产品进行有效、全面的检测是十分必要的。

作为信息化产品的代表，智能手机在现代社会中的应用已经无处不在。从基本的通信功能到高级的计算处理，智能手机已经成为人们日常生活中不可或缺的工具。硬件是智能手机的物理基础，对其进行检测需要确保每个组件都能在规定的性能参数内稳定运行。常见的硬件检测包括处理器速度、内存性能、摄像头分辨率和质量、显示屏的色彩和亮度等。其挑战在于硬件组件的迅速更新，使得检测工具和标准需要持续适应和更新。本文将主要围绕智能手机的相关检测方法展开，通过引入人工智能领域的深度学习方法实现智能化、自动化产品检测。

2. 基于深度学习的信息化产品检验检测方法

2.1 深度学习基础

深度学习是机器学习的一个子领域，模仿了人脑的工作方式，试图模拟由神经元网络组成的人脑结构。通过多层的神经网络，深度学习可以从大量的数据中学习到复杂的模式。其中，神经元是神经网络的基本单元，模拟了生物神经元的工作方式。每个神经元都会接收多个输入，对其进行加权求和，并通过激活函数产生一个输出。

（1）

其中，x1，x2，…，xn是输入；w1，w2，…，wn是各个输入的权重参数；b是该神经元的偏置；f表示激活函数，常用sigmoid。

而神经网络是由多个神经元组成的网络结构，可以包含多个隐藏层。输入层接收原始数据，隐藏层处理数据并传递给输出层，输出层生成预测结果。为了训练神经网络，需要一个损失函数来衡量模型的预测与真实标签之间的差异。最常用的损失函數包括均方误差、交叉熵等。训练的目标是最小化这个损失。为实现这一目标，使用反向传播算法来更新网络中的权重和偏置。这涉及计算损失函数相对于每个权重的梯度，并使用梯度下降或其他优化算法进行更新。当神经网络包含多个隐藏层时，我们称其为深度神经网络。这些多层结构允许网络学习更复杂、更高级的特征表示。但同时，这也带来了更多的参数和更大的计算复杂性。

2.2 基于卷积神经网络的手机显示屏坏点检测

对于手机的显示屏坏点与瑕疵检测问题，我们选择使用卷积神经网络（convolutional neural network，CNN）进行处理。CNN具有局部感知、参数共享和平移不变性的特点，使其在图像处理领域表现优越[3]。检测目标是手机显示屏上的坏点。坏点可以定义为屏幕上不应出现的颜色点，可能是由于物理损坏或屏幕制造时的缺陷引起的。数据集收集大量手机屏幕的图像，这些图像中既有存在坏点的，也有没有坏点的。每个图像都要标记为“有坏点”或“无坏点”。此外，对于存在坏点的图像，还应标记坏点的具体位置。

采用CNN网络结构进行有瑕疵手机的分类，因为CNN非常适合于图像数据的特征提取，可以有效提取图像数据的特征。这里的网络采用ResNet-50网络结构，输入输出关系如表1所示。ResNet或残差网络，通过引入“残差连接”解决深度网络中的梯度消失问题。

其中，输入层中，为手机显示屏当前显示的图像，输入图像大小设置为224×224。

随后经过卷积层进行特征图提取，在每一个卷积层中，输入经过滤波器进行卷积操作。

（2）

其中，I′是输出图像，I是输入图像，F表示当前滤波器，（m，n）分别表示滤波器的大小。每一个卷积层后均有一个批量归一化层（batch normalization）和Relu激活函数用于加速模型收敛，如图1所示。

随后经过池化层用于减少数据的维度，保留重要的特征信息。最后经过Softmax层将结果输出到0-1之间，再通过全连接输出两个概率，分别表示图像中“有坏点”和“无坏点”，实现有瑕疵和无瑕疵的手机分类。

模型训练过程如下：

输入为手机测试软件固定的R，G，B三通道的纯色图像，经过前面所构建的手机显示屏数据集，通过前向传播计算输出，随后通过反向传播优化模型权重。其中，损失函数使用二分类的交叉熵损失函数进行描述：

（3）

其中，yi是真实标签，pi是该模型预测得到的概率。通過多轮的迭代求解，优化模型权重，直到损失函数达到某一个预设阈值。

2.3 坏点定位

在确定屏幕有坏点后，还需要定位这些坏点。这里通过在数字显示屏上找出那些与其周围的像素不同的像素点。其基本过程是首先筛选出具有坏点瑕疵的手机显示屏，随后对输入的图像进行灰度转换、滤波等预处理，以消除图像中的噪声，并提高坏点检测的准确性。然后通过图像中的每个像素点计算与周围像素的差异。计算公式可以表示为

（4）

其中，p（x，y）表示当前像素灰度值，n表示所选择邻域的像素跨度大小。通过设定阈值，当计算所得到的当前像素偏差超过该阈值，则可以将该像素点标记为坏点，用于后续重新加工，而无需对整个屏幕进行修复重加工，从而提高生产效率。

2.4 其他信息化产品的相关检测前景

以上是对智能手机这一信息化产品的屏幕组件进行检测的过程，除此之外，信息化产品中的无线路由设备和信息存储设备SSD等也是需要进行检验检测的重要一环。针对这些设备，同样可以采用深度学习的方法，使用人工智能技术实现检测[4-5]，具体而言，针对无线路由设备，其关注的重点在于网络的安全性，执行检测的方法主要是针对上一段时间连续的流量数据进行检测，通过LSTM网络模型，可以实现时间序列数据的预测分析，检测路由器能否实现较为强大的反入侵能力。而针对SSD的检测主要目标是检测其使用寿命和使用稳定性，深度学习方法可以通过SSD运行状态下的系统温度变化，以及硬盘运行声纹特征实现网络输入，通过构建一维卷积，实现一维向量为特征的SSD寿命以及使用稳定性检测。

3. 实例分析与结果验证

针对本文采用的人工智能算法，尤其是深度学习技术在信息化产品中的应用和检测，本文在手机表面检测数据集Surface-Defect-Detection上进行了测试，该数据集构建的是手机表面缺陷检测数据集，标注了表面缺陷的位置，可以用于验证本文所提出的基于卷积神经网络ResNet-50的手机显示屏坏点检测方法。本文所采用的平台为Python 3.7版本，深度学习框架采用Torch，在MMdetection工具箱中进行验证。将训练集、验证集和测试集分为4：1，共8956个数据样本。但是由于该数据集的任务与坏点检测并不完全一致，本文额外提供了100张自采坏点手机缺陷数据用于迁移学习，将上述模型在智能手机的显示屏检测任务下进行微调实现手机屏幕坏点的检测。本文采用的评价指标有两个，一是在100个数据集下的瑕疵手机检出率，即Recall，另一个为针对有瑕疵手机，坏点检测位置的像素位置偏差|Bias|，检测结果如表2所示。

从以上结果可以看出，通过迁移学习，将Surface-Defect-Detection上的模型用于手机瑕疵检测中，可以取得非常良好的效果，基本可以得到所有的有瑕疵智能手机，并且给予自采数据集上对于坏点的定位非常精准，定位坏点中心位置在大多数情况下可以与标签中心位置一致。

结语

随着信息技术的快速发展，信息化产品已经渗透到人们生活的各个方面。对信息化产品的检验检测代表的含义不仅是本文对智能手机的瑕疵检测，但是本文所提出的这种基于人工智能技术尤其是深度神经网络的方法，在信息化产品检测中被验证是一种行之有效的解决方案，有望被拓展应用于多种信息化产品的检验检测过程中，实现更加智能化、自动化的信息化产品检验检测。

参考文献：

[1]孙晓天.嗅觉信息化产品的发展综述及其设计研究[J].包装工程，2022，43（6）： 24-31.

[2]宁家和.电子信息产品制造中的不良检测算法研发[D].成都：电子科技大学，2021.

[3]宋威.基于深度卷积神经网络的手机屏幕缺陷检测[D].成都：电子科技大学，2019.

[4]王宇菲，董小社，王龙翔，等.采用数据降维的固态硬盘故障检测方法[J].西安交通大学学报，2022，56（11）：176-185.

[5]刘月峰，王成，张亚斌，等.用于网络入侵检测的多尺度卷积CNN模型[J].计算机工程与应用，2019，55（3）：90-95，153.

作者简介：邱辉，大专，工程师，研究方向：信息化产品。