基于AI和3D视觉的智能产品缺陷检测系统设计

摘要：传统的产品缺陷检测系统存在过筛率偏高、误判率较高、灵活性差、人力成本高等问题。为了解决这些问题，引入了一种基于人工智能（AI）和三维（3D）视觉技术的智能产品缺陷检测系统，该系统利用3D摄像头全方位采集产品表面图像信息，然后使用深度学习算法进行图像分析和处理，实现对产品表面缺陷的自动检测和识别。该系统能够自动进行产品缺陷检测和识别，减少了人为因素的影响，从而可以有效提高产品缺陷检测的准确性和效率。

关键词：缺陷检测人工智能3D视觉分类识别

DesignoftheIntelligentDetectionSystemofProductDefectsBasedonAIand3DVision

ZHENGYuhangSUNPengXIAChaohui

RocketForceUniversityofEngineering，Xi’an，ShaanxiProvince，710025China

Abstract：Thetraditionaldetectionsystemofproductdefectshasproblemssuchasthehighsievingrate，thehighmisjudgmentrate，poorflexibilityandhighlaborcosts.Inordertosolvetheseproblems，thisarticleintroducesanintelligentdetectionsystemofproductdefectsbasedonartificialintelligence（AI）andthree-dimensional（3D）visiontechnology.Thesystemutilizesa3Dcameratocollectproductsurfaceimageinformationinanall-roundway，andthenusesthedeeplearningalgorithmforimageanalysisandprocessing，soastoachievetheautomaticdetectionandrecognitionofproductsurfacedefects.Thissystemcanautomaticallydetectandidentifyproductdefects，reducingtheinfluenceofhumanfactors，soastoeffectivelyimprovetheaccuracyandefficiencyofproductdefectdetection.

KeyWords：Defectdetection;Artificialintelligence;3Dvision;Classificationrecognition

传统的产品缺陷检测方法主要依靠人工目视检查，或由人工操作设备进行产品缺陷检测，并判断是否存在缺陷，这种方法存在较多问题。首先，人工检查需要耗费大量的时间和人力成本，无法满足大规模生产的需求。其次，由于人眼的主观性和疲劳程度的影响，人工检查容易出现误判和漏检的情况，导致产品质量不稳定。此外，对于一些复杂的产品结构和微小的缺陷，人工检查更加困难，甚至无法进行检测[1]。

1传统产品缺陷检测系统的问题分析

1.1过筛率偏高，误判率较高

传统产品缺陷检测系统一般是由人工操作设备进行产品检测，这些设备内部运行的是没有学习功能的传统算法，由于传统算法可能无法准确地识别出产品中的缺陷，所以容易出现过筛率偏高[2]。另一方面，由于传统算法无法根据实际检测结果进行自我调整，它可能对某些特定类型的缺陷具有较高的误判率，这意味着一些实际上有缺陷的产品可能会被错误地判定为合格，从而降低了产品质量和客户满意度。

1.2系统上线时间长，灵活度不够

传统产品缺陷检测设备需要控制环境、光源及拍摄角度等细节，量测目标特征也要相当明确，才能发挥机器筛检的质量，一旦检测新设计或新产品时，自动检测流程需要重新设置，相对耗费成本，因此传统产品缺陷检测系统在每一次上线时要不断调整设定，无法弹性调整生产内容，难以满足弹性化、客制化生产需求。此外，传统的产品缺陷检测系统只能以设定好的参数标准进行判断，须先行定义瑕疵样本，再通过样本进行筛检，整体来看灵活度较差。

1.3人工成本较高，效率较低

目前，虽然产品缺陷检测过程可以通过物联网技术和数字系统软件工具达到搜集数据、实时人机协作等目的，但主要的检测进料、检验、成品组装、入库、出货检验等流程仍需要人力目视，导致人工成本较高，效率较低。而且，人工检测常因个人经验的良莠不齐（如手感差异、标准不一）导致质量与产量不均，长时间用眼容易疲劳，很难维持长期的标准化和数据化统一，容易影响产能输出。此外，以人工记录生产产量、检验状况也容易产生疏漏及信息延迟等现象，增加客诉率、质量不良率与成本耗损率。在遇到问题时，还需要额外花费时间进行二次人工筛检分类，无形中提高了人工成本支出[3]。

2基于AI和3D视觉的智能产品缺陷检测系统

2.1智能产品缺陷检测系统硬件设计

智能产品缺陷检测系统的硬件部分最主要的功能是产品3D图像采集，以及提供AI算法运行所需的计算平台，主要由3D摄像头、GPU平台、CPU和显示系统组成，如图1所示。

2.1.13D摄像头

用于采集产品表面的三维图像。通过使用3D摄像头，可以获取到e0577d861ce20545f3f33c72bf6390b9d772f57a1e9bda5a713bb92b008422e6产品的立体信息，包括形状、尺寸和表面特征等。常用的3D摄像头有结构光摄像头、双目摄像头和TOF（TimeofFlight）摄像头等，由于3D图像数据量较大，所以3D摄像头采集到的图像数据通过USB、PCIE等高速接口传输给GPU平台进行计算。

2.1.2GPU平台

用于运行AI算法。深度学习模型通常需要大量的计算资源来进行训练和推理，而GPU具有强大的并行计算能力，能够加速深度学习算法的执行速度[4]。因此，在智能产品缺陷检测系统中，通常会使用高性能的GPU平台来支持AI算法的运行。

2.1.3CPU

作为主控单元，负责整个系统的控制和管理。CPU负责协调各个硬件模块的工作，处理输入输出数据，以及运行其他必要的软件程序。同时，CPU还可以与用户进行交互，提供人机界面和操作接口，由于系统控制过程对于信息传输的实时性要求较低，所以CPU和其他子模块之间的交互通过串口、SPI等低速通信接口进行即可。

2.1.4显示系统

显示系统通过显示屏可以将检测到缺陷的产品实时显示出来，便于查看。

2.2智能产品缺陷检测系统软件设计

智能产品缺陷检测系统的软件部分主要负责图像的处理，分析和检测功能，主要由预处理模块、特征提取和深度学习网络组成，如图2所示。

其中，图像数据预处理阶段，系统会对原始图像进行一系列的处理操作，以便于后续的特征提取和分析。常见的图像预处理方法包括去噪、增强、二值化、灰度化等。这些操作可以改善图像质量，减少噪声干扰，并突出目标特征，从而提高后续检测结果的准确性和鲁棒性。

2.3智能产品缺陷检测系统的实施

智能产品缺陷检测系统在使用前需要经过大量的样本数据对深度学习网络进行训练。因此，智能产品缺陷检测系统的实施可以大致概括为以下几步。

（1）准备阶段，样本采集。目标缺陷都分布在目标样本中，此时需要采集大量的样本3D图像，而且采集样本时需要保持样本的位姿相同，一般在采集的同时通过图像定位，使样本保持在同样的位姿；（2）准备阶段，准备训练样本数据集。将采集的样本导入工具软件进行标注划分，得到训练样本数据集，该过程一般通过批处理软件完成，而不需要人工手动标注；（3）准备阶段，导入训练模型结果到运行软件。将第二步中准备好的训练样本数据集输入深度学习网络就可以进行模型训练，并通过显示系统和可视化软件可以得到可视化的训练结果，在训练完成之后，就可以将训练好的深度学习网络导入目标运行软件，以待在实际的产品缺陷检测过程中使用；（4）运行阶段，实现目标定位。目标定位就是需要定位到进行检测分析的地方，传统的方式主要包括找圆，找方，模板匹配等，通常使用模板匹配进行精确定位；（5）运行阶段，调用深度学习模型。目标定位成功之后，将该目标直接应用深度学习模型即可得到结果。

3智能产品缺陷检测系统的优势

3.1缺陷检测结果准确，检测效率高

基于AI和3D视觉的智能产品缺陷检测系统通过运用深度学习算法进行快速的特征提取和分析，实现了对产品质量的高效监控。该系统利用深度学习算法对大量的产品图像数据进行训练，自动学习并提取出关键的特征信息。这些特征信息包括产品的尺寸、形状、颜色等，能够准确地描述产品的各种属性。通过对这些特征信息的快速提取，系统能够迅速识别出产品中存在的缺陷，从而实现了对产品质量的高效监控。其次，基于3D视觉技术，该系统能够对产品进行全面的立体扫描，获取到更为精确的三维模型。与传统的二维图像检测方法相比，3D视觉技术能够更好地捕捉到产品的细节信息，从而提高了检测的准确性[6]。

3.2自动化的缺陷检测流程

传统的缺陷检测过程需要人工干预，包括图像采集、处理，人力目视判断等步骤。相比之下，基于AI和3D视觉的智能产品缺陷检测系统能够自动完成这些步骤，能够通过高精度的传感器和先进的图像采集技术，自动获取产品的高质量图像，并自动进行图像处理，提取出关键的特征信息，从而实现对缺陷的快速准确识别。因此，基于AI和3D视觉的智能产品缺陷检测系统减少了对人工操作的需求，节省了时间和人力成本，还提高了检测的准确性和一致性。

3.3可扩展性和适应性强

基于AI和3D视觉的智能产品缺陷检测系统具有出色的可扩展性和适应性。这种系统能够根据不同类型的产品以及各种缺陷的特点，进行模型的训练和调整，以适应各种不同的生产环境和需求。首先，该系统的可扩展性表现在它能够处理各种类型的产品。无论是电子设备、机械设备，还是消费品，该系统都能够进行有效的缺陷检测。其次，该系统的适应性体现在不同的生产环境中，产品可能存在不同的缺陷类型和特点。该系统能够根据这些不同的环境和需求，进行模型的训练和调整，以提高检测的准确性和效率。此外，该系统通过不断学习和优化，能够提高自身的性能和准确率。随着使用时间的增长，该系统会积累大量的数据和经验，能够不断优化自身的模型和算法，提高检测的准确性和效率。同时，该系统还能够自动识别和纠正可能的误判和漏检情况，进一步提高检测的可靠性[6]。

4结语

本文通过AI和3D视觉技术提出了一种基于AI和3D视觉的智能产品缺陷检测系统，该系统在硬件上由3D摄像头、GPU平台、CPU和显示系统组成，在软件上由预处理模块、特征提取和深度学习网络组成，通过采集数据、标注数据可以得到训练深度学习网络的样本数据集，通过训练深度学习网络可以得到一个能够自动识别产品缺陷的软件算法，将其部署在GPU平台上投入使用就可以实现产品缺陷的自动化检测。相较于传统产品缺陷检测系统，基于AI和3D视觉的智能产品缺陷检测系统具有缺陷检测结果准确、检测效率高、检测过程自动化、可扩展性和适应性强、实时监测和反馈等优势，在工业生产中具有广泛的应用前景。

参考文献

[1]郭双双，张昊，葛晓峰，等.基于视频AI算法的智能集装箱缺陷检测系统[yOKvo4wUSGhkl+0dYA0EaQ==J].港口科技，2022（6）：21-22，42.

[2]王志强，刘冬冬.基于轮廓度量与AI模型的工业缺陷检测算法研究[J].齐齐哈尔大学学报：自然科学版，2023，39（2）：6-10.

[3]周子天.基于视觉技术的3D物体表面信息识别检测系统[J].通讯世界，2019，26（12）：18-19.

[4]柴利，任磊，顾锞，等.基于视觉感知的表面缺陷智能检测理论及工业应用[J].计算机集成制造系统，2022，28（7）：1996-2004.

[5]肖苏华，王志勇，张顺钧，等.基于机器视觉的激光打标智能缺陷检测系统[J].无损检测，2021，43（7）：79-82.

[6]肖苏华，乔明娟，赖南英，等.基于3D视觉的风电塔筒焊缝检测系统设计[J].电子测量与仪器学报，2022，36（2）：122-130.