基于智能光源控制的工业品缺陷检测装置

摘要：在工业生产中，工艺流程紧密相连且技术要求高，细微变化易引发产品缺陷，降低良品率。团队研发的智能光源控制质检装置，利用级联神经网络和优化的YOLOv8模型，加速并精确检测表面缺陷。同时，装置结合智能光源调控技术，能发射多种波长光线，适应不同工业品的检测需求，从而确保高效、精确、快速的缺陷识别和分类，提升产品质量及生产效率。

关键词：智能光源工业品缺陷质检装置深度学习卷积神经网络模型

中图分类号：TP3文献标志码：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

随着数字经济的迅猛发展，中国正步入数字经济发展的全面加速阶段，成为推动经济增长的新引擎[1]。在此过程中，产业数字化作为关键的发展机遇，通过应用数字技术，传统产业实现了产出增加与效率提升。特别是在中国，产业数字化规模由2015年的13.8万亿元增长至2020年的31.7万亿元，显著体现了数字化转型的积极成效[2]。此外，“中国数字经济100强”企业的总营收接近2021年全国GDP的十分之一，数字经济规模已高达50.2万亿元，占GDP的比重增至41.5%[3]，彰显了数字经济在国民经济中的重要地位。

工业品市场作为数字经济的重要组成部分，近年来呈现出快速增长的态势，展现出强劲的发展势头。同时，随着工业品B2B市场的融资增加和投资集中度的提升，规模较大、建立良性盈利模式的头部平台成为投资方的青睐对象。

在日益发展的工业化生产中，工业品质检的准确性和可靠性对保证产品质量、维护企业声誉、提升生产效率等方面具有重要意义。工业质检作为生产管理的重要环节和产品质量安全的“守护者”，其意义在于确保产品符合国家的相关规定和大众消费者的需求，并在其预期应用中可靠运行。以芯片制造行业为例，质检错误可能导致产品质量问题、企业声誉受损、生产效率降低和安全隐患等严重后果。因此，工业质检在确保产品质量、保障企业利益和满足市场需求方面发挥着不可替代的作用。

1装置运行流程

在当代的工业制造领域，精密的质量监控系统扮演着举足轻重的角色，其融合了尖端的智能光源调节技术和前沿的图像解析算法，旨在提供一种高效且精准的工业产品表面瑕疵检测解决方案，为实现智能光源控制下的高效工业品缺陷检测这个目标，将智能光源动态调节采集图像识别缺陷系统分为5个阶段。

<！--[if ！supportLists]-->1.1<！--[endif]-->初始阶段

系统启动智能光源选择机制，依据待检工业产品的特定属性和潜在缺陷模式，自动甄选最优的照明方案。系统配置的光源种类繁多，包括环形、背光、条形、同轴光源等，均能投射出多角度、多色谱的光束，以增强物体的三维轮廓，消除阴影干扰，并满足多样化的检测需求。智能光源控制系统能够输出特定波长的光线，实现对各种工业产品照明条件的精细调节，从而显著提升图像采集的质量。

<！--[if ！supportLists]-->1.2<！--[endif]-->图像采集阶段

配备的高分辨率工业级摄像头承担着捕捉被照射工业品图像的职责。图像采集模块在设计时综合考量了光源的均匀度、光谱属性、对比度、照射角度、照明策略等关键因素，确保了采集图像的质量和检测的精确度。这些图像随后被实时传输至工业品质检软件平台，准备进行深入分析。

<！--[if ！supportLists]-->1.3<！--[endif]-->软件分析阶段

系统部署了一套基于层叠神经网络架构的工业品表面瑕疵快速检测算法模型。该模型的初级网络采用轻量级图像分类网络ResNet-tiny，其功能是对图像进行初步筛查，判断是否存在瑕疵。随后，改进版的目标检测YOLOv8网络接管任务，对疑似瑕疵区域进行精确的定位和识别。系统还融入了创新的轻量型动态卷积算法ODConv，该算法通过引入多维动态注意力机制和并行处理策略，极大地提升了模型在特征提取方面的计算效率和灵活性。

<！--[if ！supportLists]-->1.4<！--[endif]-->自动化检测阶段

随着工业产品在传送带上的移动，系统进行连续的图像采集，并实时对产品的材质、形状和尺寸进行智能识别。在完成初步识别后，系统依据采集到的特征数据，智能选择第二级光源，并在该光源下进行更为精细的图像采集和瑕疵特征提取。继而，系统将执行一系列复杂的数据处理流程，包括但不限于瑕疵特征的检测、分类、数据传输、反馈汇总与信息存储。

<！--[if ！supportLists]-->1.5<！--[endif]-->智能化与自适应学习阶段

系统整体架构强调自动化和智能化，能够自主完成产品的缺陷识别、定位和检测任务，大幅减少了人工干预，降低了操作误差和检测成本。此外，系统内嵌的机器学习和人工智能技术，使检测过程具备自我学习和优化的能力，随着时间的推移，检测的精确度和效率将不断提升。

因此，产品一旦进入系统，即通过结合智能光源、传送带、吸附式机械臂以及智能小车的精密协作，便可迅速完成自动检测任务。随后，合格产品会被自动分类至相应类别，而检测不合格的产品则依据缺陷类型进行分类，这一流程均在吸附式机械臂与智能小车的共同作用下无缝执行。

<！--[if ！supportLists]-->2<！--[endif]-->装置硬件设计

基于智能光源控制的工业品缺陷质检装置的硬件部分如图1所示。在图像采集阶段，系统集成的智能化光源调控技术会微调光源特性，如均匀性、光谱组成、对比度与照明角度，以适应多样化的工业品检测需求，进而升级图像质量以及提升辨识的精确性。硬件质检模块不仅实时校准至最优光源配置及高分辨率摄像设备设定，还加固了检测过程的可靠性和稳定性，确保高质量图像数据的获取，为后续软件分析奠定基础。分拣环节上，系统创新融合了吸附式机械臂与智能小车，吸附式机械臂的灵活动作配合小车的敏捷移动，显著增强了作业速度与灵活性，有效应对分拣复杂产品。此系统能自主辨别缺陷位置，借助吸附式机械臂的精确定位执行高效分拣，再搭配智能小车，不仅消减了人为误差，还实现了成本节约，持续推动检测效能的跃升。

<！--[if ！supportLists]-->2.1<！--[endif]-->功能模块介绍

就功能而言，系统主要可以分为5个模块，分别为图像采集模块、模型训练模块、工业品硬件质检模块、工业品软件质检模块和后台数据管理模块。各模块具体的使用方法分述如下。

2.1.1图像采集模块

图像采集模块主要由高清工业摄像头模组组成，同时要求摄像头模组提供可供获取视频流的SDK组件。使用时，需要先将摄像头安装到适合拍摄各种不同排列的芯片的位置，并将摄像头通过网线连接到后台服务器，以供实时从摄像头前端获取包含集装号的视频流。

2.1.2模型训练模块

该模块主要训练用于定位工业品表面缺陷位置的YOLOv8[4]目标识别模型和用于分类图像中是否包含有缺陷工业品的轻量级CNN[5]模型。具体来说，需要首先从后台由前端摄像头拍摄的视频流中导出包含工业品的图像，为了识别的准确性，导出的含工业品目标的图像统一为jpg格式。并对每一张工业品图像进行两类标注，即图像种类标注，以及图像中工业品缺点位置标注（如图2所示）。该过程需要人工手动完成。工业品图像标注可以借助标注工具lableImg完成。将目标图片输入lableImg，手动框出工业品表面缺陷所在位置，并保存标注的结果，此时软件lableImg会生产一个与图片同名的txt文件，保存的txt文件形式如下。

前面的0代表只有一类，有两行代表有两个目标。后面是目标在图片中的位置信息。前面两个数字代表中心点位置，像素点/图片尺寸；后两位代表宽高，像素/图片尺寸。

2.1.3产品硬件

该模块主要用于对图像的高质量采集。在图像采集方面，硬件模块采用了先进的智能光源控制技术，首先在选用光源时综合考虑到光源的均匀性、光谱特性、对比度、照射角度、照明方式等因素，因此本产品采用LED光源，通过控制系统使得能够提供不同波长的光线，以适应不同的检测需求。为了更加快速、准确地检测工业品表面的缺陷，在硬件质检模块的输入端配置了高清工业级摄像头负责对工业样品的图像采集。所采集的工业品图像会传输到工业品质检软件平台，同时硬件质检模块可对智能光源和高清工业级摄像头进行动态调节，以确保检测过程中的稳定性和准确性。在分拣方面，硬件质检模块采用吸附式机械臂联合智能小车进行分拣，通过智能小车在不同的工业品质检区域之间移动，配合机械臂手眼结合的坐标点转化对经过软件质检模块处理后的工业品完成高稳定、高效率的自动化分拣任务。

2.1.4质检模块

该模块主要用于对工业品分类和缺陷检测[6]。质检模块当中部署了本产品提出的基于级联神经网络的工业品表面缺陷快速检测模型（如图3所示），可对图像中的工业品缺陷进行检测和识别。模型的第一级网络为轻量级图像分类网络ResNet-tiny，可识别出图像中是否存在有缺陷的工业品；第二级网络为目标检测网络，采用改进的YOLOv8算法对图像中的工业品缺陷进行精准的检测和定位。通过轻量级分类网络先对工业品图像进行分类以减少目标检测网络的调用，从而提高工业品硬件质检这一步骤的效率。

2.1.5后台数据管理模块

后台数据管理模块采用自动化的方式，首先将前端摄像头捕捉到的视频流传到服务器，然后后台数据管理模块调用程序从数据流中取出工业品图像并保存为jpg格式。

<！--[if ！supportLists]-->3<！--[endif]-->基于YOLOv8的工业品缺陷检测

本文采用YouOnlyLookOncev8（YOLOv8）[7]模型来快速且准确地识别工业产品的缺陷。在模型中，采用轻量型动态卷积算法ODConv，通过并行策略引入一种多维注意力机制以对卷积核空间的4个维度学习更灵活的注意力，令模型减少计算量兼具高精度和高效率，ODConv算法的基本原理是对传统的卷积神经网络（ConvolutionalNeuralNetwork，CNN）中卷积层的设计进行创新。在传统的CNN中，每个卷积层通常使用固定的、静态的卷积核来提取特征。相较之下，ODConv引入了一种动态的、多维的注意力机制，对卷积核的设计进行了全面的改进。下面详细介绍其原理。

（1）多维动态注意力机制。ODConv的核心创新是其多维动态注意力机制。传统的动态卷积通常只在卷积核数量这一个维度上实现动态性，即通过对多个卷积核进行加权组合以适应不同的输入特征。ODConv则进一步扩展了这一概念，它不仅在卷积核数量上动态调整，还涉及卷积核的其他3个维度：空间大小、输入通道数、输出通道数。所以ODConv与传统的动态卷积相比，能够更精细地适应输入数据的特征，从而提高特征提取的结果。（2）并行策略。ODConv采用并行策略学习不同维度上的注意力。这种策略允许网络在更加高效地处理每个维度的特征时，确保各维度之间的互补性和协同作用。（3）最后在模型中优化损失函数CIoU为具有动态非单调FM的WIoUv3，可以聚焦于普通质量的锚框，并提高检测器的整体性能。

上述模块的配置使得YOLOv8可用于快速且准确地识别出工业产品上的缺陷。

gD93SpS9i8QpPBPMbRRAnqc4oCxPLijdfaNyMfH4b9g=

<！--[if ！supportLists]-->4<！--[endif]-->结语

本文针对工业品质检流程，设计了一种智能光源控制的缺陷检测装置，专门适用于特定工业品的质检。装置分为硬件和软件两部分：硬件设计模块选型与设计，软件覆盖平台、编程语言选择、图像处理模块、关键技术创新。通过调研，装置的图像采集环节精心采用了相机和镜头，以满足功能需求。

采用智能光源技术搭配高清工业摄像头采集了训练和测试所需的工业品样本图像，并进行人工标注，利用ResNet-tiny模型和改进的YOLOv8模型，并进行训练和参数调优，实现了工业品表面缺陷自动质检的目的。最后对实验结果进行了分析，证明了所提出装置的可行性和优越性。

参考文献

<！--[if ！supportLists]-->[1]<！--[endif]-->贾玉成，张俊yut0RI5Z9GT10u2yrDUr8MGxyIhc+rPSTM0pIr+JqAo=彦.母国数字经济优势推动数字企业对外直接投资的机制和效应[J].深圳大学学报（人文社会科学版），2024，41（2）：76-86.

<！--[if ！supportLists]-->[2]<！--[endif]-->赵雨涵，杨飞洋，宋旭光，等.中国产业数字化规模测算与路径分析[J].宏观经济研究，2024（5）：74-88.

<！--[if ！supportLists]-->[3]<！--[endif]-->马斌斌，豆媛媛，贺舒琪，等.中国数字经济与旅游产业融合发展的时空特征及驱动机制[J].经济地理，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.浅谈深度学习发展脉络及其现状[J].湖北经济学院学报（人文社会科学版），2024，21（3）：65-68.

<！--[if ！supportLists]-->[6]<！--[endif]-->王宇航，张凯兵.基于改进YOLOv5的PCB缺陷检测方法[J].湖北工程学院学报，2023，43（6）：59-65.

<！--[if ！supportLists]-->[7]<！--[endif]-->杨江，孙福才，赵培江，等.基于机器视觉的PCB缺陷检测关键技术研究[J].黑龙江工业学院学报（综合版），2024，24（2）：110-115.