黃成榮

摘 要：主要介紹了基于深度學(xué)習(xí)技術(shù)的零件加工質(zhì)量缺陷檢測在制造業(yè)中的應(yīng)用。傳統(tǒng)的零件檢測方法存在檢測精度不高、人工干預(yù)較多等問題，而基于深度學(xué)習(xí)技術(shù)的零件加工質(zhì)量缺陷檢測方法可以有效地解決這些問題，提高產(chǎn)品質(zhì)量和生產(chǎn)效率。文章以曲軸生產(chǎn)過程中兩側(cè)孔內(nèi)部鐵屑?xì)埩舻臋z測為例，詳細(xì)介紹了基于YOLOv5深度學(xué)習(xí)框架的自動化視覺檢測系統(tǒng)方案。該系統(tǒng)使用PLC觸發(fā)軟件控制相機(jī)拍攝兩側(cè)孔內(nèi)部圖像，通過深度學(xué)習(xí)模型識別孔內(nèi)是否存在鐵屑?xì)埩簦⒔Y(jié)果展示并保存在界面上，最終反饋給PLC合格與不合格信號。采用深度學(xué)習(xí)模型，可以快速、準(zhǔn)確地完成檢測任務(wù)，并且能夠進(jìn)行追溯和分析。文章還對比了傳統(tǒng)目視檢查方案和基于深度學(xué)習(xí)的檢測方案的優(yōu)缺點(diǎn)，并提出了硬件工裝設(shè)計(jì)和優(yōu)化建議?？傮w來說，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)在制造業(yè)領(lǐng)域具有高效性、準(zhǔn)確性、靈活性和可靠性等優(yōu)勢，能夠幫助企業(yè)提高生產(chǎn)效率、降低成本，并且提高產(chǎn)品質(zhì)量和安全性。該研究為零件目標(biāo)檢測領(lǐng)域的深入應(yīng)用提供了借鑒和參考，也為其他工業(yè)自動化、智能安防和自動駕駛等領(lǐng)域的應(yīng)用提供了啟示。

關(guān)鍵詞：深度學(xué)習(xí) 零件目標(biāo)檢測 YOLOv5 零件加工質(zhì)量缺陷 制造業(yè)

1 前言

零件加工質(zhì)量缺陷檢測是制造業(yè)中一個重要的問題，對于提高產(chǎn)品質(zhì)量和生產(chǎn)效率具有關(guān)鍵作用。但是，傳統(tǒng)的零件檢測方法往往需要大量的人工干預(yù)，且存在檢測精度不高的問題。近年來，深度學(xué)習(xí)技術(shù)的快速發(fā)展為零件目標(biāo)檢測提供了新的機(jī)遇?；谏疃葘W(xué)習(xí)技術(shù)的零件加工質(zhì)量缺陷檢測方法可以減少人工干預(yù)，提高檢測精度，加速零件加工流程，從而提高生產(chǎn)效率[1]。

2 簡介

作為目標(biāo)檢測領(lǐng)域的主流方法，YOLOv5在實(shí)時性和準(zhǔn)確率等方面的表現(xiàn)十分出色。YOLOv5官方代碼中，給出的目標(biāo)檢測網(wǎng)絡(luò)中一共有4個版本，分別是YOLO5s、YOLO5m、YOLO5l、YOLO5x四個模型。

圖１展示了YOLOv5目標(biāo)檢測算法的整體框圖。對于一個目標(biāo)檢測算法而言，我們通?？梢詫⑵鋭?分為4個通用的模塊，具體包括：輸入端、Backbone、Neck、Prediction。

輸入端：輸入端表示輸入的圖片。該網(wǎng)絡(luò)的輸入圖像大小為608*608，該階段通常包含一個圖像預(yù)處理階段，即將輸入圖像縮放到網(wǎng)絡(luò)的輸入大小，并進(jìn)行歸一化等操作。

在網(wǎng)絡(luò)訓(xùn)練階段， YOLOv5使用Mosaic數(shù)據(jù)增強(qiáng)操作提升模型的訓(xùn)練速度和網(wǎng)絡(luò)的精度；并提出了一種自適應(yīng)錨框計(jì)算與自適應(yīng)圖片縮放方法。

Backbone：基準(zhǔn)網(wǎng)絡(luò)通常是一些性能優(yōu)異的分類器種的網(wǎng)絡(luò)，該模塊用來提取一些通用的特征表示。

Neck：Neck網(wǎng)絡(luò)通常位于基準(zhǔn)網(wǎng)絡(luò)和頭網(wǎng)絡(luò)的中間位置，利用它可以進(jìn)一步提升特征的多樣性及魯棒性。

Prediction：用來完成目標(biāo)檢測結(jié)果的輸出。針對不同的檢測算法，輸出端的分支個數(shù)不盡相同，通常包含一個分類分支和一個回歸分支。YOLOv5利用GIOU_Loss來代替Smooth L1 Loss函數(shù)，從而進(jìn)一步提升算法的檢測精度。[2，3]。

目前，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)已經(jīng)取得了重大突破，如YOLO、Faster R-CNN等算法已成為業(yè)界主流。近年來，國內(nèi)外學(xué)者們對基于深度學(xué)習(xí)的自動化視覺檢測系統(tǒng)也做了大量研究。例如，中國的九州通公司提出了一種基于深度學(xué)習(xí)的零件目標(biāo)檢測系統(tǒng)，該系統(tǒng)可以實(shí)現(xiàn)對復(fù)雜零件的檢測，提高了生產(chǎn)效率和產(chǎn)品質(zhì)量。美國的Stratom公司開發(fā)了一種能夠自動化檢測衛(wèi)星部件的目標(biāo)檢測系統(tǒng)，可以大幅提高檢測效率和準(zhǔn)確性?？偟膩碚f，目前基于深度學(xué)習(xí)的自動化視覺檢測系統(tǒng)已經(jīng)得到了廣泛應(yīng)用和深入研究。

3 基于深度學(xué)習(xí)的零件目標(biāo)檢測應(yīng)用案例

3.1 背景

在曲軸生產(chǎn)過程中，需要加工左右兩側(cè)深孔，并且在加工螺紋的過程中會產(chǎn)生大量的鐵屑。這些鐵屑需要經(jīng)過清洗機(jī)清洗，但是由于清洗不徹底，很容易留下一些鐵屑?xì)埩?。目前，通常采用下線員工進(jìn)行目視檢查兩側(cè)孔是否有殘留鐵屑。然而，這種方法存在許多缺點(diǎn)，容易漏檢和錯檢，從而導(dǎo)致質(zhì)量缺陷。

3.2 現(xiàn)有技術(shù)方案存在的缺陷：

1）目視檢查的連續(xù)性較低，員工容易疲勞導(dǎo)致漏檢和錯檢；根據(jù)實(shí)際應(yīng)用數(shù)據(jù)顯示，員工目視檢查的連續(xù)時間一般不超過30分鐘，之后漏檢和錯檢率就會顯著增加。

2）目視檢查數(shù)據(jù)無法追溯，無法做到品質(zhì)管理及分析；傳統(tǒng)的目視檢查方法無法完全記錄零件的檢測結(jié)果和圖片，難以實(shí)現(xiàn)精確追溯和分析。

3）曲軸孔較深，目視檢查不充分，容易造成質(zhì)量缺陷逃逸；由于孔深或角度等限制，員工無法充分地檢測孔內(nèi)是否有殘留鐵屑，容易造成某些質(zhì)量缺陷逃逸，影響產(chǎn)品質(zhì)量穩(wěn)定性。

4）員工目視檢查需要檢測兩端孔，浪費(fèi)時間，人機(jī)工程不友好，人力成本高；員工需要同時檢查兩端孔，效率低下，且長時間的視覺工作對員工的身心健康也會產(chǎn)生消極影響。

3.3 基于深度學(xué)習(xí)的零件目標(biāo)檢測方案

針對現(xiàn)有技術(shù)方案存在的缺陷，我們開發(fā)了基于Python和深度學(xué)習(xí)框架的自動化視覺檢測系統(tǒng)，該系統(tǒng)能夠有效地解決上述問題。具體的方案如下：

1）自主設(shè)計(jì)合適的硬件工裝：我們選擇了具有良好光學(xué)性能的同軸遠(yuǎn)心鏡頭和點(diǎn)光源進(jìn)行設(shè)計(jì)，這樣可以清晰地拍攝曲軸兩端孔內(nèi)部特征，解決了兩端孔較深給檢查帶來的困難。

2）采用YOLOv5檢測檢測孔鐵屑：我們采用YOLOv5目標(biāo)檢測算法，該算法具有快速、準(zhǔn)確的特點(diǎn)，并且能夠處理小目標(biāo)，非常適合進(jìn)行零件目標(biāo)檢測[4]。

首先需要先下載好YOLOv5深度學(xué)習(xí)框架代碼，根據(jù)不同的場景收集相應(yīng)的缺陷圖片，本例主要是收集曲軸孔存在鐵屑的圖片，圖片數(shù)據(jù)集越多越好，然后使用專門標(biāo)注軟件labelimg進(jìn)行圖片標(biāo)注，步驟如下：

①首先新建文件夾，其中JPEGImages用來存放你要用于訓(xùn)練的照片，照片最好按序命名，Annotations用于存放標(biāo)注完的標(biāo)簽。

②用labelimg打開JPEGImages文件夾內(nèi)圖片，在圖中框選出需要識別的特征，并且輸入該特征的標(biāo)記（即名稱）。

③將結(jié)果保存到Annotations文件夾，這時在文件夾可以看到一個XML文件，用于后續(xù)模型訓(xùn)練。

模型訓(xùn)練完后，系統(tǒng)調(diào)用相機(jī)SDK獲取曲軸孔照片后，將照片保存到本地進(jìn)行存檔和識別。接著，系統(tǒng)讀取剛剛獲取到的照片，首先對照片進(jìn)行一些圖像處理，然后調(diào)用訓(xùn)練好的模型，識別曲軸孔內(nèi)是否存在鐵屑，并輸出合格或不合格信號。采用深度學(xué)習(xí)模型，可以快速、準(zhǔn)確地完成檢測任務(wù)。

4）提升傳統(tǒng)檢查方式：新檢測系統(tǒng)能夠?qū)z測結(jié)果和圖片自動統(tǒng)計(jì)并保存下來，便于后續(xù)進(jìn)行零件精確追溯和不良品分析；同時，也避免了目視檢查的漏檢和錯檢問題，顯著提高了產(chǎn)品的合格率和質(zhì)量穩(wěn)定性，降低了人力成本和質(zhì)量風(fēng)險(xiǎn)。

3.4 效果

1）該系統(tǒng)通過機(jī)器視覺取代員工目視檢查，降低了員工操作節(jié)拍，提高生產(chǎn)自動化率。

2）零件質(zhì)量缺陷探測能力提高，從PFMEA分析，探測能力由目視檢查7提高為100%視覺檢查4，有效降低了由于零件錯裝導(dǎo)致的質(zhì)量風(fēng)險(xiǎn)；

3）使用了深度學(xué)習(xí)框架，根據(jù)該運(yùn)用場景，訓(xùn)練相應(yīng)的模型，使得識別結(jié)果更加迅速、準(zhǔn)確，基于深度學(xué)習(xí)的視覺檢測技術(shù)已經(jīng)廣泛應(yīng)用于生產(chǎn)現(xiàn)場中，提高了生產(chǎn)效率的同時，也降低了視覺應(yīng)用成本，擁有良好的應(yīng)用前景。

4 總結(jié)

在制造業(yè)中，基于深度學(xué)習(xí)的目標(biāo)檢測具有以下優(yōu)勢：

1）高效性：相比傳統(tǒng)的目標(biāo)檢測方法，基于深度學(xué)習(xí)的方法可以更快地處理大量數(shù)據(jù)，減少人工干預(yù)，提高生產(chǎn)效率。

2）準(zhǔn)確性：基于深度學(xué)習(xí)的方法可以有效地避免誤判和漏檢，提高檢測的準(zhǔn)確性。

3）靈活性：基于深度學(xué)習(xí)的方法可以適應(yīng)各種不同場景和應(yīng)用需求，無需人工調(diào)整參數(shù)或重新訓(xùn)練模型。

4）可靠性：基于深度學(xué)習(xí)的方法可以自動化處理大量數(shù)據(jù)，并且可以在長時間使用后保持穩(wěn)定性和精度。

因此，在制造業(yè)中使用基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)可以幫助企業(yè)提高生產(chǎn)效率、降低成本，并且提高產(chǎn)品質(zhì)量和安全性。

本篇論文通過對零件目標(biāo)檢測領(lǐng)域的深入研究，提出了一種基于深度學(xué)習(xí)的自動化檢測方案。該方案可以顯著提高檢測效率和準(zhǔn)確性，實(shí)現(xiàn)自動化檢測和數(shù)據(jù)統(tǒng)計(jì)，有望在制造業(yè)等領(lǐng)域得到廣泛應(yīng)用。此外，在具體實(shí)現(xiàn)方面，本文提出了數(shù)據(jù)收集和預(yù)處理、模型選擇和訓(xùn)練、圖像處理和目標(biāo)檢測、結(jié)果展示和反饋等四個主要步驟，給出了詳細(xì)的技術(shù)路線和實(shí)驗(yàn)結(jié)果。最后，針對一些特殊零件檢測任務(wù)，還提出了相應(yīng)的硬件工裝設(shè)計(jì)和優(yōu)化建議，有一定的借鑒意義。

參考文獻(xiàn)：

[1]王鑫.基于深度學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障識別[J].裝備制造技術(shù)，2021（09）：229-232.

[2]陳露萌，曹彥彥，黃民，謝鑫鋼.基于改進(jìn)YOLOv5的火焰檢測方法[J/OL].計(jì)算機(jī)工程：1-17[2023-03-29].

[3]黎學(xué)飛，童晶，陳正鳴，包勇，倪佳佳.基于改進(jìn)YOLOv5的小目標(biāo)檢測[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（12）：242-250.

[4]于志斌，胡泓.基于YOLO算法與機(jī)器視覺的晶圓片表面缺陷檢測研究[J].新型工業(yè)化，2021，11（12）：114-117.