摘要：傳統(tǒng)的產(chǎn)品缺陷檢測(cè)系統(tǒng)存在過篩率偏高、誤判率較高、靈活性差、人力成本高等問題。為了解決這些問題，引入了一種基于人工智能（AI）和三維（3D）視覺技術(shù)的智能產(chǎn)品缺陷檢測(cè)系統(tǒng)，該系統(tǒng)利用3D攝像頭全方位采集產(chǎn)品表面圖像信息，然后使用深度學(xué)習(xí)算法進(jìn)行圖像分析和處理，實(shí)現(xiàn)對(duì)產(chǎn)品表面缺陷的自動(dòng)檢測(cè)和識(shí)別。該系統(tǒng)能夠自動(dòng)進(jìn)行產(chǎn)品缺陷檢測(cè)和識(shí)別，減少了人為因素的影響，從而可以有效提高產(chǎn)品缺陷檢測(cè)的準(zhǔn)確性和效率。

關(guān)鍵詞：缺陷檢測(cè)人工智能3D視覺分類識(shí)別

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

傳統(tǒng)的產(chǎn)品缺陷檢測(cè)方法主要依靠人工目視檢查，或由人工操作設(shè)備進(jìn)行產(chǎn)品缺陷檢測(cè)，并判斷是否存在缺陷，這種方法存在較多問題。首先，人工檢查需要耗費(fèi)大量的時(shí)間和人力成本，無法滿足大規(guī)模生產(chǎn)的需求。其次，由于人眼的主觀性和疲勞程度的影響，人工檢查容易出現(xiàn)誤判和漏檢的情況，導(dǎo)致產(chǎn)品質(zhì)量不穩(wěn)定。此外，對(duì)于一些復(fù)雜的產(chǎn)品結(jié)構(gòu)和微小的缺陷，人工檢查更加困難，甚至無法進(jìn)行檢測(cè)[1]。

1傳統(tǒng)產(chǎn)品缺陷檢測(cè)系統(tǒng)的問題分析

1.1過篩率偏高，誤判率較高

傳統(tǒng)產(chǎn)品缺陷檢測(cè)系統(tǒng)一般是由人工操作設(shè)備進(jìn)行產(chǎn)品檢測(cè)，這些設(shè)備內(nèi)部運(yùn)行的是沒有學(xué)習(xí)功能的傳統(tǒng)算法，由于傳統(tǒng)算法可能無法準(zhǔn)確地識(shí)別出產(chǎn)品中的缺陷，所以容易出現(xiàn)過篩率偏高[2]。另一方面，由于傳統(tǒng)算法無法根據(jù)實(shí)際檢測(cè)結(jié)果進(jìn)行自我調(diào)整，它可能對(duì)某些特定類型的缺陷具有較高的誤判率，這意味著一些實(shí)際上有缺陷的產(chǎn)品可能會(huì)被錯(cuò)誤地判定為合格，從而降低了產(chǎn)品質(zhì)量和客戶滿意度。

1.2系統(tǒng)上線時(shí)間長，靈活度不夠

傳統(tǒng)產(chǎn)品缺陷檢測(cè)設(shè)備需要控制環(huán)境、光源及拍攝角度等細(xì)節(jié)，量測(cè)目標(biāo)特征也要相當(dāng)明確，才能發(fā)揮機(jī)器篩檢的質(zhì)量，一旦檢測(cè)新設(shè)計(jì)或新產(chǎn)品時(shí)，自動(dòng)檢測(cè)流程需要重新設(shè)置，相對(duì)耗費(fèi)成本，因此傳統(tǒng)產(chǎn)品缺陷檢測(cè)系統(tǒng)在每一次上線時(shí)要不斷調(diào)整設(shè)定，無法彈性調(diào)整生產(chǎn)內(nèi)容，難以滿足彈性化、客制化生產(chǎn)需求。此外，傳統(tǒng)的產(chǎn)品缺陷檢測(cè)系統(tǒng)只能以設(shè)定好的參數(shù)標(biāo)準(zhǔn)進(jìn)行判斷，須先行定義瑕疵樣本，再通過樣本進(jìn)行篩檢，整體來看靈活度較差。

1.3人工成本較高，效率較低

目前，雖然產(chǎn)品缺陷檢測(cè)過程可以通過物聯(lián)網(wǎng)技術(shù)和數(shù)字系統(tǒng)軟件工具達(dá)到搜集數(shù)據(jù)、實(shí)時(shí)人機(jī)協(xié)作等目的，但主要的檢測(cè)進(jìn)料、檢驗(yàn)、成品組裝、入庫、出貨檢驗(yàn)等流程仍需要人力目視，導(dǎo)致人工成本較高，效率較低。而且，人工檢測(cè)常因個(gè)人經(jīng)驗(yàn)的良莠不齊（如手感差異、標(biāo)準(zhǔn)不一）導(dǎo)致質(zhì)量與產(chǎn)量不均，長時(shí)間用眼容易疲勞，很難維持長期的標(biāo)準(zhǔn)化和數(shù)據(jù)化統(tǒng)一，容易影響產(chǎn)能輸出。此外，以人工記錄生產(chǎn)產(chǎn)量、檢驗(yàn)狀況也容易產(chǎn)生疏漏及信息延遲等現(xiàn)象，增加客訴率、質(zhì)量不良率與成本耗損率。在遇到問題時(shí)，還需要額外花費(fèi)時(shí)間進(jìn)行二次人工篩檢分類，無形中提高了人工成本支出[3]。

2基于AI和3D視覺的智能產(chǎn)品缺陷檢測(cè)系統(tǒng)

2.1智能產(chǎn)品缺陷檢測(cè)系統(tǒng)硬件設(shè)計(jì)

智能產(chǎn)品缺陷檢測(cè)系統(tǒng)的硬件部分最主要的功能是產(chǎn)品3D圖像采集，以及提供AI算法運(yùn)行所需的計(jì)算平臺(tái)，主要由3D攝像頭、GPU平臺(tái)、CPU和顯示系統(tǒng)組成，如圖1所示。

2.1.13D攝像頭

用于采集產(chǎn)品表面的三維圖像。通過使用3D攝像頭，可以獲取到e0577d861ce20545f3f33c72bf6390b9d772f57a1e9bda5a713bb92b008422e6產(chǎn)品的立體信息，包括形狀、尺寸和表面特征等。常用的3D攝像頭有結(jié)構(gòu)光攝像頭、雙目攝像頭和TOF（TimeofFlight）攝像頭等，由于3D圖像數(shù)據(jù)量較大，所以3D攝像頭采集到的圖像數(shù)據(jù)通過USB、PCIE等高速接口傳輸給GPU平臺(tái)進(jìn)行計(jì)算。

2.1.2GPU平臺(tái)

用于運(yùn)行AI算法。深度學(xué)習(xí)模型通常需要大量的計(jì)算資源來進(jìn)行訓(xùn)練和推理，而GPU具有強(qiáng)大的并行計(jì)算能力，能夠加速深度學(xué)習(xí)算法的執(zhí)行速度[4]。因此，在智能產(chǎn)品缺陷檢測(cè)系統(tǒng)中，通常會(huì)使用高性能的GPU平臺(tái)來支持AI算法的運(yùn)行。

2.1.3CPU

作為主控單元，負(fù)責(zé)整個(gè)系統(tǒng)的控制和管理。CPU負(fù)責(zé)協(xié)調(diào)各個(gè)硬件模塊的工作，處理輸入輸出數(shù)據(jù)，以及運(yùn)行其他必要的軟件程序。同時(shí)，CPU還可以與用戶進(jìn)行交互，提供人機(jī)界面和操作接口，由于系統(tǒng)控制過程對(duì)于信息傳輸?shù)膶?shí)時(shí)性要求較低，所以CPU和其他子模塊之間的交互通過串口、SPI等低速通信接口進(jìn)行即可。

2.1.4顯示系統(tǒng)

顯示系統(tǒng)通過顯示屏可以將檢測(cè)到缺陷的產(chǎn)品實(shí)時(shí)顯示出來，便于查看。

2.2智能產(chǎn)品缺陷檢測(cè)系統(tǒng)軟件設(shè)計(jì)

智能產(chǎn)品缺陷檢測(cè)系統(tǒng)的軟件部分主要負(fù)責(zé)圖像的處理，分析和檢測(cè)功能，主要由預(yù)處理模塊、特征提取和深度學(xué)習(xí)網(wǎng)絡(luò)組成，如圖2所示。

其中，圖像數(shù)據(jù)預(yù)處理階段，系統(tǒng)會(huì)對(duì)原始圖像進(jìn)行一系列的處理操作，以便于后續(xù)的特征提取和分析。常見的圖像預(yù)處理方法包括去噪、增強(qiáng)、二值化、灰度化等。這些操作可以改善圖像質(zhì)量，減少噪聲干擾，并突出目標(biāo)特征，從而提高后續(xù)檢測(cè)結(jié)果的準(zhǔn)確性和魯棒性。

2.3智能產(chǎn)品缺陷檢測(cè)系統(tǒng)的實(shí)施

智能產(chǎn)品缺陷檢測(cè)系統(tǒng)在使用前需要經(jīng)過大量的樣本數(shù)據(jù)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。因此，智能產(chǎn)品缺陷檢測(cè)系統(tǒng)的實(shí)施可以大致概括為以下幾步。

（1）準(zhǔn)備階段，樣本采集。目標(biāo)缺陷都分布在目標(biāo)樣本中，此時(shí)需要采集大量的樣本3D圖像，而且采集樣本時(shí)需要保持樣本的位姿相同，一般在采集的同時(shí)通過圖像定位，使樣本保持在同樣的位姿；（2）準(zhǔn)備階段，準(zhǔn)備訓(xùn)練樣本數(shù)據(jù)集。將采集的樣本導(dǎo)入工具軟件進(jìn)行標(biāo)注劃分，得到訓(xùn)練樣本數(shù)據(jù)集，該過程一般通過批處理軟件完成，而不需要人工手動(dòng)標(biāo)注；（3）準(zhǔn)備階段，導(dǎo)入訓(xùn)練模型結(jié)果到運(yùn)行軟件。將第二步中準(zhǔn)備好的訓(xùn)練樣本數(shù)據(jù)集輸入深度學(xué)習(xí)網(wǎng)絡(luò)就可以進(jìn)行模型訓(xùn)練，并通過顯示系統(tǒng)和可視化軟件可以得到可視化的訓(xùn)練結(jié)果，在訓(xùn)練完成之后，就可以將訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)導(dǎo)入目標(biāo)運(yùn)行軟件，以待在實(shí)際的產(chǎn)品缺陷檢測(cè)過程中使用；（4）運(yùn)行階段，實(shí)現(xiàn)目標(biāo)定位。目標(biāo)定位就是需要定位到進(jìn)行檢測(cè)分析的地方，傳統(tǒng)的方式主要包括找圓，找方，模板匹配等，通常使用模板匹配進(jìn)行精確定位；（5）運(yùn)行階段，調(diào)用深度學(xué)習(xí)模型。目標(biāo)定位成功之后，將該目標(biāo)直接應(yīng)用深度學(xué)習(xí)模型即可得到結(jié)果。

3智能產(chǎn)品缺陷檢測(cè)系統(tǒng)的優(yōu)勢(shì)

3.1缺陷檢測(cè)結(jié)果準(zhǔn)確，檢測(cè)效率高

基于AI和3D視覺的智能產(chǎn)品缺陷檢測(cè)系統(tǒng)通過運(yùn)用深度學(xué)習(xí)算法進(jìn)行快速的特征提取和分析，實(shí)現(xiàn)了對(duì)產(chǎn)品質(zhì)量的高效監(jiān)控。該系統(tǒng)利用深度學(xué)習(xí)算法對(duì)大量的產(chǎn)品圖像數(shù)據(jù)進(jìn)行訓(xùn)練，自動(dòng)學(xué)習(xí)并提取出關(guān)鍵的特征信息。這些特征信息包括產(chǎn)品的尺寸、形狀、顏色等，能夠準(zhǔn)確地描述產(chǎn)品的各種屬性。通過對(duì)這些特征信息的快速提取，系統(tǒng)能夠迅速識(shí)別出產(chǎn)品中存在的缺陷，從而實(shí)現(xiàn)了對(duì)產(chǎn)品質(zhì)量的高效監(jiān)控。其次，基于3D視覺技術(shù)，該系統(tǒng)能夠?qū)Ξa(chǎn)品進(jìn)行全面的立體掃描，獲取到更為精確的三維模型。與傳統(tǒng)的二維圖像檢測(cè)方法相比，3D視覺技術(shù)能夠更好地捕捉到產(chǎn)品的細(xì)節(jié)信息，從而提高了檢測(cè)的準(zhǔn)確性[6]。

3.2自動(dòng)化的缺陷檢測(cè)流程

傳統(tǒng)的缺陷檢測(cè)過程需要人工干預(yù)，包括圖像采集、處理，人力目視判斷等步驟。相比之下，基于AI和3D視覺的智能產(chǎn)品缺陷檢測(cè)系統(tǒng)能夠自動(dòng)完成這些步驟，能夠通過高精度的傳感器和先進(jìn)的圖像采集技術(shù)，自動(dòng)獲取產(chǎn)品的高質(zhì)量圖像，并自動(dòng)進(jìn)行圖像處理，提取出關(guān)鍵的特征信息，從而實(shí)現(xiàn)對(duì)缺陷的快速準(zhǔn)確識(shí)別。因此，基于AI和3D視覺的智能產(chǎn)品缺陷檢測(cè)系統(tǒng)減少了對(duì)人工操作的需求，節(jié)省了時(shí)間和人力成本，還提高了檢測(cè)的準(zhǔn)確性和一致性。

3.3可擴(kuò)展性和適應(yīng)性強(qiáng)

基于AI和3D視覺的智能產(chǎn)品缺陷檢測(cè)系統(tǒng)具有出色的可擴(kuò)展性和適應(yīng)性。這種系統(tǒng)能夠根據(jù)不同類型的產(chǎn)品以及各種缺陷的特點(diǎn)，進(jìn)行模型的訓(xùn)練和調(diào)整，以適應(yīng)各種不同的生產(chǎn)環(huán)境和需求。首先，該系統(tǒng)的可擴(kuò)展性表現(xiàn)在它能夠處理各種類型的產(chǎn)品。無論是電子設(shè)備、機(jī)械設(shè)備，還是消費(fèi)品，該系統(tǒng)都能夠進(jìn)行有效的缺陷檢測(cè)。其次，該系統(tǒng)的適應(yīng)性體現(xiàn)在不同的生產(chǎn)環(huán)境中，產(chǎn)品可能存在不同的缺陷類型和特點(diǎn)。該系統(tǒng)能夠根據(jù)這些不同的環(huán)境和需求，進(jìn)行模型的訓(xùn)練和調(diào)整，以提高檢測(cè)的準(zhǔn)確性和效率。此外，該系統(tǒng)通過不斷學(xué)習(xí)和優(yōu)化，能夠提高自身的性能和準(zhǔn)確率。隨著使用時(shí)間的增長，該系統(tǒng)會(huì)積累大量的數(shù)據(jù)和經(jīng)驗(yàn)，能夠不斷優(yōu)化自身的模型和算法，提高檢測(cè)的準(zhǔn)確性和效率。同時(shí)，該系統(tǒng)還能夠自動(dòng)識(shí)別和糾正可能的誤判和漏檢情況，進(jìn)一步提高檢測(cè)的可靠性[6]。

4結(jié)語

本文通過AI和3D視覺技術(shù)提出了一種基于AI和3D視覺的智能產(chǎn)品缺陷檢測(cè)系統(tǒng)，該系統(tǒng)在硬件上由3D攝像頭、GPU平臺(tái)、CPU和顯示系統(tǒng)組成，在軟件上由預(yù)處理模塊、特征提取和深度學(xué)習(xí)網(wǎng)絡(luò)組成，通過采集數(shù)據(jù)、標(biāo)注數(shù)據(jù)可以得到訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)的樣本數(shù)據(jù)集，通過訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)可以得到一個(gè)能夠自動(dòng)識(shí)別產(chǎn)品缺陷的軟件算法，將其部署在GPU平臺(tái)上投入使用就可以實(shí)現(xiàn)產(chǎn)品缺陷的自動(dòng)化檢測(cè)。相較于傳統(tǒng)產(chǎn)品缺陷檢測(cè)系統(tǒng)，基于AI和3D視覺的智能產(chǎn)品缺陷檢測(cè)系統(tǒng)具有缺陷檢測(cè)結(jié)果準(zhǔn)確、檢測(cè)效率高、檢測(cè)過程自動(dòng)化、可擴(kuò)展性和適應(yīng)性強(qiáng)、實(shí)時(shí)監(jiān)測(cè)和反饋等優(yōu)勢(shì)，在工業(yè)生產(chǎn)中具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1]郭雙雙，張昊，葛曉峰，等.基于視頻AI算法的智能集裝箱缺陷檢測(cè)系統(tǒng)[yOKvo4wUSGhkl+0dYA0EaQ==J].港口科技，2022（6）：21-22，42.

[2]王志強(qiáng)，劉冬冬.基于輪廓度量與AI模型的工業(yè)缺陷檢測(cè)算法研究[J].齊齊哈爾大學(xué)學(xué)報(bào)：自然科學(xué)版，2023，39（2）：6-10.

[3]周子天.基于視覺技術(shù)的3D物體表面信息識(shí)別檢測(cè)系統(tǒng)[J].通訊世界，2019，26（12）：18-19.

[4]柴利，任磊，顧錁，等.基于視覺感知的表面缺陷智能檢測(cè)理論及工業(yè)應(yīng)用[J].計(jì)算機(jī)集成制造系統(tǒng)，2022，28（7）：1996-2004.

[5]肖蘇華，王志勇，張順鈞，等.基于機(jī)器視覺的激光打標(biāo)智能缺陷檢測(cè)系統(tǒng)[J].無損檢測(cè)，2021，43（7）：79-82.

[6]肖蘇華，喬明娟，賴南英，等.基于3D視覺的風(fēng)電塔筒焊縫檢測(cè)系統(tǒng)設(shè)計(jì)[J].電子測(cè)量與儀器學(xué)報(bào)，2022，36（2）：122-130.