何維熙

在制造領(lǐng)域，缺陷檢測(cè)主要是指對(duì)于工業(yè)產(chǎn)品或材料的表面或內(nèi)部的質(zhì)量檢測(cè)，例如對(duì)工業(yè)品的表面缺陷（劃痕、斑點(diǎn)、孔洞等）或是對(duì)材料的缺損、色差、內(nèi)部孔洞等缺陷的檢測(cè)[1]。缺陷檢測(cè)是自動(dòng)化生產(chǎn)中不可或缺的環(huán)節(jié)，能夠起到篩選與改進(jìn)不良材料和產(chǎn)品的作用。缺乏有效的缺陷檢測(cè)手段會(huì)導(dǎo)致生產(chǎn)出的產(chǎn)品質(zhì)量不佳，嚴(yán)重的會(huì)造成財(cái)產(chǎn)損失甚至人員傷亡。傳統(tǒng)的缺陷檢測(cè)方法主要由人來(lái)完成即人工缺陷檢測(cè)，由于人在長(zhǎng)時(shí)間、重復(fù)性的工作情況下會(huì)出現(xiàn)注意力不集中、勞累等問(wèn)題，人工檢測(cè)存在著諸如效率低下、準(zhǔn)確率不足、對(duì)于材料本身可能產(chǎn)生損壞的問(wèn)題。此外，人工檢測(cè)雖然制定了檢測(cè)標(biāo)準(zhǔn)，但檢測(cè)也是一個(gè)主觀判斷的過(guò)程，受主觀因素的影響較大。鑒于人工檢測(cè)存在的種種問(wèn)題，人們開(kāi)始研究基于計(jì)算機(jī)技術(shù)的檢測(cè)方法，其中借助人工智能技術(shù)實(shí)現(xiàn)缺陷檢測(cè)的技術(shù)越來(lái)越受到關(guān)注。

人工智能是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)技術(shù)科學(xué)。2017 年國(guó)務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，人工智能正式上升為國(guó)家戰(zhàn)略；十三屆全國(guó)人大一次會(huì)議發(fā)布《政府工作報(bào)告》，人工智能再次被提及，報(bào)告認(rèn)為有利于推動(dòng)制造業(yè)的研發(fā)應(yīng)用與深度融合。人工智能中的機(jī)器視覺(jué)技術(shù)已經(jīng)在缺陷檢測(cè)中廣泛應(yīng)用，特別是在表面缺陷檢測(cè)方面，本文將主要介紹基于機(jī)器視覺(jué)的缺陷檢測(cè)方法。

1 智能缺陷檢測(cè)原理

將人工智能應(yīng)用于缺陷檢測(cè)即為智能缺陷檢測(cè)，目前主要是利用機(jī)器視覺(jué)技術(shù)實(shí)現(xiàn)，被稱(chēng)為視覺(jué)缺陷檢測(cè)方法[2]。這種視覺(jué)缺陷檢測(cè)方法包括圖像采集、圖像處理與判斷控制這三個(gè)步驟。圖像采集是利用光源對(duì)被測(cè)物進(jìn)行照射，使其在系統(tǒng)內(nèi)部形成光學(xué)成像并將該圖像轉(zhuǎn)化為數(shù)字圖像，這種圖像采集方式適用于表面缺陷的檢測(cè)，而對(duì)于內(nèi)部缺陷則需要借助專(zhuān)用的設(shè)備，如射線、超聲等。

圖像處理是智能缺陷檢測(cè)的核心環(huán)節(jié)。該部分會(huì)利用機(jī)器視覺(jué)等技術(shù)進(jìn)行缺陷的檢測(cè)。目前機(jī)器視覺(jué)技術(shù)大都是基于深度學(xué)習(xí)模型實(shí)現(xiàn)的。模型的輸入即是圖像采集獲取的圖像，經(jīng)過(guò)模型的處理之后就會(huì)得到缺陷的圖像以及缺陷的類(lèi)型等信息。深度學(xué)習(xí)模型需要在使用前進(jìn)行訓(xùn)練，經(jīng)測(cè)試滿(mǎn)足要求后才能在生產(chǎn)環(huán)境中應(yīng)用。判斷處理部分主要完成的是對(duì)缺陷信息的確認(rèn)，之后再根據(jù)缺陷的類(lèi)型、級(jí)別等決定是否進(jìn)行處理，如進(jìn)行缺陷報(bào)警等。

2 應(yīng)用現(xiàn)狀

智能缺陷檢測(cè)已應(yīng)用到電子制造業(yè)、包裝業(yè)、印刷業(yè)等多個(gè)行業(yè)，且正逐漸擴(kuò)大應(yīng)用范圍，同時(shí)也可以應(yīng)用在木材、金屬、屏幕等多種材料上。

2.1 木材

對(duì)木材的缺陷進(jìn)行檢測(cè)是保證后續(xù)木制品加工質(zhì)量的重要手段之一。木材的缺陷按照其產(chǎn)生的原因可分為3 類(lèi)：生理原因，如節(jié)子、樹(shù)干形狀缺陷；病理原因：如變色、腐朽、蟲(chóng)眼；人為原因，如機(jī)械損傷、加工缺陷[3]。這些缺陷會(huì)降低木材質(zhì)量，影響木材加工，提高生產(chǎn)成本。節(jié)子與木材本身基本脫離，可能會(huì)脫落導(dǎo)致木材空洞，影響木材質(zhì)量，變色一般僅對(duì)于木材的外觀有所影響，但由木腐菌所引起的變色不經(jīng)檢測(cè)會(huì)導(dǎo)致木材腐朽，木材的裂紋會(huì)降低木材的完整性并使木材加工困難。人工檢驗(yàn)對(duì)較小的節(jié)子，程度較小的變色或細(xì)小的裂紋難以察覺(jué)。腐朽會(huì)影響材料物理性質(zhì)，減少材料質(zhì)量，降低木材強(qiáng)度，嚴(yán)重的腐朽會(huì)使木材使用價(jià)值喪失。人工檢測(cè)難以檢測(cè)出木材內(nèi)部的腐朽程度，而利用射線檢測(cè)或者超聲檢測(cè)可以獲取木材內(nèi)部的圖像，借助機(jī)器視覺(jué)模型可以檢測(cè)其內(nèi)部缺陷。對(duì)于木材表面的缺陷，可以利用圖像采集系統(tǒng)獲取其表面的圖像，之后接著視覺(jué)模型進(jìn)行檢測(cè)。智能缺陷檢測(cè)技術(shù)是一種無(wú)損的檢測(cè)技術(shù)，特別是對(duì)于木材內(nèi)部的缺陷，無(wú)需對(duì)木材進(jìn)行破壞處理就能實(shí)現(xiàn)檢測(cè)。

2.2 金屬零部件

金屬零部件的缺陷可分為兩類(lèi)：體積型缺陷，如氣孔、夾渣、凹坑等；面積型缺陷，如裂紋、未焊透等。這些缺陷會(huì)減少零件壽命，影響零件的組裝，降低零件質(zhì)量，例如氣孔會(huì)減少零件的有效承載面積，降低零件的內(nèi)部性能，表面的氣孔還會(huì)影響零件的外觀[4]。

汽車(chē)生產(chǎn)過(guò)程中，對(duì)紋理金屬的表面缺陷檢測(cè)是質(zhì)量檢測(cè)的關(guān)鍵，因?yàn)樵谄?chē)生產(chǎn)過(guò)程中，使用了大量的金屬零部件（如整車(chē)車(chē)身、軸承、螺紋孔位等），特別是粗糙金屬。由于粗糙金屬零部件的表面存在明顯的紋理、正常的形變，同時(shí)受到照明條件的影響，這樣就導(dǎo)致人工檢測(cè)的方法很難檢測(cè)出在生產(chǎn)早期階段產(chǎn)生的撞擊、刮傷和污漬。VIDI 是一款借助深度學(xué)習(xí)技術(shù)的工業(yè)圖像分析軟件。利用VIDI 軟件可以對(duì)缺陷進(jìn)行自動(dòng)化檢測(cè)與分類(lèi)，借助它將會(huì)使汽車(chē)行業(yè)的金屬零部件檢測(cè)變得非常簡(jiǎn)單。在檢測(cè)系統(tǒng)使用前，系統(tǒng)需要收集大量的零部件檢測(cè)圖片作為學(xué)習(xí)樣本庫(kù)，其中包括正常品和殘次品，圖像需要人工進(jìn)行標(biāo)記。一般來(lái)說(shuō)，樣本庫(kù)中的樣本越多，學(xué)習(xí)效果越好，后續(xù)的檢測(cè)也會(huì)越準(zhǔn)確。

2.3 TFT-LCD

薄膜晶體管液晶顯示器（TFT-LCD）是目前主流的顯示設(shè)備，可以應(yīng)用在筆記本電腦、監(jiān)視器、手機(jī)、電視等設(shè)備。TFT-LCD 的結(jié)構(gòu)復(fù)雜，包含數(shù)百萬(wàn)個(gè)元器件，且生產(chǎn)工序較多，很容易出現(xiàn)缺陷。TFT-LCD 缺陷可以分為宏觀缺陷和微觀缺陷[5]。宏觀缺陷一般可以用肉眼分辨，例如顯示器亮度不均；而微觀缺陷難以用肉眼分辨，例如顯示器的點(diǎn)缺陷。即使只是幾個(gè)粒子的點(diǎn)缺陷，對(duì)于顯示器的顯示質(zhì)量也會(huì)有所影響。人工檢測(cè)只能檢驗(yàn)出顯示器的宏觀缺陷，微觀缺陷則需要利用智能缺陷檢測(cè)實(shí)現(xiàn)。視覺(jué)缺陷檢測(cè)可以檢測(cè)到粒子層面，可以檢測(cè)出顯示器的點(diǎn)缺陷。

北京凌云光子投資控股有限責(zé)任公司設(shè)計(jì)的凌云ReTina 2100/4100 系列視覺(jué)AOI 質(zhì)量檢測(cè)設(shè)備，可以對(duì)LCD 中的各種點(diǎn)、線、Mura質(zhì)量缺陷進(jìn)行精確量化檢測(cè)。該設(shè)備系統(tǒng)是基于視覺(jué)與圖像技術(shù)實(shí)現(xiàn)，檢測(cè)效果已經(jīng)超過(guò)人眼的檢測(cè)質(zhì)量水平，并能夠提供更高的檢測(cè)效率。

3 討論

基于人工智能技術(shù)的智能缺陷檢測(cè)方法相比人工檢測(cè)具有檢測(cè)效率高、檢測(cè)準(zhǔn)確率高、對(duì)材料無(wú)損傷等優(yōu)點(diǎn)，已經(jīng)廣泛應(yīng)用在市場(chǎng)中。但另一方面，智能缺陷檢測(cè)還存在很多尚未解決的問(wèn)題和難點(diǎn)。

可靠性問(wèn)題：現(xiàn)階段，智能缺陷檢測(cè)主要是視覺(jué)方法，圖像的采集容易受到環(huán)境、光照、噪聲等多重因素影響，而圖像采集的質(zhì)量將直接影響檢測(cè)的準(zhǔn)確性。而在生產(chǎn)過(guò)程中檢測(cè)設(shè)備的可靠性十分重要，因此如何構(gòu)建穩(wěn)定、可靠檢測(cè)系統(tǒng)是智能檢測(cè)亟待解決的問(wèn)題之一。

檢測(cè)模型問(wèn)題：現(xiàn)階段基于視覺(jué)的檢測(cè)系統(tǒng)在構(gòu)建時(shí)需要對(duì)模型進(jìn)行訓(xùn)練，而訓(xùn)練模型則需要采集大量的產(chǎn)品圖像，且圖像需要具有代表性，包括正常以及各類(lèi)缺陷的圖像，這樣訓(xùn)練的模型的檢測(cè)準(zhǔn)確率才能達(dá)到要求。但由于檢測(cè)對(duì)象多樣、表面缺陷種類(lèi)繁多、形態(tài)多樣獲取到足夠多的訓(xùn)練樣本難度較大。盡管出現(xiàn)了一系列優(yōu)秀的缺陷檢測(cè)模型（算法），但大都停留在學(xué)術(shù)研究階段，距離實(shí)際應(yīng)用中的準(zhǔn)確率、實(shí)時(shí)性要求還存在差距。

4 結(jié)語(yǔ)

對(duì)于智能缺陷檢測(cè)還存在可靠性、檢測(cè)模型的問(wèn)題，其都是技術(shù)問(wèn)題，因此相關(guān)的科研機(jī)構(gòu)、企業(yè)需要加大在技術(shù)研發(fā)方面的投入，同時(shí)需要與生產(chǎn)需求緊密結(jié)合，防止理論與實(shí)踐存在較大差距。未來(lái)，隨著技術(shù)的進(jìn)步，智能缺陷檢測(cè)技術(shù)將會(huì)廣泛應(yīng)用在汽車(chē)、電子等行業(yè)，從而緩解人工檢測(cè)面臨的問(wèn)題。