摘 要：為解決日用陶瓷產(chǎn)品缺陷檢測(cè)難題，本文以陶瓷盤為研究對(duì)象，基于YOLOv3目標(biāo)檢測(cè)算法實(shí)現(xiàn)對(duì)陶瓷盤表面裂紋、破損、落渣、斑點(diǎn)這四種缺陷進(jìn)行檢測(cè)和識(shí)別。實(shí)驗(yàn)結(jié)果表明，模型在陶瓷盤表面缺陷識(shí)別上的平均精確率為89.2%，展示了該方法的有效性和潛在的工業(yè)應(yīng)用價(jià)值。

關(guān)鍵詞：YOLOv3;日用陶瓷;檢測(cè);目標(biāo)檢測(cè)

1 引 言

陶瓷盤表面缺陷檢測(cè)難題一直是陶瓷生產(chǎn)領(lǐng)域的一大挑戰(zhàn)。陶瓷盤作為日常用品，其表面質(zhì)量直接關(guān)系到產(chǎn)品的美觀度、耐用性和安全性。然而，在生產(chǎn)過(guò)程中，由于原料、工藝、設(shè)備等多種因素的影響，陶瓷盤表面容易出現(xiàn)各種缺陷，如裂紋、破損、落渣、斑點(diǎn)等。這些缺陷不僅影響產(chǎn)品的外觀，還減少了陶瓷產(chǎn)品的使用壽命[1]。

傳統(tǒng)的陶瓷盤表面缺陷檢測(cè)方法主要依賴于人工目視檢查，這種方法存在諸多不足。首先，人工檢測(cè)容易受到人為因素的影響，如疲勞、注意力分散等，導(dǎo)致檢測(cè)結(jié)果的準(zhǔn)確性和一致性難以保證[2]。其次，人工檢測(cè)效率低下，難以滿足大規(guī)模生產(chǎn)線的快速檢測(cè)需求。此外，對(duì)于一些微小或隱蔽的缺陷，人工檢測(cè)往往難以發(fā)現(xiàn)，從而增加了產(chǎn)品質(zhì)量風(fēng)險(xiǎn)。

為了解決這些難題，近年來(lái)，基于計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)的自動(dòng)缺陷檢測(cè)方法逐漸成為研究熱點(diǎn)[3]。這些方法通過(guò)訓(xùn)練模型來(lái)學(xué)習(xí)和識(shí)別陶瓷盤表面的缺陷特征，從而實(shí)現(xiàn)對(duì)缺陷的自動(dòng)檢測(cè)和分類[4]。與傳統(tǒng)的人工檢測(cè)方法相比，自動(dòng)檢測(cè)方法具有更高的準(zhǔn)確性、一致性和效率。

為了進(jìn)一步提高日用陶瓷產(chǎn)品的質(zhì)量檢測(cè)效率和準(zhǔn)確性，本研究選擇了陶瓷盤作為主要研究對(duì)象，采用了YOLOv3目標(biāo)檢測(cè)算法。YOLOv3算法以其高效的檢測(cè)速度和較高的準(zhǔn)確率，在目標(biāo)檢測(cè)領(lǐng)域尤其是實(shí)時(shí)檢測(cè)領(lǐng)域獲得了廣泛的應(yīng)用[5]。本研究的目標(biāo)是實(shí)現(xiàn)對(duì)陶瓷盤上常見(jiàn)的四種缺陷：表面裂紋、破損、落渣和斑點(diǎn)的自動(dòng)化識(shí)別和檢測(cè)。考慮到環(huán)境光照影響，將高光也當(dāng)作一類目標(biāo)，進(jìn)行檢測(cè)和識(shí)別。

通過(guò)對(duì)大量含有上述缺陷的陶瓷盤圖片進(jìn)行了收集和標(biāo)注，建立了一個(gè)包含多樣化樣本的數(shù)據(jù)集，以訓(xùn)練和驗(yàn)證YOLOv3模型的性能。

實(shí)驗(yàn)結(jié)果表明，使用YOLOv3模型對(duì)陶瓷盤表面缺陷進(jìn)行識(shí)別，平均精確率高達(dá)89.2%具有一定的推廣意義。在實(shí)際應(yīng)用中，只需將待檢測(cè)的陶瓷盤圖像輸入到訓(xùn)練好的模型中，模型即可自動(dòng)檢測(cè)出圖像中的裂紋、破損、落渣和斑點(diǎn)等缺陷，并給出相應(yīng)的位置和類別信息。這些信息可以幫助生產(chǎn)人員及時(shí)發(fā)現(xiàn)和處理缺陷產(chǎn)品，提高產(chǎn)品質(zhì)量和生產(chǎn)效率。綜上所述，基于YOLOv3目標(biāo)檢測(cè)算法的陶瓷盤缺陷檢測(cè)方法具有廣泛的應(yīng)用前景和實(shí)用價(jià)值，可以為陶瓷生產(chǎn)行業(yè)的自動(dòng)化和智能化升級(jí)提供有力支持。

2 YOLOv3簡(jiǎn)介

YOLOv3采用了一種名為Darknet-53的深層卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，這個(gè)名字來(lái)源于網(wǎng)絡(luò)的53個(gè)卷積層。Darknet-53融合了殘差連接（Residual Connections），增強(qiáng)了特征的傳遞，使得網(wǎng)絡(luò)即使在很深的情況下也能有效地學(xué)習(xí)[6]。殘差塊有助于緩解深層網(wǎng)絡(luò)訓(xùn)練過(guò)程中的梯度消失問(wèn)題，從而提高了模型的訓(xùn)練效率和性能[7]。YOLOv3的一個(gè)顯著特點(diǎn)是其能夠在三個(gè)不同尺度上進(jìn)行預(yù)測(cè)。這通過(guò)在網(wǎng)絡(luò)的不同層次上添加預(yù)測(cè)分支來(lái)實(shí)現(xiàn)。具體來(lái)說(shuō)，它在網(wǎng)絡(luò)的最后一層以及兩個(gè)上采樣（upsample）之后的層上進(jìn)行預(yù)測(cè)，這允許模型利用不同層次的特征圖對(duì)小到大的對(duì)象進(jìn)行檢測(cè)[8]。每個(gè)尺度都使用了特定大小的特征圖，對(duì)應(yīng)于不同的錨點(diǎn)框尺寸，以便更精確地預(yù)測(cè)各種大小的邊界框。YOLOv3利用錨點(diǎn)框（anchor boxes）來(lái)預(yù)測(cè)邊界框，通過(guò)聚類分析先前數(shù)據(jù)集中的邊界框來(lái)確定錨點(diǎn)框的維度，從而更好地適配不同形狀和尺寸的對(duì)象[9]。每個(gè)格點(diǎn)（grid cell）都會(huì)預(yù)測(cè)多個(gè)邊界框，每個(gè)邊界框有自己的置信度和類別概率。置信度反映了邊界框內(nèi)是否存在對(duì)象以及邊界框的準(zhǔn)確性，而類別概率表示邊界框內(nèi)對(duì)象屬于某個(gè)特定類別的概率。YOLOv3的損失函數(shù)是為了同時(shí)優(yōu)化分類誤差、定位誤差（邊界框坐標(biāo)）以及置信度誤差。分類誤差通過(guò)二元交叉熵計(jì)算，針對(duì)每個(gè)類別獨(dú)立預(yù)測(cè)。定位誤差采用均方誤差，但只對(duì)包含目標(biāo)的邊界框計(jì)算。置信度誤差也采用均方誤差，用于評(píng)估邊界框內(nèi)是否存在對(duì)象以及預(yù)測(cè)的邊界框與實(shí)際邊界框之間的匹配程度[10]。

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)配置

實(shí)驗(yàn)環(huán)境為Windows 10操作系統(tǒng)，詳細(xì)實(shí)驗(yàn)配置如表1所示。

圖1所示為采集5種類別目標(biāo)圖像，分別是：斑點(diǎn)、高光、裂紋、破損、落渣，總共人工標(biāo)注2404張照片，將數(shù)據(jù)集85%劃分為訓(xùn)練集，10%作為驗(yàn)證集，剩余5%則為測(cè)試集，數(shù)據(jù)集具體分布如表2所示。

3.2實(shí)驗(yàn)結(jié)果

YOLOv3模型實(shí)驗(yàn)結(jié)果如圖2、3所示，F(xiàn)1分?jǐn)?shù)為86%，平均識(shí)別精確率高達(dá)89.2%，其中裂紋識(shí)別精確率高達(dá)94.2%，破損識(shí)別精確率為81.7%，落渣識(shí)別精確率為81.7%，斑點(diǎn)識(shí)別精確率為94.9，高光識(shí)別精確率為93.6%。YOLOv3模型檢測(cè)結(jié)果如圖3所示。

4總結(jié)

針對(duì)日用陶瓷產(chǎn)品缺陷檢測(cè)問(wèn)題，以陶瓷盤為研究對(duì)象，使用YOLOv3目標(biāo)檢測(cè)算法對(duì)相關(guān)缺陷進(jìn)行檢測(cè)和識(shí)別。實(shí)驗(yàn)結(jié)果表明，模型在陶瓷盤表面缺陷識(shí)別上的平均精確率為89.2%，展示了該方法的有效性和潛在的工業(yè)應(yīng)用價(jià)值。其中，裂紋識(shí)別精確率為94.2%，破損為81.7%，落渣同樣為81.7%，斑點(diǎn)達(dá)到了94.9%，而對(duì)高光的識(shí)別準(zhǔn)確率也高達(dá)93.6%。此外，模型的F1分?jǐn)?shù)為86%，進(jìn)一步證明了其可靠性。本研究使用的YOLOv3目標(biāo)檢測(cè)算法不僅可以檢測(cè)陶瓷盤產(chǎn)品，還可以推廣到其他陶瓷產(chǎn)品表面缺陷檢測(cè)，為陶瓷生產(chǎn)行業(yè)的自動(dòng)化和智能化升級(jí)提供了有力的技術(shù)支持。

參考文獻(xiàn)

[1]郭蔓影.基于機(jī)器視覺(jué)的日用瓷產(chǎn)品質(zhì)量檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].廈門大學(xué)，2017.

[2]朱永紅，王偉，熊朦.基于多智能體技術(shù)日用陶瓷質(zhì)量等級(jí)分類方法研究[J].中國(guó)陶瓷，2017，53（01）：55-62.DOI：10.16521/j.cnki.issn.1001-9642.2017.01.011.

[3]熊朦.基于多智能體技術(shù)的日用瓷檢測(cè)分類方法研究[D].景德鎮(zhèn)陶瓷大學(xué)，2016.DOI：10.27191/d.cnki.gjdtc.2016.000026.

[4]謝森林，曾輝，董曉慶.基于機(jī)器視覺(jué)的日用瓷表面缺陷檢測(cè)[J].韓山師范學(xué)院學(xué)報(bào)，2014，35（06）：43-48.

[5]李澤輝，陳新度，黃佳生，等.基于改進(jìn)YOLOv3的紋理瓷磚缺陷檢測(cè)[J].激光與光電子學(xué)進(jìn)展，2022，59（10）：294-302.

[6]周云浩，郭達(dá)奇，周鑫，等.基于YOLOv3的輸電工程智能檢測(cè)與分析技術(shù)研究[J].電子設(shè)計(jì)工程，2024，32（05）：66-69+74.DOI：10.14022/j.issn1674-6236.2024.05.013.

[7]吳方權(quán)，李文虎，張磊，等.基于YOLOv3和ROS系統(tǒng)的無(wú)人機(jī)距離檢測(cè)[J].科技與創(chuàng)新，2024，（05）：20-23.DOI：10.15913/j.cnki.kjycx.2024.05.005.

[8]周云浩，郭達(dá)奇，周鑫，等.基于YOLOv3的輸電工程智能檢測(cè)與分析技術(shù)研究[J].電子設(shè)計(jì)工程，2024，32（05）：66-69+74.DOI：10.14022/j.issn1674-6236.2024.05.013.

[9]吳方權(quán)，李文虎，張磊，等.基于YOLOv3和ROS系統(tǒng)的無(wú)人機(jī)距離檢測(cè)[J].科技與創(chuàng)新，2024，（05）：20-23.DOI：10.15913/j.cnki.kjycx.2024.05.005.

[10]許霞，吳陳，楊英豪.基于Yolov3的人臉檢測(cè)算法研究[J].計(jì)算機(jī)與數(shù)字工程，2023，51（12）：2984-2990.