摘 要：傳統(tǒng)鋁電解電容質(zhì)檢依賴人工目視，以識(shí)別外殼劃痕、破損等缺陷，這種檢測(cè)方法存在檢測(cè)準(zhǔn)確性和效率的問題。為解決這一問題，提出并實(shí)現(xiàn)了一種基于YOLOv8的電容缺陷檢測(cè)方案。通過構(gòu)建電容缺陷數(shù)據(jù)庫(kù)，并在YOLOv8模型中進(jìn)行凹陷、劃痕、破損等缺陷的訓(xùn)練，方案成功實(shí)現(xiàn)了電容外觀缺陷檢測(cè)功能。實(shí)驗(yàn)數(shù)據(jù)結(jié)果顯示，該模型的mAP@50超過87%。與傳統(tǒng)檢測(cè)方法相比，基于YOLOv8的電容缺陷檢測(cè)方案具有更高的準(zhǔn)確性，效率更高。進(jìn)一步構(gòu)建電容外觀缺陷數(shù)據(jù)庫(kù)，可以提高檢測(cè)準(zhǔn)確性和效率，為電容工業(yè)生產(chǎn)的缺陷檢測(cè)提供了可行的解決方案。

關(guān)鍵詞：缺陷檢測(cè)；YOLOv8；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)

中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：2096-4706（2024）20-0055-06

Appearance Defect Detection Method of Aluminum Electrolytic Capacitor Based on YOLOv8

LI Zeqin， ZHAO Zirong， SHENG Lei， ZENG Liangtao， JIANG Li， TAN Deli

（School of Computer Science， Neusoft Institute Guangdong， Foshan 528225， China）

Abstract： Traditional aluminum electrolytic capacitor quality inspection relies on manual visual inspection to detect defects such as scratches and damages on the casing， and this detection method encounters problems with accuracy and efficiency. To address the problems， this paper proposes and implements a capacitor defect detection scheme based on YOLOv8. By constructing a capacitor defect database and training the YOLOv8 model on defects such as dents， scratches， and damages， the scheme successfully achieves capacitor appearance defect detection function. Experimental data results show that the model's mAP@50 exceeds 87%. Compared to traditional detection methods， the capacitor defect detection scheme based on YOLOv8 has higher accuracy and efficiency. Further construction of a capacitor appearance defect database can enhance detection accuracy and efficiency， providing a feasible solution for defect detection in capacitor industrial production.

Keywords： defect detection; YOLOv8; Deep Learning; Convolutional Neural Networks

0 引 言

電容作為電子器件中的關(guān)鍵組成部分，其質(zhì)量檢測(cè)在生產(chǎn)流程中至關(guān)重要。然而，傳統(tǒng)的電容缺陷檢測(cè)方式往往依賴于人工目視，不僅效率低下，且易受到人為因素的影響，導(dǎo)致檢測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性受到質(zhì)疑。因此，如何高效、準(zhǔn)確地實(shí)現(xiàn)電容缺陷的自動(dòng)化檢測(cè)，成為當(dāng)前研究的熱點(diǎn)與難點(diǎn)。近年來，深度學(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域取得了顯著的進(jìn)展。本研究旨在利用目標(biāo)檢測(cè)技術(shù)，以YOLOv8算法為實(shí)驗(yàn)?zāi)Ｐ?，設(shè)計(jì)并實(shí)現(xiàn)一款電容缺陷檢測(cè)系統(tǒng)。通過構(gòu)建電容缺陷數(shù)據(jù)庫(kù)，并訓(xùn)練YOLOv8模型以識(shí)別凹陷、劃痕、破損等缺陷，實(shí)驗(yàn)期望實(shí)現(xiàn)電容外觀缺陷的自動(dòng)化檢測(cè)，提高檢測(cè)的效率和準(zhǔn)確性。本研究不僅解決了傳統(tǒng)檢測(cè)方法存在的問題，還通過實(shí)際應(yīng)用驗(yàn)證了基于YOLOv8的電容缺陷檢測(cè)方案的可行性和有效性。

1 相關(guān)研究

近年來，隨著人工智能技術(shù)的發(fā)展，缺陷檢測(cè)系統(tǒng)[1]在工業(yè)生產(chǎn)中的應(yīng)用越來越廣泛。深度學(xué)習(xí)作為圖像識(shí)別和目標(biāo)檢測(cè)領(lǐng)域的核心動(dòng)力，相較于傳統(tǒng)缺陷檢測(cè)方法展現(xiàn)出明顯的優(yōu)勢(shì)。其自動(dòng)學(xué)習(xí)和提取圖像特征的能力消除了煩瑣的手工設(shè)計(jì)和特征選擇過程。此外，深度學(xué)習(xí)具備強(qiáng)大的魯棒性，能有效處理各類圖像變換和噪聲，從而提升了檢測(cè)的準(zhǔn)確性和穩(wěn)定性。在電容生產(chǎn)中，表面缺陷檢測(cè)作為至關(guān)重要的工作，通過基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)實(shí)現(xiàn)電容表面缺陷的檢測(cè)變得可行。然而，深度學(xué)習(xí)模型在訓(xùn)練和測(cè)試過程中需要大量計(jì)算資源，而終端設(shè)備的計(jì)算能力有限，這為電容表面缺陷檢測(cè)的實(shí)際應(yīng)用帶來了一定的困擾和挑戰(zhàn)。在確保檢測(cè)精度的前提下，如何降低深度學(xué)習(xí)模型的復(fù)雜度和計(jì)算量成為當(dāng)前亟須解決的關(guān)鍵問題。當(dāng)前主流的目標(biāo)檢測(cè)算法眾多，本文特別介紹了一階段的YOLO（You Only Look Once）算法。與兩階段的檢測(cè)算法不同，該算法基于回歸，將定位與分類任務(wù)合并，獲得更快的檢測(cè)速度，在實(shí)時(shí)檢測(cè)方面具有顯著優(yōu)勢(shì)。在電容表面缺陷檢測(cè)領(lǐng)域，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型受到終端檢測(cè)設(shè)備計(jì)算能力的限制，模型部署依然面臨巨大挑戰(zhàn)。如何對(duì)計(jì)算量龐大的目標(biāo)檢測(cè)模型進(jìn)行輕量化處理，使其能夠部署在計(jì)算資源有限的設(shè)備上，成為當(dāng)前電容表面缺陷檢測(cè)領(lǐng)域研究的熱點(diǎn)問題。在實(shí)際應(yīng)用中，該方法取得了較好的效果，提高了檢測(cè)的準(zhǔn)確性和效率。杜寶俠等人提出了一種基于改進(jìn)YOLOv8的蘋果檢測(cè)方法[2]，該方法主要應(yīng)用于蘋果的表面缺陷檢測(cè)。通過改進(jìn)YOLOv8模型，提高了對(duì)蘋果表面缺陷的識(shí)別率，為后續(xù)的分類和篩選提供了有力支持。陳道賀等人提出了一種基于機(jī)器視覺的玻璃瓶口缺陷檢測(cè)方法[3]。該方法利用圖像處理技術(shù)對(duì)玻璃瓶口進(jìn)行預(yù)處理、特征提取和分類，實(shí)現(xiàn)了瓶口的缺陷檢測(cè)。實(shí)驗(yàn)結(jié)果表明，該方法具有較高的準(zhǔn)確性和穩(wěn)定性，能夠滿足實(shí)際生產(chǎn)的需要。Li等人基于改進(jìn)YOLOv5的目標(biāo)檢測(cè)算法開發(fā)設(shè)計(jì)了一種能夠快速、準(zhǔn)確地檢測(cè)航空發(fā)動(dòng)機(jī)部件表面缺陷的方法[4]。此方法在傳統(tǒng)的YOLOv5基礎(chǔ)上，進(jìn)行了一系列的改進(jìn)，包括增加特征提取模塊、使用注意力機(jī)制、優(yōu)化損失函數(shù)等，以提高對(duì)微小缺陷的檢測(cè)能力。PHAN Q B等人將YOLOv8目標(biāo)檢測(cè)算法與粒子群優(yōu)化算法相結(jié)合設(shè)計(jì)了一種快速高效檢測(cè)光伏電池故障的系統(tǒng)[5]。結(jié)果顯示結(jié)合了粒子群優(yōu)化算法的YOLOv8在故障檢測(cè)方面表現(xiàn)優(yōu)異，大大提高了檢測(cè)的準(zhǔn)確性和效率。李俊杰等人在2023年提出了一種基于改進(jìn)YOLOv3（You Only Look Once version 3）的電容表面缺陷檢測(cè)方法[6]。該方法利用YOLOv3算法的高效性和準(zhǔn)確性，通過對(duì)電容表面圖像進(jìn)行訓(xùn)練和學(xué)習(xí)，實(shí)現(xiàn)對(duì)電容表面缺陷的自動(dòng)檢測(cè)。與傳統(tǒng)的檢測(cè)方法相比，基于深度學(xué)習(xí)的方法具有更強(qiáng)的魯棒性和泛化能力，能夠應(yīng)對(duì)更復(fù)雜多變的缺陷類型[7]。雖然YOLOv3在目標(biāo)檢測(cè)領(lǐng)域已經(jīng)取得了很好的效果，但隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，更新的算法也在不斷涌現(xiàn)。YOLOv8作為YOLO系列的最新版本，在檢測(cè)精度和速度上都有了進(jìn)一步的提升。由上述文獻(xiàn)可看出，缺陷檢測(cè)需對(duì)作業(yè)對(duì)象開展特定位置識(shí)別外，例如在蘋果、玻璃瓶口缺陷檢測(cè)等物質(zhì)檢測(cè)領(lǐng)域也有相應(yīng)的應(yīng)用和需求，但針對(duì)電容的識(shí)別和定位研究較少，且現(xiàn)有成果在識(shí)別率及定位精度上有較大提升空間，因此本文在YOLOv8的基礎(chǔ)上通過自建數(shù)據(jù)集訓(xùn)練鋁電解電容缺陷檢測(cè)模型并探討YOLOv8模型的工作原理與數(shù)據(jù)集構(gòu)建方法。

2 基于YOLOv8的鋁電解電容外觀缺陷檢測(cè)

2.1 YOLOv8模型

YOLOv8是Ultralytics公司于2023年推出的一款新型開源的計(jì)算機(jī)視覺任務(wù)模型，該模型具備強(qiáng)大的圖像分類、物體檢測(cè)和實(shí)例分割的能力。相較于其前身YOLOv5，YOLOv8引入了許多重要的改進(jìn)，在目標(biāo)檢測(cè)領(lǐng)域取得了顯著的性能提升。作為一種SOTA模型，YOLOv8在基于之前版本成功經(jīng)驗(yàn)的基礎(chǔ)上，融入了新的功能和優(yōu)化，使得其結(jié)構(gòu)更為高效和準(zhǔn)確。該模型主要由三個(gè)關(guān)鍵部分組成：主干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）和檢測(cè)（Head）。這種結(jié)構(gòu)使得信息能夠在不同層之間流暢傳遞，從而提高特征提取和物體檢測(cè)的準(zhǔn)確性[8]。

YOLOv8模型中主干網(wǎng)絡(luò)主要由Conv模塊、C2f模塊、SPPF模塊組成，該模塊中的Conv負(fù)責(zé)輸入圖像做卷積運(yùn)算提出圖像的特征信息。C2f通過引入殘差連接和更多的跳層連接，使得網(wǎng)絡(luò)更好的學(xué)習(xí)全局信息和局部語義信息[9-10]，從而增強(qiáng)模型的特征信息提取能力。SPPF模塊是一種用于特征提取的結(jié)構(gòu)，通過引用空間金字塔池化機(jī)制，增強(qiáng)模型對(duì)不同尺度目標(biāo)的感知能力，進(jìn)而提高模型的感受野。頸部網(wǎng)絡(luò)（Neck）通常負(fù)責(zé)將骨干網(wǎng)絡(luò)（Backbone）提取的特征與上采樣后的特征進(jìn)行融合，以生成最終用于檢測(cè)的輸出。移除某些連接層可能會(huì)改變這一過程，但具體的影響取決于其他網(wǎng)絡(luò)部分的調(diào)整。通過這些優(yōu)化措施，YOLOv8進(jìn)一步提高了網(wǎng)絡(luò)的性能和準(zhǔn)確性。在YOLOv8檢測(cè)（Head）模塊中，與YOLOv5相比，該模型在檢測(cè)頭部分進(jìn)行了重大改進(jìn)[11]。它采用了目前主流的解耦頭結(jié)構(gòu)，將分類任務(wù)和檢測(cè)任務(wù)在結(jié)構(gòu)上進(jìn)行了分離。這種巧妙設(shè)計(jì)使得模型能夠更專注地處理各自的任務(wù)，從而更精確地執(zhí)行分類和檢測(cè)任務(wù)。通過這種優(yōu)化，YOLOv8顯著提升了性能和精確度，在目標(biāo)檢測(cè)任務(wù)中展現(xiàn)出色的表現(xiàn)。除了檢測(cè)頭的改進(jìn)，YOLOv8還從原先的Anchor-Based方法遷移到了Anchor-Free方法，這種改進(jìn)允許模型可以直接學(xué)習(xí)預(yù)測(cè)物體的邊界框，無須預(yù)先定義錨點(diǎn)框。從而減小了錨點(diǎn)框數(shù)量和尺寸選擇對(duì)模型的干擾，使模型能夠更加靈活地適應(yīng)不同場(chǎng)景中物體形狀和大小的變化[12]。

YOLOv8還提供了五種不同大小的模型來滿足在不同的場(chǎng)景需求，分別是YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x。這些不同大小的模型可以根據(jù)實(shí)際應(yīng)用的需求進(jìn)行選擇，從而在性能和計(jì)算效率之間取得平衡。通過靈活調(diào)整模型大小，YOLOv8能夠更好地適應(yīng)不同場(chǎng)景的目標(biāo)檢測(cè)任務(wù)[13]。YOLOv8在目標(biāo)檢測(cè)領(lǐng)域中取得了重大突破。通過引入新的功能和改進(jìn)，該模型在準(zhǔn)確性、魯棒性和計(jì)算效率方面表現(xiàn)出色。從解耦頭結(jié)構(gòu)到Anchor-Free方法的遷移，再到骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)的優(yōu)化，YOLOv8展現(xiàn)了強(qiáng)大的性能和潛力，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2.2 總體系統(tǒng)框架設(shè)計(jì)

總體系統(tǒng)框架以YOLOv8模型為基礎(chǔ)，系統(tǒng)總體框架如圖2所示，為了實(shí)現(xiàn)鋁電解電容外觀缺陷檢測(cè)需通過OpenCV調(diào)用工業(yè)相機(jī)并將視頻流逐一分解成單張照片，為后續(xù)模型推理做準(zhǔn)備?；赮OLOv8模型的目標(biāo)檢測(cè)能力為系統(tǒng)提供了高效而準(zhǔn)確的缺陷檢測(cè)工具，該模型已經(jīng)在訓(xùn)練階段學(xué)習(xí)了鋁電解電容外觀的特征，使其能夠在圖像中識(shí)別和定位潛在的缺陷區(qū)域。在推理運(yùn)算階段，YOLOv8模型將應(yīng)用于單張照片，進(jìn)行預(yù)測(cè)并標(biāo)定圖像中檢測(cè)到的缺陷，通過YOLOv8內(nèi)置plot（）函數(shù)繪制檢測(cè)結(jié)果并返回注釋圖像的NumPy數(shù)組，使得檢測(cè)到的缺陷信息可以被輕松地集成到進(jìn)一步的分析或處理流程中，為融合下游任務(wù)做準(zhǔn)備。

3 實(shí)驗(yàn)數(shù)據(jù)

3.1 數(shù)據(jù)集獲取

本文的數(shù)據(jù)通過收集不同缺陷樣本的鋁電解電容，并在嚴(yán)格控制條件對(duì)電容進(jìn)行篩選，選定劃痕（Scratched）、破損（Dented）、凹陷（Damaged）作為鋁電解電容的缺陷樣本檢測(cè)類型，構(gòu)建一個(gè)多樣化的電容缺陷數(shù)據(jù)集。在數(shù)據(jù)集獲取和制作的過程中，利用工業(yè)相機(jī)對(duì)每個(gè)電容進(jìn)行多方位、多角度的拍攝，特別要求對(duì)光線的要求，確保拍攝出的圖像能夠真實(shí)反應(yīng)電容器的實(shí)際狀況，保證每個(gè)電容的缺陷特征和程度能夠準(zhǔn)確記錄。

3.2 數(shù)據(jù)集預(yù)處理

在數(shù)據(jù)集預(yù)處理過程中，對(duì)圖像進(jìn)行了大小調(diào)整。通過根據(jù)工業(yè)相機(jī)拍攝電容器的實(shí)際尺寸和距離，對(duì)圖像進(jìn)行縮放處理，確保每一張實(shí)驗(yàn)數(shù)據(jù)集圖像具有相同的尺寸和格式，提高數(shù)據(jù)的一致性。同時(shí)，去除了空白、模糊等無效樣本圖片。預(yù)處理后的圖像在Labeling軟件中接受標(biāo)注處理，涉及對(duì)凹陷、劃痕、破損缺陷類型的標(biāo)注，以確保對(duì)后續(xù)模型訓(xùn)練。

3.3 數(shù)據(jù)集制作

在數(shù)據(jù)集制作過程中，首先將經(jīng)過處理的電容圖像與相應(yīng)的缺陷標(biāo)簽進(jìn)行精確匹配組合，形成一個(gè)完整的數(shù)據(jù)集。該過程需要借助高效的數(shù)據(jù)庫(kù)管理，確保每個(gè)圖像與對(duì)應(yīng)的標(biāo)簽?zāi)軌蚓珳?zhǔn)無誤。為進(jìn)一步擴(kuò)充數(shù)據(jù)集并提高模型的泛化能力和魯棒性，采用了交叉驗(yàn)證的方法，分別構(gòu)建了訓(xùn)練集（1 476張圖像）、驗(yàn)證集（368張圖像），以全面評(píng)估模型的性能。最后，為了增加樣本數(shù)量，使用數(shù)據(jù)增強(qiáng)技術(shù)，對(duì)電容圖像進(jìn)行了旋轉(zhuǎn)、翻轉(zhuǎn)和縮放等操作。進(jìn)一步優(yōu)化數(shù)據(jù)集，為模型訓(xùn)練提供多樣和豐富的樣本，如圖3所示。

4 實(shí)驗(yàn)結(jié)論分析

4.1 實(shí)驗(yàn)環(huán)境

在本次實(shí)驗(yàn)中，本文選擇了NVIDIA GeForce RTX 3060作為操作計(jì)算平臺(tái)，操作系統(tǒng)選擇Ubuntu 20.04。使用Python作為編程語言，版本為3.10，并采用深度學(xué)習(xí)框架PyTorch，版本為Torch 1.11.0。此外，CUDA版本為11.3，用于加速深度學(xué)習(xí)計(jì)算。實(shí)驗(yàn)環(huán)境的詳細(xì)配置如表1所示。

4.2 實(shí)驗(yàn)評(píng)判標(biāo)準(zhǔn)

在目標(biāo)檢測(cè)訓(xùn)練任務(wù)中常以準(zhǔn)確率（Precision）、召回率（Recall）、mAP@50和mAP@50-90作為評(píng)估模型性能的標(biāo)準(zhǔn)。其中TP（True Positives）表示模型正確預(yù)測(cè)為正例的數(shù)量，F(xiàn)P（False Positives）為模型錯(cuò)誤預(yù)測(cè)為正例的數(shù)量，F(xiàn)N（False Negatives）為模型錯(cuò)誤預(yù)測(cè)為負(fù)例的數(shù)量，準(zhǔn)確率（Precision）和召回率（Recall）計(jì)算公式如下：

（1）

（2）

mAP表示評(píng)估目標(biāo)檢測(cè)模型整體性能指標(biāo)，本文選取mAP@50（在IoU閾值為0.50時(shí)的平均精度均值）和mAP@50-95（在IoU閾值從0.50到0.95范圍內(nèi)的平均精度均值）閾值來計(jì)算mAP。在計(jì)算mAP@50，首先對(duì)于每個(gè)目標(biāo)類別計(jì)算在IoU閾值為0.50時(shí)的精度-召回率曲線下面積，即AP@50。然后，將所有類別的AP@50取平均，得到mAP@50，其中C表示類別的數(shù)量，AP表示第i個(gè)類別的AP@50，如下所示：

（3）

在計(jì)算mAP@50-95時(shí)，考慮了IoU閾值從0.50到0.95的范圍，即對(duì)于每個(gè)目標(biāo)類別，計(jì)算在IoU閾值從0.50到0.95的精度-召回率曲線下面積的平均值，將所有類別的AP@50-95取平均得到mAP@50-95。在式（4）中，C表示類別的數(shù)量，AP表示第i個(gè)類別在IoU閾值從0.50到0.95的AP的平均值，計(jì)算公式如下所示：

（4）

4.3 實(shí)驗(yàn)結(jié)果分析

將實(shí)驗(yàn)結(jié)果可視化處理繪制精確度、平均精度均值、召回率，如圖4所示，實(shí)驗(yàn)結(jié)果表明YOLOv8模型在Epoch大于100之后模型開始收斂，表現(xiàn)出良好的性能。

本文通過對(duì)YOLOv8模型的訓(xùn)練實(shí)驗(yàn)，針對(duì)不同版本的模型YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x進(jìn)行性能評(píng)估。研究關(guān)注模型的精確度、召回率、mAP@50和mAP@50-95等指標(biāo)。從表2中可以分析可知，在電容缺陷樣本數(shù)據(jù)集中，YOLOv8m模型表現(xiàn)最優(yōu)，顯示該模型在目標(biāo)預(yù)測(cè)方面更為準(zhǔn)確。相反，YOLOv8s在召回率上表現(xiàn)出色，即更多真實(shí)目標(biāo)被成功檢測(cè)。在平均精度（mAP@50和mAP@50-95）指標(biāo)上分析，YOLOv8s和YOLOv8x在不同的IoU閾值下均呈現(xiàn)出較高的性能。模型網(wǎng)絡(luò)層數(shù)的不同也反映了各版本在模型結(jié)構(gòu)上的差異，YOLOv8l和YOLOv8x共享較大的網(wǎng)絡(luò)深度，這表示該模型更注重對(duì)抽象特征的學(xué)習(xí)。綜合對(duì)比實(shí)驗(yàn)結(jié)果表明，不同版本的模型為了適應(yīng)使用場(chǎng)景的需求，對(duì)模型網(wǎng)絡(luò)結(jié)構(gòu)做出相應(yīng)的結(jié)構(gòu)調(diào)整以支持不同終端的算力需求。

4.4 檢測(cè)結(jié)果可視化

在模型測(cè)試過程中，隨機(jī)選取劃痕、凹陷、破損樣本進(jìn)行實(shí)驗(yàn)測(cè)試，如圖5所示，在測(cè)試過程中YOLOv8模型均能捕捉到電容缺陷樣本并繪制出相應(yīng)的預(yù)選框。為了進(jìn)一步驗(yàn)證模型，使用交叉缺陷樣本進(jìn)行缺陷檢測(cè)，圖5所示的測(cè)試結(jié)果表明模型能夠正確判斷樣本缺陷類型，說明該方法具有合理性和實(shí)際應(yīng)用價(jià)值。

5 結(jié) 論

本文以鋁電解電容缺陷檢測(cè)為背景，針對(duì)在工業(yè)生產(chǎn)環(huán)節(jié)對(duì)鋁電解電容良品率的需求，本文提出了一種基于YOLOv8的電容缺陷檢測(cè)系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，YOLOv8n的精度mAP@50為88.1%，YOLOv8s為88.3%，YOLOv8m為87.5%，YOLOv8l為87.4%，YOLOv8x為88.2%，平均值為87.9%。實(shí)驗(yàn)數(shù)據(jù)表明該模型能夠準(zhǔn)確識(shí)別出缺陷的電容，相較于傳統(tǒng)人工目檢，該系統(tǒng)具有更高的準(zhǔn)確率，顯著提升了電容工業(yè)生產(chǎn)缺陷檢測(cè)環(huán)節(jié)的準(zhǔn)確率，降低了電容的殘次率?；赮OLOv8的電容缺陷檢測(cè)系統(tǒng)在實(shí)際生產(chǎn)環(huán)節(jié)中，具備廣泛的應(yīng)用價(jià)值，該研究為工業(yè)自動(dòng)化檢測(cè)領(lǐng)域的發(fā)展提供理論基礎(chǔ)。

參考文獻(xiàn)：

[1] 伍濟(jì)鋼，梁謀，曹鴻，等.基于改進(jìn)YOLOv5的PCB小目標(biāo)缺陷檢測(cè)研究 [J].光電子·激光，2024，35（2）：155-163.

[2] 杜寶俠，唐友，辛鵬，等.基于改進(jìn)YOLOv8的蘋果檢測(cè)方法 [J].無線互聯(lián)科技，2023，20（13）：119-122.

[3] 陳道賀，姜文斌.基于機(jī)器視覺的玻璃瓶口缺陷檢測(cè)方法 [J].自動(dòng)化應(yīng)用，2021（4）：141-143.

[4] LI X，WANG C，JU H J，et al. Surface Defect Detection Model for Aero-engine Components Based on Improved YOLOv5 [J/OL].Applied Sciences，2022，12（14）：7235（2022-07-18）.https：//www.mdpi.com/2076-3417/12/14/7235.

[5] PHAN Q B，NGUYEN T T. A Novel Approach for PV Cell Fault Detection Using YOLOv8 and Particle Swarm Optimization [EB/OL].（2023-04-26）.https：//www.techrxiv.org/doi/full/10.36227/techrxiv.22680484.v1.

[6] 李俊杰，周驊，唐綱浩.基于改進(jìn)YOLOv3的電容表面缺陷檢測(cè)方法 [J].智能計(jì)算機(jī)與應(yīng)用，2023，13（3）：235-241.

[7] 羅俊.基于深度學(xué)習(xí)的混凝土結(jié)構(gòu)表面病害分割算法 [D].石家莊：石家莊鐵道大學(xué)，2022.

[8] 趙繼達(dá)，甄國(guó)涌，儲(chǔ)成群.基于YOLOv8的無人機(jī)圖像目標(biāo)檢測(cè)算法 [J].計(jì)算機(jī)工程，2024，50（4）：113-120.

[9] 陳晨，徐慧英，朱信忠，等.基于YOLOv8 改進(jìn)的室內(nèi)行人跌倒檢測(cè)算法：FDW-YOLO [J/OL].計(jì)算機(jī)工程與科學(xué)，2023：1-14（2023-12-28）.http：//kns.cnki.net/kcms/detail/43.1258.TP.20231227.1421.002.html.

[10] 程換新，矯立浩，駱曉玲，等.改進(jìn)YOLOv8的遙感圖像檢測(cè)算法 [J].無線電工程，2024，54（5）：1155-1161.

[11] 王金鵬，何萌，甄乾廣，等.基于COF-YOLOv 8n的油茶果靜、動(dòng)態(tài)檢測(cè)計(jì)數(shù) [J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024：1-15（2024-01-17）.http：//kns.cnki.net/kcms/detail/11.1964.S.20240117.0910.002.html.

[12] 吳磊，儲(chǔ)鈺昆，楊洪剛，等.面向鋁合金焊縫DR圖像缺陷的Sim-YOLOv8目標(biāo)檢測(cè)算法 [J/OL].中國(guó)激光，1-15（2024-02-22）.http：//kns.cnki.net/kcms/detail/31.1339.tn.20240220.1338.050.html.

[13] 戴康佳，徐慧英，朱信忠，等.基于輕量化目標(biāo)檢測(cè)網(wǎng)絡(luò)的RGB-D視覺SLAM系統(tǒng) [J/OL].計(jì)算機(jī)工程與科學(xué)，2024：1-12（2024-01-30）.http：//kns.cnki.net/kcms/detail/43.1258.TP.20240129.1701.002.html.

作者簡(jiǎn)介：李澤沁（2001—），男，漢族，廣東湛江人，本科在讀，研究方向：嵌入式系統(tǒng)；趙子榮（2002—），男，漢族，廣東云浮人，本科在讀，研究方向：嵌入式系統(tǒng)；盛磊（2003—），男，漢族，廣東廣州人，本科在讀，研究方向：嵌入式系統(tǒng)；曾良濤（2003—），男，漢族，廣東韶關(guān)人，本科在讀，研究方向：嵌入式系統(tǒng)；姜麗（1985—），女，漢族，湖北武漢人，教師，碩士，研究方向：嵌入式開發(fā)，數(shù)字信號(hào)處理；譚德立（1962—），男，漢族，湖南長(zhǎng)沙人，副研究員，碩士，研究方向：嵌入式系統(tǒng)。