基于人工智能的信息化產品檢驗檢測技術研究

邱輝

摘要：隨著信息技術的快速發展，信息化產品已經滲透到人們生活的各個方面。近年來，人工智能技術特別是深度學習，已經在諸多領域展現出強大的能力，將人工智能技術應用于信息化產品的檢驗、檢測是研究的重要方向之一。本文嘗試將卷積神經網絡ResNet-50應用于智能手機顯示組件的檢測過程中，通過實例研究，驗證了所采用方法的有效性，該技術在信息化產品檢測中的應用有望進一步推動信息化產品的智能化發展，具有廣闊前景。

關鍵詞：人工智能；信息化產品；壞點檢測；卷積神經網絡

引言

從智能手機、計算機到各種嵌入式設備，這些產品在社會發展和人們日常生活中起著重要的作用。然而，隨著技術日趨復雜和設備功能增加，確保這些產品的質量和性能成為一個嚴峻的挑戰。傳統的信息化產品檢驗技術往往依賴于手動測試和固定模式的自動化測試，這些方法在面對日益復雜的產品和快速變化的技術環境時顯得力不從心。

近年來，人工智能技術特別是深度學習，已經在諸多領域展現出強大的能力。從圖像識別、自然語言處理到復雜的決策支持系統，人工智能正在重塑我們的世界。在檢驗檢測領域，人工智能已經被成功應用于醫療影像分析、工業制造中的質量控制以及食品安全檢測等多個領域，取得了令人矚目的成果。然而，將人工智能應用于信息化產品的檢驗檢測還存在許多挑戰[1]。本研究旨在探索如何有效地將深度學習技術應用于信息化產品的檢驗檢測，以提高檢測的準確性、效率和自動化程度。我們相信，這一研究不僅能為信息化產品制造商提供有力的技術支持，還將為整個社會帶來巨大的經濟和社會效益。

1. 信息化產品檢測需求與挑戰

信息化產品是指那些利用現代信息技術設計、制造和使用的產品，通常都具有數據處理、傳輸和存儲功能[2]。這類產品包括但不限于計算機、手機、智能穿戴設備、網絡設備等，旨在提供便捷、高效的信息服務，滿足人們在生活和工作中對信息的需求。由于信息化產品與人們日常生活和工作緊密關聯，其性能、穩定性、安全性等都受到廣大用戶和制造商的高度關注。因此，對這些產品進行有效、全面的檢測是十分必要的。

作為信息化產品的代表，智能手機在現代社會中的應用已經無處不在。從基本的通信功能到高級的計算處理，智能手機已經成為人們日常生活中不可或缺的工具。硬件是智能手機的物理基礎，對其進行檢測需要確保每個組件都能在規定的性能參數內穩定運行。常見的硬件檢測包括處理器速度、內存性能、攝像頭分辨率和質量、顯示屏的色彩和亮度等。其挑戰在于硬件組件的迅速更新，使得檢測工具和標準需要持續適應和更新。本文將主要圍繞智能手機的相關檢測方法展開，通過引入人工智能領域的深度學習方法實現智能化、自動化產品檢測。

2. 基于深度學習的信息化產品檢驗檢測方法

2.1 深度學習基礎

深度學習是機器學習的一個子領域，模仿了人腦的工作方式，試圖模擬由神經元網絡組成的人腦結構。通過多層的神經網絡，深度學習可以從大量的數據中學習到復雜的模式。其中，神經元是神經網絡的基本單元，模擬了生物神經元的工作方式。每個神經元都會接收多個輸入，對其進行加權求和，并通過激活函數產生一個輸出。

（1）

其中，x1，x2，…，xn是輸入；w1，w2，…，wn是各個輸入的權重參數；b是該神經元的偏置；f表示激活函數，常用sigmoid。

而神經網絡是由多個神經元組成的網絡結構，可以包含多個隱藏層。輸入層接收原始數據，隱藏層處理數據并傳遞給輸出層，輸出層生成預測結果。為了訓練神經網絡，需要一個損失函數來衡量模型的預測與真實標簽之間的差異。最常用的損失函數包括均方誤差、交叉熵等。訓練的目標是最小化這個損失。為實現這一目標，使用反向傳播算法來更新網絡中的權重和偏置。這涉及計算損失函數相對于每個權重的梯度，并使用梯度下降或其他優化算法進行更新。當神經網絡包含多個隱藏層時，我們稱其為深度神經網絡。這些多層結構允許網絡學習更復雜、更高級的特征表示。但同時，這也帶來了更多的參數和更大的計算復雜性。

2.2 基于卷積神經網絡的手機顯示屏壞點檢測

對于手機的顯示屏壞點與瑕疵檢測問題，我們選擇使用卷積神經網絡（convolutional neural network，CNN）進行處理。CNN具有局部感知、參數共享和平移不變性的特點，使其在圖像處理領域表現優越[3]。檢測目標是手機顯示屏上的壞點。壞點可以定義為屏幕上不應出現的顏色點，可能是由于物理損壞或屏幕制造時的缺陷引起的。數據集收集大量手機屏幕的圖像，這些圖像中既有存在壞點的，也有沒有壞點的。每個圖像都要標記為“有壞點”或“無壞點”。此外，對于存在壞點的圖像，還應標記壞點的具體位置。

采用CNN網絡結構進行有瑕疵手機的分類，因為CNN非常適合于圖像數據的特征提取，可以有效提取圖像數據的特征。這里的網絡采用ResNet-50網絡結構，輸入輸出關系如表1所示。ResNet或殘差網絡，通過引入“殘差連接”解決深度網絡中的梯度消失問題。

其中，輸入層中，為手機顯示屏當前顯示的圖像，輸入圖像大小設置為224×224。

隨后經過卷積層進行特征圖提取，在每一個卷積層中，輸入經過濾波器進行卷積操作。

（2）

其中，I′是輸出圖像，I是輸入圖像，F表示當前濾波器，（m，n）分別表示濾波器的大小。每一個卷積層后均有一個批量歸一化層（batch normalization）和Relu激活函數用于加速模型收斂，如圖1所示。

隨后經過池化層用于減少數據的維度，保留重要的特征信息。最后經過Softmax層將結果輸出到0-1之間，再通過全連接輸出兩個概率，分別表示圖像中“有壞點”和“無壞點”，實現有瑕疵和無瑕疵的手機分類。

模型訓練過程如下：

輸入為手機測試軟件固定的R，G，B三通道的純色圖像，經過前面所構建的手機顯示屏數據集，通過前向傳播計算輸出，隨后通過反向傳播優化模型權重。其中，損失函數使用二分類的交叉熵損失函數進行描述：

（3）

其中，yi是真實標簽，pi是該模型預測得到的概率。通過多輪的迭代求解，優化模型權重，直到損失函數達到某一個預設閾值。

2.3 壞點定位

在確定屏幕有壞點后，還需要定位這些壞點。這里通過在數字顯示屏上找出那些與其周圍的像素不同的像素點。其基本過程是首先篩選出具有壞點瑕疵的手機顯示屏，隨后對輸入的圖像進行灰度轉換、濾波等預處理，以消除圖像中的噪聲，并提高壞點檢測的準確性。然后通過圖像中的每個像素點計算與周圍像素的差異。計算公式可以表示為

（4）

其中，p（x，y）表示當前像素灰度值，n表示所選擇鄰域的像素跨度大小。通過設定閾值，當計算所得到的當前像素偏差超過該閾值，則可以將該像素點標記為壞點，用于后續重新加工，而無需對整個屏幕進行修復重加工，從而提高生產效率。

2.4 其他信息化產品的相關檢測前景

以上是對智能手機這一信息化產品的屏幕組件進行檢測的過程，除此之外，信息化產品中的無線路由設備和信息存儲設備SSD等也是需要進行檢驗檢測的重要一環。針對這些設備，同樣可以采用深度學習的方法，使用人工智能技術實現檢測[4-5]，具體而言，針對無線路由設備，其關注的重點在于網絡的安全性，執行檢測的方法主要是針對上一段時間連續的流量數據進行檢測，通過LSTM網絡模型，可以實現時間序列數據的預測分析，檢測路由器能否實現較為強大的反入侵能力。而針對SSD的檢測主要目標是檢測其使用壽命和使用穩定性，深度學習方法可以通過SSD運行狀態下的系統溫度變化，以及硬盤運行聲紋特征實現網絡輸入，通過構建一維卷積，實現一維向量為特征的SSD壽命以及使用穩定性檢測。

3. 實例分析與結果驗證

針對本文采用的人工智能算法，尤其是深度學習技術在信息化產品中的應用和檢測，本文在手機表面檢測數據集Surface-Defect-Detection上進行了測試，該數據集構建的是手機表面缺陷檢測數據集，標注了表面缺陷的位置，可以用于驗證本文所提出的基于卷積神經網絡ResNet-50的手機顯示屏壞點檢測方法。本文所采用的平臺為Python 3.7版本，深度學習框架采用Torch，在MMdetection工具箱中進行驗證。將訓練集、驗證集和測試集分為4：1，共8956個數據樣本。但是由于該數據集的任務與壞點檢測并不完全一致，本文額外提供了100張自采壞點手機缺陷數據用于遷移學習，將上述模型在智能手機的顯示屏檢測任務下進行微調實現手機屏幕壞點的檢測。本文采用的評價指標有兩個，一是在100個數據集下的瑕疵手機檢出率，即Recall，另一個為針對有瑕疵手機，壞點檢測位置的像素位置偏差|Bias|，檢測結果如表2所示。

從以上結果可以看出，通過遷移學習，將Surface-Defect-Detection上的模型用于手機瑕疵檢測中，可以取得非常良好的效果，基本可以得到所有的有瑕疵智能手機，并且給予自采數據集上對于壞點的定位非常精準，定位壞點中心位置在大多數情況下可以與標簽中心位置一致。

結語

隨著信息技術的快速發展，信息化產品已經滲透到人們生活的各個方面。對信息化產品的檢驗檢測代表的含義不僅是本文對智能手機的瑕疵檢測，但是本文所提出的這種基于人工智能技術尤其是深度神經網絡的方法，在信息化產品檢測中被驗證是一種行之有效的解決方案，有望被拓展應用于多種信息化產品的檢驗檢測過程中，實現更加智能化、自動化的信息化產品檢驗檢測。

參考文獻：

[1]孫曉天.嗅覺信息化產品的發展綜述及其設計研究[J].包裝工程，2022，43（6）： 24-31.

[2]寧家和.電子信息產品制造中的不良檢測算法研發[D].成都：電子科技大學，2021.

[3]宋威.基于深度卷積神經網絡的手機屏幕缺陷檢測[D].成都：電子科技大學，2019.

[4]王宇菲，董小社，王龍翔，等.采用數據降維的固態硬盤故障檢測方法[J].西安交通大學學報，2022，56（11）：176-185.

[5]劉月峰，王成，張亞斌，等.用于網絡入侵檢測的多尺度卷積CNN模型[J].計算機工程與應用，2019，55（3）：90-95，153.

作者簡介：邱輝，大專，工程師，研究方向：信息化產品。