基于AI和3D視覺的智能產品缺陷檢測系統設計

摘要：傳統的產品缺陷檢測系統存在過篩率偏高、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）視覺技術的智能產品缺陷檢測系統，該系統利用3D攝像頭全方位采集產品表面圖像信息，然后使用深度學習算法進行圖像分析和處理，實現對產品表面缺陷的自動檢測和識別。該系統能夠自動進行產品缺陷檢測和識別，減少了人為因素的影響，從而可以有效提高產品缺陷檢測的準確性和效率。

關鍵詞：缺陷檢測人工智能3D視覺分類識別

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

傳統的產品缺陷檢測方法主要依靠人工目視檢查，或由人工操作設備進行產品缺陷檢測，并判斷是否存在缺陷，這種方法存在較多問題。首先，人工檢查需要耗費大量的時間和人力成本，無法滿足大規模生產的需求。其次，由于人眼的主觀性和疲勞程度的影響，人工檢查容易出現誤判和漏檢的情況，導致產品質量不穩定。此外，對于一些復雜的產品結構和微小的缺陷，人工檢查更加困難，甚至無法進行檢測[1]。

1傳統產品缺陷檢測系統的問題分析

1.1過篩率偏高，誤判率較高

傳統產品缺陷檢測系統一般是由人工操作設備進行產品檢測，這些設備內部運行的是沒有學習功能的傳統算法，由于傳統算法可能無法準確地識別出產品中的缺陷，所以容易出現過篩率偏高[2]。另一方面，由于傳統算法無法根據實際檢測結果進行自我調整，它可能對某些特定類型的缺陷具有較高的誤判率，這意味著一些實際上有缺陷的產品可能會被錯誤地判定為合格，從而降低了產品質量和客戶滿意度。

1.2系統上線時間長，靈活度不夠

傳統產品缺陷檢測設備需要控制環境、光源及拍攝角度等細節，量測目標特征也要相當明確，才能發揮機器篩檢的質量，一旦檢測新設計或新產品時，自動檢測流程需要重新設置，相對耗費成本，因此傳統產品缺陷檢測系統在每一次上線時要不斷調整設定，無法彈性調整生產內容，難以滿足彈性化、客制化生產需求。此外，傳統的產品缺陷檢測系統只能以設定好的參數標準進行判斷，須先行定義瑕疵樣本，再通過樣本進行篩檢，整體來看靈活度較差。

1.3人工成本較高，效率較低

目前，雖然產品缺陷檢測過程可以通過物聯網技術和數字系統軟件工具達到搜集數據、實時人機協作等目的，但主要的檢測進料、檢驗、成品組裝、入庫、出貨檢驗等流程仍需要人力目視，導致人工成本較高，效率較低。而且，人工檢測常因個人經驗的良莠不齊（如手感差異、標準不一）導致質量與產量不均，長時間用眼容易疲勞，很難維持長期的標準化和數據化統一，容易影響產能輸出。此外，以人工記錄生產產量、檢驗狀況也容易產生疏漏及信息延遲等現象，增加客訴率、質量不良率與成本耗損率。在遇到問題時，還需要額外花費時間進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視覺的智能產品缺陷檢測系統

2.1智能產品缺陷檢測系統硬件設計

智能產品缺陷檢測系統的硬件部分最主要的功能是產品3D圖像采集，以及提供AI算法運行所需的計算平臺，主要由3D攝像頭、GPU平臺、CPU和顯示系統組成，如圖1所示。

2.1.13D攝像頭

用于采集產品表面的三維圖像。通過使用3D攝像頭，可以獲取到e0577d861ce20545f3f33c72bf6390b9d772f57a1e9bda5a713bb92b008422e6產品的立體信息，包括形狀、尺寸和表面特征等。常用的3D攝像頭有結構光攝像頭、雙目攝像頭和TOF（TimeofFlight）攝像頭等，由于3D圖像數據量較大，所以3D攝像頭采集到的圖像數據通過USB、PCIE等高速接口傳輸給GPU平臺進行計算。

2.1.2GPU平臺

用于運行AI算法。深度學習模型通常需要大量的計算資源來進行訓練和推理，而GPU具有強大的并行計算能力，能夠加速深度學習算法的執行速度[4]。因此，在智能產品缺陷檢測系統中，通常會使用高性能的GPU平臺來支持AI算法的運行。

2.1.3CPU

作為主控單元，負責整個系統的控制和管理。CPU負責協調各個硬件模塊的工作，處理輸入輸出數據，以及運行其他必要的軟件程序。同時，CPU還可以與用戶進行交互，提供人機界面和操作接口，由于系統控制過程對于信息傳輸的實時性要求較低，所以CPU和其他子模塊之間的交互通過串口、SPI等低速通信接口進行即可。

2.1.4顯示系統

顯示系統通過顯示屏可以將檢測到缺陷的產品實時顯示出來，便于查看。

2.2智能產品缺陷檢測系統軟件設計

智能產品缺陷檢測系統的軟件部分主要負責圖像的處理，分析和檢測功能，主要由預處理模塊、特征提取和深度學習網絡組成，如圖2所示。

其中，圖像數據預處理階段，系統會對原始圖像進行一系列的處理操作，以便于后續的特征提取和分析。常見的圖像預處理方法包括去噪、增強、二值化、灰度化等。這些操作可以改善圖像質量，減少噪聲干擾，并突出目標特征，從而提高后續檢測結果的準確性和魯棒性。

2.3智能產品缺陷檢測系統的實施

智能產品缺陷檢測系統在使用前需要經過大量的樣本數據對深度學習網絡進行訓練。因此，智能產品缺陷檢測系統的實施可以大致概括為以下幾步。

（1）準備階段，樣本采集。目標缺陷都分布在目標樣本中，此時需要采集大量的樣本3D圖像，而且采集樣本時需要保持樣本的位姿相同，一般在采集的同時通過圖像定位，使樣本保持在同樣的位姿；（2）準備階段，準備訓練樣本數據集。將采集的樣本導入工具軟件進行標注劃分，得到訓練樣本數據集，該過程一般通過批處理軟件完成，而不需要人工手動標注；（3）準備階段，導入訓練模型結果到運行軟件。將第二步中準備好的訓練樣本數據集輸入深度學習網絡就可以進行模型訓練，并通過顯示系統和可視化軟件可以得到可視化的訓練結果，在訓練完成之后，就可以將訓練好的深度學習網絡導入目標運行軟件，以待在實際的產品缺陷檢測過程中使用；（4）運行階段，實現目標定位。目標定位就是需要定位到進行檢測分析的地方，傳統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行精確定位；（5）運行階段，調用深度學習模型。目標定位成功之后，將該目標直接應用深度學習模型即可得到結果。

3智能產品缺陷檢測系統的優勢

3.1缺陷檢測結果準確，檢測效率高

基于AI和3D視覺的智能產品缺陷檢測系統通過運用深度學習算法進行快速的特征提取和分析，實現了對產品質量的高效監控。該系統利用深度學習算法對大量的產品圖像數據進行訓練，自動學習并提取出關鍵的特征信息。這些特征信息包括產品的尺寸、形狀、顏色等，能夠準確地描述產品的各種屬性。通過對這些特征信息的快速提取，系統能夠迅速識別出產品中存在的缺陷，從而實現了對產品質量的高效監控。其次，基于3D視覺技術，該系統能夠對產品進行全面的立體掃描，獲取到更為精確的三維模型。與傳統的二維圖像檢測方法相比，3D視覺技術能夠更好地捕捉到產品的細節信息，從而提高了檢測的準確性[6]。

3.2自動化的缺陷檢測流程

傳統的缺陷檢測過程需要人工干預，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視覺的智能產品缺陷檢測系統能夠自動完成這些步驟，能夠通過高精度的傳感器和先進的圖像采集技術，自動獲取產品的高質量圖像，并自動進行圖像處理，提取出關鍵的特征信息，從而實現對缺陷的快速準確識別。因此，基于AI和3D視覺的智能產品缺陷檢測系統減少了對人工操作的需求，節省了時間和人力成本，還提高了檢測的準確性和一致性。

3.3可擴展性和適應性強

基于AI和3D視覺的智能產品缺陷檢測系統具有出色的可擴展性和適應性。這種系統能夠根據不同類型的產品以及各種缺陷的特點，進行模型的訓練和調整，以適應各種不同的生產環境和需求。首先，該系統的可擴展性表現在它能夠處理各種類型的產品。無論是電子設備、機械設備，還是消費品，該系統都能夠進行有效的缺陷檢測。其次，該系統的適應性體現在不同的生產環境中，產品可能存在不同的缺陷類型和特點。該系統能夠根據這些不同的環境和需求，進行模型的訓練和調整，以提高檢測的準確性和效率。此外，該系統通過不斷學習和優化，能夠提高自身的性能和準確率。隨著使用時間的增長，該系統會積累大量的數據和經驗，能夠不斷優化自身的模型和算法，提高檢測的準確性和效率。同時，該系統還能夠自動識別和糾正可能的誤判和漏檢情況，進一步提高檢測的可靠性[6]。

4結語

本文通過AI和3D視覺技術提出了一種基于AI和3D視覺的智能產品缺陷檢測系統，該系統在硬件上由3D攝像頭、GPU平臺、CPU和顯示系統組成，在軟件上由預處理模塊、特征提取和深度學習網絡組成，通過采集數據、標注數據可以得到訓練深度學習網絡的樣本數據集，通過訓練深度學習網絡可以得到一個能夠自動識別產品缺陷的軟件算法，將其部署在GPU平臺上投入使用就可以實現產品缺陷的自動化檢測。相較于傳統產品缺陷檢測系統，基于AI和3D視覺的智能產品缺陷檢測系統具有缺陷檢測結果準確、檢測效率高、檢測過程自動化、可擴展性和適應性強、實時監測和反饋等優勢，在工業生產中具有廣泛的應用前景。

參考文獻

[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系統[yOKvo4wUSGhkl+0dYA0EaQ==J].港口科技，2022（6）：21-22，42.

[2]王志強，劉冬冬.基于輪廓度量與AI模型的工業缺陷檢測算法研究[J].齊齊哈爾大學學報：自然科學版，2023，39（2）：6-10.

[3]周子天.基于視覺技術的3D物體表面信息識別檢測系統[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理論及工業應用[J].計算機集成制造系統，2022，28（7）：1996-2004.

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

[6]肖蘇華，喬明娟，賴南英，等.基于3D視覺的風電塔筒焊縫檢測系統設計[J].電子測量與儀器學報，2022，36（2）：122-130.