基于YOLOv8的手機取卡針缺陷檢測方法研究

摘" 要：手機取卡針在生產過程中常出現(xiàn)表面劃傷、磨傷、異色等缺陷，這些缺陷嚴重影響產品的質量與交付。針對現(xiàn)有取卡針缺陷檢測方法的局限性，該研究構建了基于YOLOv8的取卡針缺陷檢測模型，對3種常見的取卡針表面缺陷進行學習、訓練和驗證。通過數(shù)據(jù)集構建、模型訓練和模型評測3個步驟，實現(xiàn)了對手機取卡針表面缺陷的自動檢測。實驗結果表明，該模型在多類別缺陷檢測中的平均精確度達到了98.45%，其中劃傷、磨傷和異色缺陷的識別精確度分別達到了98.89%、97.87%和96.98%，驗證了模型的有效性。此外，YOLOv8模型具有內存占用小、檢測速度快等優(yōu)勢，顯著提升了模型的工程適用性。

關鍵詞：YOLOv8；手機取卡針；缺陷檢測；檢測速度

中圖分類號：TP391.4；TP183" 文獻標識碼：A" 文章編號：2096-4706（2025）04-0058-06

Research on Mobile Phone Card Removal Pin Defect Detection Method Based

on YOLOv8

CHEN Guangwei， JIANG Yongchun

（Qingdao University， Qingdao" 266071， China）

Abstract： The surface scratches， abrasions， discoloration， and other defects often occur in the production process of the mobile phone card removal pin， which seriously affect the quality and delivery of products. To address the limitations of the existing card removal pin defect detection methods， this research constructs a card removal pin defect detection model based on YOLOv8 for learning， training， and verifying three common card removal pin surface defects. Through the three steps of dataset construction， model training， and model evaluation， the automatic detection of the surface defects of the mobile phone card removal pin is realized. The experimental results show that the average accuracy of the model in multi-category defect detection reaches 98.45%， and the recognition accuracies of scratches， abrasions， and discoloration defects reach 98.89%， 97.87%， and 96.98%， respectively， verifying the effectiveness of the model. In addition， the YOLOv8 model has the advantages of small memory usage and fast detection speed， which significantly improves the engineering applicability of the model.

Keywords： YOLOv8; mobile phone card removal pin; defect detection; detection speed

0" 引" 言

手機取卡針作為手機的必備配件，其質量與美觀影響著手機品牌的整體形象與客戶的信任，高強度，高質量，實用、美觀的外形會提升手機品牌的應用市場。當前手機取卡針的鑄造主要采用金屬粉末注射成型技術，質檢主要依靠人工肉眼觀察，不僅效率低下，而且準確率低，存在一定比例的次品漏檢的風險。本文通過分析手機取卡針缺陷的主要類型與特點，構建了基于YOLOv8的手機取卡針缺陷檢測系統(tǒng)，對3種常見的手機取卡針缺陷進行數(shù)據(jù)采集，通過數(shù)據(jù)準備、模型訓練和性能評估3個步驟，完成手機取卡針實時質檢系統(tǒng)的設計。

近年來，深度學習技術不斷地在計算機視覺圖像檢測領域獲得應用，它被用來定位、識別及評估多樣化的損傷與缺陷問題[1]。尤其在圖像分類、對象識別及定位的研究范疇內，卷積神經網絡（CNNs）的應用極為廣泛[2]。與傳統(tǒng)的二維圖像處理技術及計算機視覺方法相比較，CNNs通過迭代訓練的過程自主學習圖像特征，省去了逐層人工設計特征提取器的煩瑣，大幅度簡化了圖像預處理步驟，故而逐漸被采納來實現(xiàn)手機取卡針各種缺陷（例如劃痕、磨損等）的自動化識別任務。盡管如此，CNNs的應用受限于其對大規(guī)模訓練數(shù)據(jù)集的依賴、對硬件資源的高要求，以及訓練過程中復雜度與計算負擔的增加。另一方面，基于區(qū)域的卷積神經網絡（R-CNN）采取了選擇性搜索策略以生成區(qū)域提議，隨后將這些提議送入CNN模型進行特征抽取，并借助支持向量機分類器得出分類概率，最終執(zhí)行邊界回歸操作于已分類的圖像上。這種基于特征的識別策略展現(xiàn)出了較高的查全率，但也不免存在訓練周期長、計算密集型的挑戰(zhàn)。

1" YOLOv8模型

1.1" 模型的結構

在實施取卡針缺陷的工程檢測實踐中，不僅要求高度的檢測精確度，還強調檢測效率的重要性，以此確保檢測結論既準確無誤又及時有效。在此背景下，YOLOv8s作為一種前沿的實時目標識別網絡，展示出其在這兩方面尤為突出的優(yōu)勢。相比YOLOv5所需的27 MB內存空間，YOLOv8通過對其網絡架構的深入優(yōu)化（參見圖1），不僅降低了內存占用，還加快了推理速率[3]，表現(xiàn)出更強的性能提升。作為一個活躍更新且開放源代碼的網絡模型，YOLOv8s還擁有易于配置的環(huán)境、快速模型訓練、批處理能力的支持等諸多實踐友好特性[4]。目前，YOLOv8算法已揭曉四個迭代版本：YOLOv8n、YOLOv8s、YOLOv8m（兩次提及）、YOLOv8x。其中，YOLOv8s以其在網絡深度和特征圖維度上的精簡設計，在YOLOv8系列中獨樹一幟，而其他三款模型則是基于YOLOv8s通過增加深度和寬度來適應不同應用場景對檢測精度與速度的多元化需求，研究人員與工程師可根據(jù)具體應用場景，甄選適宜的YOLOv8模型實施部署[5]。因其結合了高檢測精度與超高速推理時間，YOLOv8s非常適合應用于對即時反應有嚴格要求的手機取卡針缺陷監(jiān)測環(huán)節(jié)。概括而言，YOLOv8在手機取卡針缺陷檢測工程實踐中的卓越性能，充分確保了檢測結果的準確度與實時性雙重標準。隨著不斷的優(yōu)化演進，YOLOv8預示著將為該領域帶來更高效、更精準的檢測解決方案[6]。

1.2" 模型的特點

高速實時檢測：YOLOv8s在保持高準確率的同時，實現(xiàn)了高速的實時檢測。這使得YOLOv8s能夠在各種實際應用場景中，如無人駕駛、視頻監(jiān)控、機器人視覺等方面發(fā)揮重要作用。

高精度檢測：YOLOv8s在各種對象檢測標準數(shù)據(jù)集（如COCO、PASCAL VOC等）上表現(xiàn)出了優(yōu)越的性能。通過引入更先進的神經網絡結構和訓練策略，YOLOv8s進一步提高了檢測的準確率和召回率，降低了誤報率。

多尺度檢測：YOLOv8s采用了多尺度檢測策略，可以有效地檢測不同大小的目標。這一特點使得YOLOv8s在面對各種復雜場景時具有更強的魯棒性。

端到端訓練：YOLOv8s采用端到端的訓練方式，整個檢測過程無須額外的后處理步驟。這使得YOLOv8s在訓練和推理過程中更加高效。

強大的擴展性：YOLOv8s支持多種主流深度學習框架，如TensorFlow、PyTorch等，方便研究者和開發(fā)者在不同平臺上進行部署和應用。同時，YOLOv8的網絡結構和訓練策略可以根據(jù)實際需求進行調整，以滿足不同場景的檢測需求。

2" 取卡針缺陷識別模型

2.1" 取卡針缺陷識別模型構建

為了提高手機取卡針質檢效率與質量，構建基于YOLOv8s的手機取卡針實時質檢系統(tǒng)，其主要包括數(shù)據(jù)處理，模型構建與評測，服務服務封裝3個步驟（圖2）。數(shù)據(jù)準備：數(shù)據(jù)準備主要包括數(shù)據(jù)采集，數(shù)據(jù)標注，數(shù)據(jù)增強三部分，數(shù)據(jù)采集需要借助專業(yè)的采集設備，高速工業(yè)相機，固定燈光，反差背景紙等，數(shù)據(jù)標注使用的是Labelme，是一個免費開源工具，數(shù)據(jù)增強是使用YOLOv8集成的[7]。模型訓練與評測：將標注完成的數(shù)據(jù)集進行劃分，我們按照7∶1∶2比例劃分訓練集、驗證集、評測集，訓練目標識別模型，進行模型評測，主要使用精確率與召回率兩個指標。服務封裝與上線：這一步是模型從研發(fā)到落地應用關鍵步驟，需要將模型封裝到服務里面，對外提供一個API接口，工業(yè)質檢流水線上的取卡針圖片將會傳回后端進行判斷，如果存在問題，將進行篩選[8]。

2.2" 數(shù)據(jù)集構建

根據(jù)產線上淘汰的帶缺陷手機取卡針樣品，這些樣品是從某某手機生產線中篩選出來的，主要是針對在質檢過程中發(fā)現(xiàn)的缺陷產品進行采集。我們對樣品的缺陷進行分類，獲取缺陷類型列表，包括劃傷、磨傷、異色等10余種表面缺陷，經過分析，按照缺陷占比與影響程度選取了劃傷、磨傷、異色3種常見的缺陷進行研究。由我方團隊搭建與產線上同等類型的燈光環(huán)境進行數(shù)據(jù)采集，以確保數(shù)據(jù)采集時的光照條件與生產環(huán)境一致，進而提高拍攝數(shù)據(jù)的質量和準確性。使用高清工業(yè)攝像機對帶缺陷手機取卡針正反面進行拍攝，然后對拍攝的數(shù)據(jù)進行人工標注，使用Labelme軟件對缺陷區(qū)域進行目標檢測框和缺陷類型標注，標注完成數(shù)據(jù)需要轉換成YOLOv8模型訓練需要的格式，標注標簽包括缺陷區(qū)域框的坐標以及缺陷類型。由于人工標注的數(shù)據(jù)量較少，無法滿足模型訓練的要求，還需要使用反轉，裁剪等方式對數(shù)據(jù)進行數(shù)據(jù)增強[9]。3種缺陷類型占比也存在一定差異，為了解決長尾效應，我們可以參考已有缺陷人工制造一些缺陷數(shù)據(jù)，保證每種缺陷類型訓練數(shù)據(jù)基本相同。最終獲取30 000張訓練數(shù)據(jù)，各種缺陷代碼，分類編號和樣本數(shù)量如表1所示。

2.3" 模型評價指標

手機取卡針缺陷檢測模型是一個目標檢測模型，對模型進行評測主要從缺陷檢測的精度和圖像檢測的速度兩方面進行評測。檢測精度評價指標有交叉比（IoU）、精確度（Precision）和召回率（Recall）、F1-Score、PR曲線。檢測速度主要有前傳耗時、每秒幀數(shù)（FPS）、浮點運算量（FLOPs）等。我們主要采用精確度、召回率、IoU來評價模型等檢測精度，使用FPS來評價模型性能。IoU計算方法如圖3所示。

精確度（P）和召回率（R）的計算式如下：

F1-Socre（F）的計算式如下：

FPS用來衡量設計模型每秒鐘能夠識別圖像樣本的數(shù)量，值越高則表示模型識別速度越快，速度越快則模型的性能越強。

2.4" 模型訓練

將采集的手機卡針圖像樣本數(shù)據(jù)，按照70%作為訓練集，20%作為評估集，10%作為評估集。用訓練數(shù)據(jù)對手機取卡針缺陷識別模型進行訓練調參，用評估集來評估模型訓練指標，訓練完成后會獲取到一個best.pt模型文件，接下來使用評測集對模型進行評測[8]。模型訓練環(huán)境為Ubuntu 20.04，顯卡為英偉達V00，顯存為32 GB。實驗中，批處理batch_size設置為64，迭代次數(shù)epochs設置為500次[10]。

損失函數(shù)用來計算模型的輸出預測值和實際真實值的差異，損失函數(shù)設計的合理與否極大程度的決定了模型的性能。圖4為模型訓練過程中的損失函數(shù)，數(shù)據(jù)參考如下：

1）定位損失（box_loss）：計算預測框與標定框之間的誤差，值越小定位得越準。

2）分類損失（cls_loss）：表示錨框與氣對應的真實分類正確與否，值越小分類得越準。

3）置信度損失（dfl_loss）：計算模型網絡的置信度，值越小判定的目標越準。

4）精確度（Precision）：衡量模型在所有預測為正例的樣本中有多少是正確的，越大識別越準。

5）召回率（Recall）：衡量模型能夠找出真實正例的能力，越大識別越全。

6）平均精度（mAP）：綜合考慮了模型在不同精度和召回率條件下的性能越大性能越好。

3" 測試結果與分析

圖5展示了若干手機取卡針瑕疵的辨識情形，其中，辨識結果借助帶有缺陷類型編碼的矩形框架予以標記。這些矩形框架的界定區(qū)域代表相機視野中待測物體瑕疵大小。

手機取卡針模型評測結果如圖6所示，精確度（Precision）曲線顯示，在置信度為0.791時，所有類別的精確度達到了1.00，這意味著在此閾值上模型沒有產生任何假正例，即所有標記為正的預測都是正確的。召回率（Recall）曲線接近右上角，意味著模型在絕大多數(shù)召回率水平上都保持了較高的精確度。對于所有類別來說，在召回率為0.5的情況下，平均精確度已經趨近于1，圖6（d）顯示所有類別的綜合F1-Socre在置信度為0.506時達到了0.98，這是一個非常高的性能指標，表明該模型具有較高的召回率和精確度。

4" 結" 論

文章提出一種基于YOLOv8的手機取卡針缺陷檢測方法，通過構建基于目標檢測手機取卡針的缺陷檢測模型，實現(xiàn)了對常見3種手機取卡針缺陷的自動檢測與識別，并通過真實的測試數(shù)據(jù)進行驗證，在實際生產環(huán)境中，可以配合傳送帶進行自動化缺陷產品挑揀。模型實驗結果表明，通過YOLOv8s搭建的取卡針表面缺陷識別模型，多類別平均精確度可達98.45%，其中劃傷、磨傷、異色缺陷識別的平均精確度分別可達98.89%、97.87%和96.98%，驗證了該模型的有效性。

參考文獻：

[1] 藍金輝，王迪，申小盼.卷積神經網絡在視覺圖像檢測的研究進展 [J].儀器儀表學報，2020，41（4）：167-182.

[2] 張濤，劉玉婷，楊亞寧，等.基于機器視覺的表面缺陷檢測研究綜述 [J].科學技術與工程，2020，20（35）：14366-14376.

[3] 王銀，王晨晨，趙志誠，等.改進YOLOv8的安檢違禁物品檢測 [J/OL].控制工程，2025：1-6[2025-02-05].https：//doi.org/10.14107/j.cnki.kzgc.20230586.

[4] 鮑禹辰，徐增波，田丙強.基于YOLOv8改進的服裝疵點檢測算法 [J].東華大學學報：自然科學版，2024，50（4）49-56.

[5] 李昊璇，蘇艷瓊.基于改進YOLOv8的道路缺陷檢測 [J].測試技術學報，2024，38（5）：506-512.

[6] 李松，史濤，井方科.改進YOLOv8的道路損傷檢測算法 [J].計算機工程與應用，2023，59（23）：165-174.

[7] VARGHESE R，SAMBATH M. YOLOv8： A Novel Object Detection Algorithm with Enhanced Performance and Robustness [C]//2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems（ADICS）.Chennai：IEEE，2024：1-6.

[8] 周華，鄭榮，肖榮.工業(yè)場景下AI質檢關鍵技術及平臺架構研究 [J].現(xiàn)代信息科技，2022，6（5）：149-151+156.

[9] 胡瑋，趙菊敏，李燈熬.基于改進YOLOv7-Tiny的輕量化激光器芯片缺陷檢測算法 [J].太原理工大學學報，2025，56（1）：137-147.

[10] 張培培，王昭，王菲.基于深度學習的圖像目標檢測算法研究 [J].國外電子測量技術，2020，39（8）：34-39.

作者簡介：陳光偉（1996—），男，漢族，山東泰安人，碩士研究生，研究方向：計算機技術；江永春（1972—），女，漢族，山東青島人，副教授，工學碩士，研究方向：數(shù)字影像非線編技術、特效合成技術、視覺傳達設計。

收稿日期：2024-09-23