基于電子技術支持下的陶瓷產品缺陷檢測算法研究

1引言

陶瓷產品在生產過程中會出現各種缺陷，不僅影響產品的美觀性，還可能影響其使用性能，但是傳統的陶瓷產品缺陷檢測方法主要依賴于人工檢查，但這種方法存在耗時、低效和易受人為因素影響的問題。隨著信息技術發展，在電子技術支持下運用檢測算法能夠提高檢測效率，對算法進行優化還可以更加精準識別陶瓷產品缺陷，對于提高檢測效果具有積極作用。

2陶瓷產品缺陷檢測采集流程

在陶瓷產品生產與加工過程中，常見的缺陷包括裂紋、黑點和表面凹凸等問題。陶瓷產品表面一般比較平滑，但由于產品特性仍有凸起部位，該部位會反射外界光照，產生表面反光，且難以完全避免，給陶瓷產品缺陷檢測帶來了困難。要對陶瓷產品展開無損檢測，必須獲得高質量的全方位圖像，并利用相應算法與模型對其展開分析與識別。陶瓷產品缺陷檢測采集流程如圖1所示。

3目標檢測算法基礎

3.1卷積神經網絡

目標檢測需要從整個圖像中獲取物體的全部信息，并識別出物體的具體位置，并對物體進行分類。卷積神經網絡（CNN）是一種面向2D圖像數據的端到端的學習方法，它采用多個網絡層對特征圖進行卷積操作，將特征信息抽取為一個特定的對象，并在此基礎上利用損失函數及優化方法對其進行訓練。其中，卷積神經網絡通過對多層卷積網絡進行多層卷積，使其能夠有效地獲取圖像中的紋理、邊緣和形狀等信息；而上層的卷積網絡利用其龐大的感知野（（ReceptiveField），能夠獲取更多的語義信息。在對卷積網絡進行訓練的同時，可以對卷積核的權值不斷更新。卷積運算本質上是線性變換的一種，因此，僅依賴卷積運算層層堆疊的卷積神經網絡在本質上是處理線性關系的，然而計算機視覺領域的核心任務，如圖像分類和目標檢測，本質上都是復雜的非線性問題。為提高卷積神經網絡對缺陷檢測等非線性問題的處理能力，可以引入非線性變換性質的激活函數，例如sigmoid、ReLU、LeakyRelu等。

3.2YOLOv5算法

YOLOv5是一種基于深度學習的目標檢測算法，是YOLO系列算法的第五個版本，由Ultralytics公司在2020年發布。其核心思想是將輸入的圖像分成多個網格，并在每個網格上預測目標的位置、類別和置信度。相較于之前的版本，YOLOv5在模型結構、訓練策略和性能指標等方面進行了顯著改進，實現了速度與精度的雙重提升。

YOLOv5通過mosaic數據增強和CSPs結構增強等技術，實現了多尺度上下文信息的融合。mosaic的數據強化算法是在數據庫中隨意選擇4張圖像，然后對4張圖像進行縮放，然后將4張圖像按四個方向進行拼接。基于mosaic數據增強的圖像能夠在單個訓練樣本中融入多角度的上下文信息，從而顯著提升了模型在復雜多變場景下的精準識別能力。同時，在mosaic圖像增強的過程中，不完整對象常常被截除，這一特性進一步增強了模型對不完整對象的判別能力。CSP將特征層劃分為兩個層次，分別對特征層進行抽取，而不需要對其進行任何處理。這種算法在保持了深度學習模型的稠密連接特性的基礎上，降低了梯度信息的冗余性，提高了算法的運算速度。在FPN結構中，采用自上而下的特性聚合策略，PAN結構采用自下而上的特性聚合策略。PAN結構基于網絡結構的多個位置進行融合，以實現對多層次上下文信息的融合，該方法不但可以用于物體識別與自標檢測，而且可以用于實例分割任務。

4基于分水嶺約束和邊緣連接的圖像分割算法

4.1圖像分割算法流程

基于分水嶺約束和邊緣連接的圖像分割算法，可以解決圖像分割中邊緣不連續和封閉性問題，同時保持對微弱邊緣的良好響應。分水嶺算法是一種基于形態學的圖像分割方法，模擬了地理學中的分水嶺概念，在圖像處理中，分水嶺算法通過計算圖像的梯度圖像，將局部極小值點視為“山谷”，而區域邊界則對應于“山脊線”。邊緣連接技術通過邊緣檢測算法獲取初始邊緣圖像，并對其進行斷點檢測和距離連接，以獲取斷裂邊緣的搜索初始點。利用分水嶺算法得到的超分割邊緣圖作為搜索路徑，采用局部梯度最大的方法進行搜索，以連接斷裂邊緣并獲取邊緣封閉輪廓。該算法的優點在于能夠快速提取圖像中邊緣封閉區域，適用于多種環境場景，并具去坑好的三遷件和移枯件

階段1：獲取初始邊緣圖 提取錨點

輸入圖像→灰度化高斯濾波 梯度圖 錨點連接 初始邊緣圖像素方向

選取標記點 提取斷點+

分水嶺處理超分割邊緣圖一邊緣鏈接 邊緣圖 缺陷檢測 結果圖

階段2：分水嶺約束和邊緣連接

該算法處理流程為，先對彩色圖像進行灰度化、高斯濾除等預處理，再利用索貝爾算子求解梯度圖，得到對應的錨固點圖和方向圖，并通過錨節點連通得到初始邊界圖。然后，利用基于標號的分水嶺算法對圖像進行分割，并根據邊界的連接獲得輪廓，并通過最小外接矩陣長寬判別，完成疵點的自動識別。圖像分割算法總體流程如圖2所示。

4.2圖像分割算法實現

理想條件下，邊界提取必須是清晰、連續且準確的一個像素寬度的邊界。首先采用高斯濾波、灰度濾波等方法對圖像進行預處理，再利用Sobel算子提取圖像的梯度信息，然后提取錨節點及各像素的方位信息，并將錨點連接得到多個高品質邊界。利用CUDA技術可以將復雜的計算過程并行化，從而提高整個算法的運行效率。圖像預處理主要是對圖像進行灰度變換和高斯去噪。灰度化采用加權平均的方法，由于人眼對各種色彩的敏感性各不相同，對藍光的敏感度較低，對綠光的敏感度較高，所以在求整幅圖像灰度值時，采用不同權值對三條通道展開加權平均。利用高斯濾波法對圖像濾波，既能消除噪聲，又能使圖像更加平滑，具有較好的通用性。

采用分水嶺算法，將標記定位圖片上的局部極值點，對高斯濾波后的圖像進行特征提取，并將其與分水嶺算法相結合，形成一種基于邊緣連接的超分割邊緣圖。斷點位置可以根據初始邊緣得出，以斷點為起點，采用邊界搜尋方法，結合方向信息與超分割邊緣圖，獲得多個閉合的邊界輪廓，實現目標區域分割。圖像的弱邊緣信息能夠保留在超分割邊緣圖上，有助于查找斷裂邊緣，以每一個像素為圓心遍歷梯度圖，如果八個鄰域內像素的梯度值低于這個圓心像素的梯度，就把它當作一個標記。再把經過高斯濾波處理的圖像與標記一起輸入到超分割邊緣圖中，將其作為路徑，用于搜索斷裂邊緣，最后提取并檢測出裂紋。采用圖像分割算法對多個閉合邊界進行分割，計算出最小外接矩形及縱橫比設定，如果符合一般裂縫缺陷的縱橫比，則可以判定陶瓷產品存在裂紋。針對陶瓷產品裂紋的特點，將陶瓷產品的裂縫縱橫比設為6，當圖像中出現符合裂縫縱橫比的輪廓時，說明有裂縫存在。

5基于YOLOv5的缺陷檢測算法

5.1算法網絡結構

陶瓷產品缺陷種類繁多，傳統算法難以覆蓋所有缺陷。基于深度卷積神經網絡能夠有效地挖掘出具有較強的語義信息的特征，無需進行大規模特征挖掘，且具有較強計算能力。YOLOv5是一種高效的目標檢測算法，采用單階段檢測框架，將目標檢測視為回歸問題，直接預測目標的邊界、類別和置信度。相比于其他目標檢測算法，YOLOv5在保證高精度的同時，具有更快的檢測速度和更強的實時性能。基于YOLOv5s的陶瓷產品缺陷檢測算法，通過影像采集設備獲取信息，并在此基礎上建立擴展數據集，包含待檢測物體的圖像及其對應的標注信息，通常使用矩形框來表示缺陷區域的位置。Yolov5的網絡結構包括輸入端、主干網絡、頸部網絡以及頭部網絡四部分。

輸入端主要包括Mosaic數據增強、圖像尺寸處理和自適應錨框計算等模塊。Mosaic數據增強是指任意選擇4幅圖像進行拼接獲得一幅新圖像，從而提高訓練樣本的種類與數量。對新圖像的任意剪切、縮放等操作，使模型能夠更好地學習到更多變化與細節，從而增強模型的穩健性與泛化性。YOLOv5使用了一種單一維度探測的方式，即在輸入端必須對圖像進行維度調整，使其達到一定尺寸。該算法能夠根據自標在訓練區域內的大小及分布情況，自動計算出適當錨框架尺寸及尺度，與人工設定錨框架尺寸及尺度相比，具有更高效率與精度。

主干網絡負責對輸入數據進行特征提取。YOLOv5骨干網采用CSPDarknet53體系結構，由三級結構組成，并利用CSP模塊將前、后兩層的特性圖進行關聯，提高了特征的利用率。主干網絡還包括Focus和SPPF模塊，使用Focus結構對圖像進行分層處理，可以有效地防止圖像下采樣時的信息損失，將局部與整體特征相結合，有效地提升模型對不同尺寸物體的探測能力。

頸部網絡采用PAN模塊實現多尺度特征圖融合，該模塊是屬于一種多尺度特征融合模塊，可以將不同尺度的特征圖進行融合，可以提高模型對小目標的檢測能力。將FPN與PAN結合，能夠有效地將主干網絡提取的高層語義特征與低層細節特征進行融合，增強模型對不同尺度缺陷的檢測能力。FPN通過自頂向下的路徑，將高層特征逐步傳遞并與低層特征進行融合，而PAN則通過自底向上的路徑，進一步增強特征融合的效果，使得模型能夠更好地捕捉到陶瓷產品表面微小的缺陷特征。

頭部網絡融合特征圖并輸出邊緣框與類別概率，使檢測模型能力得到提升。采用多個檢測頭分別處理不同尺度的目標，每個檢測頭都會獨立地預測目標的類別、邊界框位置和置信度，這些檢測頭通過共享頸部網絡的特征信息，并結合各自獨特的卷積層和池化層，實現對不同尺度缺陷的精準檢測。

5.2算法改進

為了提高算法檢測精度，在原有的Yolov5架構基礎上，將頸部網絡模塊抽樣層從2次采樣增加到3次，并將新的采樣層與主干網絡中的CSP-1模塊引出特征層相結合，再由CoordAtt和CSP2_1模塊引出小目標檢測層。小目標檢測層通過增大原圖中的單元格數目增加錨點量，從而提高原圖預測精度。注意力機制實質上是對屬性進行加權處理，使得模型更針對預設目標，從而減少無用信息干擾，CA注意力機制既包含信道信息，又包含方位信息，具有很強的靈活性，可用于輕量化的網絡環境。CA注意力機制是一種輕量級的注意力機制，旨在增強模型對輸入數據的空間結構理解。與傳統的通道注意力機制不同，CA在通道注意力中嵌人了位置信息，從而更好地在空間上進行關注。它通過1D池化操作分別在水平方向和垂直方向上聚合特征，生成兩個包含位置信息的方向感知特征圖，并結合這兩個特征圖生成兩個方向上的注意力權重，分別作用于輸人特征圖的水平方向和垂直方向，實現方向感知和位置敏感的注意力增強。在3次采樣以及引出小目標檢測層后，利用CA注意力機制，進一步增強對陶瓷產品缺陷的識別能力，從而提高對非顯著性缺陷的識別率。

6結語

利用電子技術可以提取陶瓷產品缺陷特征，能夠大幅提高缺陷檢測效率，利用分水嶺算法和邊緣檢測算法可以準確檢測出陶瓷產品開裂缺陷，運用基于YOLOv5的缺陷檢測算法可以明顯提升檢測精度。在YOLOv5網絡結構中添加小目標檢測層以及CA注意力機制，還可以進一步優化小目標缺陷檢測效果，實現陶瓷產品缺陷實時檢測。

參考文獻

[1]丁偉利，張志鵬，雷子琦，等.深度學習陶瓷表面缺陷檢測算法研究[J].電子測量與儀器學報，2023，37（11）：161-169.

[2]汪韓蕾，周鵬，陳立云，等.基于改進YOLOV5算法的氮化硅陶

瓷球表面缺陷檢測[J]無損探傷 2025，49（01）：10-15+38.

[3]胡海寧，黃雷陽，楊洪剛，等.改進YOLOv8n的輕量型蜂窩陶瓷

缺陷檢測算法[J].激光與光電子學進展，2024，61（22）：160-169.

[4]朱永紅，吳松濤.基于改進的YOLOv8n瓷磚缺陷檢測與分類

方法[J].陶瓷學報，2024，45（06）：1255-1264.

[5]潘金晶，曾成，張晶，等.基于改進YOLOv5的陶瓷表面缺陷檢

測算法[J].現代信息科技，2024，8（13）：70-75.