制造业质量检查：传统方法与深度学习方法

质量检测是制造过程中的关键任务，可确保产品符合要求的质量标准。然而，随着产品复杂度提高，使用传统检测方法评估质量的成本可能会变得很高。

制造商正转向基于深度学习的检测技术，例如目标检测和语义分割，以降低检测成本。深度学习是人工智能（AI）的一个子领域，它利用称为神经网络的计算机算法识别数据中的复杂模式。这些技术通过分析图像和视频等海量数据，帮助自动化检测流程，减少对人工检验员的依赖。

由于灵活且经济高效，基于 AI 的质量保证能够显著提高企业盈利能力。报告指出，到 2035 年，制造业可通过 AI 获得超过 3 万亿美元的收益。

本文将探讨深度学习方法如何改进质量检测，以及Ultralytics YOLO11如何提升多个行业的检测效果。

什么是制造业质量检测？#

质量检验用于评估产品在交付消费者前是否存在缺陷、异常或不一致。

检测可以在生产过程中进行，例如产品沿装配线移动时；也可以在生产完成后、产品进入配送线之前进行。

检测通常由专家进行视觉评估，判断产品是否偏离或不符合预期的设计标准。

然而，随着质量要求不断提高，制造商正转向自动化深度学习方法，以提高运营的敏捷性和可扩展性。

什么是深度学习方法？#

深度学习方法采用基于人脑工作原理的人工神经网络。这些网络由相互连接的神经元层组成。每个神经元都会执行数学计算，以分析数据、识别模式并生成预测结果。

图 1. 人工神经网络。

在质量检测中，深度学习模型包括能够自动从产品图像中学习和提取特征的计算机视觉框架。

开发计算机视觉模型需要专家使用相关数据集训练神经网络，并在新数据集上进行验证，以检查模型性能。

验证完成后，专家可以使用各种部署工具，例如 TorchScript、ONNX 和 OpenVINO，将这些模型部署到摄像头和传感器上。

用于质量检测的深度学习方法#

基于视觉的质量检测使用多种方法来检测并定位损坏、裂纹和缺失部件。下面列出了四种现代深度学习方法。

二元分类#

二元分类是将图像分为两个类别之一的任务，例如判断物体是否存在缺陷。

分类模型根据视觉数据输出二元的“是/否”判断。分类模型有助于检测缺失部件。例如，分类模型可以判断产品中是否缺少某个部件。

图 2. 汽车零件的二元分类。

多类别分类#

多类别分类是将图像划分到两个以上类别中的任务。它会将每张图像归入多个预定义类别中的一个。

例如，多类别分类模型可以分析产品图像，并返回多种损坏或裂纹类型的概率，指出最可能存在的类型。

图 3. 检测弯曲和颜色缺陷的多类别分类。

这在制造业中很有用，因为划痕、凹痕或裂纹等各种缺陷可能需要采用不同的处理流程。

定位#

定位是指识别图像中物体或特征的具体位置。它使用目标检测模型预测边界框或坐标，以标出发生损坏的具体区域。

这适用于建筑物或工业零部件的裂纹检测等任务，因为要进行有针对性的维修，就必须准确定位缺陷。

图 4. 定位冲孔的模型。

例如，在基础设施维护中，定位模型可以分析混凝土结构的图像，并标出裂纹所在的确切区域。

多类别定位#

多类别定位可以识别并定位图像中的多个缺陷，同时将每个缺陷分类到多个预定义类别之一。

它使用更先进的目标检测模型来确定缺陷的类型和位置，从而提供更详细的信息。

图 5. 定位多种缺陷类型的模型。

例如，多类别定位模型可以分析受损物品的图像，指出缺陷类型（如划痕或裂纹），并给出缺陷在物体中的确切坐标。

传统方法与深度学习方法的对比#

传统检测方法更加僵化，遵循用户定义的规则和标准，例如阈值、预定义检查清单以及通过/不通过标准。

例如，在基于规则的视觉技术中，专家会定义特定产品的理想颜色、形状和尺寸。如果摄像头或其他图像采集设备检测到偏离这些标准的情况，系统就会通知专家。

基于深度学习的方法在构建更复杂的检测系统时更加灵活。这些方法需要收集大量缺陷物体图像数据集并进行标注。专家使用标注数据训练 Ultralytics YOLO11 等目标检测模型。训练完成后，他们可以将模型部署到摄像头或传感器上，实时采集图像并识别缺陷。

接下来，我们将了解如何使用 Ultralytics YOLO11 进行质量检测。

使用计算机视觉进行质量检测#

只看一次（YOLO）是一种先进的实时目标检测模型，以高精度、适应性和速度著称。本文撰写时的最新版本是 Ultralytics YOLO11（之后推出了 Ultralytics YOLO26），它在特征提取、速度、精度和适应性方面均优于先前版本。

它采用更出色的架构来实现更精准的特征提取，并通过优化的训练流水线提升处理速度。它的计算效率也更高：YOLO11m 的参数量比 YOLOv8m 少 22%，但精度更高。

凭借出色的通用性，Ultralytics YOLO11 能够帮助改进多个领域的质量检测工作流程。它可以执行目标检测和分割等任务，帮助检测产品中的异常、损坏、裂纹、缺失部件和包装错误。

接下来，我们来看看计算机视觉模型在制造业中的几种应用方式。

检测电子产品中的缺失部件和错位零件#

计算机视觉模型可以检查产品是否包含所有必需部件。它们能够检测组装产品中缺失的组件，确保产品完整。

在电子产品制造中，识别缺失组件、未对准的零件或焊接问题至关重要，这有助于确保最终产品可靠并具备所需功能。

YOLO11 等目标检测模型可以训练为检测电路板上缺失或错位的元件。模型能够实时分析电路板图像，并识别电阻或电容缺失等缺陷。PCB 元件检测等公开数据集是训练此类模型的良好起点。这样可以确保每个产品单元在发货前都已正确组装。

检测汽车零件中的裂纹#

裂纹检测是另一种检测任务，它会分析图像或传感器数据，以确定裂纹的位置、大小和严重程度。

汽车行业就是一个例子：为了确保符合安全标准，需要检测齿轮和制动系统等多个组件中的裂纹。

可以训练 Ultralytics YOLO11 等模型，快速检测复杂汽车组件中的表面划痕或裂纹等缺陷。

纺织品损伤检测#

计算机视觉可以通过计算机视觉任务，帮助检测产品表面的各种损伤，例如划痕、凹痕和变形。

纺织行业可以使用 Ultralytics YOLO11 等目标检测和分割模型进行基于 AI 的损伤检测，从中显著获益。模型可以在生产过程中识别撕裂、孔洞、污渍或织物不均匀等缺陷。

制药生产中的异常检测#

异常检测是指分析产品的设计、结构、外观和尺寸，以评估这些属性是否偏离预期标准。

在制药生产中，异常检测对于确保药品的质量和安全至关重要。制造商可以使用 Ultralytics YOLO11 检测药片形状或尺寸不一致、变色或存在异物等异常情况。

包装和标签准确性#

计算机视觉模型在制造业中的另一种应用是行业中的包装和标签检测。例如，食品和饮料行业必须满足严格的消费者安全和合规标准。

Ultralytics YOLO11 等模型可以帮助检测标签错误、包装破损或安全封条缺失等包装问题。模型还可以验证标签是否位置正确，以及条形码或有效期是否清晰。

这可以确保产品符合行业法规，并已做好面向消费者配送的准备。

基于 AI 的质量检测面临的挑战和未来方向#

基于 AI 的质量检测框架仍在不断发展，也面临诸多挑战。以下是采用这些技术时需要考虑的一些局限和未来研究方向。

• 开放世界学习和主动视觉：由于带标签数据有限，构建能够检测新物体的目标检测模型颇具挑战。无监督训练和迁移学习模型可以帮助专家快速调整检测框架，以适应新的数据集。
• 像素级检测：图像分割能让模型理解图像背景与主要物体之间的区别。将目标检测与分割相结合，是一个持续发展的研究领域，旨在确保高质量的检测效果。
• 多模态学习：多模态模型可以同时整合并分析多种数据类型。在目标检测中，多模态学习可以利用热数据、二维图像和短视频片段等不同数据类型进行学习，从而提高检测准确性。

要点#

由于各种目标检测模型不断发展，基于深度学习的质量检验正在快速进步。借助基于 AI 的质量检验，制造商能够实现比传统方法更强的可扩展性和灵活性。

企业可以使用 Ultralytics YOLO11 等模型自动化检测流程，利用其改进的架构和特征提取能力，实现更高的精度和更快的速度。

你可以查看我们的 GitHub 代码仓库，并参与活跃的社区，进一步了解 YOLO11 和其他目标检测模型。了解 Ultralytics 如何利用计算机视觉支持制造业。