制造业质量检验：传统方法与深度学习方法对比

质量检验是制造业中的一项关键任务，可确保产品符合所需的质量标准。然而，随着产品复杂度提升，使用传统检验方法评估质量的成本可能会很高。

制造商正转向基于深度学习的检验技术，例如目标检测和语义分割，以降低检验成本。深度学习是人工智能 (AI)的一个子领域，它使用称为神经网络的计算机算法来识别数据中的复杂模式。这些技术通过分析包括图像和视频在内的大量数据集，帮助实现检验工作流自动化，并减少对人工检验员的依赖。

得益于其多功能性和成本效益，基于 AI 的质量保证能够显著提升企业盈利能力。有报告指出，到 2035 年，制造业可从 AI 中获得超过 3 万亿美元的收益。

本文将讨论深度学习方法如何改进质量检验，以及Ultralytics YOLO11如何提升多个行业中的检验效果。

什么是制造业中的质量检验？#

质量检验用于评估产品在到达消费者之前是否存在缺陷、异常或不一致。

该过程可以在生产期间进行，即产品经过装配线时进行；也可以在生产完成后、产品进入配送线之前进行。

通常，这一过程需要人工专家进行目视评估，以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的深度学习方法，以提升运营的敏捷性和可扩展性。

什么是深度学习方法？#

深度学习方法使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。

图 1. 人工神经网络。

在质量检验中，深度学习模型包括计算机视觉框架，这些框架能够自动从产品图像中学习并提取特征。

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性能。

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

用于质量检验的深度学习方法#

基于视觉的质量检验使用多种方法来检测和定位损伤、裂纹及缺失项目。下面列出了四种现代深度学习方法。

二分类#

二分类是将图像分为两个类别之一的任务，例如判断物体中是否存在缺陷。

分类模型基于视觉数据输出二元的“是/否”决策。它们有助于检测缺失项目。例如，分类模型可以检测产品中是否缺少某个部件。

图 2. 汽车部件的二分类。

多分类#

多分类是将图像分为两个以上类别的任务。它会将每张图像分配到多个预定义类别中的一个。

例如，多分类模型可以分析产品图像，并输出多种损伤或裂纹类型的概率，以表明其中哪一种最有可能存在。

图 3. 检测弯曲和颜色缺陷的多分类。

这在制造业中非常有用，因为划痕、凹痕或裂纹等不同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来预测边界框或坐标，从而突出显示损伤的具体区域。

这对于建筑物或工业部件中的裂纹检测等任务非常有用，因为缺陷的精确位置对于有针对性的维修十分必要。

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，并标记裂纹所在的确切区域。

多分类定位#

多分类定位能够识别并定位图像中的多个缺陷，同时将每个缺陷分类为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，多分类定位模型可以分析受损物品的图像，并指出缺陷类型（如划痕或裂纹）以及缺陷在物体内的确切坐标。

传统方法与深度学习方法对比#

传统检验方法更加僵化，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/失败标准。

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。

深度学习方法为构建更复杂的检测系统提供了更大的灵活性。这些方法需要收集大量缺陷物体图像的数据集，并进行标注。专家使用标注数据训练目标检测模型，例如Ultralytics YOLO11。训练完成后，可以将模型部署到摄像头或传感器中，采集图像并实时识别缺陷。

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

使用计算机视觉进行质量检验#

只需看一次 (YOLO)是一种最先进的 (SOTA) 实时目标检测模型，以高精度、适应性和速度而闻名。其最新迭代版本是Ultralytics YOLO11，在特征提取、速度、精度和适应性方面均优于之前的版本。

它采用了更优的架构，可实现更精准的特征提取，并包含经过优化的训练流水线，从而提升处理速度。它的计算效率更高，与前代模型相比，参数量减少了 22%，准确率得分也更高。

得益于其多功能性，Ultralytics YOLO11 可以帮助改进多个领域中的质量检验工作流。通过执行目标检测和分割等任务，它可以帮助检测产品中的异常、损伤、裂纹、缺失项目和包装错误。

下面来看看计算机视觉模型可以在制造业中应用的几种方式。

检测电子产品中的缺失项目和错位部件#

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

在电子产品制造中，识别缺失组件、错位部件或焊接问题对于确保最终产品可靠并具备正确功能至关重要。

可以训练YOLO11等目标检测模型，以检测电路板上缺失或错位的组件。它可以实时分析电路板图像，并识别缺失电阻或电容器等缺陷。这可确保每个单元在出货前完成正确组装。

检测汽车部件中的裂纹#

裂纹检测是另一种检测任务，它通过分析图像或传感器数据来确定裂纹的位置、尺寸和严重程度。

汽车行业就是一个例子，在该行业中，需要检测齿轮和制动系统等多个部件中的裂纹，以确保它们符合安全标准。

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

纺织品损伤检测#

计算机视觉可以使用计算机视觉任务来帮助检测产品表面的各种损伤，例如划痕、凹痕和变形。

纺织行业可以通过使用 Ultralytics YOLO11 等目标检测和分割模型，从基于 AI 的损伤检测中显著获益。它可以在生产过程中识别撕裂、孔洞、污渍或织物不一致等缺陷。

药品制造中的异常检测#

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的任务。

在药品制造中，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 检测片剂形状或尺寸不一致、变色或异物等异常情况。

包装和标签准确性#

计算机视觉模型在制造业中的另一个应用示例，是用于各行业的包装和标签检测。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、包装损坏或缺少安全封条等包装问题。它还可以验证标签位置是否正确，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，并做好面向消费者配送的准备。

基于 AI 的质量检验的挑战与未来方向#

基于 AI 的质量检验框架仍在不断发展，并面临众多挑战。以下是这些技术需要考虑的一些局限性和未来研究方向。

• **开放世界学习和主动视觉：**由于标注数据有限，构建能够检测新物体的目标检测模型具有挑战性。无监督训练和迁移学习模型可以帮助专家快速将检测框架适配到新数据集。
• **像素级检测：**图像分割可以让模型理解图像中背景与主要物体之间的差异。将目标检测与分割相结合，是一个正在持续发展的研究领域，旨在确保高质量检验。
• **多模态学习：**多模态模型可以同时整合和分析多种数据类型。在目标检测中，多模态学习可以通过从不同数据类型中学习来提升检验准确性，例如用于理解深度的热数据、二维图像和短视频片段。

要点总结#

由于不同目标检测模型持续发展，基于深度学习的质量检验正在取得指数级进展。借助基于 AI 的质量检验，制造商可以比采用传统方法实现更高的可扩展性和灵活性。

企业可以使用 Ultralytics YOLO11 等模型自动化检验流程，利用其增强的架构和特征提取能力，实现更高的准确性和更快的速度。

你可以通过查看我们的 GitHub 仓库并参与充满活力的社区，进一步了解 YOLO11 和其他目标检测模型。探索 Ultralytics 如何通过最先进的深度学习框架重新定义制造业。