制造业质量检测：传统方法与深度学习方法

质量检测是制造过程中的一项关键任务，旨在确保产品达到所需的质量标准。然而，随着产品复杂性的增加，使用传统检测方法进行质量评估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，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，它使用被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规模数据集，有助于自动化检测工作流并减少对人工检测员的依赖。

由于其多功能性和成本效益，基于 AI 的质量保证显著提升了企业的盈利能力。报告显示，到 2035 年，制造业有望从 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善质量检测，以及 Ultralytics YOLO11 如何提升多个行业的检测水平。

Link to this section什么是制造业中的质量检测？#

质量检测用于评估产品在到达消费者手中之前是否存在缺陷、异常或不一致之处。

该过程可以在生产过程中进行，即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。

它通常涉及人类专家进行视觉评估，以查看产品是否偏离或未达到预期的设计标准。

然而，随着质量要求的提高，制造商正转向自动化的深度学习方法，以在运营中实现更高的灵活性和可扩展性。

Link to this section什么是深度学习方法？#

深度学习方法使用基于人类大脑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。每个神经元执行数学计算来分析数据、识别模式并生成预测。

图 1. 人工神经网络。

在质量检测中，深度学习模型包括能够自动学习并从产品图像中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在相关数据集上训练神经网络，并在新数据集上运行验证以检查性能。

Once validated, experts can deploy these models on cameras and sensors using various deployment tools such as PyTorch, ONNX, and OpenVINO.

Link to this section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和定位损坏、裂纹和缺失项。以下列表提到了四种现代深度学习方法。

Link to this section二分类#

二分类是指将图像归类为两类之一的任务，例如确定物体中是否存在缺陷。

基于视觉数据，分类模型会输出一个二进制的“是/否”决定。它们有助于检测缺失项。例如，分类模型可以检测产品中某项物品是否缺失。

图 2. 汽车零件的二分类。

Link to this section多类分类#

多类分类是将图像归类为两个以上类别的任务。它将每张图像分配给多个预定义类别中的一个。

例如，多类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，以指出最可能存在哪种问题。

图 3. 检测弯曲和颜色缺陷的多类分类。

这在制造业中非常有用，因为各种缺陷（如划痕、凹痕或裂纹）可能需要不同的处理程序。

Link to this section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，从而突出显示损坏的具体区域。

这对于建筑或工业零件的裂纹检测等任务非常有用，在这些任务中，针对性修复需要缺陷的精确位置。

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，并标记出裂纹所在的精确区域。

Link to this section多类定位#

多类定位可以在图像中识别和定位多种缺陷，同时将每个缺陷分类到多个预定义类别中。

它使用更先进的目标检测模型来确定缺陷的类型和位置，以提供更详细的信息。

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精确坐标。

Link to this section传统方法与深度学习方法的对比#

传统的检测方法较为死板，遵循用户定义的规则和标准，例如阈值、预定义的检查清单以及通过/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。这些方法涉及收集和标注大量受损物体的图像数据集。专家使用标注数据来训练目标检测模型，如 Ultralytics YOLO11。一旦训练完成，他们就可以将模型部署到摄像头或传感器中，实时采集图像并识别缺陷。

在下一节中，我们将了解 YOLO11 如何用于质量检测。

Link to this section利用计算机视觉进行质量检测#

You-Only-Look-Once (YOLO) 是一种尖端的 (SOTA) 实时目标检测模型，以其高精度、适应性和速度而闻名。其最新迭代是 Ultralytics YOLO11，它在特征提取、速度、精度和适应性方面对前代版本进行了改进。

它采用了更好的架构以实现更精确的特征提取，并包含优化的训练流水线以提高处理速度。它在计算上更高效，与前代产品相比参数减少了 22%，且精度得分更高。

由于其多功能性，YOLO11 可以帮助改善多个领域的质量检测工作流。它可以通过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、缺失项和包装错误。

让我们来看看在制造业中应用计算机视觉模型的几种方式。

Link to this section电子产品中缺失项和错位零件的检测#

计算机视觉模型可以检查产品是否具备所有必要的零件。它们可以检测组装产品中缺失的组件，以确保完整性。

在电子制造中，识别缺失的组件、错位的零件或焊接问题对于确保最终产品的可靠性和正确功能至关重要。

像 YOLO11 这样的目标检测模型可以被训练来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，并识别诸如缺失电阻器或电容器之类的缺陷。这将确保每个单元在发货前都已正确组装。

Link to this section汽车零件中的裂纹检测#

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精确定位裂纹的位置、大小和严重程度。

汽车行业就是一个例子，其中在齿轮和制动系统等多个组件中检测裂纹对于确保其符合安全标准是必要的。

像 YOLO11 这样的模型可以经过训练，快速检测复杂汽车组件中的表面划痕或裂纹等缺陷。

Link to this section纺织品的损坏检测#

计算机视觉可以使用计算机视觉任务帮助检测产品表面上的各种损坏类型，如划痕、凹痕和变形。

纺织行业可以通过使用像 YOLO11 这样的目标检测和分割模型进行基于 AI 的损坏检测而显著受益。它可以在生产过程中识别出如撕裂、孔洞、污渍或织物不一致等缺陷。

Link to this section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的任务。

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 YOLO11 来检测异常情况，例如药片形状、尺寸的不一致、变色或外来颗粒。

Link to this section包装和标签的准确性#

计算机视觉模型在制造业中应用的另一个例子是各行业的包装和标签环节。例如，食品和饮料行业必须遵守严格的消费者安全和合规标准。

像 YOLO11 这样的模型可以帮助检测包装错误，如错误的标签、损坏的包装或缺失的安全封条。它还可以验证标签是否位置正确，以及是否有清晰的条形码或过期日期。

这确保了产品符合行业法规，并为消费者分销做好了准备。

Link to this section基于 AI 的质量检测的挑战与未来方向#

基于 AI 的质量检测框架仍在不断发展中，并面临诸多挑战。以下是一些需要为这些技术考虑的限制和未来研究方向。

• 开放世界学习与主动视觉： 由于标记数据的可用性有限，构建用于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应到新的数据集。
• 像素级检测： 图像分割允许模型理解图像中背景与主要物体之间的区别。集成目标检测与分割是一个正在不断发展的研究领域，旨在确保高质量的检测。
• 多模态学习： 多模态模型可以同时集成和分析多种数据类型。在目标检测中，多模态学习可以通过学习不同的数据类型（如用于理解深度的热成像数据、二维图像和短视频片段）来帮助提高检测精度。

Link to this section关键要点#

得益于不同目标检测模型的不断发展，基于深度学习的质量检测正经历着指数级的进步。通过基于 AI 的质量检测，制造商可以实现比传统方法更高的可扩展性和灵活性。

企业可以使用像 YOLO11 这样的模型来自动化检测过程，充分利用其增强的架构和特征提取能力，从而获得更高的精度和更快的速度。

你可以通过查看我们的 GitHub 仓库 并参与我们活跃的 社区 来了解更多关于 YOLO11 和其他目标检测模型的信息。探索 Ultralytics 如何通过尖端的深度学习框架重新定义制造。