基于YOLOv8的手机盖板玻璃表面瑕疵检测方法研究

作     者：陈湘尹 

作者单位：东莞理工学院 

学位级别：硕士

导师姓名：尹玲;凌益民

授予年度：2024年

学科分类：08[工学] 080203[工学-机械设计及理论] 0805[工学-材料科学与工程（可授工学、理学学位）] 080502[工学-材料学] 0802[工学-机械工程] 

主      题：手机盖板玻璃 YOLOv8 数据增强 轻量化 小目标检测 

摘      要：手机盖板玻璃作为一种透明构件,广泛应用于智能终端结构中。随着智能手机市场快速扩张,对手机盖板玻璃的需求也日益增长。然而,由于生产流程固有的复杂性,这类玻璃在实际工况下不可避免地产生瑕疵。在对产品品质的高标准期望下,需对玻璃瑕疵进行精准检测。依赖人工或传统视觉的检测方案难以满足现代高效生产的需求,因此,行业亟需研发更为先进的智能检测技术以解决这一痛点。 基于深度学习的目标检测算法在瑕疵检测领域展现出巨大的应用潜力,但手机盖板玻璃独特的三维曲面设计和高反光率,使成像过程中易出现镜面反射现象,对检测造成干扰。此外,在工业环境下无法获得足够多的瑕疵样本,且检测方法必须在严格的实时性要求和计算资源限制下准确识别微小瑕疵,这增加了模型研发与部署的难度。为此,本文针对手机盖板玻璃表面瑕疵开展相关检测方法研究。 针对玻璃成像难度大的问题,通过分析三类常见瑕疵的几何特征与成像特点,进行系统硬件选型。分别设计环形光源低角度和条形光源垂直照明作为玻璃直面和曲面部分的打光方案,搭建图像采集平台,构建手机盖板玻璃表面瑕疵数据集。 为解决瑕疵样本量不足问题,基于图像处理技术进行数据扩充。根据瑕疵在图像采集系统下成像特征的差异,分别设计Copy-paste瑕疵迁移法和基于深度卷积生成对抗网络的图像生成法对三类瑕疵进行数据增强,显著增加数据多样性。基于在线二次数据增强、图像加权和学习率余弦衰减优化策略的实验结果表明,YOLOv8检测模型可有效检测手机盖板玻璃表面瑕疵,检测精度达到85.8%。 面对工业应用下模型轻量化部署需求,采用Shuffle Net V2轻量网络改进主干结构并优化激活函数,稳定训练过程,降低参数量和计算复杂度。为进一步提高小瑕疵检测精度,将SPD卷积架构代替下采样模块,并重新设计检测头,串联坐标注意力构成新的增强解耦头,提升模型对细微特征的捕捉能力。综合三方面改进后,本文提出的YOLOv8-pro模型检测精度提升9.8%,检测速度提升33.5%,参数量和计算量分别降低14.9%和20.2%,可在轻量化设计的基础上实现瑕疵的高精、快速检测。 根据实际应用中高效检测的要求,将YOLOv8-pro模型与图像采集系统集成,开发一套面向工业应用的瑕疵检测系统。融合切片辅助超推理算法优化模型推理过程,并实现友好的人机交互界面。通过实际测试验证该系统的可靠性,为手机盖板玻璃表面瑕疵检测提供一种有效的技术方案。