中國報告大廳網(wǎng)訊，在 “工業(yè) 4.0” 持續(xù)推進(jìn)與制造業(yè)智能化轉(zhuǎn)型的背景下，鎳作為新能源、機(jī)械制造等領(lǐng)域的關(guān)鍵戰(zhàn)略資源，其產(chǎn)品質(zhì)量把控尤為重要。當(dāng)前，鎳板生產(chǎn)流程中受工藝參數(shù)、后續(xù)處理等因素影響，表面易出現(xiàn)結(jié)粒、燒板、水印等缺陷，這些缺陷會直接影響鎳板性能。然而，部分鎳板生產(chǎn)企業(yè)仍依賴人工目測進(jìn)行缺陷檢測，檢測準(zhǔn)確性與速度受主觀因素制約，導(dǎo)致產(chǎn)品質(zhì)量不穩(wěn)定、生產(chǎn)效率偏低。隨著2025年鎳板行業(yè)對智能化檢測要求的進(jìn)一步提升，傳統(tǒng)檢測方式已難以滿足行業(yè)發(fā)展需求，開發(fā)高效、精準(zhǔn)的鎳板表面缺陷智能化檢測方法成為行業(yè)亟待解決的問題。以下是2025年鎳板行業(yè)政策分析。
通過 CCD 設(shè)備采集電解鎳板表面缺陷圖像，共獲取 1066 張包含缺陷的鎳板圖片。《2025-2030年全球及中國鎳板行業(yè)市場現(xiàn)狀調(diào)研及發(fā)展前景分析報告》針對鎳板生產(chǎn)中常見的燒板、水印、結(jié)粒三類缺陷，篩選出典型圖像并建立專屬的鎳板缺陷數(shù)據(jù)集，為后續(xù)模型訓(xùn)練與檢測提供基礎(chǔ)數(shù)據(jù)支撐。
深度學(xué)習(xí)模型的訓(xùn)練需要大量數(shù)據(jù)支持，為擴(kuò)充鎳板缺陷數(shù)據(jù)集規(guī)模，對已標(biāo)注的鎳板缺陷圖片進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、縮放、裁剪拼接操作，并加入高斯噪聲，生成大量帶標(biāo)注的新圖像，整合至原有數(shù)據(jù)集。同時，引入 Albumentations 庫，利用其中亮度調(diào)節(jié)、對比度優(yōu)化、濾波處理、平移旋轉(zhuǎn)等圖像增強(qiáng)功能，解決模型在低光照條件下性能不足的問題，有效提升模型對不同環(huán)境下鎳板缺陷的泛化檢測能力。
YOLOv5 模型由 Backbone、Neck、Head 三個核心模塊構(gòu)成，是當(dāng)前應(yīng)用廣泛的輕量級 one-stage 目標(biāo)檢測算法，具備良好的網(wǎng)絡(luò)可移植性。其中，Backbone 采用 CSPDarknet53 作為骨干網(wǎng)絡(luò)，對鎳板圖像進(jìn)行跨級局部特征提取;Neck 借助 PANet 生成特征金字塔網(wǎng)絡(luò)，實現(xiàn)鎳板缺陷特征的多尺度聚合;Head 由卷積層、池化層和全連接層組成，從錨定箱中生成鎳板缺陷的檢測預(yù)測結(jié)果。但原始 YOLOv5 在鎳板缺陷檢測中，存在錨框適配性低、低像素鎳板缺陷識別能力不足、邊界框回歸收斂慢等問題，需針對性改進(jìn)。
原始 YOLOv5 在公開 COCO 數(shù)據(jù)集上通過 K-means 聚類設(shè)置預(yù)設(shè)錨框，由于鎳板缺陷與 COCO 數(shù)據(jù)集中目標(biāo)差異較大，錨框與鎳板缺陷數(shù)據(jù)集適配度低。K-means 算法通過歐式距離判斷樣本相似度，初始聚類中心需人工選定，若中心選取不當(dāng)易導(dǎo)致聚類結(jié)果偏離。改進(jìn)方案采用 K-means++ 算法，先隨機(jī)選取一個初始聚類中心，再選擇與該中心距離最大的樣本作為下一個中心，直至完成所需聚類中心選取，同時用樣本與聚類中心的 IoU 替代歐式距離衡量相對位置，生成的錨框更接近鎳板缺陷標(biāo)注框。對已標(biāo)注鎳板缺陷數(shù)據(jù)集聚類后，確定適配的錨框尺寸參數(shù)：小特征圖錨框為 [15,36;22,50;38,32]，中間特征圖錨框為 [40,83;75,86;53,112]，大特征圖錨框為 [123,80;160,213;380,341](表格 1 中數(shù)據(jù)整理)，顯著提升錨框?qū)︽嚢迦毕莸倪m配性。
鎳板圖像可能存在像素較低的情況，導(dǎo)致缺陷檢測時信息缺失。在 YOLOv5 的 Backbone 主干網(wǎng)絡(luò) C3 模塊中加入 CBAM 注意力機(jī)制，該機(jī)制由通道注意力模塊和空間注意力模塊組成，可同時關(guān)注鎳板圖像的通道與像素點權(quán)重。通道注意力模塊對輸入的鎳板特征層(H×W×C)進(jìn)行全局最大池化與平均池化，得到兩個 C×1×1 特征長條，經(jīng)共享全連接層(通道數(shù)先縮小 r 倍再擴(kuò)張回原通道數(shù))和 ReLU 激活后，相加并通過 Sigmoid 激活，生成 0-1 區(qū)間的通道權(quán)值，與原始鎳板特征層相乘，突出鎳板缺陷核心通道信息;空間注意力模塊以通道注意力輸出為輸入，對通道進(jìn)行全局最大池化和平均池化，得到兩個 1×H×W 特征層，堆疊后經(jīng) 1 通道卷積層和 Sigmoid 激活，生成特征點比重，與輸入特征層相乘，強(qiáng)化鎳板缺陷空間位置信息。通過 CBAM 注意力機(jī)制，有效提升模型對低分辨率、不清晰鎳板缺陷的特征識別能力，抑制無用信息干擾。
YOLOv5 原始邊界框回歸采用 CIoU 損失函數(shù)，總損失由邊緣框損失(CIoU)、置信度損失(交叉熵)、分類損失(交叉熵)構(gòu)成，公式為：Loss_total = Loss_box + Loss_obj + Loss_cls。CIoU 損失考慮預(yù)測框與真實框的重疊區(qū)域、中心點距離及縱橫比，但當(dāng)鎳板缺陷預(yù)測框與真實框縱橫比等比例縮放時，寬高同時增減不會改變 CIoU 損失，導(dǎo)致與真實框偏差較大。改進(jìn)方案將邊緣框損失替換為 EIoU 損失函數(shù)，公式為：Loss_EIoU = 1 - IoU + [ρ2(b,b^gt)]/c2 + [ρ2(w,w^gt)]/c_w2 + [ρ2(h,h^gt)]/c_h2。其中，b、w、h 分別為鎳板缺陷預(yù)測框的中心點、寬度、高度，b^gt、w^gt、h^gt 分別為真實框?qū)?yīng)參數(shù)，ρ2 為歐式距離，c、c_w、c_h 分別為兩框最小外接矩形的對角線長度、寬度、高度。EIoU 將 CIoU 的縱橫比損失拆解為寬損失與高損失，通過最小化鎳板缺陷預(yù)測框與真實框的寬高差，加快邊界框回歸收斂速度，提升鎳板缺陷檢測精度。
實驗需對鎳板進(jìn)行雙面缺陷檢測，配置兩個方向的 CCD 相機(jī)，工作流程為：鎳摞經(jīng)傳送帶送至下板工位，工位底部升降機(jī)配合上方 4 個激光測距將鎳摞頂平，上方遮光罩下降遮擋環(huán)境光，上側(cè) CCD 相機(jī)檢測鎳板上表面缺陷;檢測完成后遮光罩上升，機(jī)器人吸起鎳板移至下側(cè) CCD 相機(jī)工位，完成下表面檢測;視覺系統(tǒng)分析后，合格鎳板由機(jī)器人搬運(yùn)至下一工位，不合格鎳板送至 NG 工位。實驗硬件環(huán)境為 Intel (R) Core (TM) i7-9750H CPU@2.60GHz、NVIDIA GeForce GTX 1660 Ti GPU，操作系統(tǒng)為 Windows 10，軟件環(huán)境為 PyTorch 1.8.0、CUDA 11.1，模型訓(xùn)練參數(shù)設(shè)置為 batch size=16、epoch=200。
采用平均精度均值(mAP)、F1 分?jǐn)?shù)(F1-score)、圖片檢測速度(幀 /s)作為模型性能評價指標(biāo)。其中，精度(P)反映模型對鎳板缺陷的分類能力，公式為 P=TP/(TP+FP);召回率(R)反映模型發(fā)現(xiàn)鎳板缺陷陽性樣本的能力，公式為 R=TP/(TP+FN);F1 分?jǐn)?shù)為 P 與 R 的調(diào)和平均數(shù)，公式為 F1-score=2P×R/(P+R);以 P 為縱軸、R 為橫軸繪制 P-R 曲線，曲線下面積為平均精度(AP)，所有類別 AP 的平均值即為 mAP，取值范圍為 [0,1]，數(shù)值越大表示鎳板缺陷檢測精度越高。
在鎳板缺陷數(shù)據(jù)集上開展消融實驗，驗證各改進(jìn)模塊的有效性。實驗 1 為原始 YOLOv5 算法，檢測結(jié)果 P=78.6%、R=77.2%、mAP=77.6%;實驗 2 僅加入 K-means++ 錨框聚類，P 提升至 79.2%、R 提升至 78.6%、mAP 提升至 80.1%，說明新錨框更適配鎳板缺陷數(shù)據(jù)集;實驗 3 在實驗 2 基礎(chǔ)上加入 CBAM 注意力機(jī)制，P=78.9%、R=80.5%、mAP=81.0%，證明該機(jī)制能增強(qiáng)鎳板缺陷特征識別;實驗 4 在實驗 3 基礎(chǔ)上引入 EIoU 損失函數(shù)，P=79.5%、R=80.9%、mAP=81.4%，較原始算法 mAP 提升 3.8 個百分點，各改進(jìn)模塊均對鎳板缺陷檢測產(chǎn)生正向影響(表格 3 數(shù)據(jù)整理)。
將改進(jìn) YOLOv5 與 Faster R-CNN(two-stage)、SSD、YOLOv3、原始 YOLOv5(one-stage)在鎳板缺陷數(shù)據(jù)集上進(jìn)行對比實驗。結(jié)果顯示：Faster R-CNN 的 P=53.4%、R=68.6%、F1-score=60.1%、檢測速度 = 6 幀 /s、mAP=60.5%;SSD 的 P=72.5%、R=50.3%、F1-score=59.4%、檢測速度 = 44 幀 /s、mAP=63.4%;YOLOv3 的 P=74.3%、R=68.5%、F1-score=71.3%、檢測速度 = 36 幀 /s、mAP=72.9%;原始 YOLOv5 的 P=78.6%、R=77.2%、F1-score=77.9%、檢測速度 = 62 幀 /s、mAP=77.6%;改進(jìn) YOLOv5 的 P=79.5%、R=80.9%、F1-score=80.2%、檢測速度 = 61 幀 /s、mAP=81.4%(表格 4 數(shù)據(jù)整理)。改進(jìn)后的模型較 Faster R-CNN 檢測速度快近 10 倍，mAP 提升 20.9 個百分點;較 SSD、YOLOv3、原始 YOLOv5，mAP 分別提升 18 個、8.5 個、3.8 個百分點，且檢測速度與原始 YOLOv5 接近，在鎳板缺陷檢測精度與速度上均具備顯著優(yōu)勢。此外，改進(jìn) YOLOv5 的收斂速度更快，迭代 80 次后 mAP 趨于平穩(wěn)，最終收斂精度高于原始 YOLOv5，對鎳板細(xì)小缺陷也能實現(xiàn)有效檢測。
針對當(dāng)前鎳板表面缺陷智能化檢測程度低的問題，結(jié)合 2025 年鎳板行業(yè)智能化發(fā)展需求，提出基于改進(jìn) YOLOv5 的鎳板表面缺陷檢測方法。通過圖像預(yù)處理構(gòu)建專屬鎳板缺陷數(shù)據(jù)集，采用 K-means++ 重新聚類錨框提升適配性，融入 CBAM 注意力機(jī)制增強(qiáng)低像素鎳板缺陷識別能力，引入 EIoU 損失函數(shù)加快邊界框回歸收斂速度。實驗結(jié)果表明，改進(jìn)后的模型在鎳板缺陷檢測中，mAP 達(dá)到 81.4%，檢測速度為 61 幀 /s，較 Faster R-CNN、SSD、YOLOv3、原始 YOLOv5 等主流算法，各項性能指標(biāo)均顯著提升。該方法有效實現(xiàn)鎳板缺陷檢測的高效化與智能化，解決了傳統(tǒng)人工檢測的弊端，為鎳板生產(chǎn)企業(yè)提升產(chǎn)品質(zhì)量、提高生產(chǎn)效率提供技術(shù)支撐，對推動鎳板行業(yè)智能化發(fā)展具有重要意義。同時，建立的鎳板缺陷數(shù)據(jù)集與改進(jìn)算法模型，也為后續(xù)鎳板行業(yè)檢測技術(shù)的優(yōu)化與拓展奠定基礎(chǔ)。
更多鎳板行業(yè)研究分析，詳見中國報告大廳《鎳板行業(yè)報告匯總》。這里匯聚海量專業(yè)資料，深度剖析各行業(yè)發(fā)展態(tài)勢與趨勢，為您的決策提供堅實依據(jù)。
更多詳細(xì)的行業(yè)數(shù)據(jù)盡在【數(shù)據(jù)庫】，涵蓋了宏觀數(shù)據(jù)、產(chǎn)量數(shù)據(jù)、進(jìn)出口數(shù)據(jù)、價格數(shù)據(jù)及上市公司財務(wù)數(shù)據(jù)等各類型數(shù)據(jù)內(nèi)容。
京公網(wǎng)安備 11010502031895號
