测试、可靠性与质量

深度学习做码盘外观检测:能做什么、要注意什么

深度学习做码盘外观检测:能做什么、要注意什么

规则 AOI 漏不了尺寸问题,却常被颗粒、污渍等伪缺陷淹没;深度学习擅长区分外观,但依赖样本和阈值。本文对比两者的适用范围,用模拟数据说明阈值、过检与漏检的权衡和代价最优阈值,并算出验证漏检率所需的缺陷样本量。

码盘外观检测要找的缺陷很杂:铬层针孔、残铬桥连、断线、划伤、颗粒、崩边、污渍。规则式 AOI 能把图像与设计图逐像素比对,尺寸判定可靠,但它对“不一样”很敏感,对“不一样是否要紧”很迟钝,一片码盘报出几十个候选,大部分是灰尘和无害的边缘起伏,最后靠人工复判。深度学习看起来正好补上这一块,但它把问题从“调参数”变成了“管数据和阈值”。

判定阈值移动时,良品与缺陷品的得分分布被不同地切分,混淆矩阵中漏检与过检此消彼长(模拟数据:9800 件良品、200 件缺陷品)
图1 判定阈值移动时,良品与缺陷品的得分分布被不同地切分,混淆矩阵中漏检与过检此消彼长(模拟数据:9800 件良品、200 件缺陷品)

规则 AOI 与深度学习各擅长什么

维度规则 AOI深度学习
原理与设计图或金样比对、阈值、形态学、尺寸测量从标注样本学习缺陷特征,输出类别或像素级分割
需要的样本基本不需要缺陷样本需要足够且有代表性的标注样本
尺寸类判定强,可做不确定度评定弱,不宜直接用于测量
外观类判定弱,伪缺陷多强,能区分颗粒、污渍与真缺陷
照明、工艺波动敏感,需反复调参训练集覆盖到的变化较稳健,没覆盖到的可能失效
可解释与追溯规则明确需要热力图等辅助手段,结论依赖数据版本

所以比较常见的做法是混合(图3):规则 AOI 用宽松阈值找出所有候选并完成尺寸判定,深度学习只对候选做“真缺陷还是伪缺陷”的复判和分类,拿不准的交给人。只有良品样本时,也可以用异常检测模型先做筛查,但它只能回答“像不像良品”,不能回答缺陷类型。

图像与样本:先算清楚数据量

分辨率由最小缺陷决定:缺陷在图像上至少要占约 3 个像素,5 μm 的针孔要求像素当量不大于约 1.7 μm。以内外半径 14 mm 和 20 mm 的码道区为例,面积约 641 mm²;1200 万像素相机在 1.5 μm/像素下单视场约 27.6 mm²,一片码盘约 23 个视场,加上重叠约 28 个。

样本的难点在于缺陷少、类别多。几个必须遵守的原则:

  • 按批次划分训练集和验证集。同一片码盘、同一批次的图像如果同时出现在训练和验证中,验证结果会虚高。
  • 标注定义先行:针孔多大算缺陷、颗粒压在铬线上算不算,要先写成判定标准,再标注;多人标注时统计一致性,分歧样本单独讨论。
  • 覆盖工艺变化:不同镀膜批次、不同照明老化状态、不同码盘设计都要在训练集中出现;新设计上线要重新验证。

混淆矩阵与阈值

模型对每个候选输出缺陷概率 p,大于阈值判为缺陷。四种结果构成混淆矩阵:检出(TP)、漏检(FN)、过检(FP)、放行(TN)。常用指标为:

漏检率 = FN / (TP + FN),过检率 = FP / (FP + TN)

算例(模拟数据,10000 件,缺陷率 2%):阈值取 0.5 时,漏检 13 件(6.5%),过检 17 件(0.17%),判为缺陷的件中真缺陷占 91.7%。阈值降到 0.31 时,漏检降到 2 件(1.0%),过检升到 134 件(1.37%)。

阈值应按代价选择。设一件漏检流出的代价是一件过检(多一次复判或误报废)的 50 倍(假设),总代价 = 50·FN + FP,在本例中阈值约 0.31 时最小,为 234;而默认的 0.5 对应 667(图2)。0.5 只是数学上的中点,不是工程上的合理点。

漏检率、过检率和总代价随阈值的变化;按漏检代价为过检 50 倍计算,代价最小的阈值约为 0.31(模拟数据)
图2 漏检率、过检率和总代价随阈值的变化;按漏检代价为过检 50 倍计算,代价最小的阈值约为 0.31(模拟数据)

还要注意缺陷率低带来的“基率效应”:缺陷只占 2% 时,即使过检率只有 1.37%,判为缺陷的件里也有约四成是良品。这正是要保留人工复判通道的原因。

漏检率要用多少样本来证明

上面“漏检 2/200 = 1.0%”本身也有统计不确定性,按二项分布,95% 置信上限约为 3.1%。若要证明漏检率不高于 p,且验证中零漏检,所需缺陷样本数为

n ≥ ln(1 − CL) / ln(1 − p)

置信度 CL = 95%、p = 1% 时 n ≈ 299;p = 0.5% 时约 598;若允许 1 次漏检,p = 1% 时需要约 473 件。对于码盘这种缺陷率很低的产品,攒够几百个真实缺陷样本往往需要很长时间,这是深度学习检测上线前最现实的瓶颈。

混合方案:规则 AOI 负责尺寸判定和候选提取,深度学习负责复判和分类,人工复核结果回流为训练数据
图3 混合方案:规则 AOI 负责尺寸判定和候选提取,深度学习负责复判和分类,人工复核结果回流为训练数据

工程要点

  • 尺寸判定留给规则算法,深度学习只做外观复判,这样既保留测量的可追溯性,又能减少伪缺陷。
  • 阈值按“漏检代价 ÷ 过检代价”确定,并在验证集上画出过检、漏检随阈值的曲线,不要直接用 0.5。
  • 验证漏检率至少需要约 3/p 个缺陷样本且零漏检;样本不够时,如实报告置信上限。
  • 训练集与验证集按批次划分,杜绝同一码盘的图像跨集合出现。
  • 建立固定的金样本集(含各类边界缺陷),每次模型更新、相机或光源更换后都回归验证。
  • 上线后监控得分分布的漂移,良品得分整体上移往往先于过检率上升出现,是光源老化或工艺变化的信号。

小结

深度学习在码盘外观检测中的价值,主要是把规则 AOI 的大量伪缺陷过滤掉,而不是取代尺寸测量。它的效果由样本、标注和阈值决定:阈值要按代价选,漏检率要用足够的缺陷样本证明,模型要在批次和工艺变化中持续验证。把它当成一个需要管理的测量系统,而不是一个黑箱,才用得稳。

延伸阅读:ENC7 编码器码盘生产厂家(中文主页) · 码盘技术文库


关于我们:晶正光电专注编码器码盘研发制造,玻璃、金属、PC 码盘均可按图定制。

官网:https://enc7.com

© 廊坊晶正光电技术有限公司 版权所有,未经书面许可不得转载、摘编。本文借助 AI 辅助创作。

Have a drawing? Get an engineer's review.

Send your outer diameter, bore, line count or bit count, substrate and readhead wavelength. Our engineers check manufacturability and reply with a quotation and sample lead time.

WhatsApp