測試、可靠性與質量
深度學習做碼盤外觀檢測:能做什麼、要注意什麼

規則 AOI 漏不了尺寸問題,卻常被顆粒、汙漬等偽缺陷淹沒;深度學習擅長區分外觀,但依賴樣本和閾值。本文對比兩者的適用範圍,用模擬資料說明閾值、過檢與漏檢的權衡和代價最優閾值,並算出驗證漏檢率所需的缺陷樣本量。
碼盤外觀檢測要找的缺陷很雜:鉻層針孔、殘鉻橋連、斷線、劃傷、顆粒、崩邊、汙漬。規則式 AOI 能把影象與設計圖逐畫素比對,尺寸判定可靠,但它對“不一樣”很敏感,對“不一樣是否要緊”很遲鈍,一片碼盤報出幾十個候選,大部分是灰塵和無害的邊緣起伏,最後靠人工復判。深度學習看起來正好補上這一塊,但它把問題從“調引數”變成了“管資料和閾值”。

規則 AOI 與深度學習各擅長什麼
| 維度 | 規則 AOI | 深度學習 |
|---|---|---|
| 原理 | 與設計圖或金樣比對、閾值、形態學、尺寸測量 | 從標註樣本學習缺陷特徵,輸出類別或畫素級分割 |
| 需要的樣本 | 基本不需要缺陷樣本 | 需要足夠且有代表性的標註樣本 |
| 尺寸類判定 | 強,可做不確定度評定 | 弱,不宜直接用於測量 |
| 外觀類判定 | 弱,偽缺陷多 | 強,能區分顆粒、汙漬與真缺陷 |
| 照明、製程波動 | 敏感,需反覆調參 | 訓練集覆蓋到的變化較穩健,沒覆蓋到的可能失效 |
| 可解釋與追溯 | 規則明確 | 需要熱力圖等輔助手段,結論依賴資料版本 |
所以比較常見的做法是混合(圖3):規則 AOI 用寬鬆閾值找出所有候選並完成尺寸判定,深度學習只對候選做“真缺陷還是偽缺陷”的復判和分類,拿不準的交給人。只有良品樣本時,也可以用異常檢測模型先做篩查,但它只能回答“像不像良品”,不能回答缺陷型別。
影象與樣本:先算清楚資料量
解析度由最小缺陷決定:缺陷在影象上至少要佔約 3 個畫素,5 μm 的針孔要求畫素當量不大於約 1.7 μm。以內外半徑 14 mm 和 20 mm 的碼道區為例,面積約 641 mm²;1200 萬畫素相機在 1.5 μm/畫素下單視場約 27.6 mm²,一片碼盤約 23 個視場,加上重疊約 28 個。
樣本的難點在於缺陷少、類別多。幾個必須遵守的原則:
- 按批次劃分訓練集和驗證集。同一片碼盤、同一批次的影象如果同時出現在訓練和驗證中,驗證結果會虛高。
- 標註定義先行:針孔多大算缺陷、顆粒壓在鉻線上算不算,要先寫成判定標準,再標註;多人標註時統計一致性,分歧樣本單獨討論。
- 覆蓋製程變化:不同鍍膜批次、不同照明老化狀態、不同碼盤設計都要在訓練集中出現;新設計上線要重新驗證。
混淆矩陣與閾值
模型對每個候選輸出缺陷機率 p,大於閾值判為缺陷。四種結果構成混淆矩陣:檢出(TP)、漏檢(FN)、過檢(FP)、放行(TN)。常用指標為:
漏檢率 = FN / (TP + FN),過檢率 = FP / (FP + TN)
算例(模擬資料,10000 件,缺陷率 2%):閾值取 0.5 時,漏檢 13 件(6.5%),過檢 17 件(0.17%),判為缺陷的件中真缺陷佔 91.7%。閾值降到 0.31 時,漏檢降到 2 件(1.0%),過檢升到 134 件(1.37%)。
閾值應按代價選擇。設一件漏檢流出的代價是一件過檢(多一次復判或誤報廢)的 50 倍(假設),總代價 = 50·FN + FP,在本例中閾值約 0.31 時最小,為 234;而預設的 0.5 對應 667(圖2)。0.5 只是數學上的中點,不是工程上的合理點。

還要注意缺陷率低帶來的“基率效應”:缺陷只佔 2% 時,即使過檢率只有 1.37%,判為缺陷的件裡也有約四成是良品。這正是要保留人工復判通道的原因。
漏檢率要用多少樣本來證明
上面“漏檢 2/200 = 1.0%”本身也有統計不確定性,按二項分佈,95% 置信上限約為 3.1%。若要證明漏檢率不高於 p,且驗證中零漏檢,所需缺陷樣本數為
n ≥ ln(1 − CL) / ln(1 − p)
置信度 CL = 95%、p = 1% 時 n ≈ 299;p = 0.5% 時約 598;若允許 1 次漏檢,p = 1% 時需要約 473 件。對於碼盤這種缺陷率很低的產品,攢夠幾百個真實缺陷樣本往往需要很長時間,這是深度學習檢測上線前最現實的瓶頸。

工程要點
- 尺寸判定留給規則演算法,深度學習只做外觀復判,這樣既保留測量的可追溯性,又能減少偽缺陷。
- 閾值按“漏檢代價 ÷ 過檢代價”確定,並在驗證集上畫出過檢、漏檢隨閾值的曲線,不要直接用 0.5。
- 驗證漏檢率至少需要約 3/p 個缺陷樣本且零漏檢;樣本不夠時,如實報告置信上限。
- 訓練集與驗證集按批次劃分,杜絕同一碼盤的影象跨集合出現。
- 建立固定的金樣本集(含各類邊界缺陷),每次模型更新、相機或光源更換後都回歸驗證。
- 上線後監控得分分佈的漂移,良品得分整體上移往往先於過檢率上升出現,是光源老化或製程變化的訊號。
小結
深度學習在碼盤外觀檢測中的價值,主要是把規則 AOI 的大量偽缺陷過濾掉,而不是取代尺寸測量。它的效果由樣本、標註和閾值決定:閾值要按代價選,漏檢率要用足夠的缺陷樣本證明,模型要在批次和製程變化中持續驗證。把它當成一個需要管理的測量系統,而不是一個黑箱,才用得穩。
延伸閱讀:ENC7 編碼器碼盤生產廠家(中文首頁) · 碼盤技術文庫
關於我們:晶正光電專注編碼器碼盤研發製造,玻璃、金屬、PC 碼盤均可按圖客製。
官網:https://enc7.com
© 廊坊晶正光電技術有限公司 版權所有,未經書面許可不得轉載、摘編。本文藉助 AI 輔助創作。