Defect-Aware YOLOv8n for Real-Time Surface Defect Detection on Printed Playing Cards with Dense Graphic Backgrounds
Dit artikel stelt een defectbewust YOLOv8n-framework voor dat is verbeterd met een ResNet50-backbone, DeCA, een verbeterde BiFPN met SPD-Conv, een dynamische adaptieve gedecoupleerde head en Wise-IoU v3 om realtime, nauwkeurige detectie van kleine, laag-contrast defecten op bedrukte speelkaarten te bereiken te midden van dichte grafische achtergronden, waarbij de standaard YOLOv8n met 12,8% in mAP@50 wordt overtroffen terwijl een inferentiesnelheid van 97 FPS behouden blijft.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de productie zit het verschil tussen een product dat de inspectie doorstaat en een product dat wordt weggegooid vaak in een fout die zo klein is dat het menselijk oog deze zou kunnen missen, of zo subtiel dat deze opgaat in het patroon. Voor artikelen zoals gedrukte speelkaarten is deze uitdaging bijzonder groot. Deze kaarten zijn bedekt met dichte, complexe graphics—symbolen, cijfers, portretten en decoratieve randen—die een visueel drukke achtergrond creëren. Wanneer er een defect optreedt, zoals een klein inktvlekje, een ontbrekend kleurvlak of een kleine scheur in de rand, kan dit precies lijken op onderdeel van het ontwerp. Traditionele methoden om deze artikelen te controleren vertrouwen vaak op het vergelijken van de afbeelding met een perfecte sjabloon, maar deze aanpak worstelt wanneer de belichting verandert of wanneer de kaart licht uit het lood staat. Om dit op te lossen, hebben onderzoekers zich tot kunstmatige intelligentie gewend, specifiek een type computervisie-systeem dat een detector wordt genoemd. Deze systemen leren patronen te herkennen door duizenden voorbeelden te bestuderen, maar ze staan voor een unieke hindernis: ze moeten een echt defect onderscheiden van de complexe, prachtige kunstwerken die eromheen liggen, terwijl ze tegelijkertijd snel genoeg bewegen om het tempo van een snelle productielijn bij te houden.
Een team van onderzoekers van de Zhejiang University of Technology en een lokale industriële partner heeft een nieuw systeem ontwikkeld dat specifiek is ontworpen om door deze visuele doolhof te navigeren. Hun werk richt zich op het creëren van een "defect-bewuste" versie van een populair detectiemodel, dat zij hebben afgestemd om door de rommel van het oppervlak van een speelkaart heen te kijken. Het kernprobleem dat zij aanpakten, is dat standaard AI-modellen vaak het spoor van kleine details verliezen wanneer ze een afbeelding verwerken, vergelijkbaar met hoe een foto aan scherpte verliest wanneer men te ver uitzoomt. In het geval van speelkaarten kunnen de dichte graphics het systeem overweldigen, waardoor het kleine defecten negeert of normale patronen voor fouten aanziet. De onderzoekers bouwden een oplossing die het vermogen van het systeem versterkt om deze zwakke signalen te zien, de afleidende achtergrond onderdrukt en de details van kleine defecten intact houdt, terwijl de snelheid behouden blijft die vereist is voor real-time fabrieksarbeid.
Om hun systeem te trainen, verzamelde het team een grote collectie afbeeldingen rechtstreeks van een productielijn, waarbij kaarten met vier specifieke soorten gebreken werden vastgelegd: beschadigde randen, ontbrekende inkt, vouwen en vlekken. Ze cureerden deze dataset zorgvuldig door wazige of ongeldige afbeeldingen te verwijderen en ervoor te zorgen dat de trainingsdata op een manier werd gesplitst die voorkwam dat de computer simpelweg specifieke plaatjes uit het hoofd leerde. In plaats daarvan moest het systeem de algemene kenmerken van elk type defect leren. Vervolgens namen ze een standaard, lichtgewicht detectiemodel en verbeterden dit met verschillende gespecialiseerde componenten. Eerst vervingen ze de initiële "ogen" van het model door een krachtigere structuur die in staat is om diepere lagen van detail uit de afbeelding te extraheren. Vervolgens voegden ze een mechanisme toe dat werkt als een selectief filter, wat het systeem helpt om de drukke, herhalende patronen van het kaartontwerp te negeren terwijl de onregelmatige vormen van werkelijke defecten worden geaccentueerd. Ze verbeterden ook de manier waarop het systeem informatie van verschillende schalen combineert, om ervoor te zorgen dat kleine details niet verloren gaan tijdens de verwerking van de afbeelding, en introduceerden een dynamisch aanpassingssysteem dat de computer helpt beslissen of hij zich moet concentreren op het identificeren van wat het object is of op het exact lokaliseren waar het zich bevindt.
De resultaten van deze aanpak waren aanzienlijk. Bij het testen op de afbeeldingen van de speelkaarten behaalde het nieuwe systeem een detectie nauwkeurigheid van 96,3%, een substantiële verbetering ten opzichte van de standaardversie van het model waarop het gebaseerd is, die een score van 83,5% behaalde. Belangrijker nog, het systeem behield een hoge snelheid door 97 afbeeldingen per seconde te verwerken. Deze balans tussen precisie en snelheid is cruciaal in industriële omgevingen, waar een traag systeem de hele productielijn zou ophouden, en een onnauwkeurig systeem defecte kaarten zou laten doorsluizen. De onderzoekers ontdekten dat de verbeteringen consistent waren over alle vier de defectcategorieën. Het systeem werd bijzonder goed in het opsporen van randdefecten en vouwen, die vaak dun zijn en gemakkelijk gemist worden, en het toonde een opmerkelijk vermogen om ontbrekende inkt te onderscheiden van de omringende printpatronen zonder in de war te raken door de dichte graphics.
De studie onthulde ook dat geen enkele enkele verandering verantwoordelijk was voor het succes; het was eerder de combinatie van deze upgrades die samenwerkten. De onderzoekers testten hun systeem door elke nieuwe functie één voor één toe te voegen en observeerden hoe de prestaties met elke stap groeiden. Ze ontdekten dat het simpelweg gebruiken van de krachtigere initiële structuur een grote boost gaf, maar dat het toevoegen van het selectieve filteren en de verbeterde manier van het afhandelen van verschillende schalen van detail de laatste zet nodig had om een bijna perfecte nauwkeurigheid te bereiken. Het systeem leerde ook beter om te gaan met de onzekerheid van wazige defectgrenzen, waarbij het de betrouwbaarheid aanpaste op basis van hoe duidelijk het bewijs was. Hoewel het systeem zeer effectief is, merken de auteurs op dat het getraind is op data van een enkele productielijn. Zij suggereren dat toekomstig werk het systeem over verschillende fabrieken en lichtomstandigheden moet testen om te garanderen dat het robuust blijft in uiteenlopende omgevingen. Voor nu biedt dit werk echter een praktische en bewezen methie om de kwaliteit van massaal geproduceerde drukproducten hoog te houden, zodat de kaarten die aan een tafel worden gedeeld vrij zijn van de imperfecties die anders misschien onopgemerkt zouden blijven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.