DeepCork: A Two-Stage Deep Learning Framework for Automated Defect Inspection of Natural Cork Stoppers
DeepCork 是一个两阶段深度学习框架，它结合了基于 ResNet152 的二分类器与基于 YOLO 的检测器，旨在实现对天然软木塞的高精度、实时缺陷检测，同时在工业制造中有效平衡定位精度、延迟约束以及预测不确定性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
葡萄酒瓶依赖于一种简单而精妙的密封方式：由软木栎树皮制成的塞子。这种材料非常独特，它在轻盈、韧性以及隔绝空气同时让葡萄酒呼吸之间达到了完美的平衡。然而，大自然很少是完美的。树皮是一种具有自身历史的活组织，充满了天然的孔隙和纹理，这些特征很容易被误认为是损伤。当制造商将这种树皮切割成圆柱体以制作塞子时，他们面临着产生隐藏裂缝或留下昆虫侵蚀痕迹的风险。这些缺陷看起来可能只是无害的自然特性，但它们会破坏密封，导致氧气进入从而使瓶中的葡萄酒变质。几个世纪以来，人类一直通过肉眼检查这些塞子，这是一个缓慢且令人疲劳的过程，疲惫的工人可能会漏掉微小的裂缝，或者错误地拒绝一个完美的塞子。如今，工厂需要能够像人类一样观察，但比人类更快且不会疲劳的机器，然而软木的自然不规则性使得这成为一项艰巨的任务。
科英布拉大学的研究人员及其在软木行业的合作伙伴开发了一种名为 DeepCork 的新系统来解决这一问题。他们并没有试图强迫单个计算机程序同时完成所有工作，而是构建了一个模仿细致人工工作流的两步检测线。第一步充当快速的守门员。想象一名工人快速扫描传送带上数千个塞子，瞬间剔除那些看起来明显完美的塞子，并仅将可能存在缺陷的塞子留下来。计算机通过一种专门的图像分析工具来实现这一点，该工具经过训练，能够识别健康软木与受损软木之间的区别。它观察每个塞子的平坦顶端和圆柱形侧面，以近乎确定的程度判断该物品是安全的还是可疑的。如果计算机不能绝对确定一个塞子是完美的，它就会将其送入第二阶段。
第二阶段是进行细节化工作的阶段。那些通过了第一轮检查但仍引起警报的塞子，将由一个更复杂的系统进行检查，该系统旨在发现问题的具体位置及问题类型。该系统寻找特定类型的损伤，例如不破坏表面的内部裂缝、撕裂边缘的外部裂缝，或是昆虫留下的孔洞。它会在缺陷周围画一个框，将其识别为裂缝或昆虫痕迹，并决定该塞子是否应被丢弃。这种两部分的方法至关重要，因为试图同时承担这两项任务的单一系统往往会被软木的自然纹理所迷惑，将无害的孔隙误认为严重的裂缝。通过分离任务，系统首先以高置信度过滤掉好的产品，然后仅利用其全部力量去分析少数可能存在问题的产品。
团队在来自工厂车间的超过 18,000 张真实图像的大规模集合上测试了该系统。他们发现这种两阶段方法效果显著。对于塞子的平坦顶端，系统的表现几乎完美，在几乎所有情况下都能正确识别并定位缺陷。圆柱形侧面由于其弯曲形状和不断变化的阴影，检查难度更大，更具挑战性，但该系统仍然实现了极高的准确度。研究人员还发现，更新、更复杂的计算机模型并不一定比稍旧的、更成熟的模型表现得更好。事实上，一种被称为 YOLOv8 的特定检测软件版本，在与初始过滤器配合使用时，提供了速度与精度之间的最佳平衡。整个过程足够快，可以跟上高速生产线的节奏，检查单个缺陷塞子的时间不到 8 毫秒，而对于无缺陷的塞子，处理速度甚至更快。
这项工作表明，针对天然材料的自动化质量控制并不需要一个单一的、全能的人工智能。相反，一个精心设计的简单步骤序列可以取得更优越的结果。该系统成功降低了“误报”（即完美的软木被错误拒绝）和“漏报”（即坏的软木溜过去）的风险。虽然研究人员指出，软木的弯曲侧面仍然是进行完美检查最困难的部分，且他们的训练数据在很大程度上依赖于计算机生成的变体来填补空白，但其结果是向前迈出的重要一步。他们为软木生产的未来创建了一个透明且可靠的基础，确保保护我们葡萄酒的天然密封件本身同样值得信赖。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。