Automatic Defect Detection and Intelligent Grading System for University Ceramics Integrating Computer Vision

在陶瓷的世界里，从原始粘土到一件精美闪亮的盘子或瓷砖的旅程，是一场关于热量与化学的细腻舞蹈。最后一步——烧制，改变了材料的本质，但也引入了一个持久的敌人：表面缺陷。微小的裂纹、被困的气泡或细微的颜色变化都可能毁掉一件作品，使潜在的杰作沦为废品。几个世纪以来，发现这些缺陷的唯一方法一直是依靠人眼。经验丰富的检查员会扫描表面，寻找那些可能如发丝般纤细或如针尖般微小的瑕疵。然而，这种方法缓慢、令人疲劳，且容易出错。疲劳感会随之而来，眼睛会错过最细微的细节，而对于何为“缺陷”的判断也会因人而异。在大学实验室中，学生和研究人员制作小批量、独特的、艺术性的或实验性的陶瓷，这些挑战被进一步放大了。这些作品通常是独一无二的，生产规模极小，且需要精确、可重复的数据来指导教学与研究。

这正是古代工艺与现代技术交汇之处，提供了一条新的路径。景德镇陶瓷大学的研究人员开发了一套系统，它充当了这些陶瓷作品的不知疲倦、高度专注的观察者。通过将专用相机与先进的人工智能相结合，他们创造了一种能够看见人眼经常忽略之物的方法，并能以数学的一致性对每件作品进行质量分级。其目标并非取代艺术家，而是提供一个可靠的工具，处理重复性高、风险大的检测任务，从而让人类专家能够专注于其工作的创意与教育层面。结果是一个能够洞察隐形之物、统计不可计数之物，并能以极高的速度和准确度做出决策的系统，它改变了在小批量学术环境下进行质量控制的方式。

旅程始于相机本身，它面临着一个独特的挑战：正是那些让陶瓷变得美丽的东西——光泽闪亮的釉面——也让检测变得困难。当光线照射到光滑表面时，会产生反光，这种眩光往往会遮蔽系统试图寻找的裂纹和气泡。为了解决这个问题，研究人员设计了一个特殊的照明装置。他们使用了一个发出偏振光的环形灯组，偏振光是一种在单一方向上振动的特定光波。当这种光照射到光滑、闪亮的釉面上时，它反射回来的方向保持不变。然而，当它撞击到裂纹或气泡等缺陷时，光线会发生散射并失去方向。通过在相机前放置一个滤镜，阻挡住未改变方向的眩光，同时让来自缺陷的散射光通过，系统便创造出了一个清晰、高对比度的图像，使缺陷在背景中清晰可见。这就像戴着墨镜，既能阻挡阳光的刺眼眩光，又能看清下方的景观细节。

一旦相机捕捉到清晰的图像，计算机必须对其进行清理。由于传送带的震动或窑炉区域空气的流动，图像可能会出现轻微的模糊或扭曲。系统使用一种复杂的数字滤波器来平滑随机噪声，同时不模糊缺陷的锐利边缘。随后，它以一种能够分离釉面纹理的规律重复模式与缺陷的无序混沌模式的方式来分析图像。这使得计算机能够忽略陶瓷的自然纹理，而完全专注于缺陷。其结果是一张纯净、增强后的图像，准备进入下一阶段：人工智能。

该系统的核心是一个深度学习模型，即一种经过训练以识别模式的计算机程序。研究人员选择了名为 YOLO（意为“You Only Look Once”，你只需看一眼）的强大架构，因为它几乎可以瞬间检测出图像中的物体。然而，标准版本的模型在应对陶瓷的具体挑战时表现挣扎，例如某些气泡的极小尺寸或裂纹的复杂形状。为了解决这一问题，团队加入了一种特殊的注意力机制，帮助计算机专注于图像中最重要的部分，就像人类聚焦目光于特定点一样。他们还优化了模型在不同尺度下观察图像的方式，确保它既能发现微小的针孔，也能轻松捕捉长而曲折的裂纹。

训练此类系统的一个重大障碍是数据的匮乏。在大学实验室中，他们可能一次只生产几十件作品，且缺陷非常罕见。这意味着用于让计算机学习的裂纹或气泡的实例非常少。为了克服这一点，研究人员使用了一种生成式人工智能工具来创建数千张逼真的合成缺陷图像。这些并非随机的绘画，而是模拟真实裂纹和气泡的高保真仿真图像，它们看起来并表现得如同真实的缺陷一般，填补了训练数据的空白。这使得系统能够从庞大的示例库中学习，即使物理实验室实际产生的缺陷作品数量很少。

一旦系统识别出缺陷，它必须决定其严重程度。这就是“分级”概念的切入点。系统不仅仅是简单地判定“发现缺陷”，而是根据缺陷的大小、形状和位置计算出一个严重程度评分。一条长而细的裂纹与一个小而圆的气泡的处理方式截然不同。系统使用动态阈值，这意味着它会根据正在检测的特定陶瓷批次来调整其标准。如果原材料发生变化或烧制条件发生轻微偏移，系统会重新校准其对“合格”的定义，确保无论外部条件如何变化，分级始终保持公平和一致。事实证明，这种动态方法比使用固定不变的规则要准确得多，因为固定规则在条件变化时往往会导致错误。

整个过程在不到一秒钟的时间内即可完成。系统在传送带上进行了测试，传送带的速度约为每分钟30件，这个速度对于大学实验室来说是可以接受的，但对于人类检测员要在长时间班次内保持如此高的准确度则几乎是不可能的。研究人员在360件不同的作品上测试了该系统，包括平整的瓷砖、餐具，甚至是带有浮雕图案的低浮雕艺术品。结果令人瞩目。系统的检测准确率接近90%，远超人类检测员的表现（人类会漏掉约12%的可见缺陷）。自动化系统将漏检率降低到了仅3%以下。此外，它对缺陷类型的分类及等级评定的准确率超过91%，达到了三位独立专家达成的一致水平。

该系统还在现实的实验室环境中证明了其价值。它被集成到一个工作流中，不仅负责检测作品，还将数据发送到中央计算机。这些数据被用于生成报告，展示缺陷发生的具体位置和频率。通过分析这些数据，研究人员发现了一个隐藏的模式：窑炉升温的速度与最终产品中出现的气泡数量直接相关。这一洞察使他们能够调整烧制过程，在随后的批次中将气泡数量减少了近三分之一。这种检测与工艺改进的闭环是该系统的真正威力所在；它不仅能发现坏件，还能帮助防止坏件的产生。

当然，这个二维视觉系统也有其局限性。当陶瓷件具有深沟槽或凸起浮雕等复杂的三维形状时，系统有时会遇到困难。凸起部分投下的阴影在相机看来可能像裂纹，导致这类艺术品的准确度略有下降。研究人员承认这一点，并建议未来的版本可以使用3D扫描技术来观察转角和阴影中的细节，从而弥合与最复杂形状之间的差距。然而就目前而言，该系统代表了大学陶瓷领域的一次重大飞跃。它提供了一种处理学术和艺术生产中常见的、多样化且高质量的小批量产品的手段，达到了以往无法实现的精度和速度。

归根结底，这项工作不仅仅是为了捕捉裂纹。它是为了在拥抱未来工具的同时，保护工艺的完整性。通过将枯燥且易错的检测任务自动化，该系统让大学实验室中的人类专家能够专注于他们最擅长的事情：教学、创作以及拓展粘土与火所能达到的可能性边界。这项技术并非取代艺术家，而是支持他们，确保最终的作品能完美契合最初的构想。该系统证明了将专门的光学技术、先进的人工智能以及对材料的深刻理解相结合，从而解决困扰陶艺家数百年的问题的力量。