摘 要：傳統(tǒng)鋁電解電容質檢依賴人工目視，以識別外殼劃痕、破損等缺陷，這種檢測方法存在檢測準確性和效率的問題。為解決這一問題，提出并實現(xiàn)了一種基于YOLOv8的電容缺陷檢測方案。通過構建電容缺陷數(shù)據(jù)庫，并在YOLOv8模型中進行凹陷、劃痕、破損等缺陷的訓練，方案成功實現(xiàn)了電容外觀缺陷檢測功能。實驗數(shù)據(jù)結果顯示，該模型的mAP@50超過87%。與傳統(tǒng)檢測方法相比，基于YOLOv8的電容缺陷檢測方案具有更高的準確性，效率更高。進一步構建電容外觀缺陷數(shù)據(jù)庫，可以提高檢測準確性和效率，為電容工業(yè)生產的缺陷檢測提供了可行的解決方案。

關鍵詞：缺陷檢測；YOLOv8；深度學習；卷積神經(jīng)網(wǎng)絡

中圖法分類號：TP391 文獻標識號：A 文章編號：2096-4706（2024）20-0055-06

Appearance Defect Detection Method of Aluminum Electrolytic Capacitor Based on YOLOv8

LI Zeqin， ZHAO Zirong， SHENG Lei， ZENG Liangtao， JIANG Li， TAN Deli

（School of Computer Science， Neusoft Institute Guangdong， Foshan 528225， China）

Abstract： Traditional aluminum electrolytic capacitor quality inspection relies on manual visual inspection to detect defects such as scratches and damages on the casing， and this detection method encounters problems with accuracy and efficiency. To address the problems， this paper proposes and implements a capacitor defect detection scheme based on YOLOv8. By constructing a capacitor defect database and training the YOLOv8 model on defects such as dents， scratches， and damages， the scheme successfully achieves capacitor appearance defect detection function. Experimental data results show that the model's mAP@50 exceeds 87%. Compared to traditional detection methods， the capacitor defect detection scheme based on YOLOv8 has higher accuracy and efficiency. Further construction of a capacitor appearance defect database can enhance detection accuracy and efficiency， providing a feasible solution for defect detection in capacitor industrial production.

Keywords： defect detection; YOLOv8; Deep Learning; Convolutional Neural Networks

0 引 言

電容作為電子器件中的關鍵組成部分，其質量檢測在生產流程中至關重要。然而，傳統(tǒng)的電容缺陷檢測方式往往依賴于人工目視，不僅效率低下，且易受到人為因素的影響，導致檢測結果的準確性和穩(wěn)定性受到質疑。因此，如何高效、準確地實現(xiàn)電容缺陷的自動化檢測，成為當前研究的熱點與難點。近年來，深度學習技術在圖像識別領域取得了顯著的進展。本研究旨在利用目標檢測技術，以YOLOv8算法為實驗模型，設計并實現(xiàn)一款電容缺陷檢測系統(tǒng)。通過構建電容缺陷數(shù)據(jù)庫，并訓練YOLOv8模型以識別凹陷、劃痕、破損等缺陷，實驗期望實現(xiàn)電容外觀缺陷的自動化檢測，提高檢測的效率和準確性。本研究不僅解決了傳統(tǒng)檢測方法存在的問題，還通過實際應用驗證了基于YOLOv8的電容缺陷檢測方案的可行性和有效性。

1 相關研究

近年來，隨著人工智能技術的發(fā)展，缺陷檢測系統(tǒng)[1]在工業(yè)生產中的應用越來越廣泛。深度學習作為圖像識別和目標檢測領域的核心動力，相較于傳統(tǒng)缺陷檢測方法展現(xiàn)出明顯的優(yōu)勢。其自動學習和提取圖像特征的能力消除了煩瑣的手工設計和特征選擇過程。此外，深度學習具備強大的魯棒性，能有效處理各類圖像變換和噪聲，從而提升了檢測的準確性和穩(wěn)定性。在電容生產中，表面缺陷檢測作為至關重要的工作，通過基于深度學習的目標檢測技術實現(xiàn)電容表面缺陷的檢測變得可行。然而，深度學習模型在訓練和測試過程中需要大量計算資源，而終端設備的計算能力有限，這為電容表面缺陷檢測的實際應用帶來了一定的困擾和挑戰(zhàn)。在確保檢測精度的前提下，如何降低深度學習模型的復雜度和計算量成為當前亟須解決的關鍵問題。當前主流的目標檢測算法眾多，本文特別介紹了一階段的YOLO（You Only Look Once）算法。與兩階段的檢測算法不同，該算法基于回歸，將定位與分類任務合并，獲得更快的檢測速度，在實時檢測方面具有顯著優(yōu)勢。在電容表面缺陷檢測領域，基于深度學習的目標檢測模型受到終端檢測設備計算能力的限制，模型部署依然面臨巨大挑戰(zhàn)。如何對計算量龐大的目標檢測模型進行輕量化處理，使其能夠部署在計算資源有限的設備上，成為當前電容表面缺陷檢測領域研究的熱點問題。在實際應用中，該方法取得了較好的效果，提高了檢測的準確性和效率。杜寶俠等人提出了一種基于改進YOLOv8的蘋果檢測方法[2]，該方法主要應用于蘋果的表面缺陷檢測。通過改進YOLOv8模型，提高了對蘋果表面缺陷的識別率，為后續(xù)的分類和篩選提供了有力支持。陳道賀等人提出了一種基于機器視覺的玻璃瓶口缺陷檢測方法[3]。該方法利用圖像處理技術對玻璃瓶口進行預處理、特征提取和分類，實現(xiàn)了瓶口的缺陷檢測。實驗結果表明，該方法具有較高的準確性和穩(wěn)定性，能夠滿足實際生產的需要。Li等人基于改進YOLOv5的目標檢測算法開發(fā)設計了一種能夠快速、準確地檢測航空發(fā)動機部件表面缺陷的方法[4]。此方法在傳統(tǒng)的YOLOv5基礎上，進行了一系列的改進，包括增加特征提取模塊、使用注意力機制、優(yōu)化損失函數(shù)等，以提高對微小缺陷的檢測能力。PHAN Q B等人將YOLOv8目標檢測算法與粒子群優(yōu)化算法相結合設計了一種快速高效檢測光伏電池故障的系統(tǒng)[5]。結果顯示結合了粒子群優(yōu)化算法的YOLOv8在故障檢測方面表現(xiàn)優(yōu)異，大大提高了檢測的準確性和效率。李俊杰等人在2023年提出了一種基于改進YOLOv3（You Only Look Once version 3）的電容表面缺陷檢測方法[6]。該方法利用YOLOv3算法的高效性和準確性，通過對電容表面圖像進行訓練和學習，實現(xiàn)對電容表面缺陷的自動檢測。與傳統(tǒng)的檢測方法相比，基于深度學習的方法具有更強的魯棒性和泛化能力，能夠應對更復雜多變的缺陷類型[7]。雖然YOLOv3在目標檢測領域已經(jīng)取得了很好的效果，但隨著深度學習技術的不斷發(fā)展，更新的算法也在不斷涌現(xiàn)。YOLOv8作為YOLO系列的最新版本，在檢測精度和速度上都有了進一步的提升。由上述文獻可看出，缺陷檢測需對作業(yè)對象開展特定位置識別外，例如在蘋果、玻璃瓶口缺陷檢測等物質檢測領域也有相應的應用和需求，但針對電容的識別和定位研究較少，且現(xiàn)有成果在識別率及定位精度上有較大提升空間，因此本文在YOLOv8的基礎上通過自建數(shù)據(jù)集訓練鋁電解電容缺陷檢測模型并探討YOLOv8模型的工作原理與數(shù)據(jù)集構建方法。

2 基于YOLOv8的鋁電解電容外觀缺陷檢測

2.1 YOLOv8模型

YOLOv8是Ultralytics公司于2023年推出的一款新型開源的計算機視覺任務模型，該模型具備強大的圖像分類、物體檢測和實例分割的能力。相較于其前身YOLOv5，YOLOv8引入了許多重要的改進，在目標檢測領域取得了顯著的性能提升。作為一種SOTA模型，YOLOv8在基于之前版本成功經(jīng)驗的基礎上，融入了新的功能和優(yōu)化，使得其結構更為高效和準確。該模型主要由三個關鍵部分組成：主干網(wǎng)絡（Backbone）、頸部網(wǎng)絡（Neck）和檢測（Head）。這種結構使得信息能夠在不同層之間流暢傳遞，從而提高特征提取和物體檢測的準確性[8]。

YOLOv8模型中主干網(wǎng)絡主要由Conv模塊、C2f模塊、SPPF模塊組成，該模塊中的Conv負責輸入圖像做卷積運算提出圖像的特征信息。C2f通過引入殘差連接和更多的跳層連接，使得網(wǎng)絡更好的學習全局信息和局部語義信息[9-10]，從而增強模型的特征信息提取能力。SPPF模塊是一種用于特征提取的結構，通過引用空間金字塔池化機制，增強模型對不同尺度目標的感知能力，進而提高模型的感受野。頸部網(wǎng)絡（Neck）通常負責將骨干網(wǎng)絡（Backbone）提取的特征與上采樣后的特征進行融合，以生成最終用于檢測的輸出。移除某些連接層可能會改變這一過程，但具體的影響取決于其他網(wǎng)絡部分的調整。通過這些優(yōu)化措施，YOLOv8進一步提高了網(wǎng)絡的性能和準確性。在YOLOv8檢測（Head）模塊中，與YOLOv5相比，該模型在檢測頭部分進行了重大改進[11]。它采用了目前主流的解耦頭結構，將分類任務和檢測任務在結構上進行了分離。這種巧妙設計使得模型能夠更專注地處理各自的任務，從而更精確地執(zhí)行分類和檢測任務。通過這種優(yōu)化，YOLOv8顯著提升了性能和精確度，在目標檢測任務中展現(xiàn)出色的表現(xiàn)。除了檢測頭的改進，YOLOv8還從原先的Anchor-Based方法遷移到了Anchor-Free方法，這種改進允許模型可以直接學習預測物體的邊界框，無須預先定義錨點框。從而減小了錨點框數(shù)量和尺寸選擇對模型的干擾，使模型能夠更加靈活地適應不同場景中物體形狀和大小的變化[12]。

YOLOv8還提供了五種不同大小的模型來滿足在不同的場景需求，分別是YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x。這些不同大小的模型可以根據(jù)實際應用的需求進行選擇，從而在性能和計算效率之間取得平衡。通過靈活調整模型大小，YOLOv8能夠更好地適應不同場景的目標檢測任務[13]。YOLOv8在目標檢測領域中取得了重大突破。通過引入新的功能和改進，該模型在準確性、魯棒性和計算效率方面表現(xiàn)出色。從解耦頭結構到Anchor-Free方法的遷移，再到骨干網(wǎng)絡和頸部網(wǎng)絡的優(yōu)化，YOLOv8展現(xiàn)了強大的性能和潛力，網(wǎng)絡結構如圖1所示。

2.2 總體系統(tǒng)框架設計

總體系統(tǒng)框架以YOLOv8模型為基礎，系統(tǒng)總體框架如圖2所示，為了實現(xiàn)鋁電解電容外觀缺陷檢測需通過OpenCV調用工業(yè)相機并將視頻流逐一分解成單張照片，為后續(xù)模型推理做準備?；赮OLOv8模型的目標檢測能力為系統(tǒng)提供了高效而準確的缺陷檢測工具，該模型已經(jīng)在訓練階段學習了鋁電解電容外觀的特征，使其能夠在圖像中識別和定位潛在的缺陷區(qū)域。在推理運算階段，YOLOv8模型將應用于單張照片，進行預測并標定圖像中檢測到的缺陷，通過YOLOv8內置plot（）函數(shù)繪制檢測結果并返回注釋圖像的NumPy數(shù)組，使得檢測到的缺陷信息可以被輕松地集成到進一步的分析或處理流程中，為融合下游任務做準備。

3 實驗數(shù)據(jù)

3.1 數(shù)據(jù)集獲取

本文的數(shù)據(jù)通過收集不同缺陷樣本的鋁電解電容，并在嚴格控制條件對電容進行篩選，選定劃痕（Scratched）、破損（Dented）、凹陷（Damaged）作為鋁電解電容的缺陷樣本檢測類型，構建一個多樣化的電容缺陷數(shù)據(jù)集。在數(shù)據(jù)集獲取和制作的過程中，利用工業(yè)相機對每個電容進行多方位、多角度的拍攝，特別要求對光線的要求，確保拍攝出的圖像能夠真實反應電容器的實際狀況，保證每個電容的缺陷特征和程度能夠準確記錄。

3.2 數(shù)據(jù)集預處理

在數(shù)據(jù)集預處理過程中，對圖像進行了大小調整。通過根據(jù)工業(yè)相機拍攝電容器的實際尺寸和距離，對圖像進行縮放處理，確保每一張實驗數(shù)據(jù)集圖像具有相同的尺寸和格式，提高數(shù)據(jù)的一致性。同時，去除了空白、模糊等無效樣本圖片。預處理后的圖像在Labeling軟件中接受標注處理，涉及對凹陷、劃痕、破損缺陷類型的標注，以確保對后續(xù)模型訓練。

3.3 數(shù)據(jù)集制作

在數(shù)據(jù)集制作過程中，首先將經(jīng)過處理的電容圖像與相應的缺陷標簽進行精確匹配組合，形成一個完整的數(shù)據(jù)集。該過程需要借助高效的數(shù)據(jù)庫管理，確保每個圖像與對應的標簽能夠精準無誤。為進一步擴充數(shù)據(jù)集并提高模型的泛化能力和魯棒性，采用了交叉驗證的方法，分別構建了訓練集（1 476張圖像）、驗證集（368張圖像），以全面評估模型的性能。最后，為了增加樣本數(shù)量，使用數(shù)據(jù)增強技術，對電容圖像進行了旋轉、翻轉和縮放等操作。進一步優(yōu)化數(shù)據(jù)集，為模型訓練提供多樣和豐富的樣本，如圖3所示。

4 實驗結論分析

4.1 實驗環(huán)境

在本次實驗中，本文選擇了NVIDIA GeForce RTX 3060作為操作計算平臺，操作系統(tǒng)選擇Ubuntu 20.04。使用Python作為編程語言，版本為3.10，并采用深度學習框架PyTorch，版本為Torch 1.11.0。此外，CUDA版本為11.3，用于加速深度學習計算。實驗環(huán)境的詳細配置如表1所示。

4.2 實驗評判標準

在目標檢測訓練任務中常以準確率（Precision）、召回率（Recall）、mAP@50和mAP@50-90作為評估模型性能的標準。其中TP（True Positives）表示模型正確預測為正例的數(shù)量，F(xiàn)P（False Positives）為模型錯誤預測為正例的數(shù)量，F(xiàn)N（False Negatives）為模型錯誤預測為負例的數(shù)量，準確率（Precision）和召回率（Recall）計算公式如下：

（1）

（2）

mAP表示評估目標檢測模型整體性能指標，本文選取mAP@50（在IoU閾值為0.50時的平均精度均值）和mAP@50-95（在IoU閾值從0.50到0.95范圍內的平均精度均值）閾值來計算mAP。在計算mAP@50，首先對于每個目標類別計算在IoU閾值為0.50時的精度-召回率曲線下面積，即AP@50。然后，將所有類別的AP@50取平均，得到mAP@50，其中C表示類別的數(shù)量，AP表示第i個類別的AP@50，如下所示：

（3）

在計算mAP@50-95時，考慮了IoU閾值從0.50到0.95的范圍，即對于每個目標類別，計算在IoU閾值從0.50到0.95的精度-召回率曲線下面積的平均值，將所有類別的AP@50-95取平均得到mAP@50-95。在式（4）中，C表示類別的數(shù)量，AP表示第i個類別在IoU閾值從0.50到0.95的AP的平均值，計算公式如下所示：

（4）

4.3 實驗結果分析

將實驗結果可視化處理繪制精確度、平均精度均值、召回率，如圖4所示，實驗結果表明YOLOv8模型在Epoch大于100之后模型開始收斂，表現(xiàn)出良好的性能。

本文通過對YOLOv8模型的訓練實驗，針對不同版本的模型YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x進行性能評估。研究關注模型的精確度、召回率、mAP@50和mAP@50-95等指標。從表2中可以分析可知，在電容缺陷樣本數(shù)據(jù)集中，YOLOv8m模型表現(xiàn)最優(yōu)，顯示該模型在目標預測方面更為準確。相反，YOLOv8s在召回率上表現(xiàn)出色，即更多真實目標被成功檢測。在平均精度（mAP@50和mAP@50-95）指標上分析，YOLOv8s和YOLOv8x在不同的IoU閾值下均呈現(xiàn)出較高的性能。模型網(wǎng)絡層數(shù)的不同也反映了各版本在模型結構上的差異，YOLOv8l和YOLOv8x共享較大的網(wǎng)絡深度，這表示該模型更注重對抽象特征的學習。綜合對比實驗結果表明，不同版本的模型為了適應使用場景的需求，對模型網(wǎng)絡結構做出相應的結構調整以支持不同終端的算力需求。

4.4 檢測結果可視化

在模型測試過程中，隨機選取劃痕、凹陷、破損樣本進行實驗測試，如圖5所示，在測試過程中YOLOv8模型均能捕捉到電容缺陷樣本并繪制出相應的預選框。為了進一步驗證模型，使用交叉缺陷樣本進行缺陷檢測，圖5所示的測試結果表明模型能夠正確判斷樣本缺陷類型，說明該方法具有合理性和實際應用價值。

5 結 論

本文以鋁電解電容缺陷檢測為背景，針對在工業(yè)生產環(huán)節(jié)對鋁電解電容良品率的需求，本文提出了一種基于YOLOv8的電容缺陷檢測系統(tǒng)。實驗結果表明，YOLOv8n的精度mAP@50為88.1%，YOLOv8s為88.3%，YOLOv8m為87.5%，YOLOv8l為87.4%，YOLOv8x為88.2%，平均值為87.9%。實驗數(shù)據(jù)表明該模型能夠準確識別出缺陷的電容，相較于傳統(tǒng)人工目檢，該系統(tǒng)具有更高的準確率，顯著提升了電容工業(yè)生產缺陷檢測環(huán)節(jié)的準確率，降低了電容的殘次率?；赮OLOv8的電容缺陷檢測系統(tǒng)在實際生產環(huán)節(jié)中，具備廣泛的應用價值，該研究為工業(yè)自動化檢測領域的發(fā)展提供理論基礎。

參考文獻：

[1] 伍濟鋼，梁謀，曹鴻，等.基于改進YOLOv5的PCB小目標缺陷檢測研究 [J].光電子·激光，2024，35（2）：155-163.

[2] 杜寶俠，唐友，辛鵬，等.基于改進YOLOv8的蘋果檢測方法 [J].無線互聯(lián)科技，2023，20（13）：119-122.

[3] 陳道賀，姜文斌.基于機器視覺的玻璃瓶口缺陷檢測方法 [J].自動化應用，2021（4）：141-143.

[4] LI X，WANG C，JU H J，et al. Surface Defect Detection Model for Aero-engine Components Based on Improved YOLOv5 [J/OL].Applied Sciences，2022，12（14）：7235（2022-07-18）.https：//www.mdpi.com/2076-3417/12/14/7235.

[5] PHAN Q B，NGUYEN T T. A Novel Approach for PV Cell Fault Detection Using YOLOv8 and Particle Swarm Optimization [EB/OL].（2023-04-26）.https：//www.techrxiv.org/doi/full/10.36227/techrxiv.22680484.v1.

[6] 李俊杰，周驊，唐綱浩.基于改進YOLOv3的電容表面缺陷檢測方法 [J].智能計算機與應用，2023，13（3）：235-241.

[7] 羅俊.基于深度學習的混凝土結構表面病害分割算法 [D].石家莊：石家莊鐵道大學，2022.

[8] 趙繼達，甄國涌，儲成群.基于YOLOv8的無人機圖像目標檢測算法 [J].計算機工程，2024，50（4）：113-120.

[9] 陳晨，徐慧英，朱信忠，等.基于YOLOv8 改進的室內行人跌倒檢測算法：FDW-YOLO [J/OL].計算機工程與科學，2023：1-14（2023-12-28）.http：//kns.cnki.net/kcms/detail/43.1258.TP.20231227.1421.002.html.

[10] 程換新，矯立浩，駱曉玲，等.改進YOLOv8的遙感圖像檢測算法 [J].無線電工程，2024，54（5）：1155-1161.

[11] 王金鵬，何萌，甄乾廣，等.基于COF-YOLOv 8n的油茶果靜、動態(tài)檢測計數(shù) [J/OL].農業(yè)機械學報，2024：1-15（2024-01-17）.http：//kns.cnki.net/kcms/detail/11.1964.S.20240117.0910.002.html.

[12] 吳磊，儲鈺昆，楊洪剛，等.面向鋁合金焊縫DR圖像缺陷的Sim-YOLOv8目標檢測算法 [J/OL].中國激光，1-15（2024-02-22）.http：//kns.cnki.net/kcms/detail/31.1339.tn.20240220.1338.050.html.

[13] 戴康佳，徐慧英，朱信忠，等.基于輕量化目標檢測網(wǎng)絡的RGB-D視覺SLAM系統(tǒng) [J/OL].計算機工程與科學，2024：1-12（2024-01-30）.http：//kns.cnki.net/kcms/detail/43.1258.TP.20240129.1701.002.html.

作者簡介：李澤沁（2001—），男，漢族，廣東湛江人，本科在讀，研究方向：嵌入式系統(tǒng)；趙子榮（2002—），男，漢族，廣東云浮人，本科在讀，研究方向：嵌入式系統(tǒng)；盛磊（2003—），男，漢族，廣東廣州人，本科在讀，研究方向：嵌入式系統(tǒng)；曾良濤（2003—），男，漢族，廣東韶關人，本科在讀，研究方向：嵌入式系統(tǒng)；姜麗（1985—），女，漢族，湖北武漢人，教師，碩士，研究方向：嵌入式開發(fā)，數(shù)字信號處理；譚德立（1962—），男，漢族，湖南長沙人，副研究員，碩士，研究方向：嵌入式系統(tǒng)。