1. 项目背景与核心价值
磁瓦作为电机核心部件,其表面缺陷直接影响设备寿命和安全性。传统人工检测存在效率低(每小时仅能检测200-300片)、漏检率高(约15%)的问题。我们团队基于YOLOv8构建的自动检测系统,在产线测试中实现了98.7%的检测准确率,速度达到1200片/分钟。
这个项目的独特价值在于:
- 首次将YOLOv8的Anchor-Free特性应用于不规则磁瓦缺陷检测
- 构建了包含12类常见缺陷的完整数据集(后文将公开获取方式)
- 开发了针对高反光表面的数据增强方案
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集构建关键步骤
2.1 数据采集规范
我们使用500万像素工业相机,在三种光照条件下采集样本:
- 正面环形光(检测裂纹、缺角)
- 低角度条形光(凸显划痕)
- 暗场照明(捕捉气泡、杂质)
重要提示:磁瓦表面存在釉质反光,建议采用偏振片消除干扰,这是保证后续标注质量的关键。
2.2 标注标准制定
针对磁瓦特性定义了四类标注规范:
| 缺陷类型 | 标注要求 | 典型尺寸 |
|---|---|---|
| 裂纹 | 沿裂纹走向画最小外接矩形 | 2-15mm |
| 气泡 | 圆形缺陷标直径 | 0.5-3mm |
| 缺角 | 标注缺失区域多边形 | 1-10mm² |
| 釉滴 | 标注凸起根部轮廓 | 0.3-2mm |
2.3 数据增强策略
针对样本不足问题,开发了专属增强方案:
python复制class MagneticTileAugment:
def __add_specular_noise(img):
# 模拟釉面反光干扰
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
hsv[:,:,1] = hsv[:,:,1] * random.uniform(0.7, 1.3)
return cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)
def __call__(self, img, boxes):
if random.random() > 0.5:
