工业视觉缺陷检测是一种利用计算机视觉技术，对工业制品进行自动化检测，以识别和分类可能存在的缺陷的方法。它是现代工业生产中的重要环节，可以大大提高生产效率，降低产
品缺陷率，提高产品质量。
成像质量是根本，好的算法可以锦上添花
影响因素：
该项目为医疗注射器缺陷检测，要求检观出汗射器是否有质量缺路(缺件或者多件)，检测对象分别为，胶暴、推杆承部 针尾品、针嘴、媒口、小较暴，产品如下图所示摆放，针对歪嘴情况单独来增加一个类作为检测项。
通过对样本进行分析，注射器摆放的位置略有差异，采用目标检测来检测各个部件是否存在比较合适，最后综合判断每个注射器的最终结果，如果检测某个注射器出现歪嘴或者缺件的直接输出对应的NG信号，方便剔除不合格产品。
采集图片:使用相机采图工具或者专用软件对缺陷产品进行采图，本项目采集图片1000张左右，为了模拟小样本训练的效果，实际只使用200张左右。
标注:标注工程师按照要求将目标检测项分为7类，分别是胶塞、推杆尾部、针尾部.
针嘴、歪嘴、螺口、小胶塞。
训练:使用改进的yolov8进行训练得到模型。
模型上线:模型转换、量化等，使模型满足部署平台的上线要求，这里使用Aidlux进行部署。
相机:工业高清黑白相机600w
光源:红外平板光源，背面补光
镜头:工业高清FA镜头35mm
算法:yolov8
部署:工控机显卡RTX206012G
界面及通信:WPF或者C#或者OT (这里不做讨论)
下图是yolov8模型结构图
选择yolov8模型的理由:集大成者之作，包括分类、实例分割、目标检测、关键点检测、目标跟踪等，更多的功能更快的推理速度、更高的精度、更加易于训练和调整支持更多的平台、全新的SOTA模型
该项目使用volov8的目标检测，对该模型进行两点改进在head中加入slimNeck
在优化中加入Siou
改进1：
yolov8模型改进: slicNeck
将neck中的4个CSPLayer2Conv全部更换为VoVGSCSPC。
相比与C2f，VoVGSCSPC在保持性能的同时具更少的有参数量，轻量化效果明显。
改进2：
yolov8模型改进: slicNeckslimNeck之GSConv
slimNeck的作者提出了一种新方法GSConv来减轻模型复杂度，保持准确性。GSConv可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式Slim-Neck，以实现检测器更高的计算成本效益。实验过程中，与原始网络相比改进方法获得了最优秀的检测结果。
改进3：
yolov8模型改进: slicNeckslimNeck之VoVGSCSPC
P1--P2--P3，依次增加残差连接层的个数，使得到的特征层的维度更多，获得抽象的语义特征信息越丰富。
改进4：
yolov8模型改进: SIoU
源代码修改:
进入到ultralyticsyololutils metrics,py中，76行开始修改bbox_iou方法，增加和修改SIoU,EloU,Focal,alpha,gamma相关的代码.
进入到ultralyticsyoloutils loss.py中，43行开始修改bbox_iou, 并注释掉以前的loss_iou，增加带Fcal的loss_iouo
进入到ultralyticslyoloutilsltalpy中，157行修改bbox_iouo
注射器数据集:139张训练数据集，46张验证集
训练方式:基于yolov8预训练权重进行训练
新建或者拷贝对应的yaml文件，设置nc=7，如果是自己的数据集，按照实际类别进行设置。
训练yolov8n模型
使用main.py文件，训练模型或者转换为onnx模型加载自己的yaml文件，再加载预训练模型，将预训练权重移植到新模型中，这样就可以开始训练yolov8模型了。
if __name__ == '__main__': mode="predict" if mode=="train": model=YOLO("E:\\Aidlux8\\2\\yolov8-aidlux\\yolov8-main\\yolov8n.yaml") model=YOLO("E:\\Aidlux8\\2\\yolov8-aidlux\\yolov8-main\\yolov8n.pt") # model.train(**{'cfg':'D:\\AI\\YOLO\\yolov8-main\\ultralytics\\yolo\\cfg\\keypoints.yaml'}) model.train(data='ultralytics\\datasets\\keypoint.yaml',epochs=100,device=0,batch=4,workers=6) # path = model.export(format="onnx") if mode=="onnx" : #D:\\IROnnx\\best.pt model = YOLO('E:\\Aidlux8\\2\\yolov8-aidlux\\yolov8-main\\runs\\detect\\train8\\weights\\best.pt') # model = YOLO('D:\\AI\\Unet\\unet-pytorch\\logs\\best_epoch_weights.pth') model.export(format="onnx",opset=11,simplify=True) # path = model.export(format="onnx",opset=13,half=True,simplify=True) # path = model.export(format="onnx",opset=13,half=True,simplify=True)
训练过程:
将预训练权重的加载到了我们自己的模型中，经过3个batchsize，模型就开始收敛。
Aidlux平台介绍
Aidlux安装和环境配置
特点o安卓手机app市场下载并安装AidLux应用。安装包大小为1.2g打开AidLux，配置各种权限，手机-设置-关于手机-多次点击系统版本号，打开开发者模式重启AidLux，选择登陆或者免注册登陆，应用系统第一次打开需要加载AidLux，等待进度条完成手机端进入AidLux界面后，查看手机端桌面Cloud ip蓝色云朵图标，获得ip和端口号PC端浏览器中输入ip地址和端口号，登录界面为root用户，输入aidlux(默认密码)登陆进入到AidLux桌面打开终端更新和安装所需工具包，默认已安装aidlite_gpu,也可以更新。
安装vscode:
打开应用中心，选择Linux-Aid源-vscode进行安装
进入已安装-点击vscode-点击添加到桌面-桌面上显示vscode
可以使用直接在设备里直接调试运行vscode，也可以使用ssh连接vscode进行远程调试。
基于Aidlux的yolov8模型转换
打开网站: http://aimo.aidlux.com/
输入试用账号和密码:
账号:AIMOTC001，密码:AIMOTCO01
选择对应的原模型(.onnx)->选择目标平台(tensorflowlite)->参数设置默认->转换结果->下载模型
基于tflite的yolov8模型部署
images文件夹:推理图像样本
onnx原模型:yolov8_slimneck_SIOU.onnx
tflite: tflite模型和推理的py文件
手机设备打开AidLux
PC网页登录AidLux，默认用户为root，密码为aidlux将images、tflite模型文件以及tflite.py文件放入到home目录中
打开vscode，打开tflite.py文件，右键在终端运行，可在result中查找推理的结果
最后的推理源码如下：
import aidlite_gpu import cv2 from cvs import * import numpy as np import os import time # import matplotlib.pyplot as plt model_path = "/home/yolov8_slimneck_SIOU_save_path_tflite/yolov8_slimneck_SIOU_fp32.tflite" image_path = "/home/test" NUMS_CLASS = 7 confThresh = 0.3 NmsThresh = 0.45 # 输入格式 （8400,11） def postProcess(pres, confThresh, NmsThresh): boxes_out = [] scores_out = [] class_out = [] for pred in pres: pred_class = pred[4:] box_ = pred[0:4] # pred_class=(pred_class-min(pred_class))/(max(pred_class)-min(pred_class)) class_index = np.argmax(pred_class) if pred_class[class_index] > 0.3: # box=np.array([round(pred[2]-0.5*pred[0]),round(pred[3]-0.5*pred[1]),round(pred[0]),round(pred[1])]) box_ = pred[0:4] # w,h,xc,yc box = np.array([round((pred[2] / 2 - pred[0])), round((pred[3] / 2 - pred[1])), round(pred[0] * 2), round(pred[1] * 2)]) boxes_out.append(box) score = pred_class[class_index] scores_out.append(score) class_out.append(class_index) result_boxes = cv2.dnn.NMSBoxes(boxes_out, np.array(scores_out), confThresh, NmsThresh) # detections=[] boxes = [] scores = [] classes = [] for result_box in result_boxes: index = int(result_box) box = boxes_out[index] score = scores_out[index] class_type = class_out[index] boxes.append(box) scores.append(score) classes.append(class_type) return boxes, scores, classes def draw(img, xscale, yscale, boxes, scores, classes): width = img.shape[1] w1 = 1620 w2 = 2350 w3 = width S1 = [] S2 = [] S3 = [] S1_res = [False for i in range(NUMS_CLASS)] S2_res = [False for i in range(NUMS_CLASS)] S3_res = [False for i in range(NUMS_CLASS)] S_res = [S1_res, S2_res, S3_res] img_ = img.copy() # 遍历所有box，按照分割区域将box归类 for i in range(len(boxes)): # boxes=[x1,y1,w,h] box = boxes[i] score = scores[i] class_ = int(classes[i]) # class_text=label[class_] # detect=[round(box[0]*xscale),round(box[1]*yscale),round((box[0]+box[2])*xscale),round((box[1]+box[3])*yscale)] detect = [round(box[0] * xscale), round(box[1] * yscale), round(box[0] * xscale + (box[2]) * xscale), round(box[1] * yscale + (box[3]) * yscale)] text = "{}:{:.2f}".format(label[class_], float(score)) img_ = cv2.rectangle(img_, (detect[0], detect[1]), (detect[2], detect[3]), (0, 255, 0), 2) cv2.putText(img_, text, (detect[0], detect[1] + 10), cv2.FONT_HERSHEY_COMPLEX, 2, (0, 0, 255), 1) # 分割为三块 if (detect[0] <= w1): p1 = [] p1.append(detect) p1.append(class_) p1.append(score) S1.append(p1) elif (w1 < detect[0] <= w2): p2 = [] p2.append(detect) p2.append(class_) p2.append(score) S2.append(p2) elif (w2 < detect[0] <= w3): p3 = [] p3.append(detect) p3.append(class_) p3.append(score) S3.append(p3) # 判断每个分割图像中的结果 index = 0 for S in [S1, S2, S3]: for i in range(len(S)): p1 = S[i] box_temp = p1[0] class_temp = p1[1] score_temp = p1[2] S_res[index][class_temp] = True index += 1 # 最终分割输出结果true or false S_out = [False, False, False] index_out = 0 for s_r in S_res: c0 = s_r[0] c1 = s_r[1] c2 = s_r[2] c3 = s_r[3] c4 = s_r[4] c5 = s_r[5] c6 = s_r[6] if (c0 & c1 & c2 & c3 & (~c4) & (~c5) & (~c6)): S_out[index_out] = True elif (c0 & c1 & c2 & (~c3) & (~c4) & c5 & (~c6)): S_out[index_out] = True index_out += 1 # 打印分割结果 cv2.putText(img_, "OK" if S_out[0] == True else "NG", (w1 - 200, 100), cv2.FONT_HERSHEY_COMPLEX, 2, (255, 0, 0), 1) cv2.putText(img_, "OK" if S_out[1] == True else "NG", (w2 - 200, 100), cv2.FONT_HERSHEY_COMPLEX, 2, (255, 0, 0), 1) cv2.putText(img_, "OK" if S_out[2] == True else "NG", (w3 - 200, 100), cv2.FONT_HERSHEY_COMPLEX, 2, (255, 0, 0), 1) return img_ label = ["rubber stopper", "push rod tail", "needle tail", "mouth", "crooked mouth", "screw mouth", "small rubber plug"] if __name__ == "__main__": # 1.初始化aidlite类并创建aidlite对象 aidlite = aidlite_gpu.aidlite() print("ok") # 2.加载模型 value = aidlite.ANNModel(model_path, [640 * 640 * 3 * 4], [8400 * 11 * 4], 4, 0) print("gpu:", value) # file_names=os.listdir(image_path) # root,dirs,files = os.walk(image_path) for root, dirs, files in os.walk(image_path): num = 0 for file in files: file = os.path.join(root, file) frame = cv2.imread(file) x_scale = frame.shape[1] / 640 y_scale = frame.shape[0] / 640 img = cv2.resize(frame, (640, 640)) # img_copy=img.co img = img / 255.0 img = np.expand_dims(img, axis=0) img = img.astype(dtype=np.float32) print(img.shape) # 3.传入模型输入数据 aidlite.setInput_Float32(img) # 4.执行推理 start = time.time() aidlite.invoke() end = time.time() timerValue = 1000 * (end - start) print("infer time(ms):{0}", timerValue) # 5.获取输出 pred = aidlite.getOutput_Float32(0) # print(pred.shape) pred = np.array(pred) print(pred.shape) pred = np.reshape(pred, (8400, 11)) # pred=np.reshape(pred,(11,8400)).transpose() print(pred.shape) # shape=(8400,11) # 6.后处理,解析输出 boxes, scores, classes = postProcess(pred, confThresh, NmsThresh) # 7.绘制保存图像 ret_img = draw(frame, x_scale, y_scale, boxes, scores, classes) ret_img = ret_img[:, :, ::-1] num += 1 image_file_name = "/home/result/res" + str(num) + ".jpg" # 8.保存图片 cv2.imwrite(image_file_name, ret_img)
个人体会：
笔者是在Aidlux团队以及龙哥的训练营中学习而来，期间龙哥区别以往的视频课，以一种更加直观的方式展现出整个项目的流程与细节。不管是AI算法小白还是AI算法的老手都在这次训练营受益匪浅。Aidlux工程实践内容全是干货，同时过程也遇见了很多问题，但是龙哥和训练营的其他同学们都很认真为其他学员解决，耐心辅导，对我来言，刚刚接触这一领域，以及Aidlux平台的使用，让我耳目一新。整个流程下，我已经学会了如何在Aidlux进行模型部署，令我也感觉到成就感，在此特别感谢张子豪老师和Aidlux团队的贡献，希望他们以后在AI算法开发的道路事业更加顺利。
最后放上本次基于Aidlux平台实现工业视觉缺陷检测的效果视频的地址。
https://www.bilibili.com/video/BV1GN4y197cD/