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

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)

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/