中國報告大廳網訊，在 「工業 4.0」 持續推進與製造業智能化轉型的背景下，鎳作為新能源、機械製造等領域的關鍵戰略資源，其產品質量把控尤為重要。當前，鎳板生產流程中受工藝參數、後續處理等因素影響，表面易出現結粒、燒板、水印等缺陷，這些缺陷會直接影響鎳板性能。然而，部分鎳板生產企業仍依賴人工目測進行缺陷檢測，檢測準確性與速度受主觀因素制約，導致產品質量不穩定、生產效率偏低。隨著2025年鎳板行業對智能化檢測要求的進一步提升，傳統檢測方式已難以滿足行業發展需求，開發高效、精準的鎳板表面缺陷智能化檢測方法成為行業亟待解決的問題。以下是2025年鎳板行業政策分析。

  一、鎳板缺陷檢測的圖像預處理技術應用

  (一)鎳板缺陷數據集的採集與構建

  通過 CCD 設備採集電解鎳板表面缺陷圖像，共獲取 1066 張包含缺陷的鎳板圖片。《2025-2030年全球及中國鎳板行業市場現狀調研及發展前景分析報告》針對鎳板生產中常見的燒板、水印、結粒三類缺陷，篩選出典型圖像並建立專屬的鎳板缺陷數據集，為後續模型訓練與檢測提供基礎數據支撐。

  (二)鎳板圖像的增強處理方法

  深度學習模型的訓練需要大量數據支持，為擴充鎳板缺陷數據集規模，對已標註的鎳板缺陷圖片進行翻轉、旋轉、縮放、裁剪拼接操作，並加入高斯噪聲，生成大量帶標註的新圖像，整合至原有數據集。同時，引入 Albumentations 庫，利用其中亮度調節、對比度優化、濾波處理、平移旋轉等圖像增強功能，解決模型在低光照條件下性能不足的問題，有效提升模型對不同環境下鎳板缺陷的泛化檢測能力。

  二、YOLOv5 算法優化及在鎳板缺陷檢測中的改進

  (一)YOLOv5 原始網絡結構與鎳板檢測適配性分析

  YOLOv5 模型由 Backbone、Neck、Head 三個核心模塊構成，是當前應用廣泛的輕量級 one-stage 目標檢測算法，具備良好的網絡可移植性。其中，Backbone 採用 CSPDarknet53 作為骨幹網絡，對鎳板圖像進行跨級局部特徵提取;Neck 藉助 PANet 生成特徵金字塔網絡，實現鎳板缺陷特徵的多尺度聚合;Head 由卷積層、池化層和全連接層組成，從錨定箱中生成鎳板缺陷的檢測預測結果。但原始 YOLOv5 在鎳板缺陷檢測中，存在錨框適配性低、低像素鎳板缺陷識別能力不足、邊界框回歸收斂慢等問題，需針對性改進。

  (二)基於 K-means++ 的鎳板檢測錨框重新聚類

  原始 YOLOv5 在公開 COCO 數據集上通過 K-means 聚類設置預設錨框，由於鎳板缺陷與 COCO 數據集中目標差異較大，錨框與鎳板缺陷數據集適配度低。K-means 算法通過歐式距離判斷樣本相似度，初始聚類中心需人工選定，若中心選取不當易導致聚類結果偏離。改進方案採用 K-means++ 算法，先隨機選取一個初始聚類中心，再選擇與該中心距離最大的樣本作為下一個中心，直至完成所需聚類中心選取，同時用樣本與聚類中心的 IoU 替代歐式距離衡量相對位置，生成的錨框更接近鎳板缺陷標註框。對已標註鎳板缺陷數據集聚類後，確定適配的錨框尺寸參數：小特徵圖錨框為 [15,36;22,50;38,32]，中間特徵圖錨框為 [40,83;75,86;53,112]，大特徵圖錨框為 [123,80;160,213;380,341](表格 1 中數據整理)，顯著提升錨框對鎳板缺陷的適配性。

  (三)CBAM 注意力機制在鎳板缺陷特徵提取中的融入

  鎳板圖像可能存在像素較低的情況，導致缺陷檢測時信息缺失。在 YOLOv5 的 Backbone 主幹網絡 C3 模塊中加入 CBAM 注意力機制，該機制由通道注意力模塊和空間注意力模塊組成，可同時關注鎳板圖像的通道與像素點權重。通道注意力模塊對輸入的鎳板特徵層(H×W×C)進行全局最大池化與平均池化，得到兩個 C×1×1 特徵長條，經共享全連接層(通道數先縮小 r 倍再擴張回原通道數)和 ReLU 激活後，相加並通過 Sigmoid 激活，生成 0-1 區間的通道權值，與原始鎳板特徵層相乘，突出鎳板缺陷核心通道信息;空間注意力模塊以通道注意力輸出為輸入，對通道進行全局最大池化和平均池化，得到兩個 1×H×W 特徵層，堆疊後經 1 通道卷積層和 Sigmoid 激活，生成特徵點比重，與輸入特徵層相乘，強化鎳板缺陷空間位置信息。通過 CBAM 注意力機制，有效提升模型對低解析度、不清晰鎳板缺陷的特徵識別能力，抑制無用信息干擾。

  (四)EIoU 損失函數對鎳板邊界框回歸的優化

  YOLOv5 原始邊界框回歸採用 CIoU 損失函數，總損失由邊緣框損失(CIoU)、置信度損失(交叉熵)、分類損失(交叉熵)構成，公式為：Loss_total = Loss_box + Loss_obj + Loss_cls。CIoU 損失考慮預測框與真實框的重疊區域、中心點距離及縱橫比，但當鎳板缺陷預測框與真實框縱橫比等比例縮放時，寬高同時增減不會改變 CIoU 損失，導致與真實框偏差較大。改進方案將邊緣框損失替換為 EIoU 損失函數，公式為：Loss_EIoU = 1 - IoU + [ρ²(b,b^gt)]/c² + [ρ²(w,w^gt)]/c_w² + [ρ²(h,h^gt)]/c_h²。其中，b、w、h 分別為鎳板缺陷預測框的中心點、寬度、高度，b^gt、w^gt、h^gt 分別為真實框對應參數，ρ² 為歐式距離，c、c_w、c_h 分別為兩框最小外接矩形的對角線長度、寬度、高度。EIoU 將 CIoU 的縱橫比損失拆解為寬損失與高損失，通過最小化鎳板缺陷預測框與真實框的寬高差，加快邊界框回歸收斂速度，提升鎳板缺陷檢測精度。

  三、鎳板缺陷檢測實驗設計與結果分析

  (一)鎳板缺陷檢測實驗環境與參數設置

  實驗需對鎳板進行雙面缺陷檢測，配置兩個方向的 CCD 相機，工作流程為：鎳摞經傳送帶送至下板工位，工位底部升降機配合上方 4 個激光測距將鎳摞頂平，上方遮光罩下降遮擋環境光，上側 CCD 相機檢測鎳板上表面缺陷;檢測完成後遮光罩上升，機器人吸起鎳板移至下側 CCD 相機工位，完成下表面檢測;視覺系統分析後，合格鎳板由機器人搬運至下一工位，不合格鎳板送至 NG 工位。實驗硬體環境為 Intel (R) Core (TM) i7-9750H CPU@2.60GHz、NVIDIA GeForce GTX 1660 Ti GPU，作業系統為 Windows 10，軟體環境為 PyTorch 1.8.0、CUDA 11.1，模型訓練參數設置為 batch size=16、epoch=200。

  (二)鎳板缺陷檢測模型的評價指標確定

  採用平均精度均值(mAP)、F1 分數(F1-score)、圖片檢測速度(幀 /s)作為模型性能評價指標。其中，精度(P)反映模型對鎳板缺陷的分類能力，公式為 P=TP/(TP+FP);召回率(R)反映模型發現鎳板缺陷陽性樣本的能力，公式為 R=TP/(TP+FN);F1 分數為 P 與 R 的調和平均數，公式為 F1-score=2P×R/(P+R);以 P 為縱軸、R 為橫軸繪製 P-R 曲線，曲線下面積為平均精度(AP)，所有類別 AP 的平均值即為 mAP，取值範圍為 [0,1]，數值越大表示鎳板缺陷檢測精度越高。

  (三)鎳板缺陷檢測的消融實驗結果

  在鎳板缺陷數據集上開展消融實驗，驗證各改進模塊的有效性。實驗 1 為原始 YOLOv5 算法，檢測結果 P=78.6%、R=77.2%、mAP=77.6%;實驗 2 僅加入 K-means++ 錨框聚類，P 提升至 79.2%、R 提升至 78.6%、mAP 提升至 80.1%，說明新錨框更適配鎳板缺陷數據集;實驗 3 在實驗 2 基礎上加入 CBAM 注意力機制，P=78.9%、R=80.5%、mAP=81.0%，證明該機制能增強鎳板缺陷特徵識別;實驗 4 在實驗 3 基礎上引入 EIoU 損失函數，P=79.5%、R=80.9%、mAP=81.4%，較原始算法 mAP 提升 3.8 個百分點，各改進模塊均對鎳板缺陷檢測產生正向影響(表格 3 數據整理)。

  (四)改進 YOLOv5 與主流算法的鎳板檢測性能對比

  將改進 YOLOv5 與 Faster R-CNN(two-stage)、SSD、YOLOv3、原始 YOLOv5(one-stage)在鎳板缺陷數據集上進行對比實驗。結果顯示：Faster R-CNN 的 P=53.4%、R=68.6%、F1-score=60.1%、檢測速度 = 6 幀 /s、mAP=60.5%;SSD 的 P=72.5%、R=50.3%、F1-score=59.4%、檢測速度 = 44 幀 /s、mAP=63.4%;YOLOv3 的 P=74.3%、R=68.5%、F1-score=71.3%、檢測速度 = 36 幀 /s、mAP=72.9%;原始 YOLOv5 的 P=78.6%、R=77.2%、F1-score=77.9%、檢測速度 = 62 幀 /s、mAP=77.6%;改進 YOLOv5 的 P=79.5%、R=80.9%、F1-score=80.2%、檢測速度 = 61 幀 /s、mAP=81.4%(表格 4 數據整理)。改進後的模型較 Faster R-CNN 檢測速度快近 10 倍，mAP 提升 20.9 個百分點;較 SSD、YOLOv3、原始 YOLOv5，mAP 分別提升 18 個、8.5 個、3.8 個百分點，且檢測速度與原始 YOLOv5 接近，在鎳板缺陷檢測精度與速度上均具備顯著優勢。此外，改進 YOLOv5 的收斂速度更快，疊代 80 次後 mAP 趨於平穩，最終收斂精度高於原始 YOLOv5，對鎳板細小缺陷也能實現有效檢測。

  四、全文總結

  針對當前鎳板表面缺陷智能化檢測程度低的問題，結合 2025 年鎳板行業智能化發展需求，提出基於改進 YOLOv5 的鎳板表面缺陷檢測方法。通過圖像預處理構建專屬鎳板缺陷數據集，採用 K-means++ 重新聚類錨框提升適配性，融入 CBAM 注意力機制增強低像素鎳板缺陷識別能力，引入 EIoU 損失函數加快邊界框回歸收斂速度。實驗結果表明，改進後的模型在鎳板缺陷檢測中，mAP 達到 81.4%，檢測速度為 61 幀 /s，較 Faster R-CNN、SSD、YOLOv3、原始 YOLOv5 等主流算法，各項性能指標均顯著提升。該方法有效實現鎳板缺陷檢測的高效化與智能化，解決了傳統人工檢測的弊端，為鎳板生產企業提升產品質量、提高生產效率提供技術支撐，對推動鎳板行業智能化發展具有重要意義。同時，建立的鎳板缺陷數據集與改進算法模型，也為後續鎳板行業檢測技術的優化與拓展奠定基礎。