编辑推荐：
为解决陶瓷餐具表面缺陷检测难题，研究人员开展基于深度学习的检测研究。他们构建 CE7-DET 数据集，提出 NGASP-YOLO 模型。该模型 mAP 达 72.4% ，优于基线和其他方法，为工业缺陷检测提供新思路。
在日常生活中，陶瓷餐具因其美观、耐用和良好的热稳定性，广泛出现在家庭、餐厅和酒店中。然而，陶瓷餐具的制造过程却面临诸多挑战，比如窑炉温度不均、上釉不匀以及原料存在杂质等问题，这些都会导致陶瓷餐具表面出现缺陷，像裂纹、针孔、釉面收缩等。这些缺陷不仅影响餐具的美观，还可能对其功能性和安全性造成威胁。
目前，陶瓷餐具表面缺陷的检测主要依靠人工检查，但这种方式存在很大的局限性。一方面，人工检测受到人的主观因素影响，不同的检测人员可能会有不同的判断标准；另一方面，长时间的检测工作容易让检测人员产生疲劳，再加上生产线上光线不足、生产速度快等环境因素，使得检测结果参差不齐，准确性和效率都难以保证。传统的基于机器视觉的检测技术，虽然减少了人力投入，但这些方法依赖人工设计的特征，如方向梯度直方图（HOG）、局部二值模式（LBP）和尺度不变特征变换（SIFT）等，不仅设计和选择这些特征需要专业知识，而且它们的泛化能力有限，难以适应新的检测场景，处理大规模图像数据集时，效率和实时性也较差。
随着深度学习技术的发展，基于深度学习的目标检测模型在准确性和效率上都取得了显著进展。在陶瓷产品领域，虽然已有研究人员利用深度学习技术进行探索，但在数据收集、系统构建和模型优化方面仍存在不少问题。比如，高质量、多样化的训练数据获取困难，现有的数据集往往缺乏全面的缺陷类型；陶瓷餐具表面的缺陷具有多尺度和小尺寸的特点，检测模型需要在速度和精度之间找到平衡。为了解决这些问题，研究人员开展了此次关于陶瓷餐具表面缺陷检测的研究。虽然文中未提及具体研究机构，但他们的研究成果意义重大，该研究成果发表在《Expert Systems with Applications》上。
研究人员在这项研究中运用了多种关键技术方法。首先，开发了基于消息队列遥测传输（MQTT）技术的自动化远程数据采集系统，实现了现场缺陷样本向中央服务器的实时传输，从而构建了包含七种陶瓷餐具表面缺陷类型的 CE7-DET 数据集。其次，以 YOLOv8 为基线模型，提出了新型检测框架 NGASP-YOLO，该模型集成了新开发的高效轻量级卷积模块 NGASP-Conv，该模块包含非步长分组卷积、简化注意力机制和空间到深度（SPD）层。
研究结果
- 数据集构建成果：通过自动化远程数据采集系统，收集了涵盖不同类别、批次和尺寸的缺陷样本，构建了 CE7-DET 数据集，其中包含裂纹（CK）、脏斑（DS）、釉面收缩（GS）、表面污渍（SS）、边缘缺口（EC）、灰污染（AC）和针孔（PH）七种陶瓷餐具表面缺陷类型，为后续研究提供了宝贵资源。
- 模型性能优势：将 NGASP-YOLO 模型在 CE7-DET 数据集上进行验证，结果显示该模型的平均精度均值（mAP）达到 72.4% ，相比基线模型提升了 8% ，并且在检测精度、计算效率和适应性方面均优于其他先进的检测方法。在检测小尺寸和多尺度缺陷时，表现更为出色。
- 综合实验验证：通过视觉分析、泛化实验、消融研究和部署实验，充分验证了 NGASP-YOLO 模型在复杂场景下的鲁棒性，证明了其在实际工业应用中的优越性，能够有效检测出陶瓷餐具表面的各种缺陷。
研究结论与意义
研究人员成功开发了自动化远程数据采集系统并构建了 CE7-DET 数据集，解决了陶瓷缺陷检测领域高质量、特定领域基准数据集缺乏的问题。提出的 NGASP-YOLO 模型，有效提升了陶瓷餐具表面缺陷的检测精度和效率，在多尺度和小尺寸缺陷检测方面表现卓越。该研究成果为陶瓷餐具表面缺陷的自动化检测提供了切实可行的方案，也为其他工业应用中的表面缺陷检测提供了新的思路和方法，推动了工业产品质量检测智能化的发展进程。在未来的工业生产中，有望广泛应用该技术，提高产品质量检测的准确性和效率，降低生产成本，保障产品的安全性和美观性。
