基于图像的自动化质量分类技术在玄武岩石材表面制造中的应用

《Engineering Applications of Artificial Intelligence》：Automated image-based quality classification of basalt stone surfaces in manufacturing

玄武石表面质量自动化分类系统研究采用ResNet-50等7种预训练模型，基于7064张标注数据构建BasaltQC数据集，通过超参数优化和统计验证（McNemar测试），ResNet-50以93.05%准确率最佳，有效减少人工检测的主观误差，为工业自动化提供解决方案。

　　

作者：Trung-Tin Pham、Thanh-Son Tran、Thang Cap、Bay Vo、Tuong Le

越南胡志明市越南国立大学信息技术学院

摘要

玄武岩表面的质量分类对于确保建筑和工业制造的一致性至关重要。然而，人工检测耗时、主观性强且容易出错，这限制了自动化生产环境的效率。本研究介绍了一种基于智能神经网络的系统，用于自动对玄武岩表面进行质量分类，从而提升工业自动化和机器人驱动的制造水平。评估了七种预训练的神经网络架构，包括残差网络（ResNet-50）、视觉变换器（ViT）、极端Inception网络（Xception）、高效神经网络（EfficientNet-B4）、Inception版本3（Inception-V3）、密集卷积网络（DenseNet-201）和移动神经网络（MobileNet-V2），使用的是包含7064张专业标记的玄武岩图像的BasaltQC数据集，这些图像被分为“合格”和“不合格”两类。该实验框架涵盖了系统的超参数优化、正则化技术、消融研究以及使用McNemar统计测试的统计验证。在评估的架构中，ResNet-50表现最佳，准确率为93.05%，F1分数（精确度和召回率的调和平均值）为92.66%，精确率为97.50%，证明了在最小化昂贵的误报和避免过多材料拒绝之间的最佳平衡。统计分析确认ResNet-50优于其他模型（p < 0.05），而集成方法虽然有所改进，但计算复杂度增加。错误分析显示，阴影、遮挡和模糊是导致分类错误的主要原因，这突显了标准化成像协议的重要性。所提出的基于ResNet-50的系统具有操作优势，包括减少检测时间、一致的质量评估和提高供应商可靠性，使其适合在工业质量控制中实时部署。这种方法为自动化制造和建筑材料管理提供了一个可扩展且可行的解决方案。

引言

由于其高耐久性和美观价值，玄武岩目前被广泛用于建筑和景观美化（Agasnalli等人，2022年）。然而，玄武岩的表面质量会受到地质条件、开采方法和加工技术的影响，进而影响生产效率和自动化工作流程。此外，不同的地质构造会影响石头的纹理、颜色和硬度，对其耐磨性起着关键作用。如果开采技术和加工步骤（如切割、研磨和抛光）不符合要求，可能会导致裂纹和表面缺陷，从而降低石头的耐久性和视觉吸引力。表面缺陷会导致建筑寿命缩短、维护成本增加以及潜在的安全风险。此外，不一致或颜色不深的外观也会严重影响美观，特别是在高精度项目中，少数有缺陷的样本可能会立即显眼。因此，一个集成了机器人的先进质量控制系统对于提高玄武岩加工的可靠性和生产效率至关重要（Jia等人，2025年；Mun等人，2024年；Singh等人，2025年）。 传统上，玄武岩表面质量的评估主要依赖于检查人员的人工检查。这种方法劳动密集、主观性强且缺乏可扩展性，不适合需要高精度和自动化的现代生产环境。特别是对于经过火焰处理的玄武岩表面，根据表面缺陷区分合格和不合格产品相对简单；然而，在交付给客户时，颜色仍然是一个关键因素。合格的产品不仅不能有表面缺陷，还必须表现出均匀且深沉的颜色。由于火焰处理的玄武岩保留了其自然纹理，表面粗糙不平，有明显的白色脉络，以及不同的明暗区域，因此实现完全均匀的颜色是不可能的。这引发了两个关键问题：“什么是玄武岩表面的颜色均匀性？”以及“什么是深色？”这些问题难以定量定义，通常根据客户要求进行主观评估。 因此，只有经验丰富的工人才能准确解读客户需求并最小化质量控制中的错误，而经验较少的工人往往因为合格和不合格产品之间的颜色差异非常微妙而犯错，尤其是在两者之间的边界附近。结果，企业面临多重挑战：确保客户的一致质量、在保持质量的同时进行扩展，以及满足大规模订单或紧迫的截止日期，特别是在战争或自然灾害等全球性干扰期间，这些情况会增加成本和交货时间。实际上，大多数客户投诉都与颜色缺陷有关，如果无法按时交货，可能会错失机会。对于从供应商处购买产品的中间商来说，不正确的质量评估可能导致双重损失：购买不合格的产品和失去客户的信任。因此，需要一种自动化解决方案，以减少主观评估、提高准确性、实现可扩展性并节省成本。 随着对集成机器人的质量控制系统的需求不断增长，一种由人工智能（AI）驱动的自动化解决方案对于准确分类玄武岩表面质量变得必要。近年来，人工智能发展迅速，在医疗保健（Vo等人，2022年；Reale-Nosei等人，2024年）、经济学（Haddadi等人，2024年；Le，2022年）和工业自动化（Jia等人，2025年；Mun等人，2024年；Singh等人，2025年）等多个领域找到了应用，显著提高了效率和决策能力。它还越来越多地应用于供应链优化和物流（Aazami和Saidi-Mehrabad，2021年；Ma等人，2025年；Zarreh等人，2024年）。深度学习的最新进展，特别是卷积神经网络（CNNs）（He等人，2016年；Dosovitskiy等人，2021年；Chollet，2017年；Tan和Le，2019年；Szegegy等人，2016年；Huang等人，2017年），彻底改变了基于计算机视觉的缺陷检测在工业自动化中的应用。通过利用在大型数据集上训练的预训练模型，研究人员可以提高图像分析的效率和准确性，同时减少对大量标记数据的依赖。迁移学习通过将从通用数据集中学习到的特征适应于特定领域应用，进一步增强了这一能力，使其非常适合实时、机器人辅助的质量检测。 在这项研究中，我们提出了一种基于智能深度学习的系统，用于自动对玄武岩表面进行分类，旨在与工业自动化和机器人辅助的制造工作流程无缝集成。我们的方法利用高分辨率图像分析和基于深度学习的缺陷及不符合要求的颜色检测，提供了比人工检测更可扩展和更快速的替代方案。通过结合图像预处理，我们提高了模型的准确性和泛化能力，确保在不同纹理、颜色和图案的表面上都能可靠地运行。该系统提高了制造效率，减少了对人工检测的依赖，并符合工业质量控制中机器人和AI日益普及的趋势。 本研究的主要贡献如下：（i）开发了BasaltQC数据集，包含来自不同越南供应商的7064张专业标记的玄武岩样本图像，为自动质量分类提供了平衡的基础，其中“合格”（3528张）和“不合格”（3536张）类别的代表比例相当。（ii）对七种最先进的深度学习架构（ResNet-50、Vision Transformer、Xception、EfficientNet-B4、Inception-V3、DenseNet-201和MobileNet-V2）进行了全面的比较分析，包括批量大小和学习率的网格搜索、特定于架构的训练周期调整和正则化策略。（iii）通过McNemar测试和详细的错误分析进行了统计验证，确定了主要的错误分类来源，证明ResNet-50的表现最佳，准确率为93.05%，F1分数为92.66%，确立了其作为工业玄武岩质量评估的最佳解决方案。 本文的其余部分结构如下：第2节回顾了工业质量控制和表面缺陷检测中深度学习应用的相关工作；第3节详细介绍了方法论，包括数据集构建、模型架构、领域适应策略和全面的实验框架；第4节展示了包括初始训练、错误分析、消融研究、超参数优化、集成方法和统计验证在内的广泛实验结果；第5节讨论了工业部署的实际考虑；最后，第6节总结了研究并概述了自动石材质量分类系统的未来研究方向。

相关研究

相关研究

深度学习，特别是卷积神经网络（CNNs），由于其能够自动从图像数据中提取特征，已成为图像分类任务的主要方法。与依赖手动特征提取的传统方法（如定向梯度直方图（HOG）或灰度共生矩阵（GLCM）不同，CNNs通过卷积层和池化层从低级边缘到高级抽象表示分层学习特征。开创性的AlexNet

BasaltQC数据集

数据集组成。 本研究使用了一个精心策划的包含7064张石材样本图像的数据集作为基础。该数据集均匀分为两类：3528张被分类为“合格”，3536张被分类为“不合格”，确保了代表性的平衡。这些样本由一家专门供应玄武岩的公司的专家进行了评估。数据集分为三个子集：60%用于训练，20%用于开发，20%用于测试，确保了良好的结构

带有初始超参数的训练模型

本研究使用BasaltQC数据集，研究了ResNet-50、ViT、Xception、EfficientNet-B4、Inception-V3、MobileNet-V2和DenseNet-201在玄武岩表面质量分类方面的性能。模型训练在Kaggle平台上进行，该平台提供了广泛的数据集和高性能的计算资源。所有实验都在NVIDIA P100 GPU上进行，这是一种非常适合训练卷积神经网络的加速器

讨论

对七种深度学习架构在玄武岩表面质量分类方面的评估突出了明显的性能差异。ResNet-50取得了最佳的整体结果，准确率为93.05%，F1分数为92.66%，证实了残差学习在基于纹理的图像分类任务中的持续相关性。其高精确度（97.50%）最小化了昂贵的误报，而88.28%的召回率确保了大多数可接受的石头被正确识别，减少了

结论

本研究提出了一种集成了机器人的智能框架，用于使用深度学习自动对玄武岩表面进行质量分类。通过利用包括ResNet-50、视觉变换器（Vision Transformer）、Xception、EfficientNet-B4、Inception-V3、MobileNet-V2和DenseNet-201在内的最先进的预训练架构，该系统提升了工业自动化水平，并实现了基于准确性的质量控制。BasaltQC数据集包含7064张图像，分为两类（合格和不合格）

CRediT作者贡献声明

Trung-Tin Pham：软件、方法论、数据整理。Thanh-Son Tran：软件、数据整理、概念化。Thang Cap：写作——审阅与编辑。Bay Vo：写作——审阅与编辑。Tuong Le：写作——审阅与编辑、初稿撰写、监督、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。