基于梯度流的光纤连接器压接管内孔微小毛刺缺陷检测方法

《Engineering Applications of Artificial Intelligence》：Gradient stream-based detection of tiny burr defects in the inner bore of optical fiber connector crimp tubes

　　

针对光纤连接器压接管（crimp tube）内表面微小毛刺缺陷检测中因缺陷形态易受背景及边缘轮廓干扰而导致的漏检问题，研究人员提出了一种基于梯度信息辅助与重参数化的微小缺陷检测方法。首先，通过构建动态梯度信息传播路径，设计了梯度信息辅助分支与重参数化推理简化策略，以增强特征提取过程中的信息动态反馈，突破缺陷特征的信息瓶颈，同时在推理阶段简化网络结构，降低信息增强方法对检测效率的影响。在此基础上，进一步构建了特征感知增强网络（Feature-Aware Enhancement Network, FAEN），利用多分支密集层卷积块与CARAFE上采样算子实现多尺度特征的动态信息融合，提高小目标特征的表征权重。实验结果表明，该方法有效降低了漏检率，平均检测精度达到72.6%，单张图像推理时间仅为9.6 ms。

光纤通信凭借其高容量、长距离传输及优良保密性，已成为大数据时代信息与通信的重要基础，广泛应用于网络通信、远程医疗及智能制造等领域。光纤连接器可实现光纤的可拆卸连接，其核心功能是通过精确对准两端面，将发射端光能以最大效率耦合至接收端。连接质量取决于端面接合的紧密程度，而压接管用于固定光纤并防止轴向移动。在加工、夹持与定位过程中，部分压接管内孔易产生毛刺缺陷，导致连接器两芯插针错位，端面无法精准对齐，显著降低光传输效率。由于压接管属小型精密部件，最大外径仅6.0 mm，最小内径仅1.42 mm，其内孔毛刺极为细小；且部分毛刺呈细长状，轮廓与内孔边缘重叠，易被误判；加之背景杂乱、缺陷与背景对比度低，传统人工检测受限于人眼生理条件难以高效完成。近年来，机器视觉从基于传统机器学习的方法转向基于深度学习的方法，其中YOLO系列目标检测算法因轻量化与高精度在工业缺陷检测中被广泛应用。然而，锚框（anchor-based）方法依赖先验知识设计锚框，不适用于细长微小毛刺缺陷的检测；无锚框（anchor-free）方法如YOLOv8虽更适合此类任务，但在多层特征提取迭代过程中，小目标信息易出现瓶颈，导致特征丢失与漏检。梯度流（gradient stream）分析方法通过反向传播优化梯度路径，可显著提升微小缺陷检测性能，但现有方法仍存在计算效率低、单分支结构特征损失等问题。

研究人员在YOLOv8s架构基础上，提出基于梯度信息辅助的LCSDNet方法。关键技术包括：（1）设计梯度信息辅助（Gradient Information Assistance, GIA）分支，通过可逆变换减少微小缺陷信息损失，并利用多层次辅助信息整合解决多尺度不平衡问题；（2）构建特征感知增强网络（FAEN），采用FR_C2f模块的多梯度路径设计与CARAFE上采样算子，提升缺陷特征捕捉与表达能力；（3）引入推理模型重参数化技术，在保持轻量化和快速推理的同时提高检测精度。样本来自AOSVI HK830显微镜采集的光纤连接器内孔高倍图像，放大倍率为50×与75×，由CCD相机通过电动三维镜头获取并由控制中心处理数据。

研究结果

1. 1.
   梯度信息辅助（GIA）：通过动态梯度信息传播路径，增强特征提取过程中的信息反馈，有效突破小缺陷特征的信息瓶颈，并在推理阶段简化结构，保障检测效率。
2. 2.
   特征感知增强网络（FAEN）：利用多分支密集层卷积块与CARAFE算子实现多尺度特征融合，显著提高小目标特征的权重与表征能力。
3. 3.
   轻量化推理架构：重参数化技术确保模型在提升精度的同时保持快速推理，单张图像推理时间仅为9.6 ms。

讨论与结论

研究提出的LCSDNet方法在光纤连接器压接管内孔微小毛刺缺陷检测中实现了平均检测精度72.6%，有效降低漏检率，并保持了实时检测性能。该方法通过梯度信息辅助与特征增强融合，从特征梯度传播的角度弥补了微小缺陷信息缺失，解决了小目标检测中的信息瓶颈问题。研究结果为工业微小缺陷在线检测提供了可行的技术路径，具有较高的工程应用价值。论文发表于《Engineering Applications of Artificial Intelligence》。