摘要
在硬盘驱动器（HDD）制造过程中，确保精密部件的清洁度至关重要。因为声圈电机组件（VCMA）上的微尘污染可能导致定位错误、磁头运动不稳定以及长期可靠性问题。然而，由于尘埃颗粒极其微小、外观不规则，并且通常出现在复杂的微观背景中，因此对这些污染的自动化检测仍然具有挑战性。本研究提出了一种可解释的混合深度学习框架，用于微尘检测，该框架结合了对象检测以实现精确定位和图像分类以确认缺陷。比较评估了三种YOLO架构（YOLOv5、YOLOv8和YOLOv11）在尘埃检测方面的性能，同时使用了三种卷积神经网络（CNN）模型（ResNet50、EfficientNetB0和MobileNetV2）并通过迁移学习进行训练，这些模型采用了冻结的特征提取层来进行“良好”（G）和“不良”（NG）图像级别的分类。实验数据集包含带有注释的微尘VCMA图像，并对训练子集应用了数据增强技术，以缓解样本量有限和类别不平衡的问题。实验结果表明，YOLOv8在整体检测性能上表现最佳；而YOLOv5因在反射性和纹理丰富的微观背景下产生的误报较少，被选为后续混合系统的优先检测器。YOLOv11在当前实验设置中的检测性能较低，这可能是由于其架构特性不太适合本研究中的数据有限和背景复杂性高的条件。在当前实验设置中，YOLOv5的mAP@0.5值为0.62，精确度为0.75，召回率为0.69。在图像级别分类方面，EfficientNetB0达到了93.10%的最高分类准确率，F1分数为0.932，AUC为0.986。此外，Grad-CAM可视化显示EfficientNetB0始终关注物理上有意义的尘埃污染区域，从而提高了分类结果的可解释性。总体而言，所提出的基于YOLOv5定位和EfficientNetB0缺陷确认的混合框架在提高自动化VCMA质量检测的可靠性、误报控制以及可解释性方面显示出良好的潜力。这些发现支持了可解释深度学习在HDD制造中用于微尘缺陷检测的可行性，并表明其可能适用于其他精密制造环境。
