基于几何筛选与残差边缘融合的橡胶输液管自动光学检测方法研究

《Scientific Reports》：Defect detection in rubber pump tubing using edge fusion and adaptive learning

　　

摘要

橡胶输液管决定了蠕动输注泵的容积精度，因此内径或壁厚的偏差可能会改变给药剂量。此类管材的自动光学检测受到两个耦合因素的制约：样本本身存在几何差异，这会将无关变异注入输入分布；同时，诊断证据承载于细薄且低对比度的边缘上，而卷积网络中的反复下采样会削弱这些边缘特征。本研究在单一流水线中同时解决这两个因素，并分别量化其贡献。首先通过阴影线检测流程从垂直暗度分布中恢复两个管壁的内边界和外边界，计算逐层内径、外径和左右壁厚，并将所得的不对称性统计量作为显式且具有可解释性的数据条件化阶段。随后，VGG19骨干网络被增配以残差边缘融合单元，其中固定的Sobel算子产生梯度幅值，由一个两参数的可学习门控将其转换为软边缘响应，该响应通过残差路径重新注入骨干特征，而非作为额外通道进行拼接；同时，增配以无参数的自适应平均池化头，以消除原始分类器对固定输入尺寸的约束。为适应有限的样本量，迁移学习以部分冻结的形式应用：ImageNet预训练骨干网络的前四个卷积块在整个训练过程中保持冻结，最深层卷积块进行微调，融合单元从零开始训练，而在分类器内部，仅最终全连接层被替换并训练，其前面的层保持冻结。实验基于3000张在线扫描检测设备上获取的已标注橡胶输液管图像进行。在按组级别划分出的600张图像测试集上，完整流水线达到正类F1值为0.9093、准确率为0.8733；相同网络在去除几何筛选后分别为0.8897和0.8483，未修改的VGG19基线分别为0.8317和0.7700；在五个随机种子下，完整流水线的F1为0.9094，标准差为0.0010，其自举95%置信区间为[0.8881, 0.9286]，配对McNemar检验在p = 0.0201水平上将其与未筛选变体显著区分开来。