摘要
烫金箔作为一种广泛应用于包装印刷、防伪标识等领域的高端装饰材料，其分切加工过程中的质量缺陷直接影响终端产品的外观品质与商业价值。传统的人工目检方式存在效率低、漏检率高、一致性差等问题。本文提出一种基于深度学习的烫金箔分切缺陷实时检测系统，通过改进的YOLOv8目标检测算法与高速线阵相机采集方案相结合，实现了对分切边缘毛刺、划痕、针孔、缺边等典型缺陷的在线识别与分类。实验结果表明，该系统在检测速度达到45 FPS的同时，平均检测精度mAP达到96.3%，能够满足工业生产线30 m/min运行速度下的实时检测需求，具有良好的工程应用价值。
关键词：烫金箔；缺陷检测；深度学习；实时检测；YOLOv8
一、引言
烫金箔（又称电化铝箔）是一种由聚酯薄膜基材、离型层、着色层和金属镀层组成的多层复合薄膜材料。在其生产加工流程中，分切是最后一道关键工序------将宽幅母卷按照客户需求分切成规定宽度的窄卷。由于烫金箔表面金属光泽强烈、基材薄且易拉伸，分切过程中极易产生毛刺、划伤、针孔、边缘波浪等缺陷。一旦缺陷卷流入后道烫金工序，将造成大批量印刷废品，损失巨大。
当前行业内主流检测方式仍以人工目视抽检为主，操作员在复卷机旁借助放大镜观察边缘质量。这种模式存在三方面局限：其一，高速运行下人眼难以捕捉瞬态缺陷；其二，长时间作业容易产生视觉疲劳，漏检率波动大；其三，缺乏量化记录与可追溯性。近年来，机器视觉技术在薄膜缺陷检测领域取得了广泛应用，但传统图像处理方法（如边缘检测、阈值分割、形态学滤波）对烫金箔的高反光特性适应性较差，难以区分真实缺陷与金属光泽引起的伪影。
深度学习方法，尤其是卷积神经网络在目标检测任务中的突破，为这一问题提供了新的解决思路。本文设计并实现了一套端到端的烫金箔分切缺陷实时检测系统，重点解决了高反光场景下的图像采集、轻量化模型部署以及实时告警联动等工程难题。
二、系统总体架构
2.1 系统组成
本系统由五个核心模块构成：
图像采集模块：采用两套高速线阵CMOS相机，分别对准分切刀具后方的左右边缘区域，配合高亮度漫反射LED光源，抑制金属反光干扰。
同步控制模块：基于旋转编码器采集分切轴转速，实现图像采集速度与生产线速度的硬件同步。
数据处理与推理模块：嵌入式GPU工控机（NVIDIA Jetson Orin NX）接收图像流，运行改进的YOLOv8检测模型，输出缺陷类别与位置。
结果展示与存储模块：15.6英寸工业触摸屏实时显示缺陷图像、统计报表；本地数据库保存检测日志，支持质量追溯。
执行联动模块：当检测到严重缺陷时，向PLC发出停机或打标喷码信号，触发分切机自动标记异常段。
2.2 工作流程
系统启动后，相机以20 kHz的线扫描速率持续采集图像，每累积2048行拼接为一帧2000×2048像素的灰度图像。图像送入预处理单元（ROI裁剪、直方图均衡化）后，深度神经网络进行前向推理。若某帧图像中缺陷置信度超过设定阈值，系统记录缺陷类型、坐标及对应米长位置，并在上位机界面中叠加缺陷框。同时，检测结果通过Modbus TCP协议实时发送至分切机PLC，实现"检测-标记-告警"闭环控制。
三、烫金箔分切缺陷分析与数据集构建
3.1 典型缺陷特征
通过对三家烫金箔生产企业的现场调研，总结出分切阶段最常见的四类缺陷：
| 缺陷类型 | 形态描述 | 尺寸范围 | 产生原因 |
|---|---|---|---|
| 毛刺 | 切割边缘呈锯齿状、纤维状突起 | 宽度0.1~1.5mm | 刀具磨损、间隙不当 |
| 划痕 | 表面连续或间断的亮线或暗线 | 长度>2mm，宽度<0.3mm | 导辊脏污、硬质颗粒划伤 |
| 针孔 | 直径50~300μm的透光小点 | 圆形或不规则 | 镀层缺陷、静电击穿 |
| 缺边 | 边缘局部材料缺失，形成凹坑 | 深度>0.5mm | 薄膜跑偏、张力波动 |
3.2 数据集采集与标注
在生产现场分切机上安装实验采集装置，以50 mm/ms的采样等效间距连续采集了8000幅图像。采用五折交叉验证方式划分训练集（5600幅）、验证集（1200幅）和测试集（1200幅）。标注工作由三名具有五年以上质检经验的人员完成，使用LabelImg软件进行矩形框标注，每类缺陷的标注数量分别为：毛刺2854个、划痕2106个、针孔3278个、缺边1892个。标注完成后通过Fleiss' Kappa系数检验一致性，结果为0.87，表明标注可靠性较高。
3.3 数据增强
为提升模型泛化能力，对训练集实施在线数据增强策略，包括：随机亮度调整（系数0.6~1.4）、高斯噪声（σ=0~5）、水平翻转、随机裁剪和仿射变换（小角度旋转±5°）。特别针对烫金箔高反光特性，增加局部高光模拟增强------在图像中随机生成椭圆形的亮斑区域，使模型学习到高光与真实缺陷的区分特征。
四、改进的YOLOv8检测算法
4.1 基准模型选择
YOLOv8作为当前工业检测领域的先进算法，在速度和精度之间取得了良好平衡。相比YOLOv5，其采用了更高效的C2f模块（基于CSPNet的改进）、解耦检测头以及无Anchor的自由锚定机制。本文以YOLOv8n（nano版本）为基准模型，参数量仅3.2M，满足嵌入式设备的实时推理需求。
4.2 改进策略
针对烫金箔缺陷的独特特点，对YOLOv8进行三处改进：
（1）引入坐标注意力机制（Coordinate Attention）
烫金箔缺陷通常沿边缘或纵向分布，具有明显的方向敏感性。标准卷积的注意力机制难以捕捉这种长距离依赖关系。在Backbone网络的第8层之后嵌入CA模块，该模块将位置信息嵌入通道注意力，分别沿水平与垂直方向对特征图进行池化，使得模型能够更精确地定位缺陷在分切边缘的位置。
（2）轻量化特征融合网络
原始PANet（Path Aggregation Network）使用了较多的上下采样操作，对嵌入式设备计算负载较高。本文将其中的标准卷积替换为深度可分离卷积，并在FPN的浅层分支中引入Ghost卷积，在保持感受野的前提下将FLOPS降低约28%。
（3）损失函数优化
烫金箔缺陷中存在明显的类别不平衡问题（小尺寸的针孔和划痕数量远多于毛刺与缺边）。将原有的CIoU Loss替换为Wise-IoU v3，该损失函数根据样本的难易程度动态调整梯度权重，避免大量简单负样本主导训练过程，对微小缺陷的召回率有明显提升。
4.3 模型训练与量化
训练环境：Ubuntu 20.04，PyTorch 1.12，NVIDIA RTX 4090 GPU。超参数设置：输入图像尺寸640×640，初始学习率0.01，采用SGD优化器，动量0.937，权重衰减0.0005，批量大小32，共训练300轮。训练完成后，采用TensorRT的INT8量化将模型从FP32压缩至INT8精度，在推理速度提升42%的同时，mAP下降控制在1.1个百分点以内。
五、实验与结果分析
5.1 实验设置
将系统部署于某烫金箔生产企业的一台分切机上，该设备运行速度30 m/min，幅宽600 mm。对比方法包括：传统图像处理算法（Canny边缘检测+形态学滤波）、Faster R-CNN（ResNet50骨干）、YOLOv5s以及未改进的YOLOv8n。评估指标为：平均精度均值（mAP@0.5）、每帧推理时间（ms）、实时处理帧率（FPS）。
5.2 检测精度对比
| 模型 | mAP@0.5 (%) | 毛刺AP | 划痕AP | 针孔AP | 缺边AP |
|---|---|---|---|---|---|
| Canny+形态学 | 68.2 | 61.3 | 70.5 | 55.8 | 85.2 |
| Faster R-CNN | 88.5 | 86.1 | 89.3 | 84.7 | 93.8 |
| YOLOv5s | 91.7 | 90.2 | 92.4 | 89.6 | 94.6 |
| YOLOv8n | 93.8 | 92.5 | 94.1 | 91.8 | 96.7 |
| 本文改进YOLOv8n | 96.3 | 95.2 | 96.6 | 95.1 | 98.4 |
改进后的模型在所有缺陷类别上的检测精度均优于其他方法，尤其在针孔这一类小目标缺陷上，相比原始YOLOv8n提升了3.3个百分点。注意力机制的引入显著降低了将金属光泽误判为划痕的假阳性率（从每千帧6.2次降至2.1次）。
5.3 实时性能
在Jetson Orin NX平台上（配置：6核ARM Cortex-A78，8GB LPDDR5，TensorRT加速），各模型的实际推理性能如下：
|--------------|------|------|----|---|
| Faster R-CNN | 41.5 | 58.7 | 17 | 否 |
| YOLOv5s | 7.2 | 28.4 | 35 | 是 |
| YOLOv8n | 3.2 | 18.6 | 54 | 是 |
| 本文改进YOLOv8n | 3.9 | 22.3 | 45 | 是 |
虽然改进后的模型因引入CA模块导致参数量增加约22%，但推理时间仍控制在22.3毫秒，对应45 FPS的处理能力，远超30 FPS的工程需求。系统端到端延迟（从图像采集到输出告警）实测为48毫秒，对应运行速度下的空间分辨率为24 mm，能够有效标记缺陷位置。
5.4 现场应用效果
该系统在某工厂连续运行720小时后，统计结果显示：检出真实缺陷756处，人工复核漏检17处（漏检率2.2%），误报29次（误报率3.7%），综合缺陷检出率达到97.8%。与原先人工抽检方式相比，客户投诉的烫金箔质量问题下降了76%。操作人员反馈，系统界面直观，能够记录每一卷的缺陷分布图，便于追溯刀具寿命与工艺参数之间的关联。
六、结论与展望
本文设计并实现了一套基于深度学习的烫金箔分切缺陷实时检测系统，主要贡献包括：（1）构建了覆盖四种典型缺陷的烫金箔分切缺陷图像数据集；（2）提出融入坐标注意力与轻量化特征融合的改进YOLOv8算法，在Jetson Orin NX平台上达到45 FPS的处理速度与96.3%的mAP；（3）完成了从图像采集、算法推理到PLC联动的全流程工程实现，并经过长时间现场运行验证。
未来可从三个方向继续优化：其一，引入半监督学习策略，充分利用工厂积累的无标注生产数据进行模型迭代；其二，探索多光谱成像方案，利用近红外波段增强对针孔缺陷的对比度；其三，将检测结果与分切工艺参数（张力、刀具间隙、压辊压力）关联分析，建立缺陷预测与工艺推荐模型，从被动检测向主动预防演进。
参考文献
1 Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detectionC. CVPR, 2016: 779-788.
2 Ultralytics. YOLOv8: A state-of-the-art real-time object detection modelEB/OL. https://github.com/ultralytics/ultralytics, 2023.
3 Hou Q, Zhou D, Feng J. Coordinate attention for efficient mobile network designC. CVPR, 2021: 13713-13722.
4 王健, 张磊, 李明. 基于改进YOLOv5的薄膜表面缺陷检测方法J. 仪器仪表学报, 2022, 43(5): 156-165.
5 Tong Z, Chen Y, Xu Z, et al. Wise-IoU: Bounding box regression loss with dynamic focusing mechanismJ. arXiv preprint arXiv:2301.10051, 2023.
6 刘志强, 陈文华. 电化铝烫金箔生产工艺与质量控制M. 北京: 化学工业出版社, 2019: 187-203.
7 Howard A, Sandler M, Chu G, et al. Searching for MobileNetV3C. ICCV, 2019: 1314-1324.