一、概述

1.1 项目背景

核燃料元件制造属于对产品质量与安全可靠性要求极高的精密制造领域。检测环节是质量管控的关键屏障，其检测精度、检测效率与可追溯性直接影响产品合格率与后续运行安全。传统的人工抽检模式存在效率低、主观性强、覆盖不全、难以量化追溯等局限，已难以满足日益严格的质量管控要求。

为解决上述问题，本项目提出建设一套视觉一体化在线检测平台，通过整合全工序视觉检测硬件资源、构建标准化数据传输与存储体系、开发智能化管理应用模块，实现“设备集中管控、数据统一分析、质量全程追溯、状态实时监控”的一体化管理目标。

1.2 建设目标

本项目整体建设目标如下：

（1）设备集中管控：整合全工序视觉检测硬件资源，实现检测设备、光源、运动机构的统一调度与集中管控，保障生产节拍下的稳定协同运行。

（2）数据统一分析：构建标准化数据传输与存储体系，实现检测数据、算法数据、生产元数据与设备状态数据的统一汇聚与统一分析，支撑模型迭代与质量分析。

（3）质量全程追溯：对检测过程、检测结果、模型版本、数据版本与用户操作进行全流程记录与审计，满足核工业“全流程可追溯”的合规要求。

1.3 总体框架与设计原则

视觉一体化在线检测平台采用分层式设计、分布式部署、模块化管理，整体架构清晰、扩展灵活。各部分职责界定如下：

（a）数据管理系统：主要涉及深度学习算法基础数据库搭建，其功能模块包含数据采集、数据清洗、数据管理等，为算法训练与应用提供“数据基石”。

（b）视觉方案设计与实施系统：主要涉及实现视觉检测业务需要具备的算法和模型训练功能，包含方案规划、图像预处理、数据标注、模型构建、模型训练、模型评估、模型优化、模型编排等。

平台整体遵循“硬件层—数据层—算法层—应用层”的分层逻辑：硬件层完成图像采集与执行动作；数据层完成样本汇聚与治理；算法层完成模型训练、评估与优化；应用层完成检测方案的配置、发布与运行管理。

1.4 适用范围

本方案适用于精密制造领域（如核燃料元件制造）中的全工序视觉检测场景，涵盖软件平台的部署建设与四套单机检测装置的研制改造。

二、平台总体架构

视觉一体化在线检测平台以“一个数据基础、两大训练能力、一套推理体系、一层运行管控、一种自学习机制”为总体技术路线，形成覆盖“样本采集—模型训练—方案部署—生产检测—数据回流—持续学习”的完整闭环。

在技术架构上，平台采用微服务设计思想，各模块间通过标准化接口与消息队列通信，支持水平扩展，可承载多检测工位的并发推理，完全适配核工业连续生产的高可用性要求。

三、系统方案

1 视觉一体化在线检测平台

本项目提出的视觉一体化在线检测平台，通过整合全工序视觉检测硬件资源、构建标准化数据传输与存储体系、开发智能化管理应用模块，实现 “设备集中管控、数据统一分析、质量全程追溯、状态实时监控” 的一体化管理目标。平台适用于精密制造领域（如核燃料），可显著提升检测效率、降低人工干预，满足高精度、高可靠性的生产质量管控需求。

整体框架示意图

视觉一体化在线检测平台采用分层式设计、分布式部署、模块化管理，主要包含数据管理系统、方案设计与实施系统、在线推理系统、运行管理系统：

a) 数据管理系统应主要涉及深度学习算法基础数据库搭建，其功能模块包含数据采集、数据清洗、数据管理等；

b) 视觉方案设计与实施系统主要涉及实现视觉检测业务需要具备的算法和模型训练功能，包含方案规划、图像预处理、数据标注、模型构建、模型训练、模型评估、模型优化、模型编排等。

c) 在线推理系统主要涉及面向不同场景的机器视觉检测需求所需的解决方案管理，包含方案配置、方案管理、方案查询、方案发布、方案集成等。

d) 运行管理系统主要涉及客户端软件、硬件控制、通讯连接、模型导入等工作，包含相机控制、光源控制、机台通讯、运动控制、模型管理、权限管理、图像处理等。

1.1 平台数据管理系统能力

视觉一体化在线检测平台的数据管理系统是支撑深度学习算法训练、迭代与应用的“数据基石”，核心目标是构建“高质量、可追溯、易复用”的工业级深度学习数据库，为视觉检测全流程（从样本采集到模型部署）提供全生命周期数据支撑。针对核燃料元件制造等高精度场景，系统需具备大规模数据处理、精细化质量管控、安全合规存储等核心能力，其功能模块及技术实现如下：

1) 核心能力定位

数据管理系统聚焦深度学习算法对数据的“高质量、高时效、高安全”需求，具备四大核心能力：

 全源数据汇聚能力：整合视觉检测设备、生产系统、环境传感器等多源数据，形成完整样本库；

 自动化数据治理能力：通过清洗、标注、增强等手段，将原始数据转化为可直接用于模型训练的 “优质样本”；

 全生命周期管理能力：实现数据从采集、标注、训练、退役的全流程追溯，支持模型版本与数据版本的精准关联；

 安全合规保障能力：满足核工业数据安全标准（如等保三级、核安全法规），确保数据不泄露、不篡改、可审计。

2) 功能模块及技术实现

 数据采集模块：

全源异构数据汇聚，支撑样本多样性。数据采集模块是数据库的“入口”，需实现多类型、多维度数据的自动化采集，为深度学习提供丰富样本。

采集范围与数据源：核心检测数据：视觉检测设备输出的原始图像（如核燃料附件点焊后高清图、坡口缺陷放大图）、算法处理结果（如缺陷框标记图、特征热力图）、检测日志（如置信度、判定结果）；

生产元数据：通过OPC UA、MQTT 等工业协议对接 MES、ERP 系统，同步产品编号、批次信息、工序名称、设备编号、操作人员ID、工艺参数（如焊接电流、检测时的光源强度）等；

环境与状态数据：集成温湿度传感器、设备振动监测仪数据，记录数据采集时的环境干扰（如车间光照强度、设备运行噪声），用于模型抗干扰训练。

技术实现方式：

分布式采集架构：采用“边缘节点 + 平台端汇聚”模式，边缘节点部署在各检测工位，实时采集并预处理数据（如压缩图像、过滤无效帧），再通过网络传输至平台端，避免网络拥塞；

多协议适配：内置协议转换网关，支持HTTP、HTTPS、MQTT、OPC UA等20 + 协议，兼容主流工业相机、传感器及生产系统；

智能触发机制：结合检测设备的“合格/不合格”判定结果，自动优先采集“边缘样本”（如低置信度缺陷、罕见缺陷），确保稀缺样本不遗漏；

数据格式标准化：所有图像统一采用无损格式（保留像素级细节），元数据采用JSON格式（支持语义化关联），便于跨系统解析与算法调用。

 数据清洗模块：精细化质量管控，保障样本有效性

数据清洗是提升深度学习模型精度的关键环节，通过自动化处理与人工校验结合，剔除噪声、修正错误，确保入库数据“干净、准确、一致”。

核心清洗能力：噪声过滤：去除因设备抖动、光照突变、传感器故障导致的无效数据（如模糊图像、过曝/欠曝图像）；

标注修正：识别并修正人工标注错误（如缺陷类型标错、边界框偏移）；

数据去重：通过图像哈希值比对，剔除重复样本（如同一产品的重复拍摄图像）；

平衡优化：针对“缺陷样本少、正常样本多” 的不平衡问题，通过欠采样（减少冗余正常样本）、过采样（增强缺陷样本多样性）调整样本比例（如缺陷样本占比≥20%）。

技术实现方式：

自动化清洗工具链：基于OpenCV 实现图像预处理（如光照归一化、去噪滤波），通过拉普拉斯方差计算图像清晰度，自动过滤模糊样本（清晰度低于阈值的图像直接剔除）；

采用半监督学习模型（如自编码器）识别“疑似错误标注”样本（如标注为“合格” 但包含明显缺陷的图像），推送给人工校验队列；

基于算法计算图像相似度，自动标记重复样本并保留质量最高的 1 份（通过清晰度、光照均匀性评分）；

人机协同校验：搭建Web标注平台（支持多人在线协作），对自动化清洗后的 “高风险样本”（如新型缺陷、模糊标注）进行人工复核，标注结果实时同步至数据库，确保清洗准确率≥99.9%。

 数据管理模块：全生命周期管控，支撑模型迭代

数据管理模块是数据库的“中枢”，实现样本的存储、标注、版本控制、检索与复用，为深度学习算法提供“随用随取”的高质量样本。

1. 核心管理能力：

结构化存储：区分“原始数据、清洗后数据、标注数据、模型训练数据”，实现分层存储与快速调取；

智能标注：支持自动标注（结合现有模型预标注）与人工精标，满足深度学习对 “精准标签”的需求；

版本控制：记录数据的每一次更新（如样本新增、标注修正），支持版本回溯与对比；

高效检索：通过多维度标签快速定位样本，支撑模型训练的样本筛选。

2. 技术实现方式：

存储架构：采用“分布式文件系统 + 关系型数据库 + 搜索引擎” 混合存储：

分布式文件系统（如 MinIO）存储原始图像与处理后图像，支持 PB 级容量与并行读写；

关系型数据库存储元数据（如样本 ID、采集时间、缺陷类型、标注人员），确保事务一致性；

Elasticsearch 构建全文检索引擎，支持基于 “缺陷类型、采集工位、产品批次” 等多维度标签的秒级检索。

智能标注工具：集成 Label Studio 标注平台，支持矩形框（缺陷定位）、多边形（不规则缺陷）、分类标签（缺陷等级）等标注类型；

基于 Active Learning 策略，用当前最优模型对未标注样本预标注（如自动框选疑似缺陷区域），人工仅需确认或修正，标注效率提升 60%。

版本控制机制：采用 Git版本管理，每批数据更新生成唯一版本号，记录“新增样本数、修正标注数、删除样本 ID”等变更明细；

支持 “模型版本 - 数据版本”关联映射，便于追溯模型性能波动的数据源原因。

样本复用机制：基于知识图谱构建“样本 - 缺陷 - 模型”关联关系（如“坡口裂纹样本” 关联“切定长工位模型”），推荐相似样本用于新模型训练；

支持按“缺陷特征相似度”检索（如上传一幅新裂纹图像，返回 Top10 最相似历史样本），加速新缺陷的模型适配。

 核心技术优势与场景适配性

大规模数据处理能力：基于容器化部署，满足核燃料元件制造“长期积累、持续迭代” 的需求；

实时性保障：边缘节点预处理时延≤100ms，核心数据从采集到入库的端到端时延≤3s，支撑在线增量学习对实时数据的需求；

安全合规性：数据传输与存储采用 SM4 国密算法加密，敏感信息（如核燃料批次号）脱敏处理；基于 RBAC+ABAC 模型实现权限精细化管控（如“仅质量工程师可访问缺陷样本库”），操作日志留存≥7年，符合 GB/T22239 等保三级要求；

深度学习适配性：为模型训练提供“一键式样本导出”（支持 COCO、VOC 等主流格式），支持增量学习的“新样本自动追加 - 模型自动微调”闭环，大幅缩短模型迭代周期（从周级压缩至天级）。

该数据管理系统通过“全源采集 - 精细清洗 - 智能管理 - 安全存储”的全流程设计，构建了适配高精度视觉检测场景的深度学习数据库，不仅为核燃料元件制造等场景的视觉检测算法提供高质量样本支撑，更通过数据与模型的联动迭代，实现“数据越用越准、模型越训越强”的良性循环，为视觉一体化在线检测平台的高精度、高可靠运行奠定坚实数据基础。

数据采集统计和分析示意图

1.2 算法和模型训练能力

视觉一体化在线检测平台的算法与模型训练功能是实现高精度缺陷识别的核心引擎，需针对核燃料元件制造等高精度场景，构建“全流程自动化、多模态融合、持续迭代优化”的智能算法体系。其技术架构覆盖从数据预处理到模型部署的全生命周期，确保模型在复杂工业环境下的鲁棒性与精准性。

1) 方案规划模块：智能化定制检测方案

模块基于知识库与历史经验，自动生成最优检测方案，减少人工设计成本。

1. 核心功能：