中国报告大厅网讯，在 “工业 4.0” 持续推进与制造业智能化转型的背景下，镍作为新能源、机械制造等领域的关键战略资源，其产品质量把控尤为重要。当前，镍板生产流程中受工艺参数、后续处理等因素影响，表面易出现结粒、烧板、水印等缺陷，这些缺陷会直接影响镍板性能。然而，部分镍板生产企业仍依赖人工目测进行缺陷检测，检测准确性与速度受主观因素制约，导致产品质量不稳定、生产效率偏低。随着2025年镍板行业对智能化检测要求的进一步提升，传统检测方式已难以满足行业发展需求，开发高效、精准的镍板表面缺陷智能化检测方法成为行业亟待解决的问题。以下是2025年镍板行业政策分析。
通过 CCD 设备采集电解镍板表面缺陷图像，共获取 1066 张包含缺陷的镍板图片。《2025-2030年全球及中国镍板行业市场现状调研及发展前景分析报告》针对镍板生产中常见的烧板、水印、结粒三类缺陷，筛选出典型图像并建立专属的镍板缺陷数据集，为后续模型训练与检测提供基础数据支撑。
(二)镍板图像的增强处理方法深度学习模型的训练需要大量数据支持，为扩充镍板缺陷数据集规模，对已标注的镍板缺陷图片进行翻转、旋转、缩放、裁剪拼接操作，并加入高斯噪声，生成大量带标注的新图像，整合至原有数据集。同时，引入 Albumentations 库，利用其中亮度调节、对比度优化、滤波处理、平移旋转等图像增强功能，解决模型在低光照条件下性能不足的问题，有效提升模型对不同环境下镍板缺陷的泛化检测能力。
二、YOLOv5 算法优化及在镍板缺陷检测中的改进 (一)YOLOv5 原始网络结构与镍板检测适配性分析YOLOv5 模型由 Backbone、Neck、Head 三个核心模块构成，是当前应用广泛的轻量级 one-stage 目标检测算法，具备良好的网络可移植性。其中，Backbone 采用 CSPDarknet53 作为骨干网络，对镍板图像进行跨级局部特征提取;Neck 借助 PANet 生成特征金字塔网络，实现镍板缺陷特征的多尺度聚合;Head 由卷积层、池化层和全连接层组成，从锚定箱中生成镍板缺陷的检测预测结果。但原始 YOLOv5 在镍板缺陷检测中，存在锚框适配性低、低像素镍板缺陷识别能力不足、边界框回归收敛慢等问题，需针对性改进。
(二)基于 K-means++ 的镍板检测锚框重新聚类原始 YOLOv5 在公开 COCO 数据集上通过 K-means 聚类设置预设锚框，由于镍板缺陷与 COCO 数据集中目标差异较大，锚框与镍板缺陷数据集适配度低。K-means 算法通过欧式距离判断样本相似度，初始聚类中心需人工选定，若中心选取不当易导致聚类结果偏离。改进方案采用 K-means++ 算法，先随机选取一个初始聚类中心，再选择与该中心距离最大的样本作为下一个中心，直至完成所需聚类中心选取，同时用样本与聚类中心的 IoU 替代欧式距离衡量相对位置，生成的锚框更接近镍板缺陷标注框。对已标注镍板缺陷数据集聚类后，确定适配的锚框尺寸参数：小特征图锚框为 [15,36;22,50;38,32]，中间特征图锚框为 [40,83;75,86;53,112]，大特征图锚框为 [123,80;160,213;380,341](表格 1 中数据整理)，显著提升锚框对镍板缺陷的适配性。
(三)CBAM 注意力机制在镍板缺陷特征提取中的融入镍板图像可能存在像素较低的情况，导致缺陷检测时信息缺失。在 YOLOv5 的 Backbone 主干网络 C3 模块中加入 CBAM 注意力机制，该机制由通道注意力模块和空间注意力模块组成，可同时关注镍板图像的通道与像素点权重。通道注意力模块对输入的镍板特征层(H×W×C)进行全局最大池化与平均池化，得到两个 C×1×1 特征长条，经共享全连接层(通道数先缩小 r 倍再扩张回原通道数)和 ReLU 激活后，相加并通过 Sigmoid 激活，生成 0-1 区间的通道权值，与原始镍板特征层相乘，突出镍板缺陷核心通道信息;空间注意力模块以通道注意力输出为输入，对通道进行全局最大池化和平均池化，得到两个 1×H×W 特征层，堆叠后经 1 通道卷积层和 Sigmoid 激活，生成特征点比重，与输入特征层相乘，强化镍板缺陷空间位置信息。通过 CBAM 注意力机制，有效提升模型对低分辨率、不清晰镍板缺陷的特征识别能力，抑制无用信息干扰。
(四)EIoU 损失函数对镍板边界框回归的优化YOLOv5 原始边界框回归采用 CIoU 损失函数，总损失由边缘框损失(CIoU)、置信度损失(交叉熵)、分类损失(交叉熵)构成，公式为：Loss_total = Loss_box + Loss_obj + Loss_cls。CIoU 损失考虑预测框与真实框的重叠区域、中心点距离及纵横比，但当镍板缺陷预测框与真实框纵横比等比例缩放时，宽高同时增减不会改变 CIoU 损失，导致与真实框偏差较大。改进方案将边缘框损失替换为 EIoU 损失函数，公式为：Loss_EIoU = 1 - IoU + [ρ²(b,b^gt)]/c² + [ρ²(w,w^gt)]/c_w² + [ρ²(h,h^gt)]/c_h²。其中，b、w、h 分别为镍板缺陷预测框的中心点、宽度、高度，b^gt、w^gt、h^gt 分别为真实框对应参数，ρ² 为欧式距离，c、c_w、c_h 分别为两框最小外接矩形的对角线长度、宽度、高度。EIoU 将 CIoU 的纵横比损失拆解为宽损失与高损失，通过最小化镍板缺陷预测框与真实框的宽高差，加快边界框回归收敛速度，提升镍板缺陷检测精度。
三、镍板缺陷检测实验设计与结果分析 (一)镍板缺陷检测实验环境与参数设置实验需对镍板进行双面缺陷检测，配置两个方向的 CCD 相机，工作流程为：镍摞经传送带送至下板工位，工位底部升降机配合上方 4 个激光测距将镍摞顶平，上方遮光罩下降遮挡环境光，上侧 CCD 相机检测镍板上表面缺陷;检测完成后遮光罩上升，机器人吸起镍板移至下侧 CCD 相机工位，完成下表面检测;视觉系统分析后，合格镍板由机器人搬运至下一工位，不合格镍板送至 NG 工位。实验硬件环境为 Intel (R) Core (TM) i7-9750H CPU@2.60GHz、NVIDIA GeForce GTX 1660 Ti GPU，操作系统为 Windows 10，软件环境为 PyTorch 1.8.0、CUDA 11.1，模型训练参数设置为 batch size=16、epoch=200。
(二)镍板缺陷检测模型的评价指标确定采用平均精度均值(mAP)、F1 分数(F1-score)、图片检测速度(帧 /s)作为模型性能评价指标。其中，精度(P)反映模型对镍板缺陷的分类能力，公式为 P=TP/(TP+FP);召回率(R)反映模型发现镍板缺陷阳性样本的能力，公式为 R=TP/(TP+FN);F1 分数为 P 与 R 的调和平均数，公式为 F1-score=2P×R/(P+R);以 P 为纵轴、R 为横轴绘制 P-R 曲线，曲线下面积为平均精度(AP)，所有类别 AP 的平均值即为 mAP，取值范围为 [0,1]，数值越大表示镍板缺陷检测精度越高。
(三)镍板缺陷检测的消融实验结果在镍板缺陷数据集上开展消融实验，验证各改进模块的有效性。实验 1 为原始 YOLOv5 算法，检测结果 P=78.6%、R=77.2%、mAP=77.6%;实验 2 仅加入 K-means++ 锚框聚类，P 提升至 79.2%、R 提升至 78.6%、mAP 提升至 80.1%，说明新锚框更适配镍板缺陷数据集;实验 3 在实验 2 基础上加入 CBAM 注意力机制，P=78.9%、R=80.5%、mAP=81.0%，证明该机制能增强镍板缺陷特征识别;实验 4 在实验 3 基础上引入 EIoU 损失函数，P=79.5%、R=80.9%、mAP=81.4%，较原始算法 mAP 提升 3.8 个百分点，各改进模块均对镍板缺陷检测产生正向影响(表格 3 数据整理)。
(四)改进 YOLOv5 与主流算法的镍板检测性能对比将改进 YOLOv5 与 Faster R-CNN(two-stage)、SSD、YOLOv3、原始 YOLOv5(one-stage)在镍板缺陷数据集上进行对比实验。结果显示：Faster R-CNN 的 P=53.4%、R=68.6%、F1-score=60.1%、检测速度 = 6 帧 /s、mAP=60.5%;SSD 的 P=72.5%、R=50.3%、F1-score=59.4%、检测速度 = 44 帧 /s、mAP=63.4%;YOLOv3 的 P=74.3%、R=68.5%、F1-score=71.3%、检测速度 = 36 帧 /s、mAP=72.9%;原始 YOLOv5 的 P=78.6%、R=77.2%、F1-score=77.9%、检测速度 = 62 帧 /s、mAP=77.6%;改进 YOLOv5 的 P=79.5%、R=80.9%、F1-score=80.2%、检测速度 = 61 帧 /s、mAP=81.4%(表格 4 数据整理)。改进后的模型较 Faster R-CNN 检测速度快近 10 倍，mAP 提升 20.9 个百分点;较 SSD、YOLOv3、原始 YOLOv5，mAP 分别提升 18 个、8.5 个、3.8 个百分点，且检测速度与原始 YOLOv5 接近，在镍板缺陷检测精度与速度上均具备显著优势。此外，改进 YOLOv5 的收敛速度更快，迭代 80 次后 mAP 趋于平稳，最终收敛精度高于原始 YOLOv5，对镍板细小缺陷也能实现有效检测。
四、全文总结针对当前镍板表面缺陷智能化检测程度低的问题，结合 2025 年镍板行业智能化发展需求，提出基于改进 YOLOv5 的镍板表面缺陷检测方法。通过图像预处理构建专属镍板缺陷数据集，采用 K-means++ 重新聚类锚框提升适配性，融入 CBAM 注意力机制增强低像素镍板缺陷识别能力，引入 EIoU 损失函数加快边界框回归收敛速度。实验结果表明，改进后的模型在镍板缺陷检测中，mAP 达到 81.4%，检测速度为 61 帧 /s，较 Faster R-CNN、SSD、YOLOv3、原始 YOLOv5 等主流算法，各项性能指标均显著提升。该方法有效实现镍板缺陷检测的高效化与智能化，解决了传统人工检测的弊端，为镍板生产企业提升产品质量、提高生产效率提供技术支撑，对推动镍板行业智能化发展具有重要意义。同时，建立的镍板缺陷数据集与改进算法模型，也为后续镍板行业检测技术的优化与拓展奠定基础。
更多镍板行业研究分析，详见中国报告大厅《镍板行业报告汇总》。这里汇聚海量专业资料，深度剖析各行业发展态势与趋势，为您的决策提供坚实依据。
更多详细的行业数据尽在【数据库】，涵盖了宏观数据、产量数据、进出口数据、价格数据及上市公司财务数据等各类型数据内容。
