中国报告大厅网讯，镍金属凭借其银白色金属光泽、高硬度、耐腐蚀性及优异延展性，在航空航天精密部件、军工耐蚀装备、高性能电化学电池等高端领域具有不可替代的应用价值。

  一、镍板行业背景与质量检测现状分析

  《2025-2030年中国镍板行业运营态势与投资前景调查研究报告》指出，作为镍制品产业链的核心原料，电解镍板表面质量直接影响其力学性能与化学稳定性，微小划痕、氧化斑或夹渣等缺陷不仅降低材料导电导热效率，更可能导致应力集中、腐蚀加速等安全隐患。

  当前国内外镍制品企业普遍采用人工目检结合机械剪切的传统处理模式。以国内某大型镍企为例，单张88cm×88cm、重达80kg的电解镍板需经复杂人工流程：首先由3-4名操作工协同搬运至检测工位，随后由一名经验丰富的工程师在亮度有限的照明条件下对可见区域进行目视检测，手动给出剪切位置后由另外三到四人移动镍板至剪切处进行剪切。受制于镍板反光特性及下表面照明不足导致的缺陷信息缺失，操作人员对镍板的误检率较高，且由于缺乏缺陷定义规范、工程师个体差异问题，检测结果偏差较大，针对同一张镍板不同工程师给出不同的检测结果是生产中非常常见的问题。此外，检测流程需要较多人员配合(约八到十人)，根据统计，每人每天搬运量达110吨左右，工人劳动强度高、身体损耗大，存在噪音污染。

  这种依赖人工经验的镍板质量控制体系存在三重技术瓶颈：其一，镍板双面检测的物理限制，操作者难以在搬运状态下同步观测下表面;其二，人眼分辨率的局限性无法满足小尺寸缺陷检测需求;其三，随着时间持续，精力下降导致工作人员判断出现错误或偏差、标准不一致的问题。传统检测方式导致企业不能准确给出合理的电解镍板处理结果，无法确保产品价值最大化，已无法适应高精度、全表面的现代制造要求，开发智能化表面缺陷检测系统成为突破产业升级瓶颈的必然选择。

  二、镍板表面缺陷类型与图像采集系统构建

  (一)镍板表面缺陷特征研究

  通过对数千张不同品级的电解镍板样品进行系统研究，发现电解镍板缺陷种类多，形态学和色彩信息复杂，存在不同缺陷之间易混淆的问题。电解镍板表面缺陷主要包括以下11种类型：

  污渍缺陷包含划痕、油墨油污和脚印手印缺陷。划痕缺陷产生原因是在镍板从生产车间运输到生产车间中摩擦碰撞导致的，缺陷形状不一，既有面积较大的长条状划痕、也有面积较小的块状和点状划痕，颜色呈现亮银白色或黑色。油墨与油污缺陷是在镍板传送及运输过程中，因操作不当或设备老化，导致镍板与生产设备发生不当接触，而表面产生油墨及油污。油墨污渍为黑色，呈长条状或散点状。油污污渍为深灰色，常呈散点状出现，少数情况下会出现较大面积的油污点。手印和脚印为工人操作不当导致的。

  水渍缺陷是由于在镍板的电解后中会有酸液残留或者运输中水滴污染，风干后在镍板表面留下印记，该缺陷形状和大小不一，主要表现是在镍板表面上留下线状、片状和环状灰黑色条纹，按严重程度分为普通水渍和严重水渍。

  边部结瘤缺陷是发生在镍板边缘处的缺陷，由于在制造过程中压力不均匀或有一侧压力过大导致，或快速加热、冷却镍板时，镍板边缘加热或冷却速度与中心部分速度不一致而导致。边部结瘤缺陷表现为镍板边部出现凸起、膨胀或突起的现象。

  气孔缺陷的产生主要是由于在电解的过程中，电解液中的气泡附着在阴极板的表面无法脱离，新生长出来的金属镍会将气泡整个包裹进去，形成一个中空的金属泡，气泡的表面外形近似为圆形，大小不一分布不均，小的气孔直径会在0.1mm左右，大的直径在1mm上下，一般正常气孔是成片并较密集出现，颜色与镍板正常区域基本一致。但是气孔缺陷也会伴随着烧灼缺陷存在，气孔缺陷与烧灼缺陷交错融合在一起，致使气孔缺陷颜色也变成了灰黑色。

  结粒缺陷产生于电解作业阶段。电解作业时，空气中的尘埃、灰渣等杂质，会通过各种途径落入阴极室并吸附在阴极板表面。随着电解反应持续进行，当电解完成后，在吸附了尘埃、灰渣的阴极板位置，会逐渐覆盖上一层金属镍，外观表现为结粒。凸起的表面外形近似圆形，其内部实心，凸起的大小不一，凸起直径在2-10mm之间，既有聚集分布又有个别单独存在，正常凸起缺陷颜色与镍板正常区域颜色是差不多的，但是会在运输过程中经过挤压等原因，部分结粒顶部颜色也变为灰黑色。

  疙瘩缺陷的产生原因与结粒相似。但是，疙瘩的形状与结粒不同，疙瘩大小不一，表面积通常比结粒大，且形状各异，通常为近似圆形或近似椭圆形。疙瘩的颜色通常为黑色。

  烧灼缺陷的形成，主要归因于电解过程中的电流异常现象。当电解作业进行时，若出现电流过大的状况，大量电能会迅速转化为热能，导致热量在阴极板局部区域急剧聚集。这种过度集中的热量对阴极板表面产生灼烧效应，进而形成烧灼缺陷。该缺陷的位置呈现出随机性，并无固定规律可循，既可能出现在镍板边缘，也有同等可能性分布于镍板中心区域。从外观特征来看，灼烧缺陷区域与正常区域有着显著区别，正常区域呈现银灰色，而灼烧区域则为灰黑色或青灰色，灼烧区域的形状主要片状，形状和大小不固定，且尺寸差异大，可以只有很小的区域，也可以占到整个板面面积的80%以上。

  绿色结晶缺陷是镍板中铜元素析出，产生这种缺陷的原因是粗镍处理的不彻底，其中含铜元素较多，导致在电极的过程中，铜元素在阴极板析出，形成中间是绿色的铜结晶，周围呈灰色的铜析出缺陷。

  酸污染缺陷是镍板在电解或酸洗工艺后，若清洗不彻底(如冲洗水量不足、时间过短)，残留的硫酸、盐酸等酸性物质会继续腐蚀镍板表面造成的缺陷。亦或是酸洗后若未使用碱性溶液(如碳酸钠溶液)充分中和，残留酸液会在干燥过程中浓缩，导致局部腐蚀。酸污染缺陷通常有较为丰富的颜色，缺陷面积占比较大。

  缺角缺陷常出现在镍板四周，通常和镍板制作过程中电流密度、电解液流动等工艺流程有关。

  严重水渍缺陷和一般水渍以缺陷表面颜色区分，严重水渍颜色较深，呈黄褐色、五彩色或黑色，严重水渍颜色与烧灼缺陷相近，不同之处在于水渍缺陷大多数是线状或环状、且有明显的边界。

  总体而言，同一品级的电解镍板表面亮度之间差异较大，缺陷在形态学和颜色上有所不同。从颜色角度分析，有些缺陷是绿色或黄色，有些是暗黑色，有些镍板整体发白，有些颜色偏暗;从缺陷形态学分析，不同缺陷相互叠加、一些缺陷表现为密集小点，颜色表现为与其周围区域无差异。

  (二)高质量镍板图像采集系统设计

  工厂当前使用的视觉成像系统由一个机械臂、PLC、面阵相机和光源组成。机械臂负责吸取镍板并移动，当机械臂移动至相机上方时，PLC发送触发信号以激活光源，照亮镍板，随后相机拍摄图像。捕获的图像通过算法进行处理，提供边部结瘤缺陷的分析结果。针对此系统，发现存在六个问题：光学污染、不均匀照明、触发机制缺陷、背景干扰、效率低、可扩展性有限。

  基于电解镍板表面特性研究和现有视觉系统的不足，设计了以线扫相机为核心采集设备的高质量镍板图像采集系统。此面向工业镍板检测场景的高质量镍板图像采集系统采用线扫相机与接近式传感器的协同架构，实现高效动态成像。

  高质量镍板图像采集系统分为下表面采集平台和上表面采集平台。数据采集流程为：电解镍板从上料区传送带运送至桁架机械臂抓取范围，机械臂吸取镍板，伺服电机控制桁架机械臂水平方向以350mm/s匀速移动，经过下表检检测平台上方触发接近式传感器给出高电平信号，灯光被触发开启，并激活线扫相机拍摄图像，桁架机械臂持续水平匀速运动，将电解镍板放置在下表面采集平台末端的传送带末端，至此下表面检测结束。随后，传送带末端气泵运行，通过硬件方式将镍板转正，之后传送带以320mm/s匀速移动，经过上表检检测平台上方，触发接近式传感器拍摄镍板图片，镍板运动至传送带另一端，等待机械臂抓取，至此，镍板上下表面采集结束。

  下表面检测平台搭建：在地面下挖一600mm深坑，将线扫相机及其支架、保护罩放于坑中，镜头垂直于地面向上，镜头距离镍板运动路径垂直距离为1600mm，在坑上方搭建相机和光源防砸架。接近式传感器则通过支架支于镍板运动轨迹上方200mm处。

  上表面检测平台搭建：在传送带上方合适位置搭建支架，镜头位于支架顶端，镜头垂直于地面向下，镜头距离镍板运动轨迹为1100mm，传感器安装于传送带下方合适位置。

  电解镍板的图像采集通过线扫相机、接近传感器和线光源的协作来实现。线扫相机的核心是由一行像素组成的传感器，它一次只捕获一行像素数据。为了获得完整的图像，线扫相机需要与电解镍板协调移动。当相机固定不动，镍板在一个方向上连续移动时，线扫相机会以高频率捕获多行像素数据，然后将这些数据合成形成完整的2D图像。与面阵相机相比，线扫相机通过适当调整采集时间可以避免图像采集不完整的问题。线光源提供均匀明亮的光束，匹配线扫相机的成像区域，确保高均匀性和亮度，特别适合电解镍板等高反射率物体。

  电解镍板的准确分类依赖于颜色细节和缺陷的局部特征，这需要高分辨率和高色深的图像。因此，部署了Teledyne DALSA CC-04K05线扫相机和Omron E3FA-DP22接近传感器。线扫相机的行频设为889Hz，图像分辨率为4096×10662，色深为16位。当电解镍板在输送带上移动到接近传感器下方时，光线变化触发传感器发送高电平信号，从而触发线扫相机拍摄图像。

  与原有视觉成像系统相比，设计的高质量图像采集系统有效解决了光学污染问题。基于接近式传感器的触发机制能更精准地把握图像采集时机，同时对拍摄时机的控制也更加灵活。此外，采用的线扫相机在高质量硬件素质的同时，图像采集过程中无需降低或暂停生产线运行速度，保障生产连续性，提高镍板生产效率。

  两台图像采集系统采集图像属性对比如下：高质量图像采集系统分辨率为4098×3554，色深24，存储占用9.24MB-12.5MB;原有系统分辨率为5470×3648，色深24，存储占用55.5-58.0MB。结果表明，新系统能以相对较低的分辨率获取更高质量的图像，且单幅图像的存储需求更小。

  三、镍板表面等级分类算法研究

  企业生产的电解镍板，按照其表面缺陷情况分为三种：合格板、缺陷板和三号板。目前行业内对电解镍板分类完全依赖人工，自动化或智能化尚未完全实现。人工检测不仅效率低下，而且检测结果会受到多种因素影响而不稳定，例如人的状态、光线影响、不同检测人员的标准不同等因素。此外，人工判断会导致检测员用眼过度，脑力和体力工作强度大，导致分类结果出现错误。

  针对以上问题，将基于深度学习的分类方法引入电解镍板表面分类任务中。建立了由2123张高质量电解镍板表面图像构成的电解镍板表面分类数据集;以ResNet18为基础，设计一种面对电解镍板表面分类任务的分类网络Nickel-Classifier。针对数据集中镍板图像色彩信息和局部细节信息丰富的情况，将SE注意力机制引入ResNet18主干提取网络;面对7×7的卷积计算暴露出的较大计算量和内存占用问题，设计全新的Light-head模块，在降低计算量的同时实现更强的局部特征提取能力;面对ResNet18全连接分类器将维度由512暴力降至3维的分类方法，设计由标准卷积、全局平均池化和全连接层组成的串级分类头CascadeCls，实现特征维度由512-256，256-128，128-64的平缓降维，最后由全连接分类器将64维特征向量降至3维输出，大幅缓解模型过拟合的问题。

  电解镍板品级分类数据集采集自某集团产品配送中心，涵盖实时产线、封装区、返工区等各个工位的产品，可以涵盖电解镍板分类中遇到的全部场景。采集系统共采集到分辨率为4096×3554、色深为24位的超高清晰度镍板图像5076张。从所有收集到的数据中，选出2123张典型的镍板图像，在工厂技术专家指导下分类标注镍板等级。这2123张图像根据表面污染程度分为三类：A类(合格板)，B类(缺陷板)和C类(三号板)。随后，将镍板每一等级均按照7:2:1比例，随机分成训练集、验证集和测试集。

  A类板表面光洁，只存在较少的缺陷，总计有758个数据;B类板表面缺陷较多，存在烧灼、较大面积或程度较深的水渍、污渍等缺陷，总计有808个数据;C类板表面污染严重，缺陷面积占比大于50%，缺陷种类多、污染程度最深，总计有557个数据。

  Nickel-Classifier分类模型基于ResNet18网络架构，并结合以下三个关键改进，提高其对电解镍板分类任务的分类性能：

  第一，ResNet18骨干网络中引入SE注意力机制，显著提升了骨干网络对特征通道间依赖关系的捕捉能力。通过自适应地重新校准特征映射，这种改进有助于网络关注与镍板缺陷相关的更多信息特征。

  第二，Light-head，专为镍板分类任务设计的新型轻量级特征提取模块，取代了ResNet18中标准的7×7卷积层。这个新模块提高了特征提取效率，同时降低了计算量和计算复杂度。

  第三，受YOLO11分类模型的启发，设计一全新的CascadeCls分类头来取代全连接分类器。CascadeCls有效解决了全连接分类器暴力降维导致的特征丢失和模型过拟合问题。

  对比实验显示，Nickel-Classifier分类网络可以实现高准确率的镍板表面等级分类，与其他经典分类网络相比，Nickel-Classifier有更优异的性能。

  四、镍板表面缺陷检测算法优化

  镍板行业技术特点分析指出，针对电解镍板表面缺陷数据集中小尺寸缺陷数量多、分布密集，不同缺陷相互叠加、颜色差异小的问题，提出一种集成锚框机制、融合并行补丁感知注意力、动态特征融合与空间深度卷积的改进YOLO11s模型。模型基于锚框和YOLO11s架构，在模型主干提取网络部分引入并行补丁感知注意力机制提升局部特征提取能力，在颈部网络引入空间深度卷积降低局部特征损失，在模型底层高层特征融合位置引入集成SE注意力机制的可学习权重的特征融合模块LW，赋予底层特征图更高的权重同时增强通道间颜色信息权重，基于Wasserstein距离的NWD损失函数与CIoU，提升模型检测性能。

  在电解镍板表面缺陷数据集的实验表明，YOLO-NP相比YOLO11，mAP50提高14%，mAP95提高26.5%;相比YOLOv5，mAP50提高5.8%，mAP95提高6.2%。与其他一阶段检测模型、二阶段检测模型Faster-RCNN、基于Transformer架构的RT-DETR检测模型相比，YOLO-NP有更高的检测精度和较低的参数量。

  经过现场生产测试，图像采集系统能够稳定、高效地采集图像，分类和检测算法能够满足并超出厂家需求。算法和PLC、机械臂相配合，实现了电解镍板的准确处理，全程自动化，解决了人工分类效率低下、准确率低的问题，提高企业生产效率和效益。

  五、全文总结

  本研究围绕2026年镍板行业智能化升级的核心需求，系统构建了从图像采集到智能检测的完整技术体系。在硬件层面，创新设计了基于线扫相机与接近式传感器协同架构的高质量图像采集系统，有效解决了传统视觉系统存在的光学污染、不均匀照明、触发机制缺陷等六大问题，实现了镍板上下表面的高效动态成像，图像存储需求从原有系统的55.5-58.0MB降低至9.24-12.5MB，同时保障了生产连续性。

  在算法层面，针对镍板表面等级分类任务，提出了Nickel-Classifier分类模型，通过引入SE注意力机制、Light-head轻量级特征提取模块和CascadeCls串级分类头三项关键改进，相比基准ResNet18模型，验证集准确率提高4.26%，测试集准确率提高15.67%，训练集和测试集准确率差值降低为0.62%，有效解决了过拟合问题。针对镍板表面缺陷检测任务，提出了YOLO-NP目标检测模型，相比YOLO11，mAP50提高14%，mAP95提高26.5%，在保持较低参数量的同时实现了更高的检测精度。

  本研究构建的2123张镍板表面等级分类数据集和1195张镍板、15973个缺陷框构成的表面缺陷数据集，为镍板智能化检测提供了重要的数据基础。研究成果已成功应用于实际生产环境，与PLC、机械臂实现了全流程自动化协同，显著提升了镍板生产效率和产品质量，为2026年及未来镍板行业的高质量发展提供了有力的技术支撑。