4000900632 309181818@qq.com 周一至周六 08:30-18:00
知识中心
词条目录

深度学习驱动的产品外观缺陷检测

深度学习驱动的产品外观缺陷检测,本质是用卷积神经网络等模型替代人工目检,在产线上完成划痕、脏污、缺料、变形、色差等外观异常的自动判定。它解决的不是“能不能看见”的问题,而是“能不能稳定、可复现地判定边界模糊缺陷”的问题,适合节拍稳定、来料一致性较好的工序,强反光与高变形件需要单独评估。

一、深度学习外观缺陷检测到底解决什么问题

传统机器视觉靠规则算法,用灰度阈值、边缘提取、模板匹配来判定缺陷。这套方法在缺陷形态固定、背景干净的场景里跑得很好,但一旦遇到划痕走向不固定、脏污面积大小不一、注塑件水纹深浅随机的情况,规则就很难穷举。产线换型频繁时,工程师改规则改到崩溃,漏检和过杀同时上升。

深度学习换了个思路:不写规则,而是让模型从大量标注样本里自己学缺陷的形态分布。它输出的不是“灰度值是否超出阈值”,而是“这块区域像不像缺陷”。这让它天然适合处理边界模糊、形态多变的表面缺陷,也让换型时主要工作量从改算法变成补样本。

二、技术原理与关键能力有哪些可核实的指标

主流方案是监督式语义分割或目标检测网络,配合高分辨率工业相机成像。几个可核实的参数维度值得关注。

分辨率方面,检测微小缺陷要求单像素对应的物理尺寸足够小,常见做法是让缺陷在图像中至少占据十几个像素,据此反推相机分辨率与镜头视野。产线节拍决定曝光与处理时间预算,在线检测通常要求单件判定在几百毫秒量级,复杂模型需要GPU或边缘推理盒子支撑。

成像环节常被低估。同轴光、穹顶光、低角度暗场光的选型直接决定缺陷对比度,偏振片能压掉金属件反光。IEC 61340涉及的静电防护在电子件检测工位也要考虑,静电吸附灰尘会制造假缺陷。

集成侧,检测系统通常通过OPC-UA或TCP/IP与PLC、MES对接,把判定结果、缺陷图像、坐标数据回传,支持追溯。部分方案遵循IPC-A-610等电子组装验收标准的判定分级思路来设定过杀与漏检的平衡点。

三、制造业里哪些工序已经在用

假设一家电子厂做连接器外观检测,工序在SMT贴装之后、组装之前,检测项包括端子变形、塑胶壳体毛边、异物残留。这类缺陷形态随机,规则算法过杀率高,深度学习方案通过几百张缺陷样本训练后,可以把过杀压到可接受区间,同时把判定结果按工位回传MES。

假设一家汽配企业做铸件表面检测,工序在机加工后、涂装前,关注气孔、裂纹、磕碰伤。铸件表面粗糙度高、纹理干扰大,成像上需要用暗场照明突出裂纹,模型侧用分割网络区分真实裂纹与模具纹理。这类场景对样本均衡性要求高,正常样本远多于缺陷样本,需要做数据增强。

再假设一家注塑厂做外观件色差与流痕检测,难点在光照一致性,需要固定光源角度并做白平衡校准,否则模型学到的是光照变化而不是缺陷。

四、选型与实施要注意哪些高频问题

问得最多的是需要多少缺陷样本。没有统一答案,但可以给个参考区间:单一缺陷类型几十到几百张起步,形态越随机需求越多,且必须有负样本(易混淆的正常纹理)参与训练,否则过杀控制不住。

第二个高频问题是硬件怎么配。相机分辨率按最小缺陷尺寸反推,光源按表面材质选型,算力按节拍和模型复杂度定,在线高节拍场景通常需要独立推理单元,不能指望工控机CPU跑分割网络。

第三个是集成对接方式。要提前确认PLC通讯协议、MES接口字段、判定结果的落库格式,以及是否需要保留缺陷图像用于追溯。图像存储量不小,带宽和存储要提前算。

第四个常见误区是把深度学习当万能钥匙。来料一致性差、光照波动大的产线,模型再强也难稳定,成像稳定性是前提。另一个误区是训练完就不管了,产线换料、换批次后分布漂移,需要定期复核样本并增量训练。

实施步骤上,一般是成像验证、样本采集标注、模型训练调优、产线试运行、过杀漏检复核、上线固化这么个顺序,成像验证阶段没做扎实,后面全是返工。

五、适合哪些工序,不适合哪些场景

适合的场景:节拍稳定、来料批次一致性较好、缺陷形态有一定随机性但成像对比度可保证的工序,比如电子件外观、机加工后表面、注塑外观件、包装印刷品表面。这类场景深度学习的收益主要体现在降低过杀和减少规则维护上。

不适合或需谨慎评估的场景:强反光金属镜面、高曲率变形件、缺陷与正常纹理在成像上几乎不可分的材质,以及节拍极快、单件判定预算只有几十毫秒的超高速产线。这类场景要么先解决成像,要么退回规则算法加人工抽检的组合。另外,缺陷样本长期极稀缺、无法积累的工序,监督式方案落地困难,需要评估无监督或半监督路线。

从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的产业实践看,外观检测的成败往往不在模型本身,而在成像方案与样本工程这两件“笨功夫”上。

所属分类: AI视觉行为识别百科