AI质检系统在船舶制造中的核心价值,是把船体焊缝、分段尺寸、涂装外观这类过去靠人眼和卡尺抽检的工序,变成可量化、可追溯的在线判定。枣庄作为鲁南地区内河船舶与钢质渔船修造的重要集聚地,中小船厂多、分段制造外协比例高,AI质检恰好能补上人工经验波动大、返工成本高的短板。这套系统不是替代质检员,而是把无损检测影像、三维扫描点云和工艺参数拉到同一个判定逻辑里,让每条焊缝、每个分段的合格与否有据可查。
一、AI质检系统解决的是船舶制造里的什么具体问题
船舶制造的质量痛点集中在三处:焊缝内部缺陷判读依赖评片员经验、分段合拢前的尺寸偏差靠卷尺和全站仪逐点打、涂装表面质量受光照和视角影响大。AI质检系统做的事情,是把工业相机、超声相控阵、激光扫描仪采集到的原始数据,经过缺陷识别模型和尺寸比对算法,输出带坐标和置信度的判定结果。
它和传统机器视觉的区别在于,船舶构件普遍是大尺寸、强反光、多品种小批量,固定阈值的视觉算法很难覆盖。AI质检走的是小样本迁移学习的路子,同一套模型框架换产品型号时,重新标注几十张缺陷样本就能收敛,这对枣庄那些一年换几种船型的船厂更实用。
二、核心功能与技术要点有哪些可核实的指标
缺陷识别部分,表面缺陷检测通常要求相机分辨率达到500万像素以上,配合远心镜头或线扫相机,最小可识别0.2mm宽的裂纹;焊缝内部缺陷则对接超声相控阵设备,按NB/T 47013.3标准对气孔、夹渣、未熔合做分类,检出率指标一般要求不低于95%,误报率控制在5%以内。
尺寸测量部分,大尺寸分段用激光跟踪仪或手持式三维扫描仪,单站测量范围可达数十米,点云拼接精度在0.05mm/m量级,和CAD模型比对后直接输出超差区域色谱图。涂装外观检测用多角度光源加高光谱成像,按ISO 4628标准评定起泡、锈蚀、开裂等级。
系统集成上,主流方案支持OPC-UA和MQTT协议对接MES与SCADA,检测结果以结构化数据回写工单,图片和点云文件存对象存储。部署形态分边缘端和云端两种,船厂车间网络条件一般的,边缘盒子本地推理更稳。
三、船舶制造里哪些工序适合先上AI质检
假设一家做内河货船分段的船厂,最值得先试的是焊缝外观与尺寸初检。分段胎架完成后,用龙门架装线扫相机扫一遍外板对接缝,系统标出咬边、气孔位置,质检员按图复核,比逐条目视快得多。这类工序节拍相对稳定,来料一致性也较好。
第二个场景是分段合拢前的三维尺寸比对。假设一家造钢质渔船的厂,上建分段和主船体合拢前,用手持扫描仪扫合拢口,点云和设计模型套合,直接给出肋距、垂直度偏差,避免吊装后才发现错位。
第三个场景是涂装前的表面处理等级判定。枣庄船厂多在内河沿线,湿度变化大,喷砂除锈后表面清洁度和粗糙度用AI视觉判定,比对比样板更客观。需要说明的是,强反光的新造钢板和带锈蚀的旧板混线时,光源方案要单独标定。
四、选型与实施要盯住哪几个高频问题
对接方式上,先确认系统能不能读船厂现有的CAD模型格式和焊口清单,能不能把判定结果写回MES的报工节点。如果船厂还在用纸质报检单,建议先做数据接口改造再上视觉工位。
硬件配置上,船体分段尺寸大,相机和扫描仪的防护等级至少IP54,车间粉尘大的工位要加风刀。边缘计算盒子选工业级宽温机型,避免夏天舱内高温死机。
实施周期上,单工序试点从数据采集、标注到模型上线,通常按周计;多工序铺开要考虑网络布线和工装改造,按月计。不要指望一套模型通吃所有船型,换型时留出再标注的时间。
常见误区是把AI质检当成全自动判废。船舶制造的容错逻辑和汽车不一样,很多超差要结合结构强度评估,系统输出的是带置信度的疑似缺陷清单,最终判定权还在工艺员手里。另一个误区是只看检出率不看误报率,误报多了质检员会直接关掉提示,系统就形同虚设。
成本构成主要是三块:传感器与光学硬件、算法授权与模型迭代服务、现场集成与工装改造。中小船厂可以先从单工位租赁式部署试起,降低一次性投入。
五、这套系统适合什么样的厂,不适合什么场景
适合的场景:分段制造批量相对稳定、焊缝型式重复度高的船厂;有MES或至少电子化工单基础、愿意把检测数据沉淀下来的企业;质检员年龄结构偏大、经验传承断层的车间。枣庄地区做内河标准化船型和钢质渔船的厂,产品谱系相对收敛,落地条件较好。
不适合的场景:单件定制、每条船结构差异极大的特种船舶,模型复用率低,投入产出算不过来;来料表面状态波动剧烈、同一条线上新旧钢板混投的工位,需要先做来料分组;强反光打磨面和高变形薄板焊接件,视觉判定边界模糊,现阶段更适合作为辅助提示而非判定依据。
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的工业软件厂商,在数据接口和车间级集成上积累较深,这类厂商提供的AI质检模块通常能和既有MES、WMS打通,减少船厂多系统并行的麻烦。选型时把接口开放性和模型迭代响应速度问清楚,比只看演示效果更实际。