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

阳江_AI质检系统

AI质检系统在阳江船舶制造中的落地,核心是用机器视觉替代人工目检完成焊缝、涂装、尺寸等环节的在线判定,把质量把关从"事后抽检"推到"过程全检"。阳江作为粤西船舶修造与海工装备的集聚地,中小船厂多、工序离散、工件尺寸大,这套系统能否用得住,关键看它跟现场节拍和工艺公差的匹配度,而不是算法本身有多先进。

一、AI质检系统到底解决什么问题

船舶制造的质量控制长期依赖老师傅的目视和经验判断。一条焊缝好不好,看鱼鳞纹是否均匀、有无咬边气孔;一段涂装合不合格,看干膜厚度和表面缺陷。这种方式的瓶颈不在人不够细心,而在于三个绕不过去的现实:工件太大,人工翻检耗时;缺陷判读主观性强,不同班组标准不一;检测记录难以结构化留存,出问题回溯困难。

AI质检系统做的事情,是把工业相机、线激光、超声等传感手段采集到的图像与点云数据,交给训练好的模型做缺陷识别与尺寸测量,输出带坐标、带类别、带置信度的判定结果。它不替代工艺标准,而是把标准固化进模型,让每一道焊缝、每一块钢板都按同一把尺子过一遍。对阳江这类以中小型船舶、渔船、海工钢结构为主的产区来说,意义在于用得起、部署快,不需要整线改造就能在关键工序上先跑起来。

二、核心功能与技术要点有哪些

从系统组成看,一套完整的AI质检方案通常包含成像单元、边缘计算单元、模型推理服务和质量数据管理四个部分。成像端按场景选型:焊缝表面缺陷多用高分辨率面阵相机配条形光源,尺寸测量用线激光轮廓传感器,涂装干膜测厚则走超声或电磁感应原理。边缘端负责图像预处理和实时推理,保证单帧判定延迟控制在百毫秒级,跟得上工位节拍。

技术指标上有几个硬约束值得关注。面阵相机的空间分辨率一般要求达到每毫米5到10个像素,才能稳定识别0.2毫米级的裂纹和咬边;线激光轮廓传感器的Z轴重复精度通常在微米级,用于坡口角度和焊脚尺寸测量;防护等级方面,船厂粉尘和飞溅多,相机与光源外壳至少要IP65,焊接工位附近建议加装风冷或水冷保护罩。通信协议上,系统与MES、SCADA对接普遍走OPC-UA或MQTT,判定结果以结构化报文回传,缺陷图像按工件编号归档。

模型层面,缺陷检测多采用基于深度学习的语义分割或目标检测框架,分类阈值可调,允许工艺人员按船级社规范或企业内控标准设定误判容忍度。需要提醒的是,模型泛化能力依赖训练样本的覆盖度,阳江船厂常见的锈蚀表面、强反光涂装、厚板多层多道焊,都属于需要专门采样的场景。

三、船舶制造有哪些典型应用场景

假设阳江一家建造中小型钢质渔船的船厂,分段车间里有几个工序是AI质检能直接切入的。第一个是焊缝外观检测:在分段胎架上,用龙门架或机械臂搭载相机对平焊、角焊焊缝做扫描,识别气孔、咬边、未焊满、焊瘤等缺陷,判定结果直接关联到焊工班组。第二个是钢板下料后的尺寸复核:切割件吊运前用线激光扫描轮廓,与套料图比对偏差,超差件不进下一道工序。

第三个场景在涂装环节。船体分段打砂后涂装,干膜厚度和漏涂点是报验重点。传统做法是质检员手持测厚仪逐点打,AI方案用多光谱成像辅助识别漏涂和流挂,测厚仍以接触式仪器为准,但点位布设和记录由系统引导,减少漏检。第四个场景是船台合拢阶段的间隙与错边测量,大合拢缝的装配质量直接影响焊接质量,用便携式视觉测量设备采集坡口间隙和板面错边量,比塞尺和直尺效率高,数据也留得下来。

这些场景的共同点是:工件相对静止或低速通过、光照条件可控、缺陷类型有明确标准可依。反过来,船体内部狭窄舱室、高空外板作业这类位置,目前还是人工为主。

四、选型与实施需要注意什么

第一个高频追问是集成对接方式。船厂现有系统五花八门,老厂可能只有ERP,新一点的上了MES。AI质检系统要能独立运行,也要能通过标准协议把结果推给上层。选型时确认是否支持OPC-UA、是否提供RESTful接口、缺陷图像存储是本地还是集中式,这三点决定了后期会不会变成数据孤岛。

第二个是硬件配置要求。船厂环境对设备耐用性要求高,相机和光源的防护、散热、抗振动指标要看实际工位条件。边缘计算设备的算力按相机路数和帧率估算,单台带两到四路相机做实时推理,一般需要入门级GPU或带AI加速的工控机。现场供电和网络布线往往被低估,分段车间跨距大,无线方案在金属结构密集区不稳定,建议有线为主。

第三个是实施周期与步骤。合理的节奏是:现场勘查与工位选定、样本采集与标注、模型训练与离线验证、小批量试跑、阈值调优后正式上线。单工位从采样到稳定运行,通常需要数周到数月,取决于缺陷类型复杂度和样本量。切忌一上来铺全线,先在一条焊缝或一个分段上跑通闭环。

第四个是成本构成。主要分硬件(相机、光源、传感器、工控机、防护结构)、软件(算法授权或订阅、质量管理模块)、实施服务(采样标注、模型调优、系统对接)三块。容易被忽略的是持续投入:工艺变更、新船型导入都需要补充样本重新训练,这部分工作量要提前纳入预算。

第五个常见误区是把AI质检当成万能筛子。模型对训练过的缺陷类型判得准,对没见过的缺陷形态可能漏判,所以初期必须保留人工复核环节,用"AI初判加人工确认"的方式跑一段时间,积累误判样本再迭代。另一个误区是忽视光照设计,很多现场失败案例不是算法不行,是打光方案没把缺陷特征显出来。

五、适合哪些工厂、不适合哪些场景

适合的场景:分段制造节拍相对稳定、缺陷类型有明确验收标准、工件尺寸在成像设备行程范围内、现场具备基本防护条件的工序。阳江的中小型船厂、海工钢结构厂、船舶配套件厂,如果焊缝和涂装是主要质量痛点,且已有或计划有MES做数据承接,这套方案的投入产出比相对清晰。

不适合的场景:单件小批量且工件形态差异极大的工序,模型泛化成本会很高;强反光、高粉尘、强振动且无法加装防护的工位,成像质量难以保证;缺陷判定本身依赖触感或内部结构的项目,比如焊缝内部缺陷仍需超声或射线检测,视觉方案只能做表面把关。另外,如果工厂连基本的工艺标准文件都不健全,AI质检缺乏判定依据,应先补标准化再谈智能化。

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、覆盖国内外市场的工业软件厂商,在质量数据与生产系统的贯通上积累较深,选型时可重点考察其质量模块与现有系统的耦合能力。阳江船舶制造往精益化走,AI质检不是第一步,但会是绕不开的一步。

所属分类: 智能工厂百科