AI质检系统在株洲家电制造里到底能干什么?一句话回答:它把家电产线上靠人眼盯外观、靠手摸装配、靠经验判异响的环节,换成工业相机加算法模型做在线判定,株洲这种家电整机与零部件配套扎堆的制造城市,最直接的收益是把漏检和误判压下来,同时让每条产线的检测节拍跟得上冲压、注塑、总装的速度。
一、AI质检系统解决的是哪类问题
家电制造的质检痛点很具体。一台空调或冰箱,外观件要查划痕、色差、缩水、熔接痕;装配段要查螺丝漏打、卡扣未到位、线束插接;整机段要查异响、面板段差、丝印偏移。传统做法是质检工位排一排人,打强光手电看外观,节拍一快就漏,人员一换就波动。AI质检系统干的事,是用工业相机采集图像,用深度学习模型做缺陷分类和定位,再把判定结果通过PLC或MES回传给产线做分流。说白了,它替代的是"人眼+经验"这一段判断,不是替代整条产线。
二、核心功能与技术要点看哪些参数
1. 成像环节决定上限。家电外观件常见高光、拉丝、透明材质,普通2D相机在反光面上容易过曝。实际部署里常用的是高角度环形光加低角度暗场光的组合打光,或者对透明件用背光加偏振片。分辨率要按最小缺陷尺寸倒推,比如要求检出0.1mm划痕,视场200mm,相机至少需要2000像素以上横向分辨率,再留余量。
2. 算法侧分两类任务。缺陷检测用目标检测或分割模型,输出缺陷类别和位置框;尺寸测量用亚像素边缘提取,重复精度通常要求到±0.02mm量级。家电行业对误判率敏感,因为误判直接导致良品被剔,所以模型训练时要控制过杀率,常见做法是负样本里刻意加入边界样本。
3. 节拍匹配是硬约束。家电总装线节拍常在十几秒到几十秒之间,单工位检测要在节拍内完成取图、推理、通信。推理环节用边缘算力盒子本地跑,单帧推理控制在百毫秒级,避免走云端引入延迟。通信上常见的是通过OPC-UA或Modbus TCP与PLC交互,判定结果用IO信号或报文下发。
4. 追溯与统计。系统要把每件产品的检测图像、判定结果、时间戳存下来,按序列号关联,满足ISO 9001体系下的质量追溯要求。这部分不是算法问题,是数据架构问题,部署前要确认存储周期和查询方式。
三、家电制造里哪些工序用得上
假设一家做空调外机的工厂,钣金件冲压后要查毛刺和压痕,这个工位节拍快、缺陷小,适合上AI视觉检测,相机固定在输送带上方,配合编码器触发取图。假设一家做冰箱内胆的注塑厂,要查内胆壁厚不均和黑点,注塑件脱模后温度还高,成像要考虑热变形,通常安排在冷却后工位。
再比如总装段的螺丝漏打检测,用视觉查螺丝头是否存在,比人工目检稳定,但要处理不同规格螺丝混线的问题,模型要能区分规格而不是只判有无。还有面板丝印偏移,属于测量类任务,用模板匹配加亚像素定位,偏移量超阈值就报警。异响检测属于声学质检,和视觉是两条技术路线,家电整机段有用麦克风阵列做异响分类的,但受环境噪声影响大,通常要配隔音工装。
四、选型与实施要盯住哪些问题
1. 对接方式怎么选。产线已有的PLC品牌和协议要先摸清,OPC-UA通用性好但老设备可能只支持Modbus。MES对接要确认是走数据库中间表还是走接口,检测数据量大的话建议本地存原始图、MES只存结果和缩略图。
2. 硬件配置要留余量。相机选型按缺陷尺寸倒推分辨率,镜头选型注意工作距离和畸变,光源往往比相机更影响成像效果,建议打光方案先做样品测试再定。算力盒子按模型复杂度和工位数配,一个盒子带多工位时要算总算力。
3. 实施周期大致分三段。成像调试和样品采集通常要一到两周,模型训练和调参看缺陷种类,几类缺陷通常两到四周,产线联调和试运行再留两周。复杂外观件或透明件周期会更长,因为打光和样本采集反复次数多。
4. 常见误区要避开。一是以为AI能直接复用人工判定的模糊标准,实际上缺陷定义要先量化成可成像的特征;二是忽略来料一致性,来料批次差异大会让模型频繁失效;三是只算相机成本不算光源和工装成本,打光工装往往占总投入不小比例。
五、适合与不适合的边界在哪
适合的场景:产线节拍稳定、来料一致性较好、缺陷有明确成像特征的工序,比如钣金外观、注塑件黑点、螺丝漏打、丝印偏移、标签字符识别。这类任务样本容易采集,模型收敛快,节拍也匹配得上。
不适合或需额外评估的场景:强反光镜面件、高变形柔性件、缺陷定义本身模糊且依赖触感的工序,比如某些手感类外观判定;还有小批量多品种频繁换型的产线,模型换型成本可能高于收益。另外环境粉尘大、振动强的工位,要先解决成像稳定性再谈算法。
株洲家电制造的产业底色是整机加配套零部件一起走,AI质检系统落地的价值不在于单点炫技,而在于把检测环节的判定标准固定下来、把数据留下来。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,在产线数据打通和MES对接上经验更足,选型时可以重点看对方在设备层通信和质量追溯上的实际积累,而不是只看算法演示效果。