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

佛山_AI质检系统

AI质检系统在佛山橡胶制品行业的核心价值,是把密封圈、胶管、减震垫这类外观缺陷依赖人眼抽检的老做法,转成机器视觉全检,让漏检率和人工成本同时降下来。佛山是橡胶制品的重要产区,密封件、家电橡胶配件、汽车橡胶件企业密集,这类产品批量大、单价低、缺陷细,人工质检越来越难支撑。

一、AI质检系统核心概念与定义

AI质检系统,指的是用工业相机采集产品图像,通过深度学习模型自动识别划伤、缺胶、气泡、毛边、杂质、尺寸偏差等缺陷,并联动产线完成分选或报警的一套软硬件系统。它和传统机器视觉的区别在于:传统视觉靠人写规则,比如灰度阈值、边缘位置,遇到橡胶这种黑色、反光弱、纹理随机变化的材质,规则很难覆盖;深度学习则是拿缺陷样本训练模型,让系统自己学特征。

在橡胶制品行业,这套系统通常被称为"橡胶件外观缺陷视觉检测设备"或"AI外观全检机",常见形态是转盘式、皮带流水线式或振动盘上料式,配合剔除机构使用。

二、主要功能模块与技术要点

1. 图像采集单元。橡胶件多为黑色或深色,表面吸光,普通光源拍出来细节糊成一片。业内常用的是多角度环形光加低角度暗场照明,把划伤和气泡的轮廓打出来。相机分辨率要根据最小缺陷尺寸倒推,比如要求检出0.1毫米的缺胶,像素精度就得留出足够余量。

2. 缺陷识别模型。核心是分类加分割。分类判断有无缺陷,分割定位缺陷位置和面积。橡胶件的难点在于缺陷样本少,很多工厂一年也攒不出多少张典型缺陷图,所以厂商一般会用小样本学习或异常检测方案,先学正常品分布,再把偏离正常的产品挑出来。

3. 尺寸与形位测量。密封圈的内外径、胶管的壁厚、O型圈的截面圆度,这些靠视觉测量可以替代部分卡尺和投影仪工位。要点是标定要准,镜头畸变要校正。

4. 分选与数据模块。检测结果要能联动气吹、推杆或机械手剔除不良品,同时把每件产品的检测图像、缺陷类型、时间戳存下来,供追溯和模型迭代。不少企业关心的SPC报表、批次良率趋势,也在这个模块里出。

5. 模型迭代闭环。产线换料号、换模具后,模型需要重新调。好的系统会支持产线人员自己标注少量样本、增量训练,不必每次都等厂商上门。

三、橡胶制品典型应用场景

假设一家佛山本地的家电橡胶配件厂,主营洗衣机门封条和冰箱密封条,日产量数万件。这类产品长度大、形状不规则,人工全检基本做不到,只能抽检,客户投诉里常见的是接头处缺胶和表面气泡。上AI质检后,通常是在挤出硫化线的末端加装线扫相机,对整条密封条做连续表面检测,缺陷位置直接标记,后道裁切时剔除。

再假设一家做汽车减震橡胶件的企业,产品是发动机悬置和衬套。这类件的关键缺陷是内部气泡和缺胶,外观上表现为局部凹陷或鼓包,人眼在黑色表面上很难稳定判断。视觉方案一般用多工位转盘,每个工位打不同角度的光,把凹陷的阴影和鼓包的高光区分开。业内常见做法是先做2D外观检测,再配合抽检做X光或超声查内部,两者分工。

还有一类是O型圈、油封这类小件,量大、单价低,适合振动盘上料加玻璃转盘的全检机,检测速度要求高,通常每分钟几百件。这类场景对误判率很敏感,因为误判一次就损失一个良品,所以阈值设定要偏保守,宁可漏一点也不能错杀太多。

四、选型与实施建议

很多工厂在选型时容易只看相机像素和节拍参数,忽略了橡胶件的特殊性。建议重点问三件事:一是厂商有没有做过同类黑色弹性体材质的项目,最好让对方拿你的实际样品打光试拍;二是缺陷样本怎么积累,前期能不能用少量不良品加正常品把模型跑起来;三是换型时间,佛山橡胶企业普遍多品种小批量,换一个料号如果调机要半天,产线就不愿意用。

实施上,业内比较稳妥的路径是先挑一个量大、缺陷标准明确、人工质检压力最大的单品做试点,跑两三个月看漏检率和误判率是否稳定,再横向复制。产线环境也要提前考虑,橡胶车间有粉尘、有脱模剂油雾,镜头和光源需要防护罩和定期清洁机制,否则再好的模型也会被脏镜头拖垮。

另外提醒一点,AI质检不是万能的。有些缺陷,比如内部脱层、材料硬度不足,外观上看不出来,这类还得靠抽检和实验室手段。系统定位是替代重复性外观全检,不是替代全部质量工程。

五、趋势展望

未来两三年,橡胶制品AI质检有两个方向值得关注。一是模型轻量化和边缘部署,检测算法直接跑在产线边的工控机或边缘盒子上,不依赖云端,响应更快,数据也不出厂。二是多模态融合,把可见光图像和红外、超声等信号结合,外观加内部一起判,这对汽车橡胶件这类可靠性要求高的产品意义更大。

佛山制造业的特点是产业集群密、配套全、对成本敏感,AI质检系统能不能在这类企业里铺开,关键不在算法多先进,而在厂商能不能把方案做便宜、做皮实、做到产线人员愿意用。业界一些厂商累计服务过120余家客户,覆盖15+行业,累计3200余家终端,这类经验值在选型时可以作为参考,但最终还是要落到自家产品的实际打光效果和换型便利性上。

所属分类: 智能工厂百科