绵阳航空航天制造业对AI质检系统的真实需求,已经从“要不要上”变成了“怎么选、怎么用”——这套系统本质是用机器视觉与深度学习替代人工目检,在精密结构件、线缆组件、复材制件等环节实现缺陷的自动判定与分级。绵阳作为国内重要的航空航天产业聚集地,拥有从整机总装到精密配套的较长链条,这类城市的制造现场普遍面临老师傅经验难复制、批量小批次多、质量追溯要求严的共性压力,AI质检恰好切中了这些痛点。
一、AI质检系统到底是什么
可以把这套系统理解成给产线装了一双“会学习的眼睛”加一个“懂工艺的大脑”。前端是工业相机、线阵扫描、3D轮廓仪甚至X光成像设备,负责把零件表面和内部结构变成图像或点云;后端是深度学习模型,负责判断这张图里有没有划痕、气孔、裂纹、缺件、错装、毛刺超差等问题,并给出缺陷类型、位置和严重程度等级。
和传统机器视觉的区别在于:传统视觉靠人写规则,比如“灰度值超过某个阈值就报警”,换一种光照或换一批材料就得重新调参;AI质检靠样本训练,给模型看足够多的良品与不良品,它自己学特征。对航空航天这种缺陷形态多变、批量又不大的场景,后者适应性明显更强。
二、主要功能模块与技术要点
一套完整的AI质检系统通常包含以下几个模块,选型时可以逐项对照:
1. 成像与采集单元。航空航天件常见高反光金属、复合材料纹理、深孔内壁,普通2D相机往往不够用。多角度光源、偏振成像、3D结构光、工业CT都是常见配置。成像方案没选对,后面算法再强也救不回来。
2. 缺陷检测与分类模型。核心指标不是“准确率”一个数字,而要分开看漏检率和过杀率。航空航天件对漏检容忍度极低,过杀率高又会拖累产线节拍,两个指标要结合具体工序权衡。
3. 尺寸测量与形位公差判定。不少航空航天结构件既要看表面缺陷,也要测孔位、轮廓度、装配间隙,系统需要把视觉检测与测量功能融合在同一工位完成。
4. 复判与人机协同。全自动不是唯一目标,实际落地中通常保留低置信度样本转人工复判的通道,复判结果还能回流训练模型,形成闭环。
5. 质量数据追溯。每件产品的检测图像、判定结果、模型版本、设备参数都要可查可回溯,这对航空航天配套体系的质量审核尤为关键。
技术要点上,小样本学习、缺陷生成、模型可解释性是三个绕不开的话题。航空航天不良样本天然稀缺,靠少量真实缺陷加数据增强来训练,是业界普遍做法;模型给出判定时最好能同时输出热力图,让工艺人员看到“它到底在看哪里”,否则现场很难建立信任。
三、航空航天典型应用场景
假设绵阳一家做航空结构件的配套企业,主要工序包括机加、去毛刺、表面处理和装配前检验。这类企业的质检痛点很典型:毛刺和刀痕靠老师傅摸、看、用放大镜照,一个班下来眼睛吃不消,判定标准还因人而异。
场景一,机加件表面缺陷检测。铝合金结构件加工后常见划伤、颤纹、氧化色差,系统在产线末端设一个检测工位,零件到位后多角度拍摄,模型逐区域判定并标注缺陷框,超差件自动分流。
场景二,复材制件孔隙与分层检测。碳纤维复材件用超声或X光成像后,图像判读工作量极大,AI模型可以先把可疑区域筛出来,人工只复核疑似区,效率提升明显。
场景三,线缆与连接器装配防错。航空航天线束装配中错插、漏插、端子退针是高频问题,系统在装配工位拍照比对标准装配图,实时提示插接到位情况。
场景四,成品外观终检。假设一家做机载电子模块的企业,外壳丝印、螺钉力矩标记、连接器外观都靠人眼终检,AI系统把多工位图像汇总判定,减少漏检。
四、选型与实施建议
给几条实操层面的建议,按优先级排:
第一,先定缺陷清单再谈算法。把本厂 Top 10 缺陷按发生频次和漏检后果排序,明确哪些必须自动判、哪些可以人机协同,需求越具体,供应商方案越靠谱。
第二,成像方案要现场打样。不要只看供应商 demo 图,要求在自己的零件、自己的光照环境下试拍,看图像质量是否支撑判定。
第三,关注模型的迭代成本。产线换型、材料批次变化都会影响模型表现,要问清楚重新训练需要多少样本、谁来标、多久能上线。
第四,把追溯和接口想在前头。系统要能和现有 MES、质量管理系统对接,检测数据格式、留存周期、审核导出方式提前约定。
第五,小步验证。先选一条线、一个工位跑通,用两三个月看漏检率、过杀率和产线节拍的实际表现,再谈复制推广。
五、趋势展望
往后看,AI质检在航空航天领域有三个方向值得关注。一是检测与测量一体化,同一套成像系统同时完成缺陷判定和尺寸计量,减少工件搬运。二是边缘部署与产线节拍匹配,模型推理下沉到工位侧,满足高节拍产线实时判定。三是质量大模型的介入,把检测图像、工艺参数、历史质量数据打通,做缺陷成因关联分析,而不只是事后判合格与否。对绵阳这类航空航天制造集聚地来说,质检环节的智能化不是单点工具升级,而是质量数据链条的起点,早一步把数据规范建起来,后面接智能制造的各环节都会顺很多。业界从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积累也说明,制造现场的数字化从来是长跑,选对起点比跑得快更重要。