汽车零部件表面缺陷视觉检测线

人工目检的天花板

冲压件表面的划伤、凹坑、料油污等缺陷，长期靠人工目检。这个环节的问题不是“人不够仔细”，而是人的生理极限：连续检视同一类表面，注意力会在几十分钟内明显下降；不同检验员对“轻微划伤”的判断标准不一致；夜班与白班的检出水平存在系统性差异。

对客户而言，这些差异最终表现为客户投诉与返工成本。要解决，必须把“看得见”变成“测得到”——用稳定、可量化的手段替代人工工位。

金属表面为什么难拍

视觉检测在这一类工件上的第一道坎不是算法，而是成像。冲压件是金属表面，具有强反射特性：光源角度稍有变化，同一处缺陷可能从“清晰可见”变成“完全消失”；表面的油污在特定角度下会形成高光，与凹坑的阴影混淆；而不同批次的材料表面粗糙度不同，反光特性也随之变化。

解决方式是多光源成像：用不同角度、不同光谱的组合照明，让缺陷在不同光照条件下显现不同特征，再由算法综合判断。这套方案的关键环节是打光试验——在产线现场用实际工件反复调整光源位置、角度与强度，把最佳组合固化下来。这一步无法在实验室完成，因为实验室的光照条件与产线差别太大。

从成像到判定

成像之后是缺陷分割模型：不是简单的“有无缺陷”二分类，而是像素级分割，标出缺陷的位置与轮廓。这样才能计算缺陷面积、长度，支撑后续的分级判定——客户的质量标准是按缺陷尺寸分级的，不是只看有没有。

模型覆盖 8 类常见表面缺陷。训练数据来自现场采集的实际工件，包含正常件与各类缺陷件。这里遇到的典型问题是样本不均衡：划伤、凹坑样本容易收集，而某些低频缺陷在数月生产中只出现几次。处理方式是对低频类别做数据增强，并在上线初期对这些类别降低判定阈值，宁可多报由人工复核，也不能漏检。

与产线的联动

检测系统必须与产线节拍同步。相机触发由产线 PLC 给出信号，检测结果实时回传 PLC，缺陷件自动打标剔除。这条链路的关键是时延：从触发到给出判定必须在节拍内完成，否则工件已经流走。

检测结果按批次归档，支撑后续的 SPC 分析。这一步把检测从“挑出坏件”变成“发现趋势”——某类缺陷在某个时段集中出现，往往指向模具磨损或来料变化，这是人工目检无法提供的信息。

结果与沉淀

系统达到单相机节拍 60 件／分钟，漏检率 0.28%，误检率 1.1%，替代了原有两个目检工位。误检率略高于漏检率是有意为之：对客户而言，漏检流出不良品的代价远高于误检带来的一次复判。

交付中固定下来的还有一套成像参数与缺陷样本库。后续新增车型或更换材料时，不需要重新做完整的打光试验，只需在既有参数基础上微调，导入周期明显缩短。