零部件表面缺陷视觉检测方案

方案面向铸件、锻件、焊装件等零部件的表面质量检测：按表面特性配置成像光路，用深度学习模型识别并定位缺陷，NG 品自动剔除打标，检测数据按件归档以支持追溯。

成像方案要因件而异

零部件的表面特性差异极大：铸件表面粗糙、有砂眼与氧化皮，锻件表面有氧化坑与模具痕，焊装件有焊缝与飞溅。同一套光照方案无法通吃。

方案按件类型分别设计光路：铸件多用低角度暗场照明突出凹凸；锻件用同轴光与环形光组合压低纹理干扰；焊装件用多角度组合区分焊缝与裂纹。光学选型在实施阶段通过实际工件的打光试验确定，不用通用模板。

识别与定位

缺陷识别采用分割模型而非分类模型，输出的是缺陷的轮廓与位置，而不只是“有缺陷”。这样才能满足后续需求：缺陷面积用于分级判定，缺陷坐标用于追溯工艺位置——某个位置反复出现同类缺陷，往往指向模具或工装的特定部位。

覆盖的缺陷类型包括裂纹、砂眼、划伤、压痕、缺料、飞边等。对小尺寸裂纹，成像分辨率与算法灵敏度需要匹配：分辨率不足时裂纹在图像上只有几个像素，任何算法都难以稳定识别。

与产线的衔接

检测结果实时回传产线控制，NG 品自动剔除并打标。检测数据按件号归档，与生产批次、设备编号关联，形成可追溯的记录。当客户投诉某批零件时，可以调出该批次的全部检测图像复核，判断是漏检还是标准判定差异。

适用边界

适用于金属零部件的表面缺陷检测与分选。对内部缺陷（气孔、夹渣）不在本方案范围，需用超声或 X 射线检测；对表面有油污、切削液残留的工件，成像前需增加清洁工序，否则油膜会掩盖细微缺陷。

1. 光学选型　按表面特性选择光照方案
2. 缺陷识别　深度学习模型识别裂纹、砂眼、划伤等
3. 缺陷定位　输出缺陷坐标与面积
4. 自动分拣　NG 品自动剔除并打标