一条每分钟60次的冲压线,节拍是一秒一件,模具打开到工件被取走的窗口只有几十毫秒。人工抽检只能看首件和末件,毛刺、压伤、拉深裂纹这类缺陷常常整批流到装配才被发现。很多工厂的第一反应是"上AI视觉",但真正让项目卡住的,往往不是模型,而是光和快门。
高速运动下的成像有三个硬约束。第一是运动模糊:工件以每秒一米以上的速度移动,曝光1毫秒就会拖出1毫米的影子,0.2毫米的毛刺直接糊掉,曝光必须压到几十微秒级。第二是亮度:曝光短了进光量不够,必须用频闪光源在曝光瞬间补光,光源触发要和相机严格同步,抖动几微秒就够毁掉一张图。第三是触发:不能用普通光电开关凑合,要从曲轴或凸轮取角度信号,保证每一件都在同一相位被拍,否则图像位置漂移,模型学不到稳定特征。
硬件选型的顺序是"精度倒推"。先定要看的缺陷尺寸,比如0.2毫米毛刺,再按每毫米至少3到5个像素反推所需分辨率,结合视野算出相机像素数;然后选全局快门的面阵相机,配远心或低畸变镜头,避免工件高度变化带来的放大倍率误差。冲压件表面有油,镜面反光会和缺陷混在一起,低角度暗场和同轴光各试一遍,比在软件里反复调参有用得多。
模型这一层反而没那么多玄学。缺陷样本天然稀少,先做异常检测、只用良品训练,比硬凑几百张缺陷图更容易起步;上线前用一个月的历史图片做离线复判,把误报率和漏检率一起算清楚,再决定阈值。得利捷(Datalogic)这类做工业读码和视觉的厂商,现在的方案里已经把预训练模型和边缘推理做在一起,好处是不用把图传到服务器,节拍跟得上。
上线后真正要管的是漂移。换模具、换材料批次、换润滑油,图像分布都会变,模型准确率缓慢下滑,而现场往往只看到"误报变多了",最后干脆把系统关掉。可行的做法是每天固定抽50到100张图人工复判,算一次一致率,低于阈值就触发补样重训;同时把每次换模记录进系统,模型版本跟着模具号走,不要一套模型打天下。
投入产出要按"拦下多少"算,不是按"识别率"算。一条线每天跑两万件,漏检率从3%降到0.5%,等于每天少500件不良流到后工序,按单件返修成本一算就清楚值不值。反过来说,如果误报每班超过五次,产线一定会想办法绕过系统,再高的识别率也没意义。先解决光和快门,再谈模型,最后用制度守住漂移,这条路走得慢,但走得通。



经营性网站备案信息
ICP经营许可证
营业执照副本
不良信息举报中心