摘要：针对机械加工领域批量零件的质量缺陷识别痛点，结合汽车冲压车间的实际改造经验，分析传统识别方法的局限，分享工业视觉方案落地的选型、调试经验，以及容易被忽略的现场细节。
别拿经验当万能钥匙，传统识别的坑我踩过
五年前在主机厂跟进冲压翼子板量产项目，那时候线体还是老师傅目视+手摸排查缺陷，赶产能的时候，一分钟出一件，工人盯八个小时，到后半班眼神都飘了。
主机厂对外覆盖件的要求是I级可见缺陷漏检率≤0.5%，那条线稳定的时候能做到1.2%，旺季赶单直接冲到2%以上。
有次发出去的一千件翼子板，18件带暗裂缺陷，全返厂返工，整整改了半个月，整个项目组季度奖金直接砍半。说多了都是泪。
也试过传统涡流探伤，针对厚板冲压件还行，我们用的是0.8mm高强度薄钢板，边缘的橘皮缺陷、微裂纹灵敏度根本不够，深度小于0.1mm的暗坑根本扫不出来。
说实话，现在很多中小五金冲压厂还在靠老师傅攒的经验吃饭，不是说经验没用，批量生产、动辄几万件月产能的情况下，人真顶不住。错一件的成本，可能比十件的利润还高。
工业视觉+机器学习，现在落地的真实效果怎么样
去年帮朋友的冲压车间改了一条线做质量缺陷识别，不少人问我现在这个方案是不是真能替代人工，我给的结论是：选对参数、摸透场景，比人工靠谱太多。
我们当时面对的是一分钟12件的节拍，零件最长1.1m，有人上来就推荐8K线阵相机加GPU服务器，一套下来四十多万，我们算了算，根本没必要。
最后选的是两台200万像素面阵相机，分区域拍摄，打光用的环形低角度漫射光——针对我们最头疼的浅划痕、微暗坑，对比度直接提了42%，成本才不到八万。按GB/T 2828.1-2012抽样标准连续测了一个月，I级缺陷漏检率稳定在0.2%以下，误检率从最初的9%降到了1.1%，这个数据比人工好一倍都不止。
不过话说回来，十个落地项目有七个死在光照选型上，很多人把钱都砸在相机上，光照随便选，最后出来的图缺陷和背景灰度差不到5个灰阶，再好的算法也识别不出来。记住：暗坑找低角度，色差缺陷找同轴光，褶皱缺陷用明场散射，这是我踩过坑攒出来的死规则。
还有标注的坑，很多人上来就攒几千张图瞎标，同一种缺陷在零件外可见区和内覆盖区，接受标准本来就不一样，光照反射效果也不一样，不按场景分类标注，训练出来的模型误检率能高到让你怀疑人生。我们当时分了四个场景标注，每个场景只标800张，效果比瞎标3000张好太多。
落地后那些没人提前告诉你的细节
装完设备调完模型就完事了？我告诉你，真不是。冲压车间的环境，比你想象的糙多了。
第一个坑：油雾。车间每天冲压几千件，件件都要涂拉伸油，空气中全是油雾，镜头不到半个月就糊一层油，识别准确率直接掉五个点。原来的方案没留自动清洁的接口，每周要停机半小时擦镜头，一年下来损失的产能，够买三套自动风刀清洁装置了。现在我们新上的线，装完相机第一件事就是加风刀，定时吹，太省心了。
第二个坑：热变形。车间白天温度三十度，晚上二十二度，相机支架是铝的，热胀冷缩，一天下来能偏0.1毫米，偏了之后识别框就歪了，准确率直接掉三个点。原来我们每周人工校准一次，现在加了个标准标定块，每天开工自动拍一次，自动补偿偏移，全程不用人管，自动校准这一步，真的是花小钱办大事。
第三个坑：误报复核。很多厂上了视觉之后，还是保留原来的全人工复核，等于一半钱白花了。我们现在把缺陷按严重度分三级，I级严重缺陷直接停机报警，II级缺陷流去复检工位，III级轻微缺陷直接放行，只留两个工人做复检，省了六个工位的人工，一年就能收回设备成本。
还有，能不能提前防缺陷？我们现在在进料工位加了一个预检测模块，专门抓模具表面的磨损和微裂纹，提前调整模具，比生产出一堆不合格品再挑出来，划算不知道多少倍。
质量缺陷识别从来不是越高端越好，也不是什么遥不可及的黑科技。先摸清楚自己生产线的节拍、缺陷类型、能接受的漏检率，再选方案，别上来就堆高端设备，能省不少冤枉钱。
毕竟工程上的事，能解决问题、赚回成本的，才是好方案。
