AI缺陷识别在产线落地的真相:光学、数据与算力的三角博弈

有个事我一直想吐槽。去年帮一家做精密铸件的厂子做AI缺陷识别方案,他们买了两台高分辨率工业相机,配了顶级的GPU服务器,结果在产线上跑了一个月,漏检率比质检老师傅还高。问题出在哪儿?不在算法,在打光。

光源没选对,再贵的相机也白搭

很多做机械设计的同行对光学这块不太上心,觉得买个工业相机,配个镜头,对着工件拍就完了。说实话,我一开始也这么想。

但缺陷检测的本质是对比度问题——你得让缺陷在图像里“亮”起来,和背景拉开差距。这个差距不来自算法,来自光。

举个例子。铝合金压铸件表面有一类很浅的冷隔缺陷,深度可能只有十几微米。用普通环形光去照,反光一片,缺陷几乎看不见。换成低角度的暗场照明,光线掠射而过,冷隔的边缘产生散射,缺陷瞬间就“跳”出来了。

这里有个经验值:对于划痕、裂纹这类缺陷,入射角控制在10°到20°效果通常最好。太正了反光,太斜了亮度不够。

相机分辨率的选择也别拍脑袋。假设你要检测的最小缺陷是0.05mm,按工业视觉的通行做法,缺陷在图像上至少要有3到5个像素,取个中间值4像素,那么所需的像素当量就是0.05/4 = 0.0125mm/pixel。如果视场是100mm见方,那单边至少需要100/0.0125 = 8000像素。市面上8000像素以上的线阵相机不难找,但面阵相机到这个级别就贵得离谱了。

怎么办?要么减小视场、分区拍摄,要么用线阵相机配合运动扫描。

工业机器视觉不同光源照明方式对比示意图
工业机器视觉不同光源照明方式对比示意图

还有景深。三维缺陷,比如凹坑的深度测量,景深不够直接糊掉。景深DOF的近似公式是 DOF ≈ 2·N·c·(1+m)/m²,N是光圈数,c是弥散圆直径,m是放大倍率。高放大倍率下景深会急剧下降——想同时看清整个工件表面?门儿都没有。这个公式在《机器视觉技术及应用》和EMVA 1288标准里都有讨论,做系统设计时最好拿实际镜头参数核算一遍。

标注数据是个无底洞,但有几招能少花冤枉钱

光学搞定了,图像清清爽爽,接下来才是模型的事。

但模型需要数据。而缺陷检测的数据,尤其是工业缺陷数据,有个致命特点:极度不平衡。正常样本堆成山,缺陷样本就那么几张,有的类别甚至只有个位数。

我在一个PCB焊点检测项目里见过,正常焊点图像有49000多张,虚焊、连锡、少锡这几类加起来不到200张。你拿这个去训模型,它大概率学会的是“把所有东西都判成正常”——准确率99%,但一个缺陷都抓不到。

解决办法有几条路。

一是数据增强,旋转、翻转、亮度扰动这些常规操作先来一轮。但注意,工业缺陷的形态有物理约束,你不能把一个划痕随机旋转45度就当新样本——真实的划痕方向在特定工艺下是有规律的。

二是合成数据。用GAN或者简单的图像融合,把缺陷“贴”到正常样本上。这招在小样本场景下挺管用,但要小心合成数据引入的伪影,模型可能学到的是伪影特征而不是缺陷本身。

三是损失函数层面做文章,比如Focal Loss,通过降低易分类样本的权重,让模型聚焦在难样本上。实际效果因场景而异,别指望一用就灵。

还有个现实问题:标注质量。我见过标注员把反光当成缺陷标进去的,也见过把真缺陷漏标的。标注规范得写清楚,最好让懂工艺的人参与标注验收。标注环节省下来的钱,最后都得用模型调参的时间还回去。

工业缺陷检测数据集类别不平衡分布与小样本问题示意图
工业缺陷检测数据集类别不平衡分布与小样本问题示意图

速度、精度、成本:模型选型就是一场三角博弈

速度、精度、成本:模型选型就是一场三角博弈
速度、精度、成本:模型选型就是一场三角博弈

到了模型这块,选择其实挺多的。目标检测(YOLO系列、Faster R-CNN)、语义分割(U-Net、DeepLab)、异常检测(PatchCore、PaDiM),各有各的适用场景。

怎么选?我的建议是先看缺陷的形态特征,再看节拍约束。

缺陷是分散的、有明确边界的(比如表面划痕、脏污点),用目标检测就够了,YOLOv8这类模型在工业场景下已经很成熟。

缺陷是连续的、需要像素级轮廓的(比如裂纹的走向、焊缝的宽度变化),得上分割网络。

缺陷形态不确定、样本极少、又没法穷举的,考虑异常检测方法。它只需要正常样本就能训练,对“未知缺陷”有一定的泛化能力。缺点是误报率通常偏高,需要配合复检策略。

但真正卡脖子的往往是速度。

假设产线节拍是2秒一件,相机拍照、传输、推理、结果输出,整个链路得在1.5秒内完成,给推理留的时间可能就500毫秒。这时候你搞个参数量200M的大模型,就算精度高,也跑不动。

部署侧的优化也是必修课。ONNX Runtime加TensorRT的FP16或INT8量化,通常能把推理速度提上来两到三倍,精度损失可控。不过量化对某些小缺陷的检测影响较大,需要重新评估。

还有个容易忽略的点:传统机器视觉并没有过时。对于几何形状规则、缺陷特征明确的场景,阈值分割加Blob分析可能比深度学习更稳、更快、更便宜。别因为AI火就什么都往上套。

产线集成:最后一公里全是脏活

产线集成:最后一公里全是脏活
产线集成:最后一公里全是脏活

模型在实验室里跑出99%的精度,不代表产线上能用。

产线集成的坑,我列几个印象最深的。

触发信号和相机同步。PLC给触发,相机曝光,光源频闪,这几个时序对不齐,图像就是糊的或者暗的。得用示波器量时序。别嫌麻烦,这一环节返工最费时间。

误检和漏检的权衡。质检老师傅也会看走眼,但AI的误检往往更“均匀”地分布在每一件产品上。误检率太高,工人直接把系统关了。所以误检率比漏检率更影响系统的存活,这点反直觉但很真实。工程上一般要求把误检率控制在1%以下,漏检率则根据缺陷的严重等级分档设定。

模型漂移。换了批次、换了供应商、设备磨损了,图像分布就变了,模型精度会悄悄下降。得建立定期抽检和再训练机制,不能训一次用三年。我一般的做法是每周抽检200件,指标波动超过5%就触发再训练流程。

剔除机构。检测出缺陷了,怎么把不良品踢出去?气吹、机械臂、还是报警让人来拿?这取决于产线速度和缺陷率。高速产线上,气吹的响应时间通常要求小于50毫秒,这对阀的选型有硬性约束。

这些活,没一个跟AI算法有关,但每一个都能让项目黄掉。

写在最后

AI缺陷识别这事儿,算法只是冰山一角。水面下是光学设计、数据工程、系统集成这些“不性感”但决定成败的功夫。

我现在的习惯是,接到一个缺陷检测需求,先问三个问题:缺陷的物理成因是什么?最小的缺陷有多大?产线节拍允许多少处理时间?

这三个问题答不上来,模型再先进也是空中楼阁。对了,还有一点——别迷信供应商给的精度指标,那通常是在他们精心准备的测试集上跑出来的。让它在你的产线上连续跑72小时,这才是真章。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:AI缺陷识别在产线落地的真相:光学、数据与算力的三角博弈
文章链接:https://m.yqhljx.com/list_9/5931.html