CASE SHOWCASE
缺陷识别实例
以两类典型零件为例，展示系统在样件原图与轴面、端面检测结果上的对照效果。
圆柱类零件
样件原图与轴面两类典型缺陷识别结果。
轴类零件
样件原图、轴面三类缺陷识别结果与端面检测结果。
面向轴类、平面及回转体零件的全表面缺陷检测系统，融合光学成像与深度学习，实现端面、轴面缺陷的自动识别与量化判定。
围绕传统人工目检的四大痛点，我们给出可落地的自动化检测目标。
依赖质检员逐件肉眼观察，单件检测耗时长，难以匹配产线节拍。
疲劳与经验差异导致微小缺陷容易漏判，质量一致性难以保证。
缺陷判定依赖个人主观经验，缺乏量化标准，批次间结果波动大。
人工记录缺失，缺陷分布与趋势无法沉淀，难以支撑工艺改进。
覆盖端面、轴面共 11 类常见外观缺陷。具体判定标准由客户根据产品要求定义，并以训练集样本为依据建立模型。
判定标准由客户根据产品要求定义，以训练集样本为依据建立模型，可按缺陷类型与工艺要求灵活配置。
光学成像系统负责把缺陷放大、稳定地拍清楚，AI 算法负责把缺陷找出来、分好类。
高分辨率面阵相机，捕捉微米级表面细节。
低畸变远心光路，保证尺寸测量精度。
稳定均匀的照明，凸显表面形貌差异。
带动轴类零件匀速旋转，实现 360 度采集。
多角度可控光源，抑制反光干扰。
检测结果实时上云，对接产线系统。
定位缺陷所在区域，输出边界框与位置。
像素级勾勒缺陷轮廓，计算精确尺寸。
无监督建模正常样本，自动发现未知缺陷。
对缺陷类型自动判别，匹配缺陷标准库。
从样本采集到智能判定，全过程自动化闭环。
伺服转台带动零件旋转，工业相机按节拍采集全表面图像。
去噪、校正与增强，统一成像质量，抑制环境干扰。
深度学习模型实时识别缺陷类型、位置与尺寸。
生成检测报告并上传 MES，触发分拣或报警。
以两类典型零件为例，展示系统在样件原图与轴面、端面检测结果上的对照效果。
样件原图与轴面两类典型缺陷识别结果。
样件原图、轴面三类缺陷识别结果与端面检测结果。
从部署到运维的全周期支持，保障检测系统稳定在线。
标准化硬件套件与软件镜像，现场即装即用。
持续收集产线样本，定期优化缺陷识别模型。
远程诊断与响应，保障产线连续运行。
定期校准、升级与培训，沉淀质量数据资产。