注塑件黑点缺陷检测实战，成本仅需2万元

第一章 客户背景与痛点：为什么黑点检测这么难？

客户画像

黑点检测的三大痛点

为什么传统手段搞不定？

• 人工目检局限：高峰期每条线日产5000件，质检员每分钟看20件，连续8小时，疲劳后漏检率飙升到5%以上。
• 色差仪不管用：黑点是局部缺陷不是整体色差，色差仪只能测整体颜色，根本无法定位点状缺陷。
• 传统视觉调参难：不同颜色产品需要不同的灰度阈值，换了模具就得重新调，维护量太大。

老周找我们之前，已经考察了3家视觉厂商，要么报价太高（8万+），要么方案不靠谱。最后一个同行推荐了我们春景智能。

第二章 方案设计：相机+光源+算法三位一体

2.1 相机选型

注塑件黑点检测的核心难点在于：黑点与深色背景的对比度极低。这要求相机必须同时具备高分辨率和优秀的动态范围。

2.2 光源方案

光源是这次项目的关键突破口。经过对不同颜色产品的反复测试，我们最终采用了双光源组合方案：

• 主光源：同轴光源——将光源与相机光路合一，从正上方垂直打光。同轴光能最大程度消除注塑件表面弧度带来的反光干扰，同时让黑点与背景的对比度最大化。
• 辅助光源：白色背光源——从工件背面打光，当黑点足够大时（>0.3mm），背光会产生明显阴影，辅助主光源做交叉验证。

2.3 算法选型

考虑到黑点缺陷的本质是"局部灰度异常"，并且产品颜色多变，我们选择了以下方案：

• 算法路线：异常检测（Anomaly Detection），而非传统分类或分割。异常检测的核心思路是"只学习什么是正常，任何偏离正常的就是异常"。
• 具体模型：PaDiM（Patch Distribution Modeling）。在预训练CNN特征空间中对正常样本的patch特征建模，推理时计算测试样本与正常分布的Mahalanobis距离，超出阈值即判定为异常。
• 为什么不用目标检测？目标检测需要标注每类缺陷的bbox，而黑点形态千变万化且样本稀少，标注成本极高。异常检测只需正常样本即可训练。

2.4 样本采集

异常检测模型只需要正常（OK）样本来训练：

• OK样本：800张（覆盖白、灰、黑三种底色产品，每种260-270张）
• 测试用NG样本：200张（用于评估模型性能，不参与训练）
• 数据增强：旋转、翻转、亮度微调，扩充至3200张训练样本

第三章 7天实施全过程