五金件表面划痕AI视觉检测方案，误检率<0.5%

第一章 人工检测的困境：为什么必须上AI视觉？

人工检测的四大顽疾

为什么传统机器视觉不够用？

很多工厂尝试过传统机器视觉方案（如Halcon、VisionPro的规则检测），但效果不理想：

• 规则难以穷举：划痕形态多样——直线划痕、弧形划痕、簇状划痕、深浅不一，用固定规则根本无法覆盖全部情况。
• 金属表面干扰大：五金件表面存在自然纹理、反光、油渍，传统算法极易产生大量误报。
• 调试门槛高：更换产品型号需要重新调参，普通工厂的工程师根本玩不转。

AI深度学习视觉检测的出现，从根本上改变了这一局面。

第二章 方案设计：从硬件选型到算法选型

2.1 相机选型

五金件划痕检测对分辨率要求较高，因为细小的划痕可能仅有0.1mm宽。我们选择了以下配置：

2.2 光源方案

光源是视觉检测的灵魂。五金件表面的高反光特性使得光源设计尤为关键。

经过3轮打光对比测试，最终方案为：

• 主光源：低角度环形LED光源（色温5000K），安装于镜头同轴位置。低角度打光让划痕产生阴影对比，突出缺陷特征。
• 辅助光源：背光源（用于检测边缘缺口、崩边等轮廓缺陷）。
• 遮光罩：检测区域加装遮光罩，屏蔽环境光干扰。

2.3 深度学习 vs 传统算法

最终选择深度学习方案，基于U-Net语义分割网络，将划痕区域像素级分割出来，同时输出缺陷位置、长度、面积等量化数据。

2.4 样本采集与标注

深度学习模型的效果直接取决于训练样本的质量。本次项目共采集：

• OK样本：500张（合格品，包含不同批次、不同光照条件下的正常表面）
• NG样本：500张（包含直线划痕、弧线划痕、簇状划痕、浅划痕、深划痕等各种缺陷类型）
• 标注工具：Labelme进行像素级标注，每张NG样本标注划痕区域
• 数据增强：旋转、翻转、亮度调节、高斯噪声，将样本量扩充至3000张

第三章 7天实施全过程