一、产品概述

AI深度学习智能视觉检测系统是上海科迎法电气面向复杂缺陷、微小特征与高难度场景打造的新一代工业视觉检测产品,用“先学良品、再判异常”的方式替代人工目检与固定阈值判定,广泛应用于汽车电子、精密注塑、半导体、精密陶瓷等行业。

作为国家级高新技术企业核心产品,本系统以“极速建模、精准识别、持续进化”为核心优势。缺陷识别率高达99%,亚像素测量精度达0.1像素(±2μm),可识别划痕、异物、气泡、崩边、脏污;单图推理小于0.5秒,跟得上高速产线节拍。

视觉检测设备
视觉检测设备实物展示

面向复杂缺陷的定位

工业现场难检的往往不是尺寸超差,而是边界模糊、形态不定的瑕疵:拉丝划痕、半透明气泡、与基材同色的脏污、圆弧倒角处的崩边。它们没有稳定的几何描述,规则阈值难以区分,而模型能从图像中归纳正常的统计规律,对偏离区域作出响应。

极速建模与持续进化

30秒极速建模只需一张良品图像,无需大量缺陷样本,极大降低项目周期与数据成本;上线后可通过现场微调、持续迭代优化,设备越用越准。对多品种、小批量产线尤为关键——换型不必再等数周样本积累。

视觉检测设备生产(AI图片并非产品)
建模与产线部署示意(AI示意图,非产品实拍)

二、系统组成与架构

系统分为成像、运动执行、计算控制、软件平台四层,由统一触发时序串联:来料到位触发,相机曝光与光源频闪同步,图像送入计算单元推理,结果回传PLC驱动分选,全过程在一个节拍内闭合。

成像单元

成像端支持超高像素工业相机、多光谱光源与远心光学系统。高像素保证像素覆盖率,远心光路抑制透视误差,多光谱借不同波段的反射差异把缺陷从背景中提出来。三者决定物理下限:相机看不到的细节,算法无法还原。

运动与执行单元

控制端搭载高速伺服运动平台与精密执行机构,承担上料、定位、翻转、剔除与分选。停位重复性直接影响图像一致性——偏差超过一个像素,模型看到的图像分布就变了,误判随之上升,机械定位需与视觉标定一起验收。

计算平台与软件

计算平台采用Intel i9处理器与高性能GPU,保障算法实时运算。软件采用浏览器架构,免安装、易维护,支持智能复判、数据追溯、MES对接;产线工程师在浏览器里即可切换配方、调整阈值、复核NG图片。

全自动发动机气缸视觉检测案例
全自动发动机气缸视觉检测案例

三、检测原理与流程

深度学习检测的本质,是把“人眼看图判断”转成网络对像素区域输出置信度。系统搭载YOLOv11、DINOv3、SAM2等最新深度学习模型,融合RepGFPN特征金字塔结构,大幅提升复杂背景下的识别能力。

单图检测链路

一件产品的判定经五步:触发取图、预处理(去噪、畸变校正、ROI裁剪)、前向推理、后处理(置信度过滤与非极大值抑制)、结果输出。输出含OK/NG结论、缺陷类别、坐标与尺寸,原图与结构化数据同步入库,供追溯与复判。

YOLOv11 的定位与分类

YOLOv11属单阶段检测器,一次前向同时给出位置与类别,省去候选区域生成的时间开销。多尺度输出让大缺陷由深层特征负责、小缺陷由高分辨率浅层负责,对细小异物与细划痕更有保障;推理耗时不随缺陷数量线性增长。

DINOv3 与 SAM2 的配合

DINOv3提供自监督视觉表征,样本很少时也能提取稳定、可迁移的特征,适合新品导入初期;SAM2以提示方式精细分割,勾勒缺陷边界,用于面积统计与轮廓比对。检测框回答“在哪里、是什么”,掩膜回答“有多大、什么形状”。

RepGFPN 特征融合

RepGFPN是可重参数化的广义特征金字塔,把浅层高分辨率细节与深层语义在多路径反复融合,缓解小缺陷在逐层下采样中“消失”;训练时的多分支在推理阶段可等效合并为单卷积,保留融合收益而不增加耗时。

四、样本标注与模型训练

模型上限由数据决定。同一套算法,样本覆盖全、标注准,现场就稳定;样本单薄、口径混乱,换批来料就掉点。项目实施中,样本采集与标注的工作量通常大于调参。

一张良品起步的建模

30秒极速建模走的是异常检测路线:以良品图像学习正常纹理与结构的分布,偏离即判异常。优势是无需先收集各类缺陷,适合新品试产;代价是只回答“像不像良品”,不直接给出类别,需后续补充缺陷样本转为监督学习。

缺陷样本与标注规范

缺陷样本积累后转监督学习,按划痕、异物、气泡、崩边、脏污等类别做框标注或掩膜标注。关键不是数量而是口径统一:同一道浅划痕甲判缺陷、乙判可接受,模型就学到矛盾标签。应先定判定准则,再按准则复核。

训练验证与阈值整定

样本按训练、验证、测试三集划分,且覆盖不同批次、光照与摆放角度。验证阶段同时看漏检率与过杀率;阈值按质量成本取舍——漏检流到客户端的代价通常远高于过杀返工,现场往往把阈值调向“宁可多判”一侧,再用复判捞回。

五、硬件与光学配置

硬件采用工业级配置,确保长期稳定运行。视觉项目的通则是先解决“拍得清楚”,再谈“算得准”;光学方案定错,后期靠算法补偿的空间非常有限。

相机分辨率与镜头

分辨率由最小可检缺陷反推:要求稳定检出0.05mm缺陷,单像素对应尺寸通常需控制在缺陷尺寸三分之一以下。视场越大、像素越高,数据量与带宽随之上升,需与采集、存储和推理耗时一并核算;远心镜头用于尺寸测量,抑制离焦漂移。

光源与多光谱方案

照明决定对比度。明场适合平整表面的划痕与脏污,暗场让凸起、凹坑与崩边边缘发亮,同轴光抑制高反光金属的镜面反射,背光用于轮廓与通孔尺寸。多光谱利用材质在不同波段的反射差异分离同色异物,配合频闪冻结运动,避免拖影吞掉细节。

算力与实时性

依托TensorRT加速与RTX5090算力,单图推理小于0.5秒,匹配高速产线节拍。TensorRT通过层融合、精度量化与内核优选降低延迟;多工位可让多路相机共享算力池,按节拍排队推理,不必每个工位配一台主机。

AI视觉检测所见即所得的软件系统
AI视觉检测所见即所得的软件系统

六、技术参数一览

下表汇总本系统的公开技术指标与配置项,具体项目的相机像素、视场、节拍与工位数,按被测件尺寸与检测要求确定。

参数项规格说明
产品名称AI深度学习智能视觉检测系统工业视觉检测设备
核心算法YOLOv11、DINOv3、SAM2检测、表征与分割
特征融合RepGFPN特征金字塔提升复杂背景识别
建模方式单张良品图像,30秒极速建模无需大量缺陷样本
缺陷识别率99%见产品说明
测量精度0.1像素(±2μm)亚像素级
单图推理时间小于0.5秒匹配高速节拍
推理加速TensorRT低延迟部署
计算平台Intel i9处理器 + RTX5090 GPU高性能算力
成像配置超高像素相机、多光谱光源、远心光学按被测件选配
运动控制高速伺服平台与精密执行机构定位与分选
软件架构浏览器架构,免安装易维护
软件功能智能复判、数据追溯、MES对接现场管理需求
检测类型2D/3D混合、表面缺陷、尺寸测量、装配验证、异物检测多任务共用
典型行业汽车电子、精密注塑、半导体、精密陶瓷复杂缺陷场景
模型迭代现场微调、持续迭代越用越准

七、典型应用场景

本系统适用于2D/3D混合检测、表面缺陷检测、尺寸测量、装配验证、异物检测等场景,可快速替代人工目检,减少人为误差,实现全流程数据化、可视化、智能化,帮助企业降低人力成本、提升检测一致性、杜绝漏检。

表面缺陷与尺寸测量

汽车电子接插件镀层划伤、精密注塑气泡与流痕、半导体封装异物与崩边、精密陶瓷暗裂纹,都属低对比度、形态不定的一类。系统先定位产品姿态,再在配准后的ROI内判定缺陷与测量尺寸,避免偏移导致的误判与重复测量。

装配验证与异物检测更依赖分类:螺丝漏装、卡扣未到位、密封圈错位、包装混入异物。目标类别明确、样本易得,适合监督学习训练专用配方,与表面缺陷检测共用同一套成像与计算平台。

AI视觉检测机实时检测系统
AI视觉检测机实时检测系统

八、与规则视觉的差异

规则视觉的边界

传统机器视觉依赖人工设阈值与特征——灰度上下限、边缘强度、面积区间、模板相似度。它在尺寸稳定、照明可控、缺陷固定的场合很可靠,但换材质、换来料、换灯具就要重调;不规则瑕疵还会让参数越调越难收敛。

AI深度学习视觉检测通过神经网络自动学习缺陷特征,30秒即可建模,对划痕、脏污、不规则瑕疵识别能力更强,且模型可持续迭代,设备越用越准。两者并非替代:定位、测量、字符读取仍可用规则算法,外观判定交给模型,混合架构最经济。

视觉检测系统
视觉检测系统整机形态

九、选型部署与模型迭代

选型从五个问题开始:缺陷类型、最小可判尺寸、产线节拍、漏检与过杀代价、来料一致性。前两项决定相机与光学,第三项决定算力与工位数,后两项决定阈值策略与是否设复判工位。

部署顺序为样件试检、离线建模、小批上线、批量切换。工位改造中打光与机械定位优先于算法调参——光源角度差十几度,往往比换网络结构更有效。

运维围绕数据闭环:NG图像自动回流,人工复判作新标签,定期并入训练集增量迭代;模型版本、阈值与配方留档,异常时回退上一稳定版本。换料、换模、换光源后应重新验证,而非沿用旧阈值。

十、常见问题解答

识别准确率能达到多少

缺陷识别率高达99%,亚像素测量精度达0.1像素(±2μm)。系统可精准识别划痕、异物、气泡、崩边、脏污等细微缺陷;实际项目的准确率与样本覆盖度、打光方案和判定准则相关,建议以现场样件试检结果为准。

建模需要多长时间和多少样本

支持30秒极速建模,仅需一张良品图像,无需大量缺陷样本,即可生成可用模型。模型上线后可通过现场微调、持续迭代优化,设备越用越准;若需输出缺陷类别与面积等信息,再补充少量标注样本转为监督学习。

单张图像的检测耗时是多少

依托TensorRT加速与RTX5090算力,单图推理时间小于0.5秒,完全匹配高速产线节拍。从微米级元器件到大型零部件,均可实现稳定可靠的AI视觉检测;计算平台采用Intel i9处理器与高性能GPU。

适用于哪些行业和检测场景

广泛应用于汽车电子、精密注塑、半导体、精密陶瓷等行业。适用于2D/3D混合检测、表面缺陷检测、尺寸测量、装配验证、异物检测等场景,可快速替代人工目检,实现全流程数据化、可视化、智能化。

与传统机器视觉有什么区别

传统机器视觉依赖人工设计特征规则,对复杂缺陷和多变场景适应性差,换料即需重调参数。AI深度学习视觉检测通过神经网络自动学习缺陷特征,30秒即可建模,对划痕、脏污、不规则瑕疵识别能力更强,模型可持续迭代,设备越用越准。