一、项目背景：老车间遇到的新难题
铁西一家做精密传动零件的加工厂找到我们时，质检环节已经成了产能瓶颈。车间里三班倒，每班要安排六名质检员盯着灯箱看零件表面，划痕、砂眼、毛刺这些缺陷全凭肉眼分辨。人眼盯久了会疲劳，漏检时有发生，客户退货单一来，整批零件还得返工复查。更麻烦的是招人，愿意干目检的年轻人越来越少，老师傅陆续退休，经验带不走。厂里负责人的原话是：这活儿机器能不能干？
答案是能干，但不能拿通用软件凑合。零件型号有四十多种，缺陷形态各异，光照条件、油污干扰都会影响判断，这是一个典型的定制化命题。我们的技术团队进驻车间做了两周现场调研，拍了上万张样本照片，把缺陷类型逐一归档分类，才敲定整体技术方案。
二、方案设计：让算法看懂零件表面
系统整体分成三层。采集层用工业面阵相机配合环形光源，零件随流水线经过拍摄工位，四个角度各拍一张，图像分辨率控制在检测精度与处理速度的平衡点上。识别层是核心，我们基于卷积神经网络训练缺陷分割模型，针对划痕、凹坑、气孔、氧化色差四大类缺陷分别建立样本库，初期标注样本一万两千余张，后续通过在线难例回流机制持续扩充。应用层负责业务闭环，检测结果实时写入质检数据库，不合格品由气动分拣机构自动剔除，同时把批次数据推送给厂里已有的MES系统。
车间现场没有机房条件，模型推理放在产线旁的边缘工控机上完成，断网也不影响检测。这一点在方案评审时被反复确认过，工厂网络偶发波动是常态，质检不能停。
三、开发过程：数据比代码更难缠
写代码只占这个项目一半的工作量，剩下一半耗在数据上。头一版模型在实验室表现不错，一上产线就翻车，油污反光被误判成划痕，误报率一度让分拣机构频繁动作。团队驻场调了三周，重新设计了光源角度，又在预处理环节加入反光抑制算法，误报才压下来。
零件换型是另一个坎。不同型号的零件表面材质有差异，模型不能通用。我们最终采用基础模型加型号微调的策略，新型号上线只需采集三百张左右样本，微调训练两小时即可投用，工厂自己的设备员经过培训就能操作，不用每次都等我们远程支援。
整个项目从进场调研到终验收历时五个月。开发语言以Python和C#为主，视觉算法跑在Linux边缘端，管理端界面跑在Windows工位机，与MES的接口走的是厂方指定的中间库方式。
四、上线效果：数字说话
系统投用后连续运行三个月的验收数据显示，四大类缺陷综合检出率稳定在98%以上，单件检测节拍0.9秒，比人工目检快了七倍有余。质检岗位从每班六人减到两人，留下的人转做抽检复核和设备看护。所有检测图像和判定记录保留九十天，客户来查某个批次，几分钟就能调出当时的原始图像，扯皮的事少了很多。
厂里后来又追加了二期需求，把检测数据接入了车间看板，班组长在大屏上就能看到当班的缺陷分布趋势，哪台机床加工的零件砂眼偏多，一目了然，反过来指导了前道工序的刀具更换周期。
五、经验沉淀
这个项目给我们留下几条实在的体会。工业AI落地，现场光照与工装设计的重要性不亚于算法本身。样本回流机制要在架构阶段就规划好，否则模型上线即巅峰，越用越差。还有一点，把模型微调能力交给工厂自己的人，系统的生命力才会长久。
沈阳互帮科技的技术团队平均从业年限超过二十年，团队按CMMI三级标准管理项目过程，从需求分析、方案设计到开发测试、驻场调优均由资深工程师直接交付。制造企业若有软件定制开发、机器视觉质检或产线数据化方面的想法，欢迎沟通交流，我们提供工作时间内两小时响应的技术支持服务。
