一、项目背景

铁西一家精密传动零件厂找上门时，质检环节成了产能瓶颈。车间三班倒，每班安排六名质检员盯灯箱看件。划痕、砂眼、毛刺这些缺陷，过去全靠肉眼逐个分辨。人眼盯久了会疲劳，漏检的事时有发生。客户退货单一到，整批零件就得返工重查了。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，经验又带不走。厂里负责人直接问，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，缺陷形态也各不相同。光照和油污也会干扰判断，这属于典型定制命题。团队进场调研两周，拍了上万张样本。缺陷类型逐一归档之后，方案才敲定下来。

二、方案设计

系统整体分成采集、识别、应用三层。采集层采用工业面阵相机，并搭配环形光源。零件随流水线经过拍摄工位，四个角度各拍一张。分辨率控制在精度与速度的平衡点上。识别层是核心，基于卷积神经网络训练模型。划痕、凹坑、气孔、氧化色差四类缺陷各自建库。初期标注样本就有一万两千余张。后续靠在线难例回流，持续扩充样本库。应用层管业务闭环，检测结果实时写入数据库。不合格品由气动分拣机构自动剔除。批次数据同步推给厂里已有的MES系统。车间没有机房，模型推理放在产线旁的边缘工控机。断网也不影响检测，这一点在方案评审阶段被反复确认过。工厂网络偶发波动是常态，质检不能停。

三、开发过程

写代码只占项目一半工作量，剩下耗在数据上。头一版模型在实验室里表现不错，一上产线就翻车了。油污反光被误判成划痕，分拣机构频繁动作。团队驻场调了三周，重新设计光源角度。预处理环节加进反光抑制算法，误报才压下来。零件换型是另一个坎，不同型号表面材质差异很明显。模型不能通用，我们改用基础模型加型号微调。新型号上线只需采集三百张左右样本，两小时就投用。工厂自己的设备员培训后就能操作。不用每次都等远程支援。整个项目前后总共历时五个月。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工位机上。与MES的接口走的是厂方指定的中间库方式。

四、上线效果

系统投用后连续跑了三个月了。四大类缺陷检出率稳定在98%上下。单件检测节拍0.9秒，比人工目检快七倍有余。质检岗位从每班六人减到两个人。留下的人转做抽检复核和设备看护了。所有检测图像和判定记录，都保留九十天。客户查某个批次，几分钟就能调出当时的图像。扯皮的事明显少了很多，账目清楚不少。厂里后来又追加二期需求，把检测数据接入车间看板。班组长在大屏上就能看到当班缺陷分布趋势。哪台机床加工的零件砂眼偏多，一眼就能看出来。这反过来指导了前道工序的刀具更换周期。

五、经验沉淀

这个项目留下几条实在的体会。工业AI落地，光照与工装不亚于算法。样本回流机制要在架构阶段就提前规划到位。否则模型上线即巅峰，越用越差。还有一点，把微调能力交给工厂自己的人。这样系统才有长久的生命力。沈阳海风网络科技扎根辽沈近二十年。海风科技团队按CMMI三级标准管理项目过程。从需求分析到开发测试、驻场调优，都由资深工程师做。制造企业若有软件定制开发或产线数据化方面的想法，欢迎来聊。我们提供工作时间内两小时响应的技术支持。