AI 始于算法之前
在训练模型之前,首先必须打好数据基础:相机、传感器、光学系统、照明、零件定位和节拍都需要专门设计,以获得可复现的图像。尤其是针对极小缺陷,有时每个零件需要多台相机或多个传感器。工业 AI 解决方案真正的门槛不仅在于模型训练,更在于如何从真实生产过程中获取稳定、可复现的数据,并可靠地运行整条链路的专业经验。
在硬件层面,我们与技术及集成合作伙伴一起,在现场规划、搭建和安装定制化检测通道及模块化 CamBox:从单个相机工位,到具备全程状态显示和 DMC 显示的多单元检测通道。


从相机图像到检测判定

图像被采集后,由训练好的模型进行分析,并依据设定的阈值进行判定。识别出的特征、缺陷或异常直接在图像中可视化标出,辅助操作员或检验员做出质量判定。
两种方法,同一目标: 目标检测与异常检测。
根据检测任务选用合适的方法,也常常将两者结合使用。
定位已知缺陷类型
目标检测模型可识别并定位图像中预先定义的特征或缺陷,同时给出位置、分类和置信度。适用于完整性检测、型号防错以及已知缺陷的定位。
发现未知偏差
模型学习合格件的典型特征(通常仅需合格件数据集即可),并在空间上定位异常偏离正常状态的位置、大小和区域。
组合式检测系统
以装配板为例:首先由目标检测确认所有螺栓和组件是否齐全,随后由异常检测识别未知的损伤、变形或表面异常。由此构建出格外稳健的检测系统。
速度足以跟上 生产节拍。
推理时间在很大程度上取决于硬件、模型复杂度和图像分辨率。
未经加速时,大型 YOLO-NAS 模型在 CPU 上约需 5 秒。所有模型均针对资源节约型边缘部署和高性能硬件进行测试与优化。
数据可靠的参考案例
电机壳体,全自动 100% 检测:每天通过 42 个传感器检测多达 2,400 个壳体。依据缺陷目录,可稳定可靠地识别 0.2 mm 及以上的缺陷,每个零件的检测时间最长 36 秒。不合格件被自动剔除,经人工复核后同步完成包装。
捷克某生产基地的定子套检测:每个零件的检测时间约为 1 至 5 秒,已检测数千个零件,人工检测量显著减少,并全程贯彻人机协同原则。

人始终在流程之中
vKI 不必对每个零件都做出全自动判定。结果明确的可自动处理,而可疑或不确定的情况则通过 vCHECK 交由员工复判。这样,人的经验被精准用在自动判定尚不够可靠的环节。
员工确认或修正 AI 结果后,即产生宝贵的训练数据,可通过 vKI Studio 用于模型的持续优化:检测与模型维护由此成为一个闭环。
vKI 为日常工作带来的改变
- 检测结果标准化、可复现,不受人员状态波动影响
- 通过自动预检减轻检验员负担
- 及早定位缺陷位置,而不仅仅给出合格/不合格结论
- 通过 vPRODIS 将检测结果、图像与生产上下文无缝关联
- 为通过 vKI Studio 持续改进模型奠定基础
您目前面临哪项检测任务?
我们将与您一起分析您的零件、缺陷类型和节拍时间,并评估哪种方法最为合适。
