一、行业背景
铸件视觉检测上线后,最常被产线抱怨的不是「漏检」,而是「过杀」——把合格件判成不合格。漏检是质量风险,过杀是成本风险。一条年产数十万件的铸件线,过杀率每上升一个百分点,意味着数千件工件被误判返修或报废,同时复检工位被大量无效图片淹没。
过杀的成因复杂,且往往被简单归因于「算法不准」。实际排查下来,模型只是其中一环。成像不稳定会让同一缺陷在不同工件上呈现不同形态;样本偏差会让模型把铸造毛面的正常纹理学成缺陷;判定阈值设置过严会把边界样本全部推向不合格;复检闭环缺失则让错误无法回流修正。
把过杀率降下来,需要按环节拆解,而不是反复重训模型。
二、产品概述
华耐视硕士系列铸件与机加工件表面缺陷检测设备,面向缸体、缸盖、壳体、压铸件等金属零部件的批量在线检测。设备采用辊道输送配合机器人的结构,配置 2000 万像素面阵相机与超大尺寸高亮光源,部分方案配 8K 线扫相机做大面积覆盖。
设备可识别划伤、凹坑、凸瘤、砂眼、缩松、磕碰、裂纹、渣孔、冷隔、断芯等多种缺陷,检出准确率 99%。设备内置人工复检闭环:疑似缺陷的图片自动推送至复检工位,复检结果回写系统,既用于当件判定,也作为模型迭代的样本来源。
设备功能包括读码、机器视觉检测(深度学习)、人工复检、追溯、缺陷数据分析与远程查看,生产节拍按工件定制,典型为 45 秒至 3.5 分钟。
三、核心技术亮点
过杀来源的分层拆解。过杀不是一个问题,而是四类问题的叠加:成像层(同一缺陷在不同图像上表现不一致)、样本层(训练集不覆盖实际分布的边界形态)、判定层(阈值与置信度策略设置不当)、流程层(复检结果不回流、标准不统一)。分层拆解的意义在于——不同层的处理手段完全不同,用错手段会白费力气。
成像一致性优先于模型复杂度。同一工件在不同时间、不同工位拍出的图像若有亮度、角度或对比度差异,模型学到的特征就会漂移。系统在方案阶段就把成像一致性作为验收项:固定光源角度、固定相机距离、固定曝光参数,并用标准件定期验证。很多「模型不准」的问题,根因在成像。
铸造毛面纹理与缺陷的区分。铸件表面本身带有砂粒压痕、氧化皮与轻微凹凸,这些在图像上与砂眼、缩松的形态接近。系统通过两个层面区分:一是尺度——砂眼与缩松有明确的深度与边界,纹理则是弥散的;二是上下文——真实缺陷通常伴随局部组织异常,纹理则均匀分布。模型训练时必须把正常纹理作为负样本充分覆盖,否则会把纹理学成缺陷。
置信度分层而非单一阈值。系统不是简单二分合格与不合格,而是把结果分为三档:明确合格、明确不合格、疑似。疑似项推送复检,既不直接判废也不直接放行。这一策略的价值在于把模型的不确定性交给人工处理,避免用一刀切阈值制造大量过杀。
复检数据的回流机制。复检工位确认的结果会回写系统,形成带标签的样本。这些样本分布在模型的决策边界附近,是最有价值的训练数据。系统按周期把复检样本纳入训练集,重点修正被推翻的判定。没有这个闭环,模型会长期停留在初始状态。
四、主要功能
· 缺陷检出与分类:砂眼、缩松、渣孔、冷隔、裂纹、划伤、磕碰、缺角。
· 置信度分层:合格、不合格、疑似三档输出。
· 人工复检:疑似图片推送复检工位,支持放大与标注。
· 复检结果回写:确认结果回流系统,形成训练样本。
· 分区判定:按表面功能配置不同阈值。
· 缺陷定位:标出缺陷位置与所属区域。
· 缺陷统计:按类型、位置、班次统计过杀与漏检分布。
· 模型版本管理:记录每次模型更新与验证结果。
· 读码与型号识别:调取对应配方。
· 数据追溯:检测记录与工件标识绑定。
· 远程查看:支持远程调阅图像与统计。
· 系统对接:与 MES、QMS 交换数据。
五、技术参数
· 适用行业:商用汽车、乘用汽车(包含新能源)等领域。
· 对应工件:柴油与汽油发动机缸体、缸盖、壳体、压铸件、机加工件。
· 设备类型:辊道输送加机器人。
· 设备功能:读码、机器视觉检测(深度学习)、人工复检、追溯、缺陷数据分析、远程查看。
· 工业相机:2000 万像素面阵相机,大面积方案可配 8K 线扫相机。
· 光源:超大尺寸高亮光源、大光源组、条光组。
· 机器人:FANUC、ABB、KUKA、安川、新松、艾利特等。
· 控制系统:西门子、三菱、研华工控机。
· 生产节拍:45 秒至 3.5 分钟,按工件情况定制。
· 正确率:99%。
· 复检方式:疑似项推送人工复检工位,结果回写。
· 交付形式:按工件与产线非标定制,参数以最新技术资料为准。
六、系统组成与工作原理
系统由输送与定位机构、成像单元、照明单元、算法判定单元、复检工位、数据平台构成。
工件进入检测工位后完成定位与读码,配方按型号调取。成像单元按区域采集图像,照明按表面状态切换。
算法对图像做缺陷检出与分类,输出每个候选区域的类型与置信度。判定环节采用三档策略:置信度高于上限判为不合格,低于下限判为合格,落在中间区间的判为疑似。区间的上下限按缺陷类型与表面区域分别设置——密封面的下限设置更严,非功能面更宽。
疑似项推送复检工位。复检人员在放大图像上确认,必要时调取工件实物核对。确认结果回写系统:判为合格的样本记为负样本,判为不合格的记为正样本。
数据平台按周期统计三类指标:过杀率(合格被判不合格)、漏检率(不合格被判合格)、复检推翻率(复检改变了系统判定的比例)。三个指标要一起看——只看过杀率会诱导把阈值放宽,反而推高漏检。
模型迭代以复检样本为主。每轮迭代后在固定验证集上评估,确认过杀与漏检没有此消彼长再上线。
七、操作使用说明
上线前的基线确认。用一批已知结论的工件(含合格件与各类缺陷件)做基线测试,记录过杀率、漏检率与复检推翻率。没有基线,后续的改善无法衡量。
阈值调整的纪律。阈值调整必须记录原因、调整量与影响。常见错误是为了压过杀而放宽阈值,结果漏检上升。建议一次只调一个参数,并在调整后重新测三个指标。
复检工位的操作规范。复检人员应统一判定标准,必要时用边界样本做校准。不同班次的判定尺度不一致,会让回流的样本带有噪声,模型越训越偏。
样本管理。复检确认的样本按缺陷类型、表面区域、判定结果分类存放。样本要覆盖实际生产的分布,不能只收集「明显的缺陷」——边界样本才是模型真正需要的。
异常排查顺序。过杀率突然上升时,先查成像(光源亮度、镜头污染、工件表面状态),再查工件(来料是否变化),最后才怀疑模型。顺序颠倒会浪费大量时间。
八、应用场景
铸件毛坯入厂检测。砂眼、缩松、渣孔、冷隔的批量筛查。
缸体缸盖加工面检测。划伤、磕碰、崩边与刀纹异常。
压铸件表面检测。气孔、冷隔、欠铸与拉伤。
壳体类零件检测。加工面与铸面混合表面的缺陷识别。
返修后复检。确认返修区域已处理且未引入新损伤。
多品种混线检测。按读码切换配方,不同型号采用各自的阈值与模型。
九、设备优势
三档判定降低无效判废。疑似项交给复检,而不是直接判不合格,从机制上压住过杀。
复检闭环持续收敛。复检结果回流为训练样本,模型随生产逐步贴近实际分布。
分区阈值贴近功能。密封面从严、非功能面从宽,避免统一阈值造成的过度判废。
成像一致性可控。光源、相机与曝光参数固定,并用标准件定期验证,减少图像漂移。
指标可量化。过杀率、漏检率、复检推翻率同时统计,避免单指标优化带来的副作用。
数据可追溯。每件工件的检测图像与判定结果归档,支持复盘。
十、选型对比
控制过杀有几条常见思路。
放宽阈值:见效快,但会把真实缺陷一起放行,漏检风险上升。属于用质量换成本,不建议作为长期手段。
增加训练样本:有效,但需要时间积累,且样本质量比数量更重要。盲目增加样本可能引入噪声。
提高成像质量:从源头减少不确定性,是性价比最高的手段,但需要方案阶段投入。
引入复检闭环:把不确定性交给人工,同时积累边界样本,是工程上较稳的做法。
华耐视硕士系列的做法是把后三条结合:成像一致性作为基础,三档判定控制当件风险,复检闭环持续收敛模型。单靠任何一条都难以把过杀率压到可接受水平。
十一、常见问题
问:过杀率高是不是模型不行?
答:不一定。先排查成像一致性——光源衰减、镜头污染、工件表面油污都会让同一缺陷呈现不同形态。成像不稳时,再好的模型也会过杀。确认成像稳定后,再检查样本分布与判定阈值。
问:阈值放宽一点是不是就好了?
答:短期有效,但会推高漏检。建议用三档判定替代单一阈值:把不确定的样本推给复检,而不是一刀切判合格或不合格。
问:铸造毛面的正常纹理会被当成缺陷吗?
答:会,这是铸件检测的主要过杀来源。解决方法是在训练集中充分覆盖正常纹理作为负样本,并利用尺度与上下文特征区分——真实缺陷有明确边界与深度,纹理是弥散的。
问:复检工位需要多少人?
答:取决于疑似项比例与节拍。三档判定的区间设置越宽,复检量越大。建议把复检量控制在产线可承受范围内,并通过模型迭代逐步收窄区间。
问:怎么判断改善有效?
答:同时看过杀率、漏检率与复检推翻率。只过杀率下降而漏检率上升,说明只是把风险转移了。三个指标需要在同一批验证件上测量。
问:模型多久更新一次?
答:按生产节奏与复检样本积累量决定,常见为按月或按季度。每次更新需在固定验证集上评估,确认三个指标均未恶化再上线。
问:换型后需要重新训练吗?
答:通常不需要重训,但需要重新配置配方与阈值。若新工件的缺陷形态差异大,建议补充样本做微调。
十二、维护保养
成像系统。每班次清洁镜头与光源,检查亮度衰减。光源亮度下降会降低缺陷对比度,模型看到的图像与训练时不同,过杀随之上升。建议用标准件定期拍摄并比对图像统计特征。
复检样本库。定期整理,剔除标注错误与重复样本。样本库的质量直接决定模型迭代的效果。
阈值与配方。每次调整留存记录,包括调整人、时间、原因与影响。配方混乱是过杀突然上升的常见原因。
模型版本。保留历史版本与验证结果,出现问题时可回滚。上线新版本前必须完成验证。
数据存储。检测图像占用空间大,需规划存储与归档策略,避免因空间不足停止留图,影响后续复盘。
环境。检测区做遮光处理,避免外界光变化影响图像亮度。注意工位周边振动与气流。
十三、总结与展望
铸件检测的过杀,本质是「模型的不确定性」与「判定的刚性」之间的矛盾。把不确定性显式表达出来(三档判定),再用复检闭环持续收敛,是工程上更稳的路径。
华耐视硕士系列铸件与机加工件检测设备,以 2000 万像素成像、深度学习缺陷分类、三档判定与人工复检闭环,覆盖砂眼、缩松、渣孔、冷隔、裂纹等缺陷,检出准确率 99%,并通过过杀率、漏检率、复检推翻率三个指标共同衡量系统表现。
后续方向有两个。一是把过杀与工艺关联,分析过杀集中在哪些表面状态与批次,从工艺侧减少边界样本的产生。二是让阈值随生产状态自适应,根据来料波动与复检反馈动态调整判定区间,减少人工调参。




