Automation NTH是位于美国田纳西州纳什维尔的自动化集成商。因其客户群体的跨行业特性及技术需求的差异，Automation NTH需始终保持高度的灵活适应性，以应对各类棘手视觉应用：客户可能期望在不损害精密部件的前提下，实现精密设备组装过程的自动化升级，或是确保组装部件中各个元件位置的精准验证。而无论应用场景如何变化，机器视觉技术往往是满足这些多样化需求的关键。支撑。

本案例深入剖析了Automation NTH如何帮助一个汽车行业客户提升生产效率并加强缺陷检测能力。介绍其如何借助康耐视的深度学习技术，成功克服一系列汽车行业中的自动化挑战。

挑战：在汽车制造瑕疵检测中克干扰、保精准、降误检

在汽车制造这一精密复杂的工业场景中，表面瑕疵检测面临着油渍、水分、油漆残留、灰尘及反光等多重外部因素的严峻挑战。这些干扰因素不仅增加了误检率，还导致了不必要的非质量成本支出。尤为关键的是，汽车部件对表面瑕疵与功能缺陷的容忍度各异，要求机器视觉系统必须具备高度的灵活性与精准性，以适应多样化的检测标准：

精确检测发动机缸体中线夹的位置，同时克服油、水、油漆和反光表面等成像难题；避免将新供应商引入的元件几何形状变化误判为缺陷，确保解决方案能够适应未来的变化。

解决方案：康耐视深度学习技术

康耐视"In-Sight D900视觉系统+VisionPro深度学习软件"组合方案，成为此次合作的制胜法宝。In-Sight D900以其卓越的图像采集能力为基础，而VisionPro深度学习软件则依托人工智能的强大算力，仅需少量样本即可快速构建并优化检测模型，实现对细微且多变缺陷的精准捕捉。该方案不仅简化了检测流程，降低了对光源与光照条件的严苛要求，更极大地减少了人工复核的需求，提升了检测效率与可靠性。

效果：克服成像干扰 实现精准检测

In-Sight D900与VisionPro深度学习软件的投入使用，不仅成功区分了表面瑕疵与功能缺陷，显著降低了废品率，还通过自动化检测大幅提升了生产效率与成本效益。同时，该方案提供的数据分析与反馈机制，为企业优化生产流程、提升产品质量提供了有力支持。这一解决方案的成效显著：

降低废品率：有效区分表面瑕疵与功能缺陷，显著降低了产品报废率；提升产量与降低成本：通过机器视觉实现自动化检测，提高了生产效率，并降低了人力和物力成本；优化生产过程：康耐视机器视觉系统提供的详细数据分析和反馈，帮助企业优化生产流程，从源头提高产品质量和生产效率。

（文章来源于康耐视，如有侵权，请联系删文）