项目背景

在汽车制造行业，链轮作为传动系统中至关重要的零部件，其质量直接关系到整车的运行稳定性与安全性。杂质、沙眼、锈蚀等外观缺陷，虽看似微小，却可能在长期运行中引发结构疲劳、传动异常甚至安全事故。因此，对链轮进行外观缺陷检测是保障产品质量、提升整车性能以及降低售后风险的关键举措。

传统检测方式效率低、主观性强，已经难以满足现代工业对高一致性与高效率的要求，AI视觉检测技术应运而生，迅速成为汽车零部件质量检测的重要手段，为汽车行业带来了全新的检测理念和高效的解决方案。

检测需求

检测项目：杂质、沙眼、碰伤、缺料、未加工、激光打标错误、锈蚀等外观缺陷。

精度要求：缺陷检出率＞99%、误检率/漏检率＜1%、节拍要求：6s/pcs。

检测难点

缺陷种类多、体积微小，且形态不规则，边缘不连续，导致基于传统边缘特征或几何规则的算法稳定性差。金属链轮在不同光照条件下容易产生镜面反射或高光区域，导致图像局部过曝，掩盖缺陷细节，干扰检测算法对真实缺陷的识别判断。链轮表面材质为金属本色，且表面存在加工痕迹，部分杂质、锈蚀等缺陷在灰度或颜色特征上与背景差异不明显，导致传统图像分割算法难以准确提取缺陷区域。

解决方案

芯歌基于AI视觉处理引擎，搭配2000万像素面阵相机，并通过伺服机构驱动相机自下而上多角度拍摄产品，实现高精度图像采集。

在算法层面，芯歌采用正样本阈值划分算法，通过重建残差金字塔，有效提升缺陷检测的稳定性与准确性。同时，通过多种噪声污染手段模拟异常未知缺陷状态，有效构建正样本模型的异常边界，从而大幅提升对未知缺陷类型和数量的覆盖能力与检测准确性。

检测结果

· 崩齿

· 碰伤

· 激光刻印码

客户获益

效率优化：单件检测周期6秒，具备快速响应能力，显著提升产线节拍效率，满足中高速自动化产线连续作业需求。

质量优化：缺陷检出率超过99%，误检漏检率低于1%，保障产品一致性与出厂质量，显著降低客户投诉与返修率。

成本优化：单产线替代10名人工检测岗位，显著降低用工强度与人工成本，减少因人工疲劳导致的误检风险。

技术优势

领先的小样本学习算法：克服质检领域缺陷样本不足带来的训练难问题。

完整的视觉算法体系：拥有完整算法体系,包括:深度学习、传统比对算法等在内的主流算法,可覆盖90%以上的常规应用。

模型压缩工具：自研深度模型裁剪压缩工具，大幅降低算力需求。

简单易用，离线部署：低代码用户友善界面，无需在线即可一键训练及部署，尊重客户数据隐私。

（文章来源于感知芯歌，如有侵权，请联系删文）