发动机缸体缸盖的缺陷分两类：加工过程造成的磕碰伤、划伤，和铸造过程留下的砂眼、气孔、缩松、夹渣。前者的形态规则、位置随机，后者灰度与本体接近、边界模糊。这台设备基于深度学习算法同时对两类缺陷做检测，配置2000万像素相机与超大尺寸高亮光源，生产节拍4.5分钟。

【适用工件与工艺场景】

对应工件为新能源动力系统零部件及柴油、汽油汽车动力系统零部件，适用商用车、乘用车（含新能源）领域。设备功能覆盖读码、深度学习视觉检测、追溯、数据分析与远程数据查询，适合缸体缸盖加工线的缺陷检测工位。

【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：新能源动力系统零部件，柴油／汽油汽车动力系统零部件

设备描述：检测加工表面缺陷（磕碰伤、划伤等）、铸造缺陷（砂眼、气孔、缩松、夹渣等）

设备功能：读码、机器视觉检测（深度学习）、追溯、数据分析、远程数据查询

生产节拍：4.5分钟（根据工件情况定制）

工业相机：2000万像素X1

光源：超大尺寸高亮光源

机器人：FANUC

控制系统：西门子、研华工控机

（以上产品参数仅供参考，详细情况请电话咨询）

【方案说明】

· 为什么必须用深度学习：铸造缺陷没有固定形状：砂眼是随机分布的圆形凹陷，缩松呈不规则疏松区域，夹渣则是形状各异的暗斑。用传统的阈值分割或模板匹配，需要为每种形态单独设定规则，实际生产中变数太多。深度学习通过样本训练学习缺陷的特征分布，对形态变化的适应能力更强，这也是铸造件缺陷检测普遍转向深度学习的直接原因。

· 训练样本决定了系统的实际上限：深度学习模型的检出能力取决于训练时喂进去的样本。正常件、各类缺陷件、边界样本的数量与覆盖度，直接决定投产后的实际表现。建议在项目初期就规划好样本收集工作，把历史上被判为疑难件的样本一并提供给算法团队。

· 机器人加单相机的配置逻辑：配置1台2000万像素相机配合FANUC机器人，由机器人带相机分区域采集图像。这种配置在覆盖范围与分辨率之间取得平衡，适合检测面数量中等、节拍要求不极端的场景。

【常见问题】

Q：深度学习模型需要多久能稳定下来？

A：通常需要经历一段样本积累与模型迭代期。投产后系统会持续记录被判定为缺陷与正常的图像，随着数据积累，模型的判定边界会逐步收敛。建议在验收阶段约定一个合理的磨合期与对应的性能指标，而不是要求上线第一天就达到最终水平。

Q：系统的判定标准和人工判定不一致怎么办？

A：这是铸件外观检测常见的矛盾。解决办法是建立标准样本库：把双方对边界件的一致判定固化成参考样本，作为后续算法调优与人工复检的依据。这样讨论问题时有共同参照，避免各说各话。