黑灯工厂中AI视觉检测的实现条件——AI检测的检出边界与工程原理

黑灯工厂中检测工位的无人化依赖设备的自动亮度监测、自动相机校准和次品收集的自动切换三个条件。AI检测的检出边界由光源方案决定，只能检表面可见的缺陷。以下以磁材企业和密封件集团的设备方案为样本做分析。

黑灯运行的光源自动监测

LED光源在数万小时工作后亮度衰减，黑灯模式下操作员无法实时感知亮度变化。设备内置了参考标靶，系统每隔一定时长采集标靶的亮度值与出厂基准值比对后给出是否切换的提示。亮度变化超出设定范围时系统在控制面板弹出了维护提示，批次生产完成后操作员更换光源模组。

标靶在设备的安装位置上与磁材的检测位置处于同一照明平面，采集到的数据真实反映了光源在检测工位上的实际照明状态。

相机的自动校准机制

相机校准的标准样件被固定在设备的一个专用支架上，按下工位旁的一个按钮或由自动机构触发后设备执行全自动校准流程。设备在无人值守时由机械臂按预定周期将校准样片送至相机下方触发自动校准。校准通过后参数写入运行配置文件。校准频率在设备出厂时设定为每季度一次，黑灯模式下的校准批次由设备的运行时间累计触发。

次品收集的自动切换

次品收集箱装满前传感器发出满箱信号，双料箱切换机构在满箱时自动转换次品通道。过渡溜槽在切换期间暂存不合格品确保满箱到新箱就位之间不产生漏检。两个企业的设备在多次的切换记录中都没有出现满箱未切换导致的次品漏分。

黑灯模式的数据闭环

无人运行期间被标记为异常的磁材图像暂存在设备硬盘的待复审目录中。白班操作员到岗后在系统界面调出异常图像列表，列表按缺陷类型分组为微裂纹、崩角、氧化斑三个标签页。

操作员逐条审核，确认的异常件进入模型更新池，误报的图像从复审区删除但被系统记录为模型在当期环境下的判定偏差。更新池积累到设定阈值后系统触发模型更新请求，操作员在界面确认后更新包从云端下发到设备端。操作员在批次间隙点击更新按钮后新模型在下一批次的首件验证中生效。

AI检测能检出什么——密封件和磁材的缺陷分类

密封件四类可检缺陷。裂纹：硫化或脱模中产生的表面线性开裂，低角度平行光从侧向入射后裂纹两侧的微小高度差产生明暗反差在图像上形成暗线。飞边：模具分型面合模间隙中溢出形成薄边，背光穿过密封件在其轮廓边缘产生高对比度剪影使飞边从主体轮廓中分离。气泡：硫化过程中残留气体形成的圆形空洞，漫反射环形光使气泡在黑色底面上呈现灰色圆斑。硫化不良：局部欠硫导致表面发粘或硬度不均，漫反射下的表面纹理光泽度差异与正常区域可区分。

磁材三类可检缺陷。微裂纹：烧结或磨削中产生的表面线性开裂，低角度平行光使微裂纹在图像中呈现暗线。崩角：边缘缺损，漫反射下崩角区域的轮廓缺失清晰可见。氧化斑：镀层表面的色度异常，特定波长下色差使氧化斑异常区域和正常基体在成像面上显示为可判定差异。

视觉检测的检出边界

视觉检测覆盖的设备光源配置中配置的表面缺陷。内部缺陷如密封件的内部孔洞和夹杂物需要通过X射线或超声检测。材料成分偏差如胶料配比不对视觉设备无法判断。功能缺陷如密封件的压缩永久变形需要在功能试验机上验证。

密封件集团将视觉检测数据与后道的功能测试台对接，飞边检出率高的批次在耐压测试中的失效比例在数据积累中量化。两类数据的相关性在数据分析中被用做判断工模状态和硫化工况是否正常的参考依据。

两行业光源方案的工程共性

密封件和磁材的光源方案在技术底层上一致，根据材质特性和缺陷类型设计光路。密封件的黑色橡胶吸光率高需要多功能光源组合覆盖全部缺陷类型，磁材需根据表面反射状态选择不同的光源技术参数。

两个行业的光源设计中使用了同一套工程方法，打样阶段用客户样品测试不同光源条件下各类缺陷的检出率后确定最佳光路组合。光源的物理模型在这两个布局中适应性地以同样的设计框架用于各自行业的缺陷分布环境，模型的训练架构在软件层面复用一个通用的分类器架构后在训练数据中分别拟合缺陷的特征向量以适用不同行业的需求特征。

设备的检测能力保持性验证

密封件集团在年度设备审核中复测了设备的检出率，与设备出厂验收阶段的数据对比后偏差在允差范围内。检测能力的维持状态符合预期时设备在下一年度的生产计划中继续保持当前的检测频次，光源的预防性更换周期通过年度数据分析进行了微调。

磁材企业的设备同样通过年度审核，设备的黑灯运行时间在年度报告中与白班运行的产出比例被标注后绘入了设备总体产出效率图。

一句话总结

黑灯工厂的AI检测设备需要光源自动监测、相机自动校准、次品自动切换、模型数据闭环四个条件同时满足。AI检测能检出表面可见的形态类缺陷，检不出内部缺陷、成分偏差、功能缺陷。两个行业的设备方案验证了AI检测技术在跨行业应用中的可复用性。