AI 视觉检测进紧固件车间：能替掉哪部分目检，替不掉哪部分

紧固件车间最难管的工序之一是全检外观：划伤、镀层起泡、螺纹缺牙、混料、打标不清，全靠人眼在灯下看。招工难、眼睛累、标准漂移，是普遍问题。AI 视觉检测这两年被大量引入，但它能干什么、干不了什么，很多工厂并没想清楚。

能替的部分，首先是规则明确、样本充足的外观缺陷：镀层划伤、磕碰、毛刺、色差、脏污、打标缺失或偏移。这类缺陷在图像上特征稳定，标注几百到上千张样本，模型就能达到可用的检出率。

螺纹缺牙、牙型不完整这类缺陷，视觉也能做，但需要特定的打光方式（低角度光、同轴光）和旋转工位，让相机看到完整牙型；单角度拍摄容易漏掉背面的缺牙。

混料分选是另一个高价值场景。不同件号外观相近，人眼容易混，视觉系统可以通过打标字符、头部形状、长度比例做比对，结合数据库自动判定件号；这比人工核对标签可靠。

替不掉的部分，第一是内部缺陷：缩孔、白点、折叠、内部裂纹，视觉只能看表面，必须靠超声、射线或破坏性检测。第二是细微裂纹：疲劳裂纹宽度在微米级，常规工业相机分辨不出，要靠磁粉或渗透。

第三是镀层厚度和结合力。视觉能看颜色和起泡，但测不了厚度，也判断不了结合力；这两项要靠测厚仪和划格/热震/弯曲试验。

第四是材料混淆。外观一样的件，材料可能不同（比如不锈钢与镀锌钢），视觉分不出材质，要靠光谱、硬度或材料证明。

落地条件比算法更重要。光源要稳定（频闪或恒流）、工装要定位（件每次都在同一姿态）、相机分辨力要够（看清最小缺陷）、背景要干净；这四项做不好，再好的模型也白搭。

样本和标注是长期工作。缺陷样本要按类型、程度、批次收集，标注要有一致口径（什么算划伤、多长算超差）；只拿几十张图训练，模型很快就会在量产中失效。

误判率要算总账。漏判（把缺陷放过）和过杀（把好件判坏）要分开统计；过杀率高，产线天天复检，效率反而下降。验收指标要写进技术协议，不能只看“准确率 99%”这种笼统数字。

追溯和数据的价值。视觉系统把每件的图像、判定结果、时间戳存下来，客户投诉时能快速调出证据；这些数据还能反过来做工艺改进，比如某个镀层槽批次划伤偏多。

与人工的关系。AI 不是完全替代人，而是把人从“逐件看”变成“看系统、处理异常、复判边界件”；人员编制可以减少，但复判岗位和工艺工程师不能省。

投入产出。一条视觉检测线（相机、光源、工装、算力、软件）投入不小，适合批量大、缺陷成本高的件号；小批量多品种的车间，换型调试的时间可能比检测时间还长，要算清楚。

选型建议。先选一个痛点最明确的场景（比如镀层外观或混料）做试点，用三个月数据验证检出率和过杀率，再逐步扩展；一上来做“全缺陷检测”，多半会烂尾。

产线速度匹配。视觉检测的节拍要跟得上产线，跟不上就变成瓶颈；高速件要用线扫相机或分度盘，别拿面阵相机硬追。

模型维护。换件号、换镀层颜色、换光源，模型都可能漂移；要有再训练和版本管理机制，不能上线就不管。

多品种小批量的现实。件号切换频繁的车间，每次换型要重新定位、重新调参；用可快速换型的工装和模板化配方，能把换型时间压到十分钟级。

与 MES 打通。检测结果要能写回生产记录，和批次、操作者、设备绑定；只存在本机硬盘里，客户追溯时用不上。

照明方案的投入。好的光源和工装往往比相机贵，却是检出率的决定因素；预算里给光学留足，别把钱全花在算力和模型上。

验收怎么跑。上线前用同一批件做人工与系统双检，逐件比对结果，把漏判和过杀分别统计；跑够两周、覆盖至少三个批次，再决定是否撤掉人工全检。

供应商管理。视觉系统供应商要能提供光源、相机、算法的整体方案和现场调试，不能只卖软件；算法交付后要有培训和维护响应条款。

一句话：AI 视觉能替掉“看得见、规则清、样本足”的那部分目检，替不掉内部缺陷、微米级裂纹、材质与厚度；把边界划清楚，它才是真的降本，而不是换个方式漏检。