开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

社区首页 >专栏 >从图像到缺陷判定：发动机总装线 AI 视觉检测系统的技术实现

从图像到缺陷判定：发动机总装线 AI 视觉检测系统的技术实现

作者头像

河北鹰眼智能科技集团有限公司

修改于 2026-09-15 16:02:08

修改于 2026-09-15 16:02:08

940

举报

概述

发动机总装是整条产线里工序最密集、装配关系最复杂的环节之一。缸体、缸盖、油路、管路、传感器、螺栓……成百上千个零件在有限空间内完成装配，任何一处漏装、错装、反向或表面缺陷，往往要等到台架试验或整车装配阶段才暴露，返工与追溯成本远高于在工位上当场拦截。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

计算机视觉

目录

二、系统分层与数据流

我们把系统拆成五层，层间只通过明确定义的接口通信：一次检测的完整链路是：PLC 发工位到位信号 → 采集层按机型模板驱动相机与光源 → 推理层各相机并行推理 → 应用层汇总判定并回写 PLC → 结果与图像异步落库。这里有个容易被忽略的设计点：判定回写走同步，数据落库走异步。如果把落库放进判定链路，数据库一旦抖动就会直接传导成产线停线——这是我们在一个项目里用停线换来的教训。

三、标定：手眼标定与像素-物理换算

机器人带着相机跑，必须先建立像素坐标到物理坐标的映射，否则"检测到了"也说不清在哪个位置。地轨加机器人属于 eye-in-hand 构型，走经典的手眼标定 AX = XB：标定不是一劳永逸。相机、镜头、机器人关节的温漂会让映射缓慢漂移，我们的做法是每周用标定板复检一次，映射误差超过阈值就重标，并把标定结果一并纳入版本管理——换镜头、换工装后不重标就上线，是后面一切判定偏差的源头。

四、成像设计：光学与光源的量化选型
- 4.1 光学参数

分辨率由最小缺陷反推：单像素物理尺寸 ≤ 最小缺陷 / 4。以 0.5mm 缺陷、四像素覆盖计，单像素需 ≤ 0.125mm，再结合 FOV 和传感器像素数反算镜头焦距与工作距离。别为了"拍得大"把工作距离压太短，机器人和工装会打架。
- 4.2 光源

发动机的铸铝、钢制件反光是主要矛盾，这一环要靠光源而不是靠算法去压：平面高反光件：同轴光，配偏振片抑制镜面反射；复杂曲面、铸铝件：穹顶光做均匀漫射；边缘、轮廓类检测：背光取剪影；局部特征：条形光分区打光。我们用分区可控光源，按模板点亮不同分区，让同一套硬件适配不同检测项，而不是给每个检测项配一套死光源。
- 4.3 多视角

单相机固定视角必然有盲区。我们用一条地轨带多台机器人组成协同工位，六面视角覆盖主要外露装配面。机器人重复定位精度直接决定图像位姿一致性；位姿不稳，后面算法再强也没有可信的比对基准。

五、算法：身份、定位、检测三段式
- 5.1 身份绑定

先读码，再检测。固定式读码器在正常工位自动解码发动机编号，手持无线扫码器做补扫；解码失败、条码污损或位置异常的工况走补扫通道，身份确认后按机型 ID 加载对应模板。补扫通道别省。有个项目为了省成本砍掉手持补扫，结果条码沾油就读不出，整线降速等人工——这条通道看着冗余，实际是产线可用性的兜底。
- 5.2 定位与 ROI

先在整幅图里定位，再在 ROI 内精检。粗定位用归一化互相关（NCC）模板匹配，或 ORB / AKAZE 特征点匹配：定位不稳会让后续所有检测项整体偏移，所以建议把定位当成一个独立的、可单独验证的模块，而不是塞进检测逻辑里。
- 5.3 缺陷检测：分两类走不同路径

规则可判类（螺钉有无、安装方向、装配到位）：用几何 / 轮廓 / blob 分析，稳定、可解释，不用上模型；表面缺陷类（划痕、油污、气孔）：缺陷样本稀少，硬训一个分割网络容易过拟合。我们主要走异常检测（PatchCore / PaDiM 一类），用正常样本构建特征记忆库，推理时比对异常分数。模型统一导出 ONNX，边缘端用 ONNX Runtime 或 TensorRT 推理：

六、节拍与推理延迟预算

节拍是硬约束。假设检测窗口 15s、4 台相机、单帧推理 300ms，串行合计 1.2s，余量充足；但一旦换成高分辨率分割模型，单帧可能涨到秒级，就必须做多流并行 + FP16 量化，甚至把相机分到不同 GPU 流上。延迟预算要在选型阶段就算清楚，别等上线才发现超节拍。

七、模板配置化与版本管理

模板一多最容易乱。我们把模板定义成 JSON，纳入配置管理，换型只改数据、不改代码：每次变更留痕（谁、何时、改了什么）。否则半年后没人说得清，线上跑的到底是哪一版模板。

八、数据链路与缺陷归因

检测结果按发动机编号归档，形成单台质量档案。核心表结构大致如下：归因分析本质上就是按维度聚合。比如定位"某螺栓漏拧集中在哪个工位"：如果出现明显聚集，大概率是该工位的节拍或工装问题，质量工程师拿着这张表就能去查，不用翻录像。这张表也是把"事后拦截"推向"事前预防"的入口。