在反光、油腻组件上检测松动紧固件：为什么传统视觉失败——AI视觉如何解决
松动或缺失的紧固件是典型的潜在缺陷。在汽车发动机、变速箱、制动模块、电池外壳或任何安全关键组件中，单个松动的螺栓可能导致振动、泄漏路径、NVH投诉或灾难性故障。
真正的问题（不仅仅是"找到螺栓"）
在实践中，三个现实使自动检测变得困难：
1. 松动物理学
螺栓在循环振动和冲击下失去预紧力；螺纹界面的微旋转和接头沉降降低夹紧力，直到接头滑动——即使装配时的扭矩是标称的。这就是"自松动"，是紧固件工程中已知且经过研究的机制。
2. 现实的光学
零件是光亮的和油腻的。反射、镜面眩光和薄油膜击败基于规则的AOI；阈值因眩光而触发，而不是几何形状。通常需要同轴/远心光学来"透过"反射并保持真实的特征对比度。
3. 现实世界的几何
紧固件的表面和颜色各不相同；它们被筋/法兰部分遮挡；方向在不同套件间变化。仅透视倾斜就可以破坏简单的模板——除非您纠正它或使用跨姿态泛化的模型。
为什么传统AOI表现不佳
- •阈值脆弱性。镜面高光导致误报；阴影导致漏检。
- •颜色/表面漂移。双表面或涂层硬件破坏颜色分割规则。
- •隐藏可见性。藏在边缘、夹具或软管后面的螺栓间歇性可见。
- •透视畸变。相机角度变化；模板不变。
Overview AI如何解决（生产就绪，不仅是实验室）
1. 用正确的光学使图像"真实"
我们将视场和工作距离与远心镜头匹配以保持放大率恒定和边缘真实，然后添加同轴（在轴）照明以抑制眩光。这种组合揭示真实几何形状（头部平面、垫圈边缘、杆轮廓），同时淡化镜面噪声。
2. 用分割学习特征——而非阈值
我们的分割配方不是问"这个亮斑是螺栓吗？"，而是学习紧固件的形状+纹理及其上下文。这让模型能够：
- ✓在被遮挡或部分可见的视图中检测紧固件，
- ✓忽略眩光/油污伪影，以及
- ✓在一个配方中处理多种表面和颜色。
3. 快速训练，在边缘，在线迭代
使用OV80i，训练在设备上进行（NVIDIA Orin NX）。典型的分割配方从第一批图像→验证模型只需数小时，而非数周——因此您可以在夹具、表面或照明变化时适应。
在生产线上什么是"好的"
最先进的精度
在反光/油腻条件下检测存在/缺失或松动的紧固件。
稳定的误报率
通过设计（抗眩光光学+学习特征+置信度逻辑）。
短价值实现时间
捕获小的代表性集合；在浏览器中标注；训练；在班次内验证。
合规就绪
图像+叠加+元数据支持FAS和客户PPAP/可追溯性需求。
常见问题
AI视觉真的能"透过"金属上的油和眩光看到吗？
通过同轴照明和适当的镜头，镜面反射被抑制，边缘被解析；分割然后学习几何/纹理，而不是亮度。这是制胜组合。
我们有混合表面和颜色——需要单独的配方吗？
通常不需要。如果您用每种表面的适度但具有代表性的样本集进行训练，一个分割配方可以学习多种表面类别。
需要多少图像？
从小样本（几十张）开始，在"影子模式"下验证，然后添加边缘情况。通过设备端训练，每次迭代需要几分钟到~1-2小时（OV80i）。