航空航天与汽车
金属加工中齿轮缺陷检测的AI视觉
使用AI分割可靠检测反光、曲面几何体上的表面缺陷和齿轮齿缺陷。
快速摘要
一家精密齿轮制造商由于反光表面和复杂的齿几何形状无法可靠地检测缺陷。使用OV20i视觉系统，仅用11个样本（5个好的，6个坏的）训练的AI分割模型在表面和齿轮齿缺陷检测上实现了100%的准确率。
挑战：检测不完美的完美
对于为汽车和航空航天行业制造精密齿轮的厂商来说，质量是不可谈判的。然而，自动化齿轮检测面临重大挑战，导致传统视觉系统失败。核心问题源于零件本身的物理特性。
- 反光表面：机加工金属表面产生镜面高光（眩光），可能使标准相机致盲或被误解为缺陷。
- 曲面几何：齿轮齿的复杂曲面形状扭曲光线，使基于规则的系统难以应用一致的标准。
- 方向变化：齿轮呈现给相机方式的微小变化可能导致依赖固定感兴趣区域（ROI）的系统出现重大精度漂移。
一家领先的供应商正好经历了这些问题，导致高误报率和缺陷流向客户的风险。
解决方案：几何确定性的分割
借助OV20i，Overview AI的工程师实施了一个以AI分割模型为中心的解决方案，该模型非常适合具有复杂几何形状（如齿轮齿）的零件。
小数据集的高精度模型
证明质量数据胜过数量，团队在一个极小的数据集上训练了一个强大的模型：仅5个好样本和6个缺陷样本。系统快速学会区分完美齿轮齿和有缺陷齿的纹理和形状，达到100%的验证准确率。
元数据区分关键与表面
并非所有视觉异常都是功能缺陷。该解决方案使用基于元数据的阈值来创建智能过滤。这允许系统忽略轻微、可接受的表面痕迹，同时保持对影响齿轮性能的真正功能缺陷（如崩角、裂纹或磨削错误）的高灵敏度。
关键工程要点
该项目强化了成功机器视觉部署的几个核心原则：
- 1. 光学优于数据：一致、高质量的照明比试图用海量数据集克服糟糕成像要有效得多。
- 2. 上下文是关键：使用元数据对缺陷进行分类（例如按大小、位置或类型）可实现智能、选择性的通过/失败决策。
- 3. 正确的工具做正确的事：分割是检测具有复杂3D几何形状零件的优越AI技术，因为它学习形式和纹理，而不仅仅是亮度或颜色。
常见问题
为什么检测机加工齿轮这么难？
齿轮检测具有挑战性，因为高度反光的表面、齿轮齿的复杂曲面几何形状以及方向的不断变化。这些因素导致照明变化，使传统的基于规则的视觉系统失效。
AI分割模型如何帮助齿轮检测？
分割非常适合复杂的3D几何形状。模型学习好齿轮齿的"形状"和纹理，使其能够准确识别偏差和缺陷，即使在反光表面上也不会被眩光混淆。
该系统能区分表面划痕和关键缺陷吗？
可以。通过使用基于元数据的阈值，系统可以被编程为过滤掉轻微的表面痕迹，同时保持对影响齿轮性能的真正功能缺陷的高灵敏度。