AI视觉系统可以检测的常见缺陷（附实例）
制造商关于AI视觉最常见的问题之一是："它能检测我的特定缺陷吗？"答案通常是肯定的；如果缺陷在图像中可见，AI很可能可以被训练来发现它们。但可检测缺陷的范围如此广泛，以至于看到具体示例很有帮助。
本指南对AI视觉系统通常检测的缺陷类型进行分类，并提供来自各行业的具体示例。
表面缺陷
表面缺陷是AI视觉检测最常见的目标之一。这些缺陷影响产品的外观或完整性。
划痕
由与磨料材料接触或搬运造成的线性标记。AI在检测划痕方面表现出色，因为划痕会产生从正常表面纹理中脱颖而出的特征线条图案。即使是暗处观察不到的细划痕也能通过适当的照明检测到。
常见于：汽车（油漆、玻璃、装饰件）、电子（屏幕、外壳）、金属（机加工表面）、光学（镜头、反射镜）
凹痕和碰伤
由冲击或压力造成的局部变形。AI通过识别表面不规则处产生的阴影和反射来检测这些缺陷。可以从阴影特征估计深度和严重程度。
常见于：钣金产品、汽车面板、家电、包装
污染
产品表面的异物：灰尘、纤维、油脂、化学残留物。AI通过颜色、纹理或反射率的差异将污染与底层表面区分开来。可以精确识别大小和位置。
常见于：食品包装、制药产品、电子组装、涂漆表面
污渍和变色
由化学反应、热暴露或污染引起的颜色变化。AI学习可接受的颜色范围并标记偏差。即使是人工检测员可能忽略的细微变色也能被一致地检测出来。查看我们的表面检测解决方案。
常见于：金属（氧化、热色）、塑料（紫外线降解）、纺织品（化学污渍）、食品
裂纹
材料表面的线性断裂。可能表明结构弱点的关键缺陷。AI可以通过其特征性的细、不规则外观来检测裂纹，通常需要适当的照明来增强可见度。了解更多关于焊接和接头检测。
常见于：陶瓷、玻璃、铸造金属、焊缝、混凝土、复合材料
气孔
材料表面的小孔或空洞。常见于铸造材料和焊缝。AI识别气孔的典型外观：分布在表面上的小的、通常是圆形的暗点。
常见于：铸件、焊缝、模制产品、烧结材料
装配缺陷
装配缺陷发生在产品构建不正确时：缺少组件、错误零件、不正确的定位或不完整的操作。
缺少组件
应该存在但不存在的零件。AI通过学习完整装配的外观来验证预期组件的存在。这从简单检查（标签是否存在？）到复杂验证（装配中的所有47个组件是否都在？）。探索装配验证应用。
缺少组件检测示例：
- • 缺少螺钉、紧固件、夹子
- • 缺少标签、贴纸、徽章
- • 缺少密封件、垫片、O形圈
- • PCB上缺少电子元件
- • 缺少包装内插物或说明书
安装了错误零件
正确的组件类别但具体零件错误。AI学习区分相似零件，检测安装了错误变型、尺寸或类型的情况。对于具有多种配置的产品至关重要。
位置不正确
组件存在但不在正确的位置或方向。AI检查零件是否位于预期位置并正确定向。检测移位、倾斜或旋转的组件。
操作不完整
制造步骤未完全完成。示例包括螺钉未完全拧紧、夹子未完全就位、胶水未完全涂抹。AI学习完整操作的外观并标记不完整的操作。
电子元件缺陷
电子制造有与焊接、元件放置和电路板质量相关的特定缺陷类型。
焊接缺陷
- • 焊桥（短路）
- • 焊锡不足
- • 虚焊
- • 锡珠
- • 立碑效应
元件缺陷
- • 错误元件值
- • 极性错误
- • 贴装偏移
- • 元件损坏
- • 元件缺失
PCB缺陷
- • 走线损伤/划痕
- • 过孔填充问题
- • 污染
- • 层压缺陷
连接器缺陷
- • 弯曲引脚
- • 缺失引脚
- • 污染
- • 外壳损坏
包装缺陷
包装检测确保产品已正确包装以供运输和销售。
标签缺陷
缺少、错位、起皱或有印刷缺陷的标签。AI验证标签的存在、位置和质量。OCR可以验证标签内容是否与预期文本匹配。
密封和封口缺陷
密封未正确形成、盖子未正确应用、封口未完全就位。对产品保护和防篡改证据至关重要。AI学习正确密封的外观并检测偏差。
容器缺陷
产品包装上的凹痕、划痕或损坏。可能影响产品保护、货架吸引力和品牌认知。AI检查容器表面的损坏。
填充量问题
产品填充不足或过多。AI根据预期范围测量填充水平，标记超出公差的产品。
焊接缺陷
焊接检测在汽车、航空航天和重型设备制造中至关重要。
AI可以检测的常见焊接缺陷：
- 气孔：焊缝中的气泡
- 咬边：焊缝边缘熔入母材的沟槽
- 飞溅：焊缝周围散落的金属液滴
- 未熔合：焊缝与母材未完全结合
- 裂纹：焊缝或热影响区的断裂
- 不规则焊道：焊道宽度或高度不一致
- 烧穿：过度熔透造成的孔洞
纺织品和织物缺陷
纺织品检测需要检测具有固有图案和纹理变化的材料中的缺陷。
- 孔洞和撕裂：材料缺失
- 污渍：由污染造成的变色
- 编织缺陷：缺少线头、断纱、图案错误
- 线结：由线头连接造成的疙瘩
- 异物：织物中夹杂的纤维或杂质
- 颜色不均：染色不一致
食品和医药缺陷
食品和医药检测对检测污染和缺陷有严格要求。
食品
- • 异物（金属、塑料、玻璃）
- • 变色/腐败
- • 形状/尺寸异常
- • 表面缺陷（瘀伤、斑点）
- • 包装完整性
医药
- • 片剂碎裂和裂纹
- • 涂层缺陷
- • 颜色变化
- • 污染
- • 包装验证
是什么使缺陷可被检测？
AI视觉可以检测任何与好产品产生视觉差异的缺陷，前提是成像适当。影响可检测性的关键因素：
- 可见性：缺陷必须在图像中可见。适当的照明对于揭示缺陷至关重要。
- 分辨率：相机分辨率必须足以分辨缺陷。更小的缺陷需要更高的分辨率。
- 对比度：缺陷与正常表面之间必须有足够的差异。
- 一致性：缺陷应能从产品的可接受变异中区分出来。
- 训练数据：每种缺陷类型的足够示例必须可用于训练。
开始使用
如果您有想要检测的缺陷，最佳方法是实证性的：用您的实际产品和缺陷进行测试。来自Overview.ai等公司的现代AI视觉平台使您能够轻松快速评估对您特定缺陷类型的检测能力，无需大量承诺。