在反光、油腻組件上檢測松動紧固件：為什麼傳統視覺失败--AI視覺如何解决
松動或缺失的紧固件是典型的潜在缺陷。在汽車發動機、變速箱、制動模块、電池外壳或任何安全關鍵組件中，单個松動的螺栓可能導致振動、泄漏路径、NVH投诉或灾難性故障。
真正的問題（不僅僅是"找到螺栓"）
在實践中，三個現實使自動檢測變得困難：
1. 松動物理学
螺栓在循環振動和冲击下失去預紧力；螺紋介面的微旋轉和接頭沉降降低夹紧力，直到接頭滑動--即使裝配時的扭矩是標稱的。這就是"自松動"，是紧固件工程中已知且經過研究的機制。
2. 現實的光学
零件是光亮的和油腻的。反射、镜面眩光和薄油膜击败基於規則的AOI；阈值因眩光而触發，而不是幾何形状。通常需要同轴/远心光学來"透過"反射并保持真實的特徵對比度。
3. 現實世界的幾何
紧固件的表面和颜色各不相同；它們被筋/法兰部分遮挡；方向在不同套件間變化。僅透視倾斜就可以破壞简单的模板--除非您纠正它或使用跨姿態泛化的模型。
為什麼傳統AOI表現不佳
- •阈值脆弱性。镜面高光導致誤報；陰影導致漏檢。
- •颜色/表面漂移。雙表面或塗層硬體破壞颜色分割規則。
- •隐藏可見性。藏在邊緣、夹具或軟管後面的螺栓間歇性可見。
- •透視畸變。相機角度變化；模板不變。
Overview AI如何解决（生產就绪，不僅是實驗室）
1. 用正確的光学使影像"真實"
我們將視場和工作距離與远心鏡頭匹配以保持放大率恒定和邊緣真實，然後添加同轴（在轴）照明以抑制眩光。這種組合揭示真實幾何形状（頭部平面、墊圈邊緣、杆轮廓），同時淡化镜面噪声。
2. 用分割学习特徵--而非阈值
我們的分割配方不是問"這個亮斑是螺栓吗？"，而是学习紧固件的形状+紋理及其上下文。這讓模型能够：
- ✓在被遮挡或部分可見的視圖中檢測紧固件，
- ✓忽略眩光/油污伪影，以及
- ✓在一個配方中處理多種表面和颜色。
3. 快速訓練，在邊緣，在線迭代
使用OV80i，訓練在設備上進行（NVIDIA Orin NX）。典型的分割配方從第一批影像→驗證模型只需數小時，而非數週--因此您可以在夹具、表面或照明變化時適應。
在生產線上什麼是"好的"
最先進的精度
在反光/油腻條件下檢測存在/缺失或松動的紧固件。
稳定的誤報率
透過設計（抗眩光光学+学习特徵+置信度逻辑）。
短價值實現時間
捕獲小的代表性集合；在瀏覽器中標注；訓練；在班次內驗證。
合規就绪
影像+疊加+元資料支援FAS和客戶PPAP/可追溯性需求。
常見問題
AI視覺真的能"透過"金属上的油和眩光看到吗？
透過同轴照明和適當的鏡頭，镜面反射被抑制，邊緣被解析；分割然後学习幾何/紋理，而不是亮度。這是制勝組合。
我們有混合表面和颜色--需要单獨的配方吗？
通常不需要。如果您用每種表面的適度但具有代表性的樣本集進行訓練，一個分割配方可以学习多種表面類別。
需要多少影像？
從小樣本（幾十張）开始，在"影子模式"下驗證，然後添加邊緣情况。透過設備端訓練，每次迭代需要幾分钟到~1-2小時（OV80i）。