在電動車製造中檢測敏感感測器模块的表面缺陷
現代電動車和電氣化平台依赖於密集的感測器網路--壓力、温度、加速度、電流和位置模块。這些单元必须保持原始的表面完整性，以確保適當的密封、電氣接地和對準。
挑戰：微观缺陷，巨大後果
但製造它們是無情的：
- ⚠微观劃痕或瑕疵改變塗層均匀性，在感測器校準中引入變化。
- ⚠灰色對黑色外壳和半反光聚合物使對比度低，击败標準AOI。
- ⚠油膜、静電灰尘和曲面幾何形状增加不可預測的反射。
傳統檢測系統--基於規則的AOI甚至早期機器學習模型--難以泛化。它們需要數百張影像、仔細的照明控制，但仍然會漏掉影響感測器可靠性的微弱低對比度線條。
為什麼問題很難
低光学對比度
深色外壳上的灰色塗層幾乎沒有亮度差異；基於阈值的檢測失败。
表面反射率
光亮或半哑光塑料不均匀地散射光線，產生誤報。
微小缺陷尺度
劃痕可能< 0.1毫米，比旧AOI設定中的单個像素還小。
資料稀缺
感測器項目產生许多變體，但每個變體的示例很少--從頭开始訓練深度模型不可行。
Overview AI解決方案
使用OV20i視覺系統，Overview AI工程師部署了一個僅用8個好樣本和8個缺陷樣本訓練的分類器配方--總共16張影像。
關鍵設計原則
邊緣訓練
所有学习都在OV20i的NVIDIA Orin NX GPU上本地進行--無需云上傳，無延遲。
智慧照明
漫射和同轴照明組合揭示肉眼不可見的紋理差異。
自適應模型設計
分類器学习特徵模式（紋理、光泽梯度、邊緣不连續性）而不是固定亮度值，允许在各種照明下進行可靠檢測。
快速迭代
工程師可以直接在瀏覽器介面中重新標注或添加影像；每個訓練周期< 30分钟。
在一個班次內，系統實現了最先進的精度，識別微观瑕疵和较大劃痕--即使在傳統系統失败的低對比度灰色對黑色表面上。
結果和影響
小資料效率
用16張影像訓練的生產就绪模型。
照明鲁棒性
在日光、LED和顶部荧光燈下稳定檢測。
一致的良率
在裝配前在線捕獲缺陷，防止下游模块拒收。
可扩展部署
配方可透過少量重新訓練轉移到其他感測器或連接器變體。
常見問題
為什麼劃痕對電動車感測器模块如此關鍵？
即使是微观的表面損傷也會改變密封壓力或干擾光学/電磁靈敏度，導致漂移或早期故障。
Overview AI可以用多少資料進行訓練？
分類器配方通常從每類5-10張影像开始。迁移学习和資料增強縮小了與大資料集效能的差距。
系統需要受控照明吗？
不需要。OV系列使用自適應照明和曝光控制，AI学习反射率模式，使模型在實際車間條件下保持稳定。
部署有多快？
通常從概念驗證到驗證模型在2小時內完成，包括捕獲、標注和訓練。
與現有PLC或MES兼容吗？
是的。EtherNet/IP和PROFINET連接允许直接输出透過/失败結果和用於可追溯性的資料記录。