航太與汽車
金属加工中齿轮缺陷偵測的AI視覺
使用AI分割可靠檢測反光、曲面幾何體上的表面缺陷和齿轮齿缺陷。
快速摘要
一家精密齿轮製造商由於反光表面和複雜的齿幾何形状無法可靠地檢測缺陷。使用OV20i視覺系統，僅用11個樣本（5個好的，6個壞的）訓練的AI分割模型在表面和齿轮齿缺陷偵測上實現了100%的準確率。
挑戰：檢測不完美的完美
對於為汽車和航太產業製造精密齿轮的厂商來说，品質是不可谈判的。然而，自動化齿轮檢測面臨重大挑戰，導致傳統視覺系統失败。核心問題源於零件本身的物理特性。
- 反光表面：機加工金属表面產生镜面高光（眩光），可能使標準相機致盲或被誤解為缺陷。
- 曲面幾何：齿轮齿的複雜曲面形状扭曲光線，使基於規則的系統難以應用一致的標準。
- 方向變化：齿轮呈現給相機方式的微小變化可能導致依赖固定感興趣區域（ROI）的系統出現重大精度漂移。
一家領先的供應商正好經歷了這些問題，導致高誤報率和缺陷流向客戶的風險。
解決方案：幾何確定性的分割
借助OV20i，Overview AI的工程師實施了一個以AI分割模型為中心的解決方案，該模型非常適合具有複雜幾何形状（如齿轮齿）的零件。
小資料集的高精度模型
證明品質資料勝過數量，團隊在一個極小的資料集上訓練了一個強大的模型：僅5個好樣本和6個缺陷樣本。系統快速学會區分完美齿轮齿和有缺陷齿的紋理和形状，達到100%的驗證準確率。
元資料區分關鍵與表面
并非所有視覺異常都是功能缺陷。該解決方案使用基於元資料的阈值來創建智慧過滤。這允许系統忽略輕微、可接受的表面痕迹，同時保持對影響齿轮效能的真正功能缺陷（如崩角、裂紋或磨削错誤）的高靈敏度。
關鍵工程要點
該項目強化了成功機器視覺部署的幾個核心原則：
- 1. 光学優於資料：一致、高品質的照明比试圖用海量資料集克服糟糕成像要有效得多。
- 2. 上下文是關鍵：使用元資料對缺陷進行分類（例如按大小、位置或類型）可實現智慧、選擇性的透過/失败决策。
- 3. 正確的工具做正確的事：分割是檢測具有複雜3D幾何形状零件的優越AI技术，因為它学习形式和紋理，而不僅僅是亮度或颜色。
常見問題
為什麼檢測機加工齿轮這麼難？
齿轮檢測具有挑戰性，因為高度反光的表面、齿轮齿的複雜曲面幾何形状以及方向的不斷變化。這些因素導致照明變化，使傳統的基於規則的視覺系統失效。
AI分割模型如何帮助齿轮檢測？
分割非常適合複雜的3D幾何形状。模型学习好齿轮齿的"形状"和紋理，使其能够準確識別偏差和缺陷，即使在反光表面上也不會被眩光混淆。
該系統能區分表面劃痕和關鍵缺陷吗？
可以。透過使用基於元資料的阈值，系統可以被编程為過滤掉輕微的表面痕迹，同時保持對影響齿轮效能的真正功能缺陷的高靈敏度。