冲壓钣金AI缺陷偵測：車身覆蓋件的开裂、起皱與表面缺陷

冲壓是汽車製造業中最古老、最快、最不容差错的工藝之一。一次壓機循環把一块平整的鋼或铝坯料在幾秒內成形為車門、引擎蓋、翼子板或結构件。該工藝也以非常具體的方式频繁產生缺陷。高應變區的开裂。深拉區域的起皱。模具磨損造成的劃痕。模具壽命周期內回彈引起的尺寸漂移。

檢測之所以困難，正是因為工藝很快：零件大、反光強、幾何複雜。人工下線檢測能抓到明显失效，但經常漏掉細微缺陷，最終在車身車間出問題，更糟的情况下問題随車出厂。AI視覺在不拖慢壓機的前提下，於產線節拍（典型240件/分钟）下解决了一致性問題。

本文是面向冲壓钣金AI檢測的實用缺陷目录，按缺陷類別給出檢測方案，并附車身覆蓋件項目的部署指引。

缺陷目录

开裂與撕裂

當材料減薄超過成形極限時產生，通常出現在深拉轉角、小圆角或材料晶向過渡處。开裂是冲壓中安全等級最高的缺陷，也是產線節拍下最容易漏檢的缺陷。可見裂紋宽度往往不到0.5mm。

檢測方案：50到100 µm像素尺寸的高分辨成像，配合面向开裂幾何訓練的CNN。最新研究采用ResNet18架构，在冲壓件开裂缺陷上達到99.9%的分類精度。生產部署在即時推論中也常常達到這一水平。

起皱

深拉區域的壓縮失稳，通常沿壓邊過渡或法兰邊出現。A級面上的外观起皱客戶會判退。承力區的功能性起皱會損害碰撞效能。

檢測方案：用光度立體提取表面法向圖，配合針對起皱拓扑訓練的分類器。完整照明架构請参見我們的冲壓邊緣缺陷的光度AI視覺。

劃痕與模痕

由模具磨損、模具表面污染或物料搬運損傷造成。A級面上深度超過0.1mm的劃痕需要返修或報廢。檢測方案：結构光照明加上按劃痕方向（顺紋理與横紋理產生不同視覺特徵）訓練的AI分類器。

凹陷與表面波浪

來自壓機工裝、傳輸系統接触或操作搬運的局部凹陷或波浪起伏。在喷漆後的深色與金属漆面上尤為可見。檢測方案：3D成像或光度立體，配合具備深度感知的分類器和按位置定的容差帶。

回彈與尺寸漂移

材料彈性回複在零件離模後引起尺寸偏移。回彈是工藝固有的；模具磨損過程中尺寸随時間漂移才是檢測難點。檢測方案：纯2D AI視覺不足以勝任；需搭配結构光或激光三角量測進行量測級尺寸檢測。AI視覺系統負責缺陷偵測，計量系統跟踪尺寸漂移。

邊緣缺陷：毛刺、颈縮、斷裂邊

修邊與冲孔工序會產生毛刺與邊緣斷裂，影響下游裝配。颈縮（邊角處的局部減薄）在產線節拍下尤其難發現。檢測方案：沿零件周邊采用切線方向、高像素密度的成像，并使用按工裝實際邊緣缺陷分類法訓練的分類器。

孔與修邊特徵缺陷

冲孔位置偏、孔径小，或冲頭磨損導致孔邊撕裂。修邊特徵轮廓不到位。檢測方案：特徵定位分類器加上對照CAD模型的尺寸量測。

反光表面為何是難點

車身覆蓋件本就被設計為反光面。這正是檢測之所以困難的原因。A級面上1mm的凹陷在平直照明下不可見，但在掠射光下一目了然。决定能否抓到缺陷的是照明架构，而非AI模型。

冲壓件檢測中主導的三種照明策略：

光度立體。多光位、单相機。透過差分照明重建表面法向圖。最適合強反光面上的凹陷、起皱與表面波浪。照明硬體複雜度中等，但檢測站占地紧凑。

結构光三角量測。投射圖案、多角度成像。重建完整3D幾何。最適合在同一工位同時需要缺陷偵測與尺寸量測的場景。比光度立體更慢、更貴。

偏振照明。交叉偏振照明可消除表面眩光、暴露基底缺陷。最適合表面反射占主導的喷漆線檢測，對原始冲壓檢測則有些冗余。

對典型車身覆蓋件項目而言，光度立體是合適的起點。當某些零件需要在同一工位同時進行尺寸量測和缺陷偵測時，再有選擇地加入結构光。

冲壓產線上檢測該放在哪里

三個檢測點能帶來更劃算的"每相機檢出率"經济效益：

成形工序之間。對於多工序操作（深拉、整形、修邊、冲孔），在工序之間檢測可在二次工序固化缺陷之前抓到开裂與起皱，節省下游返修。

修邊後、轉運前。最常見的部署點。熱環境稳定，可設多個照明角度，便於實現完整零件可見性。

回彈稳定後的最終尺寸檢查。开模後回彈會持續數秒。下線尺寸檢測捕獲的是下游工序實際收到的最終零件幾何。

生產資料與經济賬

冲壓產線上工業AI視覺系統的目標指標：

對於一條年產800萬件、单件$40的典型一級供應商冲壓產線，將流向車身車間的漏檢率下降30%，按零件項目不同，每年每條產線可節省返修與報廢成本约$80,000到$200,000。

訓練資料為何比想象中容易

Open Stamped Parts Dataset及類似產業資料集提供了數千張已標注的冲壓影像，可用於初始訓練的引導。真實生產資料則在每個缺陷類別1到2周的導入窗口內采集。對於稀有缺陷（低於1/10,000），合成缺陷生成可補齊空缺。

冲壓钣金特別適合合成資料增強，因為缺陷類別在不同零件項目間視覺一致。开裂就是开裂，不論它出現在豐田凯美瑞的車門還是福特F-150的翼子板上。即使視覺上下文（油漆颜色、表面紋理、料厚）變化，缺陷物理也會延續。

如何起步

更多關於汽車AI視覺部署節奏的內容，参見AI視覺如何降低汽車缺陷與汽車產業頁。