檢測薄壁壳體中的柴油效應（炭化斑點）：完整機器視覺指南

問題：為什麼柴油效應缺陷會躲過手動檢測

薄壁壳體是汽車、電子和消費品製造中的關鍵組件--即使是微小缺陷也可能危及結构完整性和產品效能。柴油效應是注射成型過程中的一種燃烧現象，會產生炭化斑點，是最難以一致檢測的品質問題之一。

薄壁壳體中柴油效應的常見缺陷：

• 局部烧痕 - 由困在壓縮下點燃的空气引起的深棕色或黑色變色
• 表面炭化 - 沿流動路径和熔接線的碳化材料沉積
• 微坑蚀 - 燃烧材料降解表面的小坑
• 變色條紋 - 沿气體逸出路線的線性炭迹圖案
• 材料降解區 - 機械效能受損的弱化區域
• 邊緣碳化 - 薄壁過渡處和角落處集中的燃烧

人工檢驗員在以生產速度檢查這些缺陷時難以保持準確性。檢驗員疲劳迅速出現--尤其是在區分細微炭迹與可接受的颜色變化時--導致跨班次的透過/失败决策不一致。

解決方案：AI驅動的視覺檢測

深度學習驅動的機器視覺系統消除了困擾手動檢測的主观性和疲劳。與需要對每種缺陷變化進行明確编程的基於規則的系統不同，AI模型学习識別柴油效應表現的全谱--從明显的烧痕到細微的變色。

Overview.ai的方法以全線速度提供一致、客观的檢測。OV80i系統在不瓶颈生產的情况下檢測100%的零件，捕獲否則會到達客戶或導致下游裝配失败的缺陷。

第一步：成像設定

將薄壁壳體放置在OV80i相機下，確保檢測面朝上，方向一致。適當的照明對於檢測細微炭迹至關重要--斜角照明通常能揭示直接照明遺漏的表面缺陷。

點击"設定成像"以访問相機設定面板。調整曝光以捕獲亮區和暗區（炭化區域）的全部細節，微調增益以在不引入噪声的情况下最佳化對比度。

點击"保存"以鎖定您的成像設定。

第二步：影像對齊

導航至"模板影像"部分，捕獲正確定位壳體的参考影像。該模板確保每個後續零件都從相同方向進行评估。

點击"+ 矩形"在壳體主體周围添加對齊區域。將"旋轉範围"設定為20度，以適應傳送帶或夹具上零件放置的微小變化。

第三步：檢測區域選擇

導航至"檢測設定"以定義系統應查找缺陷的位置。重命名您的"檢測類型"以反映特定關注點--例如"柴油效應表面"或"邊緣炭迹"。

點击"+ 添加檢測區域"創建新的檢測區域。調整黄色邊界框的大小，以覆蓋關鍵缺陷區域--通常是薄壁過渡處、角落、熔接線和流動路径端點，柴油效應最常見於這些位置。

點击"保存"確認您的檢測區域。

第四步：資料標記

人機協作標記過程訓練AI區分可接受零件與拒收品。查看捕獲的影像，將每張影像標記為良品（無柴油效應）或不良品（存在炭化斑點）。

在可接受變化的全範围和已知失效模式中纳入具有代表性的樣本。標記邊界案例--具有非常細微炭迹的零件--教導模型您的品質阈值所在。

第五步：創建規則

根據您創建的檢測類型定義您的透過/失败逻辑。例如，設定規則："如果柴油效應表面 = 不良品，則拒收。"

這些規則在生產線上控制自動驗收，在檢測到炭化零件時触發拒收機构或操作員警報。

關鍵成果與投資報酬

為柴油效應檢測實施AI驅動檢測可帶來可量化的業務影響：

• 降低廢品率 - 在二次操作增加成本之前發現缺陷零件
• 提高產量 - 在不減慢生產或增加人員的情况下100%檢測零件
• 合規性和可追溯性 - 維護帶有時間戳影像的详細檢測記录，用於審計和客戶要求
• 工藝改進見解 - 識別將柴油效應發生與特定模具、材料或工藝參數相關聯的模式

結論

薄壁壳體中的柴油效應缺陷需要超出人類限制的檢測能力。Overview.ai的機器視覺平台提供製造商從生產流中消除炭化零件所需的一致性、速度和精度--同時保護品質声誉和利润盈利能力。