本类定位
平面及近似平面成型件的表面瑕疵检测：先让缺陷显影，再把它与正常纹理分开，最后才是判定
本方案面向平面冲压件、钣金件、粉末冶金件、压铸件、陶瓷件及汽车零部件的平面外观质量检测，结合 2D 面阵视觉、2D 线扫视觉、2.5D 表面形貌检测、3D 测量与 AI 视觉算法，覆盖划痕、拉伤、压痕、凹坑、麻点、气孔、砂眼、毛刺、崩角、缺料、裂纹、异色、油污、脏污等表面缺陷。从图像采集、缺陷识别、尺寸检测，到 OK/NG 判断与数据记录，为平面及近似平面成型件提供完整的自动化视觉检测能力。
冲压件、钣金件、粉末冶金件以及汽车零部件在生产过程中，表面通常会出现不同类型的质量问题。这些缺陷有一个共同特点：产品本身可能没有明显的颜色变化，但表面形貌已经发生了变化。例如浅划痕的颜色变化并不明显，轻微压痕与正常表面的灰度接近，微小凹坑的面积又很小；粉末冶金件自身具有复杂的表面纹理，压铸件表面存在麻点、气孔及粗糙纹理；冲压过程中还可能出现拉伤、压痕及局部变形，而金属表面的反光也会影响传统 2D 图像的稳定性。
因此，针对平面金属件的视觉检测，并不是简单地「拍一张照片」。真正需要解决的是：如何把缺陷特征稳定地成像出来，再通过算法准确判断。这也是本类方案把「成像方式选择」放在「算法选择」之前的原因——同一道划痕，在漫射光下可能看不出来，换成低角度光或方向性照明就会非常明显。
在实际项目中，本类方案通常按 产品尺寸、生产方式、表面材质、缺陷类型及检测节拍 组合视觉技术：平面且静止或间歇式上料的产品优先考虑 2D 面阵；长条形、大尺寸及连续运动产品考虑 2D 线扫；当 2D 难以分辨浅划痕、微小凹坑、压痕等形貌类缺陷时，再叠加 2.5D 表面形貌检测；需要平面度、翘曲、高度差等测量项时引入 3D；缺陷形态多变、难以用规则穷举时，用 AI 缺陷检测补充判定能力。
检测痛点
为什么平面件的表面缺陷不好检
人工目检的问题是效率低、检测标准不统一，长时间作业后判定尺度会漂移。而普通视觉方案在细微表面缺陷检测中，又容易受到材质、纹理、反光等因素干扰。下表列出本类项目中最常见的几类难点。
缺陷没有明显颜色差异
浅划痕颜色变化不明显，轻微压痕与正常表面的灰度接近，靠单一灰度阈值很难稳定分开。
缺陷尺度小
微小凹坑、麻点、针孔面积很小，在不对应的视野与分辨率下，成像后只剩几个像素。
正常纹理本身很复杂
粉末冶金件的孔隙与烧结纹理、压铸件的粗糙表面，都会产生类似缺陷的信号，需要把「正常纹理」与「真实缺陷」区分开。
金属表面反光
抛光面、镀层、铝件的高反光区域会让 2D 图像的灰度分布不稳定，成像方式需要专门设计。
形貌类缺陷看不见
压痕、鼓包、局部变形这类缺陷的核心特征不是颜色，而是产品表面发生了高低变化，普通 2D 图像中表现很弱。
多项目合并检测
同一个工件往往同时有外观缺陷、尺寸、孔位、字符等多项要求，需要在一台设备上完成多类判定。
核心技术方案
2D 面阵 + 2D 线扫 + 2.5D 表面形貌 + 3D 测量 + AI 缺陷检测
根据产品尺寸、生产方式、表面材质、缺陷类型及检测节拍，项目可以选择不同的视觉技术，也可以在同一个工件上组合使用。
01｜2D 面阵视觉检测
适合静态及间歇式平面产品检测，通过工业相机对产品表面进行高分辨率图像采集。
- 检测：异色、油污、脏污、缺料、崩角、明显划痕
- 检测：字符、印刷、孔位、轮廓、尺寸
- 适用：冲压件、钣金件、平面金属件、汽车零部件、粉末冶金件、陶瓷件
02｜2D 线扫视觉检测
面向长条形、大尺寸及连续运动产品，对传统面阵相机不容易一次覆盖的长尺寸产品进行连续采集。
- 流程：连续运动 → 线阵采集 → 图像拼接
- 流程：缺陷识别 → OK/NG 判断 → 自动剔除
- 适用：长条冲压件、金属板材、连续生产产品、大尺寸钣金件、卷材及长幅产品
03｜2.5D 表面形貌视觉检测
当 2D 看不清缺陷时，让视觉进一步观察表面形貌。通过特定光学成像方式获取表面形貌特征。
- 可获取：高度信息、法向信息、曲率信息
- 可获取：阴影特征、纹理特征
- 适用：浅划痕、轻微压痕、微小凹坑、轻微凸起、麻点、局部表面异常
04｜3D 尺寸与形位检测
面向平面度、翘曲、局部变形、高度差等测量项，通过点云数据完成量化判断。
- 算法：点云预处理、离群点过滤、ROI 提取
- 算法：基准面拟合、多点高度采样、Z 向偏差计算
- 输出：三维数据、测量点、高度值、平面度结果、超差位置
05｜AI 缺陷检测
当缺陷形态多变、难以用规则描述穷举时，用深度学习模型完成识别与分类。
- AI 缺陷分类、AI 目标检测
- AI 语义／实例分割
- 异常检测、2D 与 3D 数据融合
06｜多工位融合
把 2D、2.5D、3D 与尺寸测量分配到不同工位，在同一台设备内完成多类判定。
- 多相机、多光源独立触发
- 结果合并后统一输出 OK／NG
- 可与上下料、分拣机构联动
检测范围
平面成型件常见的检测项与优先显影方式
划痕｜拉伤｜压痕｜凹坑｜麻点｜气孔｜砂眼｜毛刺｜崩角｜缺料｜裂纹｜异色｜油污｜脏污｜表面异常
| 缺陷大类 | 典型缺陷 | 优先显影／检测方式 |
|---|---|---|
| 线性损伤 | 划痕、划伤、拉伤、擦伤、刮痕 | 低角度光／条纹光显影；斜向划痕需多方向打光，必要时结合 2.5D 形貌 |
| 形变类 | 压痕、压伤、凹坑、鼓包、局部变形、翘曲 | 2.5D 形貌／条纹光；高度与平面度量项改用 3D 点云 |
| 表面污染 | 油污、脏污、异物、锈点 | 漫射光／同轴光；需与材料本身的正常纹理区分 |
| 色度类 | 异色、色差、氧化色差、局部暗沉 | 稳定光源 + 白平衡基准，需先界定合理色差范围 |
| 铸造类 | 气孔、砂眼、冷隔、缩凹、流纹 | 漫射光与低角度光组合；浅凹坑类改评估 2.5D |
| 粉末冶金类 | 缺料、掉粉、崩角、分层、异常孔隙、麻点 | 2D + 2.5D + AI 组合，重点是把正常孔隙与异常缺陷区分开 |
| 边缘类 | 毛刺、毛边、飞边、崩边、缺角、浇口残留 | 背光或同轴光测轮廓；毛刺高度类量项结合 2.5D／3D |
| 裂纹类 | 裂纹、微裂、分层开裂 | 高分辨率 + 侧向光；需与划痕、加工纹路区分 |
| 工艺类 | 缺料、漏冲孔、冲压异常、加工痕迹异常 | 2D 轮廓与区域分析；孔位类改用量测算法 |
| 尺寸类 | 孔径、孔距、外径、内径、长度、宽度、轮廓尺寸 | 标定后量测，注意装夹定位与走料对测量的影响 |
检测对象
常见的被检产品、材料与零件类型
按材料与零件类型可以分成以下几组。同一组内的工件，光学与算法路线往往可以复用；跨组的产品通常需要单独评估成像方式。
平面冲压件 / 钣金件
冲压板件、底盘支架、汽车结构件、钣金件、金属外壳、冲压垫片、金属支架。
粉末冶金件
粉末冶金结构件、烧结件、汽车零部件、含油轴承、齿轮及精密金属件。
压铸件
汽车壳体、支架、阀体、电机壳体、金属结构件等铝合金压铸件。
陶瓷及平面结构件
陶瓷基板、陶瓷结构件、绝缘件、陶瓷阀片、精密陶瓷件。
汽车零部件
冲压件、钣金件、压铸件、粉末冶金件、金属支架、结构件、装饰件。
其他精密金属件
精密机加工件、五金件、紧固件等以平面或近似平面外观为主的零件。
按缺陷类型查看检测要点
按具体工件查看应用方案
典型缺陷
本类方案主要针对哪些缺陷，以及各自需要关注什么
| 缺陷 | 典型表现 | 检测关注点 |
|---|---|---|
| 划痕 / 拉伤 | 表面线性损伤，方向性明显 | 低角度光显影；斜向划痕可能被方向性照明掩盖，深色高光材质上的浅划痕需要专门验证 |
| 压痕 / 压伤 | 局部受压形成的浅凹陷，颜色变化弱 | 2D 下灰度差异小，常用 2.5D 形貌确认；需与正常的工艺压印区分 |
| 凹坑 / 鼓包 | 局部高度异常，面积可能很小 | 形貌特征而非颜色特征；极小面积需先确认视野与分辨率 |
| 麻点 / 砂眼 | 密集小点状表面异常 | 与材料正常纹理、型砂残留的区分是主要误判来源 |
| 气孔 / 冷隔 | 铸造工艺形成的孔洞与流动痕迹 | 漫射光与低角度光组合；浅层气孔需评估 2.5D |
| 毛刺 / 崩边 | 边缘多余材料或局部破损 | 背光或同轴光测轮廓；毛刺高度类需结合 2.5D／3D |
| 缺料 / 漏冲孔 | 材料缺失或工序漏做 | 与正常轮廓比对；注意工件摆位偏差带来的误判 |
| 裂纹 / 微裂 | 细长不连续的线性缺陷 | 需高分辨率 + 侧向光，并注意与划痕、加工纹路的区分 |
| 异色 / 氧化色差 | 件内或批次间色度偏差 | 需要稳定光源与白平衡基准，先由质量部门界定合理色差 |
| 油污 / 脏污 / 异物 | 表面附着物或夹杂颗粒 | 与材料自然纹理区分是关键；同色异物对比度低，需要专用打光 |
检测能力
从单一缺陷检测，到多项目综合判断
汽车零部件等产品对外观和制造质量具有较高要求，视觉检测可以在同一台设备上覆盖以下五类判定。
外观检测
划伤、碰伤、压伤、凹坑、脏污、异色、异物、毛刺等表面缺陷的识别与分类。
尺寸检测
长度、宽度、外径、内径、孔径、孔距等量测项，标定后按公差上下限判定。
轮廓检测
外轮廓、边缘位置、孔位关系的轮廓比对与偏差计算。
缺陷检测
按缺陷类别、面积、长度、宽度、位置建立判定规则，并输出缺陷等级。
字符识别
字符有无、字符缺失、字符异常与内容识别，用于型号与批次确认。
形位检测
平面度、翘曲、高度差、局部变形等，通过 3D 点云与基准面拟合完成。
AI 视觉算法
规则算法与深度学习按缺陷特点组合使用
传统视觉算法
适合形状规则、判据可量化的检测项，结果可解释、参数可追溯。
- 边缘提取与轮廓分析
- 亚像素尺寸测量、圆拟合、直线拟合
- Blob 区域分析、灰度／颜色差异检测
- 划伤检测、异物及脏污检测、毛刺检测
- 缺陷区域分割与面积、长度、宽度计算
深度学习算法
适合形态多变、难以用规则穷举的缺陷，需要样本训练与维护。
- AI 缺陷分类
- AI 目标检测
- AI 语义／实例分割
- 异常检测（缺陷难以穷举时按正常状态建模）
- OCR 字符识别、2D 与 3D 数据融合
在同一个项目中，两类算法通常并行使用：规则的量测项交给传统算法，保证数值稳定与可追溯；形态多变的缺陷交给深度学习，由模型完成识别与分类；两者结果合并后统一输出 OK／NG。
视觉软件平台
检测软件负责完成采集、判定、记录与对外通讯
配方与参数管理
产品配方管理、检测参数管理，支持多产品快速切换。
权限管理
操作、调试、维护分级权限，避免参数被随意改动。
统计与报表
OK/NG 统计、缺陷分类统计、报表输出。
图片与结果留存
缺陷图片保存、检测结果查询，便于复判与复盘。
数据追溯
图片、结果与产品信息关联，支持历史查询。
对外接口
PLC 通讯、MES／生产系统数据接口，可输出 OK 信号、NG 信号、缺陷类型、检测结果与测量数据。
技术架构
光学成像层 · 算法层 · 视觉软件层 · 自动化控制层
产品并不是单一的「相机检测」，而是四层协同的系统：光学层决定缺陷能不能显影，算法层决定能不能分辨，软件层负责判定与记录，自动化层负责与产线对接。
第一层：光学成像层
根据产品特点配置 2D 面阵、2D 线扫、2.5D 视觉、3D 线激光，并按缺陷类型选择低角度、同轴、漫射、背光或条纹光源。
第二层：算法层
建立多算法组合：亚像素量测、轮廓分析、区域分析、灰度与颜色差异、缺陷分割，以及 AI 分类／检测／分割与异常检测。
第三层：视觉软件层
统一管理产品配方、相机采集、算法调用、参数管理、检测结果、缺陷分类、数据存储、图片追溯与报表统计。
第四层：自动化控制层
与 PLC、上下料机构、输送机构、定位机构、分拣机构及 MES／数据系统对接，完成触发、分拣与数据回传。
检测方式
2D 与 2.5D 到底有什么区别
2D 主要看「表面有什么变化」，2.5D 进一步看「表面有没有高低变化」。
| 缺陷 | 2D 图像表现 | 2.5D 表现 | 结果 |
|---|---|---|---|
| 油污 | 灰度发生变化 | 表面高度基本没有变化 | 2D 即可显影 |
| 凹坑 | 可能只有很弱的灰度变化 | 可以观察到明显的表面形貌变化 | 2D + 2.5D 更可靠 |
| 划痕 | 可能表现为一条灰度异常线 | 可进一步分析划痕造成的表面形貌变化 | 按深浅与材质选择组合 |
因此，对于平面冲压件、金属成型件等产品，可以根据实际缺陷特点选择 2D，或者 2D + 2.5D 组合检测。判断依据不是「哪种技术更先进」，而是这类缺陷在图像里究竟以灰度差异为主，还是以形貌差异为主。
什么时候用 2D
缺陷与产品背景之间具有明显的灰度、颜色或轮廓差异，例如油污、锈点、明显缺料、明显崩角、异色、孔位异常。
什么时候加 2.5D
缺陷特征以高低变化为主，例如浅划痕、微小凹坑、压痕、轻微鼓包、表面形貌异常。
什么时候用 3D
需要输出量化形位数值，例如平面度、翘曲、高度差、局部变形。
检测流程
- 01收集 OK / NG 真实样品（含边界样品）
- 02打光与成像实验，确认缺陷可显影
- 03确定检测区域与最小需检缺陷尺寸
- 04标注样本并训练 / 调参
- 05批量试跑，统计漏检与过杀
- 06按不对称代价调整阈值
- 07上线并保留复判与再训练通道
设备与整机
平面件视觉检测设备形态与工位结构
下表所列为本类方案常用的设备形态。设备的机柜结构、工位数与进出料方式，按工件的上料方式、检测项数量和产线节拍确定：单检测项的小件产品通常用单工位机，多检测项产品按项目拆分工位，需要连线生产的产品配置皮带输送或转盘进出料机构。
适用行业
这类方案通常装在哪些行业
典型应用组合
按检测目的划分的方案组合及其技术路线
| 方案 | 核心应用 | 核心视觉技术 | 核心算法 |
|---|---|---|---|
| 方案 1 | 平面冲压件综合检测 | 2D / 2.5D / 3D | 缺陷 + 测量 |
| 方案 2 | 划伤瑕疵检测 | 2D / 2.5D | 缺陷分割 + AI |
| 方案 3 | 孔径尺寸测量 | 2D 面阵 | 亚像素测量 |
| 方案 4 | 平面度检测 | 3D | 点云 + 平面拟合 |
| 方案 5 | 毛刺边缘检测 | 2D / 3D | 轮廓分析 |
| 方案 6 | 有无 / 漏装检测 | 2D | 模板匹配 + AI |
| 方案 7 | 粉末冶金检测 | 2D / 2.5D / 3D | 缺陷 + 测量 |
| 方案 8 | 压铸件平面区域检测 | 2D / 2.5D / 3D | ROI + 缺陷算法 |
| 方案 9 | 陶瓷平面件检测 | 2D / 2.5D | 缺陷分割 + AI |
| 方案 10 | 汽车零部件综合检测 | 2D / 2.5D / 3D + AI | 多算法融合 |
实施流程
从项目概述到交付的十个环节
- 01项目概述：明确工件、材料与检测目的
- 02检测需求：逐项确认检测类别与判定标准
- 03总体技术架构：确定工位数与检测分工
- 04光学成像方案：光源、镜头、相机选型与打光验证
- 05算法方案：规则与 AI 的分工及参数
- 06软件方案：配方、界面、统计与接口
- 07自动化方案：上下料、输送、分拣与 PLC 对接
- 08性能验证：按验证项目逐项确认
- 09风险与对策：边界样品、特殊材质与节拍风险
- 10项目交付：验收、培训与运行维护
项目性能验证项目
正式项目实施时，根据客户规格建立以下验证项目，验证结论以双方共同确认的样品与测试条件为准。
| 验证项目 | 验证内容 |
|---|---|
| 成像精度 | 像素精度、视野、缺陷可见性 |
| 检测能力 | OK / NG 样品验证 |
| 测量精度 | 标准件及重复测量 |
| 重复性 | 多次连续采集 |
| 漏检率 | NG 样本验证 |
| 过检率 | OK 样本验证 |
| CT | 单件完整检测周期 |
| 稳定性 | 连续运行测试 |
| 数据追溯 | 图片、结果、产品信息关联 |
为什么选 EEK
光学、算法、软件、自动化四层由同一团队完成
先做打光验证，再谈算法
本类项目失败的原因多数不在算法，而在缺陷根本没在图像里显出来。我们在方案阶段就把成像实验做实，确认缺陷可显影后再定算法路线。
按缺陷特点组合技术，不硬套单一方案
能用 2D 解决的不叠加 2.5D，需要形貌判断的才引入 2.5D 或 3D，缺陷难以穷举时再上 AI——技术选择服从检测目的与成本。
不虚构指标，以打样结论为准
精度、节拍、漏检率这类指标与工件和现场条件强相关，我们不做未经实测的数值承诺，而是先打样、再共同确认可达到的水平。
设备与自动化一体交付
光学、算法、软件、上下料与 PLC 对接由同一团队负责，避免视觉与产线分属不同供应商时常见的接口推诿。
本类方案
同一类问题下的其他方案页
本类方案按检测目的与工件类型细分。下表为已建成的相关方案页；细分工件方案位已预留，资料补齐后陆续上线。
本类资料清单
已确认内容与待核实项
| 资料项 | 说明 | 状态 |
|---|---|---|
| 检测对象与覆盖材料 | 冲压件、钣金件、粉末冶金件、压铸件、陶瓷件、汽车零部件 | 已有 |
| 技术路线与算法能力 | 2D 面阵 / 2D 线扫 / 2.5D / 3D / AI 及软件功能模块 | 已有 |
| 实施流程与验证项目 | 十环节实施流程与九项性能验证内容 | 已有 |
| 设备机型参数 | 外形尺寸、接口定义、可选配置清单 | 按实际检测对象与产线确认 |
| 缺陷清单与判定标准 | 须由客户质量部门量化定义，含边界样品口径 | 按实际检测对象与产线确认 |
| 真实缺陷样本 | OK / NG 及边界样品，数量需满足训练与验证 | 按实际检测对象与产线确认 |
| 最小需检缺陷尺寸 | 决定视野与分辨率，需实测验证 | 按实际检测对象与产线确认 |
| 检测节拍与产线条件 | 上下料方式、可用空间与现场光照条件 | 按实际检测对象与产线确认 |
| 可公开的应用案例 | 需客户授权后方可发布 | 按实际检测对象与产线确认 |
| 样品与缺陷实拍图 | 用于替换本页设备示意图，补充工件与缺陷样张 | 按实际检测对象与产线确认 |
常见问题
关于平面件瑕疵检测的常见疑问
平面冲压件的表面瑕疵为什么不能直接用一张照片判断？
因为很多缺陷本身没有明显的颜色变化，只是表面形貌发生了变化：浅划痕颜色变化不明显，轻微压痕与正常表面的灰度很接近，微小凹坑面积又很小。再加上粉末冶金件自身的表面纹理、压铸件的麻点与粗糙纹理、金属表面的反光，普通 2D 图像里的灰度差异往往不足以稳定区分缺陷与正常表面。
所以这类项目真正要解决的是两件事：先把缺陷特征稳定地成像出来，再通过算法准确判断。
2D 和 2.5D 到底有什么区别？
一句话：2D 主要看表面有什么变化，2.5D 进一步看表面有没有高低变化。以油污为例，2D 图像上灰度发生变化，但表面高度基本没有变化；以凹坑为例，2D 可能只有很弱的灰度变化，2.5D 可以观察到明显的表面形貌变化；以划痕为例，2D 可能表现为一条灰度异常线，2.5D 可以进一步分析划痕造成的表面形貌变化。
因此可以根据实际缺陷特点选择 2D，或者 2D + 2.5D 组合检测。
什么情况下必须用线扫视觉？
对于传统面阵相机不容易一次覆盖的长尺寸产品，例如长条冲压件、金属板材、大尺寸钣金件以及卷材与长幅产品，可以采用线扫视觉进行连续采集：产品连续运动 → 线阵图像采集 → 图像拼接 → 缺陷识别 → OK/NG 判断 → 自动剔除。它特别适合生产线连续运行的检测场景。
粉末冶金件为什么难检？
粉末冶金件本身可能存在大量正常的表面纹理和孔隙，所以视觉检测的难点不是简单地找到「黑点」，而是区分正常表面纹理与真正影响产品质量的异常缺陷。常见缺陷包括缺料、掉粉、崩角、压痕、裂纹、分层、麻点与异常孔隙。此类项目通常需要 2D 视觉 + 2.5D 形貌 + AI 算法 进行组合检测。
压铸件的哪些缺陷适合 2D，哪些需要 2.5D？
压铸件常见缺陷包括气孔、砂眼、冷隔、缩凹、流纹、飞边、毛刺、浇口残留与拉伤。其中明显的表面缺陷可以通过 2D 视觉进行检测；对于浅凹坑、局部高度异常、毛刺高度与表面形貌变化，可以进一步评估 2.5D 视觉方案。
检测精度是多少？
精度取决于视野与相机分辨率，以及缺陷与背景的对比度——对比度低时，即使分辨率足够也未必检得稳。正确做法是先确定最小需检缺陷尺寸，再反推视野与分辨率，最后用实测打样验证。
可以替代人工目检吗？
可以替代重复性的外观判定，而且一致性优于人工——人工会疲劳、标准会漂移。但它也有明确边界：内部缺陷视觉看不到，需要触感或破坏性检测的项目也做不了。另外需要有人负责样本维护、阈值调整和 NG 复判，并不是完全零人力。
上线后过杀率高怎么办？
先分清是成像问题还是判定问题：把过杀件的图像调出来看，如果缺陷件与正常件在图上明显不同，属于阈值或算法参数问题；如果两者图像几乎一样，说明打光没能把差异显出来，需要改成像方式。这一步建议保留原始图像留档，否则后期无法复盘。
提交样品测试
把工件、缺陷样本、检测要求与产线节拍发给我们，方案工程师会判断它属于哪一类检测问题，并给出成像方式、算法路线与设备配置建议。
提交成功
我们已收到您的样品测试需求，方案工程师会在 1 个工作日内与您联系。如需加急，请直接致电 13913763268（微信同号）。
需要逐项评估成像条件、缺陷标准与节拍？ 前往完整需求评估 →