2、AI质检基础：传统质检与AI质检的对比、常见缺陷类型、检测算法概述
在构建AI质检数字孪生系统之前，必须首先厘清一个根本问题：我们究竟在用AI替代什么、增强什么、以及重构什么？传统质检依赖人工目检和规则式机器视觉，而AI质检则引入了数据驱动的特征学习与决策模型。两者的差异不仅是技术栈的替换，更涉及质检流程的数字化程度、缺陷定义的灵活性以及产线闭环反馈的时效性。本章将系统对比传统与AI质检的底层逻辑，梳理制造业中常见的缺陷类型谱系，并概述当前主流的检测算法家族，为后续章节中数字孪生模型的构建提供认知基座。
上图从五个关键维度勾勒了传统质检与AI质检的链路差异。传统质检的核心是“人+规则”，AI质检的核心是“数据+模型”。这种差异直接决定了后续数字孪生系统中数据采集的粒度、模型更新的频率以及追溯查询的深度。下面我们逐一展开。
2.1 核心原理：从“人眼+卡尺”到“数据+模型”
传统质检的底层逻辑是确定性规则匹配。工程师根据产品规格书，将缺陷定义为一系列可量化的几何、灰度或颜色阈值。例如，一个划痕的长度超过2mm、深度超过0.1mm即判定为不合格。这种方法的优点是解释性强、部署成本低，但致命缺陷在于：真实缺陷的形态分布往往是非规则的，光照变化、材料反光、纹理干扰都会导致规则失效。一个在A产线调试完美的阈值，换到B产线可能误报率飙升。
AI质检的底层逻辑是概率化特征学习。以卷积神经网络（CNN）为代表的深度学习模型，通过大量标注样本自动学习缺陷的层次化特征——从边缘、纹理到局部形状、语义模式。模型输出的不是“是/否”的硬判断，而是“缺陷概率+缺陷位置+缺陷类别”的软输出。这种软输出为数字孪生系统提供了丰富的中间数据，例如置信度热力图、特征激活图，这些都可以映射到孪生体的虚拟空间中进行可视化复盘。
2.2 判断方法：如何选择传统视觉还是AI视觉
在实际产线中，并非所有场景都需要AI。以下判断流程可以帮助工程师做出合理决策：
- 缺陷是否规则化？如果缺陷是标准的几何形状（如固定位置的毛刺、均匀的色差），且背景稳定，优先考虑传统机器视觉（如Halcon、OpenCV），成本低、速度快。
- 缺陷是否具有语义复杂性？例如纺织品上的纹理瑕疵、铸件表面的不规则气孔、PCB上的微小短路，这些缺陷难以用固定阈值描述，应选择AI方案。
- 产线节拍是否允许？传统视觉通常运行在1-10ms/帧，AI模型在GPU上通常需要5-50ms/帧。若节拍极快（如每分钟600件），需考虑模型轻量化或硬件加速。
- 数据积累条件是否具备？AI需要至少数千张标注缺陷样本。如果新产品导入初期缺陷样本极少，可先用传统规则兜底，同步积累数据。
| 对比维度 | 传统机器视觉 | AI深度学习质检 |
|---|---|---|
| 特征定义 | 人工设计（边缘、灰度、面积） | 自动学习（高维语义特征） |
| 鲁棒性 | 对光照、角度敏感 | 对复杂背景适应性强 |
| 缺陷解释性 | 高（可追溯具体阈值） | 中（需借助热力图/特征可视化） |
| 部署成本 | 低（CPU即可） | 高（需GPU或NPU） |
| 模型更新 | 需人工调整参数 | 可增量学习/在线更新 |
| 适用场景 | 高节拍、规则缺陷、样本少 | 复杂纹理、语义缺陷、数据充足 |
2.3 常见缺陷类型谱系
理解缺陷类型是构建检测模型和数字孪生映射的基础。从成像和算法角度，缺陷可分为三大类：
- 表面外观缺陷：划痕、凹坑、麻点、脏污、气泡、橘皮、色差。这类缺陷主要依赖2D图像分析，特征是局部灰度或纹理异常。
- 结构尺寸缺陷：毛刺、缺料、变形、偏移、装配间隙过大。这类缺陷需要结合2D几何测量或3D点云分析，在数字孪生中对应CAD模型的偏差比对。
- 内部/功能性缺陷：焊接虚焊、内部裂纹、气泡夹杂（X-ray检测）、电路短路（AOI+电测）。这类缺陷往往需要特殊成像源（X射线、红外热像）或时序信号分析。
在数字孪生系统中，每种缺陷类型都应映射到特定的“检测传感器模型”和“特征提取算法”。例如，对于表面划痕，孪生体中的虚拟相机模拟真实相机的光照和分辨率；对于内部缺陷，孪生体则调用X射线衰减模型。
2.4 检测算法概述：从分类到分割
当前AI质检算法主要分为四个层次，对应不同的输出粒度：
- 图像分类（Image Classification）：判断整张图像是“OK”还是“NG”。适用于缺陷占比大、位置不敏感的场景。代表网络：ResNet、EfficientNet。
- 目标检测（Object Detection）：输出缺陷的边界框和类别。适用于定位缺陷大致位置。代表网络：YOLO系列、Faster R-CNN。
- 语义分割（Semantic Segmentation）：对每个像素进行分类，输出缺陷的精确轮廓。适用于需要精确测量缺陷面积、形状的场景。代表网络：U-Net、DeepLabV3+。
- 实例分割（Instance Segmentation）：区分同一类别的不同个体缺陷。适用于多个缺陷重叠或相邻的场景。代表网络：Mask R-CNN。
2.5 实战场景：某汽车零部件厂的外观质检改造
某铝合金轮毂制造厂，原有质检线配置6名目检员，负责检查轮毂表面的气孔、划痕和毛刺。问题在于：漏检率约8%，且缺陷位置无法数字化记录，导致质量追溯只能追溯到“班次”，无法追溯到“具体工位和工艺参数”。
改造方案：引入AI质检系统，采用“2D工业相机+环形光源+分割模型”。具体步骤如下：
- 数据采集：在产线末端加装4台500万像素相机，覆盖轮毂正面、背面和内侧壁。连续采集2周，获得约10万张图像，其中人工标注缺陷样本1.2万张。
- 模型训练：使用U-Net进行语义分割，输出缺陷掩膜。针对气孔（小目标）和划痕（长条目标）分别设置损失函数权重。
- 系统集成：将模型输出的缺陷坐标（像素坐标）通过标定矩阵转换为轮毂实际物理坐标，并写入MES系统。同时，将缺陷数据同步至数字孪生平台，在三维轮毂模型上叠加缺陷热区。
结果对比：漏检率从8%降至0.5%，误检率控制在1%以内。更重要的是，通过数字孪生平台发现，气孔缺陷主要集中在轮毂的PCD孔附近，且与铸造模具的某个特定浇口位置强相关。据此调整了浇注工艺参数，使得气孔缺陷率下降了40%。
2.6 常见误区与复盘
- 误区一：AI可以完全替代人工。实际上，AI擅长处理“已知的未知”，对于全新类型的缺陷（如新材料导致的异常纹理），模型可能失效。必须保留人工复核工位，处理低置信度样本。
- 误区二：缺陷样本越多越好。样本的多样性比数量更重要。如果1万张样本都来自同一批次、同一光照，模型泛化能力会很差。应刻意采集不同班次、不同天气、不同设备状态下的样本。
- 误区三：只关注算法精度，忽略工程约束。产线环境有振动、灰尘、温度变化，相机可能松动，光源可能衰减。数字孪生系统应包含“成像质量自检”模块，定期评估图像清晰度、亮度一致性，确保输入数据质量。
总结：AI质检的基础在于理解传统与AI的适用边界，掌握缺陷的物理本质与成像表现，并合理选择算法粒度。这一章的内容为后续“缺陷位置映射”和“批次追溯”奠定了数据与算法基础。在数字孪生框架下，质检不再是终点，而是产线持续优化的数据入口。