2. 铸件毛刺基础

在铸件生产全流程中，毛刺是伴随铸造、切割、清理等工序出现的常见表面缺陷。对于3D视觉检测项目而言，毛刺不仅是需要被识别的目标特征，更是影响检测算法设计、光源选型、相机布置以及后处理工艺的关键输入参数。本章从毛刺的工程定义出发，系统梳理其形成机理、分类体系及对产品质量的多维度影响，为后续视觉检测方案提供基础认知框架。

2.1 毛刺的工程定义与本质特征

在铸造工程语境中，毛刺（Burr / Flash）是指铸件表面超出设计几何轮廓的多余金属突起物，通常产生于模具分型面、型芯配合处、浇冒口连接处以及内腔转角等位置。从材料学角度看，毛刺的本质是金属液在凝固前渗入模具缝隙或残留在非加工区域，最终形成与铸件本体相连但超出公差范围的薄片状、颗粒状或条状结构。

毛刺的几何特征对视觉检测系统设计具有直接影响。其厚度通常在0.1mm至3mm之间，长度从几毫米到数十毫米不等，形态可能是尖锐的薄片，也可能是圆润的凸起。在3D点云数据中，毛刺表现为局部表面法向突变、高度异常或曲率剧变的区域，这为基于深度学习的检测算法提供了可辨识的特征基础。

2.2 毛刺的形成原因分析

毛刺的形成是铸造工艺中多种因素耦合作用的结果，理解其根因有助于在视觉检测方案中预判毛刺的高发区域和形态特征。根据铸造工艺链，毛刺的形成原因可归纳为以下四类：

在实际生产中，毛刺往往是多种原因叠加的结果。例如，一副新模具在初期使用时毛刺较少，但随着生产批次增加，模具热疲劳导致分型面局部塌陷，此时即使调整工艺参数也难以完全消除毛刺。视觉检测系统需要具备对毛刺位置漂移的适应性，不能仅依赖固定ROI（感兴趣区域）检测。

2.3 铸件毛刺的常见类型与形态特征

从视觉检测的视角出发，毛刺的分类应兼顾几何形态和空间位置两个维度。不同形态的毛刺在2D图像和3D点云中的表现差异显著，直接影响检测算法的选择。以下是铸件毛刺的四种主要类型：

2.3.1 分型面飞边（Flash）

这是最常见的一类毛刺，沿模具分型线分布，呈薄片状或锯齿状。在3D点云中，飞边表现为分型面两侧表面之间的台阶状突变，高度通常在0.2~2mm之间。由于飞边沿分型线连续分布，视觉检测时容易与铸件本身的合模线混淆，需要结合设计图纸中的合模线位置进行区分。

2.3.2 浇冒口残余（Gate / Riser Residual）

浇注系统与铸件本体的连接处在切割后留下的凸起，形态多为圆锥台或圆柱状。这类毛刺的尺寸较大（直径可达5~20mm），高度取决于切割工艺的精度。在3D检测中，浇冒口残余的特征明显，但容易与铸件功能性凸台混淆，需要结合CAD模型进行比对。

2.3.3 内腔与深孔毛刺（Internal Burr）

产生于型芯配合处、滑块抽芯区域或深孔内壁，由于清理工具难以触及，这类毛刺往往被保留。其形态不规则，可能呈颗粒状或片状，在视觉检测中需要借助内窥镜或特殊光照角度才能有效识别。对于3D视觉系统，内腔毛刺的检测通常需要多视角扫描或结构光方案。

2.3.4 机械加工毛刺（Machining Burr）

铸件在后续钻孔、铣削等机械加工过程中产生的二次毛刺，虽然不属于铸造直接产物，但在成品检测中同样需要关注。这类毛刺通常出现在孔口边缘，呈卷曲状或锯齿状，尺寸较小（0.05~0.5mm），对高精度装配影响显著。

2.4 毛刺对产品质量的多维度影响

毛刺对铸件质量的影响远不止外观层面，它直接关系到产品的功能性能、装配可靠性和使用寿命。在汽车、航空航天、液压元件等高端应用领域，毛刺控制是质量管控的关键指标。以下是毛刺对产品质量影响的四个核心维度：

2.4.1 装配精度与功能干涉

在精密装配中，毛刺可能导致配合面无法贴合、螺栓孔位偏移或运动部件卡滞。例如，液压阀体铸件的阀芯安装孔内若存在毛刺，轻则导致阀芯运动阻力增大，重则直接卡死，造成系统失效。对于3D视觉检测而言，这意味着检测精度需要达到亚毫米级，且需要具备三维尺寸比对能力，而不仅仅是2D图像中的像素级判断。

2.4.2 密封性能与泄漏风险

在气密性要求高的铸件（如发动机缸体、变速箱壳体）中，分型面处的飞边会破坏密封面的连续性，导致油、气、水泄漏。这类缺陷在压力测试中才会暴露，但通过视觉检测提前识别可以大幅降低废品率。3D视觉系统可以通过测量密封面区域的平面度和毛刺高度，建立与泄漏风险的关联模型。

2.4.3 应力集中与疲劳寿命

毛刺根部在交变载荷作用下容易成为裂纹萌生源，显著降低铸件的疲劳寿命。特别是尖锐薄片状毛刺，其根部应力集中系数可达3~5倍。在航空航天铸件中，这一影响尤为致命。视觉检测系统需要能够量化毛刺的尖锐程度（如根部圆角半径），为疲劳寿命评估提供输入数据。

2.4.4 后续加工与表面处理障碍

毛刺会干扰后续的机加工定位、涂装附着和阳极氧化等表面处理工艺。例如，涂装时毛刺区域涂层厚度不足，容易提前锈蚀；机加工时毛刺可能导致刀具磨损加剧或加工尺寸超差。从全流程成本角度看，毛刺的清除需要额外的人工或自动化去毛刺工序，增加了制造成本。

2.5 案例拆解：某液压阀体铸件毛刺分布统计与检测策略制定

为将上述理论应用于实际项目，以下以一个液压阀体铸件的毛刺检测项目为例，展示毛刺基础分析如何指导视觉检测方案设计。

项目背景与约束：某液压设备制造商生产的阀体铸件（材质HT250，重量约8.5kg），年产量约12万件。客户要求对阀体六个安装面及四个油道口进行100%全检，毛刺允许最大高度0.3mm，超出即判为不合格。产线节拍要求≤45秒/件，检测设备需适应车间温度波动（10~40℃）和振动环境。

初始现象与数据采集：项目团队随机抽取了80件生产件，使用手持式三维扫描仪（精度0.05mm）获取完整点云数据，并配合工业显微镜对可疑区域进行复核。统计结果显示：

• 分型面飞边：出现率100%，平均高度0.18mm，最大0.52mm，主要分布在上下模分型线（占68%）和侧抽芯分型线（占32%）；
• 浇冒口残余：出现率85%，平均高度0.42mm，最大1.2mm，集中在两个主浇口位置；
• 内腔毛刺：出现率12%，主要位于油道交叉孔处，尺寸较小（0.1~0.25mm），但清理难度大；
• 机械加工毛刺：出现率5%，集中在螺纹孔口，属于后工序引入。

分析判断过程：基于统计数据，团队将检测策略分为三级：第一级为分型面飞边检测，采用4台工业相机（500万像素，全局快门）从四个方向拍摄，结合LED条形光源低角度照射，利用阴影增强飞边对比度；第二级为浇冒口残余检测，采用结构光3D传感器（分辨率0.1mm）对浇口区域进行局部扫描，与CAD模型进行最佳拟合比对，设定高度阈值0.3mm；第三级为内腔毛刺抽检，由于出现率低且检测难度大，采用每批次抽检5件的方式，使用内窥镜人工复核。

实际操作与结果：经过两周的现场调试，系统最终实现了：分型面飞边检测准确率98.7%，漏检率0.3%（主要漏检发生在侧抽芯圆角过渡区域）；浇冒口残余检测准确率99.2%，误检率1.1%（主要误检来自铸件表面氧化皮造成的伪高度差）。系统节拍稳定在38秒/件，满足产线要求。

风险与代价：项目初期曾尝试使用单一3D线激光轮廓仪覆盖全表面检测，但受限于阀体复杂内腔结构和反光表面，点云质量不稳定，导致误检率高达15%。最终改为“2D+3D”融合方案，虽然增加了硬件成本约30%，但检测可靠性显著提升。

复盘经验：毛刺基础分析的价值在于帮助团队明确了“哪些毛刺必须检、哪些可以抽检、哪些需要特殊手段”，避免了盲目追求全表面3D重建的高成本方案。同时，毛刺分布热力图直接指导了相机安装角度和光源方向的优化，使检测系统设计从“经验驱动”转变为“数据驱动”。

2.6 常见误区与总结复盘

在铸件毛刺视觉检测项目的实际推进中，以下误区值得特别注意：

1. 误区一：将所有毛刺等同对待。不同位置、不同形态的毛刺对产品质量的影响差异巨大，检测策略应分级分类，而非一刀切。
2. 误区二：忽视毛刺与设计特征的区分。铸件圆角、拔模斜度、合模线等设计特征在点云中同样表现为表面突变，若未在算法中排除，会导致大量误检。
3. 误区三：过度依赖单一传感器。2D图像对薄片状飞边敏感但无法量化高度，3D点云能精确测量但受反光和遮挡影响大，融合方案往往更稳健。
4. 误区四：忽略模具状态变化。毛刺的位置和尺寸会随模具磨损而漂移，检测系统需要定期更新ROI和阈值参数，建议建立“模具状态-毛刺特征”的关联数据库。