1. 项目背景与行业痛点
电梯制造行业正面临前所未有的质检效率瓶颈。去年某头部厂商的年度质量报告显示,传统人工目检平均每台电梯需要耗费3.5小时,漏检率高达12%,而客户对交付周期的要求却缩短了40%。这种矛盾催生了我们对AI视觉检测方案的探索。
在钣金冲压车间,工人老张每天要检查800多个门板零件。我亲眼见过他拿着强光手电筒,用指甲划过焊缝检查气孔,这种传统方法不仅效率低下,更关键的是人眼对0.3mm以下的缺陷识别率不足60%。这正是AI可以大显身手的场景。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 解决方案架构设计
2.1 硬件选型策略
我们最终采用了"工控机+工业相机+环形光源"的经典组合,但有几个关键细节:
- 海康威视MV-CH250-10GM相机:选择2000万像素而非常见的500万,因为电梯导轨的螺纹检测需要5μm/pixel的分辨率
- 奥普特环形光源的色温控制在6000K±5%,这个参数经过三个月测试验证能最佳呈现不锈钢表面的划痕
- 工控机显卡选用NVIDIA RTX A4000,比消费级显卡的MTBF(平均无故障时间)高出3倍
重要提示:千万别为了省钱用普通USB相机,车间电磁干扰会导致每20分钟断连一次,我们早期踩过这个坑。
2.2 软件算法栈
核心算法架构分为三层:
- 预处理层:用OpenCV实现基于HSV空间的金属反光抑制算法
- 检测层:YOLOv5s模型针对电梯零部件做了三点魔改:
- 将neck部分的C3模块替换为BiFPN
- 输出层增加小目标检测头
- 使用Focal-EIoU损失函数
- 后处理层:自定义的几何特征验证模块,防止误检
python复制# 典型缺陷检测代码片段
def detect_defect(image):
# 反光抑制处理
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
hsv[:,:,1] = cv2.equalizeHist(hsv[:,:,1])
# 推理
results = model(image)
# 几何验证
for box in results.xyxy[0]:
if is_valid_geometry(box):
